【HBR導師講座】「大、人、物」與人力資源管理

胡昌亞 Chang-Ya Hu
瀏覽人數:5389
Lightspring / Shutterstock
企業運用大數據分析(大)、人工智慧(人)、物聯網(物)等技術進行經營決策,是目前的大勢所趨(以下簡稱為「大人物」)。而人力資源管理實務因為系統、資料、法規等限制,運用大人物時需考量更多因素。以下八篇哈佛商業評論的精彩文章對此議題著墨頗深,本導讀幫助您了解如何閱讀相關文章,從商業決策、資料來源、分析工具、法規考量等面向,掌握人力資源管理「大人物」之實務訣竅。

根據2016年7月5日《哈佛商業評論》全球繁體中文版官網上的〈大數據和分析〉影片內容,企業運用大數據分析(大)、人工智慧(人)、物聯網(物)等技術進行經營決策,是目前的大勢所趨(以下簡稱為「大人物」)。目前,在行銷管理或供應鏈管理等領域,「大人物」的運用已相當成熟,相形之下,人力資源管理(以下簡稱HR)在這方面的進展緩慢,仍停留在探討如何有效運用「大人物」的階段。

為此,本文指出,要能真正促進HR有效運用「大人物」,除了必須考量個資安全,並避免產生歧視(例如,違反「兩性平等法」)之外,還必須克服以下的挑戰。

挑戰1:HR領域缺乏大數據

為有效管理顧客關係,企業會記錄消費者的每一筆消費行為,或是消費者的網站瀏覽足跡,收集具有4V〔Volume(數量)、Variety(多元性)、Velocity(速率)、Veracity(真實性)〕特性的大數據,並進行商業分析。然而,在員工管理方面,企業較少記錄員工的每日工作行為,因此,大部分公司的HR部門,都只有「小數據」可用。

《哈佛商業評論》全球繁體中文版官網2017年7月4日的數位版文章〈人資部門沒有大數據〉中曾指出,人資部門較難運用大數據分析是因為缺乏可用的大數據。而造成這種現象的可能原因包括:公司的員工人數少於千人;每位員工一年的資料點不多,只有像是薪資、考績、訓練紀錄等;偏重收集像是個人背景資料、學經歷、離職面談紀錄等靜態數據,而較少收集行為數據;未能將文字或語音等非結構性數據,轉換為結構性數據等。

由於員工的專業知識、技能、能力,以及完成工作需要的其他個性特質等KSAOs(Knowledge, Skill, Ability, Others:人力資源管理中對員工職業崗位資質的描述模型),是預測工作表現的重要指標,若缺乏這些重要數據,就無法進行有價值的商業數據分析。

挑戰2:敘述統計數據,對企業決策的幫助有限

若公司HR的資訊系統,不能有效連結其他資訊系統,HR就需要花費相當多的時間精力,從不同的系統報表中撈出數據,再以人工方式,例如利用Excel,製作HR數據儀表板(Dashboard),以提供行政庶務使用。這類分析稱為「敘述分析」,包括:直條圖、圓餅圖等統計圖表和樞紐分析。由於月報多以部門為分析單位(例如,※※部門的離職率),不但使數據量更少,影響因素也從個人層次(例如,個人職能)轉移到環境層次(例如,競爭對手薪資水準)。若缺乏環境層次因素的相關數據,也無法進行有意義的分析,更遑論提供商業決策的建議了。

誠如《哈佛商業評論》全球繁體中文版官網2019年4月4日的數位版文章〈把工作拆解成自動化任務〉所述,愈來愈多公司開始利用機器人流程自動化(Robotic Process Automation,RPA),來提升工作效率。例如,利用RPA進行這些耗費人力、但價值有限的HR行政工作,以便HR專才能專注在可創造組織價值的商業分析上。

根據《哈佛商業評論》全球繁體中文版官網2017年4月13日上線的〈何謂商業分析〉影片論述,商業分析可分為三類:敘述分析(Descriptive analysis)、預測分析(Predictive analysis)、規範分析(Prescriptive analysis)。其中,敘述分析僅描述既有現象及事實,對商業決策的參考價值有限。但因為計算簡便,也易於視覺化,使得HR報表仍以敘述分析為主。其實,另外兩類才是更具實用性的數據,因此,若要提升組織對HR數據分析的重視,並據以進行商業決策,HR就必須提供公司預測分析與規範分析的結果。

挑戰3:HR專才不熟悉商業分析方法

培育HR專才的專業系所,會提供良好的統計分析訓練。這些訓練內容,除了教授《哈佛商業評論》全球繁體中文版官網2018年12月14日數位版文章〈經理人都該了解的四大分析概念〉列舉的概念以外,也訓練使用功能強大的統計數據分析軟體,像是SAS或SPSS等付費軟體的能力。但由於自身可取得的資料有限,再加上優先針對部門專屬的業務需求,導致HR實務上側重使用EXCEL就可進行的敘述分析,而較少進行對商務決策較有參考價值的預測分析或規範分析。

預測分析是利用過去的數據資料,建立未來事件的模型,預測我們關心的現象,《哈佛商業評論》全球繁體中文版官網2019年12月18日上線影片〈迴歸分析〉介紹的預測分析技術,就是常用的分析技術,也是HR專才熟悉的議題,例如,運用多元迴歸分析方法,從員工個人的工作滿意度與薪資水準預測離職意圖;又或者,運用分類分析,找出可用來區分核心人才與普通員工的因素。

而可協助制定行動方案的規範分析,常見的為A/B測試(A/B Testing),例如,使用卡方獨立性檢定,來判別不同招募管道來源的求職者,看他們接受公司工作的比例是否相同。總結來說,大部分HR專業系所的課程內容,都涵蓋基礎預測分析或規範分析的實務。因此,若有足夠的數據與工具,HR專才應可進行分析。

挑戰4:HR專業人員不熟悉商業數據分析軟體

雖然HR專業系所提供SAS或SPSS等數據分析軟體的訓練,但這類強大的統計軟體所費不貲。由於HR月報側重的,是敘述統計與數據分析視覺化,在實務上,大多會改為採用EXCEL,來進行資料整理與分析。

不過,雖然EXCEL具有強大的統計函數,可據以進行商業分析,但在處理大量數據時,選擇資料區塊較容易出錯,撰寫統計函數也較為麻煩,往往需要反覆檢查除錯,降低HR專才進行預測分析或規範分析的意願。

大數據分析的熱潮發展到現在,已有功能強大的免費分析軟體可供選擇,例如,基於R軟體的視窗化統計軟體JASP,或是視窗化的資料採礦軟體Orange。上述這兩個數據分析軟體都相當容易上手,值得HR專才學習與企業參考使用。

挑戰5:HR數據分析結果,缺乏實際上的效用?

曾有HR專才表示,使用個人教育背景等公司人事資料預測員工是否離職的效果不好,使得他們對數據分析的管理決策價值,抱持保留態度。

造成這個現象的可能原因有二:

首先,研究指出,員工背景資料對工作表現的預測力很低。有預測力的個人因素,是員工的職能與KSAOs。換句話說,若公司沒有職能或KSAOs資料,就無法進行有意義的分析。其次,擔任類似職位的員工,通常在專業背景與工作經驗等較為相似,造成背景資料這類預測變項的變異量過低,模型自然幾乎不具預測力。舉例來說,若想比較大學畢業學校是否能預測工作表現,但納入分析的員工,幾乎都是同一所大學畢業的,那麼,有關大學畢業學校的這項因素,就很難有預測力了。因此,在進行數據分析之前,了解數據本質與數據範圍,是避免做出錯誤結論的必要條件。

總結

能在HR領域善用大數據的公司,大多以《哈佛商業評論》全球繁體中文版2013年8月號文章〈打造專家級決策〉的DELTA模式利用大數據。這個模式的特性包括:第一,數據量夠大、數據類型夠多,除了員工的基本資料外,還有員工行為資料、員工職能(或KSAOs)資料、工作設計資料、工作環境資料、獎酬設計資料、職涯發展歷程資料等。第二,公司有一套能對應員工與職務的系統,例如,職能系統,而該模式與各類HR功能也有連結,例如,這項訓練課程可提升某種職能或KSAOs。第三,分析問題要能回應公司的管理決策需求。

「巧婦難為無米之炊」,若要在HR實務與決策上有效運用「大人物」,首先得建立有品質的數據庫。企業可藉由啟動數位轉型的機會,將HR的資料數位化;與公司既有的數據庫,像是ERP連結起來,思考收集其他HR數據的可行性。例如,透過載具與影像辨識工具等方式,以物聯網即時收集工作行為資料(例如,某項工作行為費時多久)與成效(例如,顧客滿意度)。此外,商業分析模型不是亂槍打鳥,公司需要有一套合理的系統或方法,像是職能或KSAOs,有效連結員工、工作與HR功能,才能提出有意義的分析模式,並基於該模式,選擇合理的商業分析技術(例如,羅吉斯迴歸分析)。

雖然大數據分析結果能協助商業決策,但不可因此忽略員工對工作的投入和自主性。如同《哈佛商業評論》全球繁體中文版2020年9月號文章〈別讓AI接管你的員工〉指出,企業不宜盲目以數據分析,做為決策的唯一依據,畢竟,大數據分析的目的,是協助我們做出更好的決策,而不是取代員工。

本導讀所涵蓋的哈佛商業評論文章與個案

1. 〈大數據和分析〉(Big Data and Analytics),《哈佛商業評論》全球繁體中文版,影音,2016/7/5。

2. 〈何謂商業分析〉(Business Analytics Defined),《哈佛商業評論》全球繁體中文版,影音,2017/4/13,巴布森學院教授湯瑪斯.戴文波特(Thomas H. Davenport)。

3. 〈人資部門沒有大數據〉(There's No Such Thing as Big Data in HR),彼得.卡裴利(Peter Cappelli),《哈佛商業評論》全球繁體中文版,數位版文章,2017/7/4。

4. 〈迴歸分析〉(Regression Analysis),《哈佛商業評論》全球繁體中文版,影音,2019/12/18。

5. 〈經理人都該了解的四大分析概念〉(4 Analytics Concepts Every Manager Should Understand),《哈佛商業評論》全球繁體中文版,愛美.嘉露(Amy Gallo),數位版文章,2018/12/24。

6. 〈別讓AI接管你的員工〉(Stop Overengineering People Management),彼得.卡裴利(Peter Cappelli),《哈佛商業評論》全球繁體中文版,2020年9月號。

7. 〈打造專家級決策〉(Keep Up with Your Quants),湯瑪斯.戴文波特(Thomas H. Davenport),《哈佛商業評論》全球繁體中文版,2013年8月號。

8. 〈把工作拆解成自動化任務〉(How to Break Down Work into Tasks That Can Be Automated),瑞文.傑蘇薩桑(Ravin Jesuthasan)、約翰.布德羅(John Boudreau),《哈佛商業評論》全球繁體中文版,數位版文章,2019/4/4。

閱讀完本模組的文章/個案/影片後,我們建議您思考下列問題:

1. 貴公司是否有一個系統或模型(如:職能或KSAOs),用來評估員工、分析工作,並連結各個HR功能?

2. 貴公司是否定期收集與員工相關的數據,這些數據與員工個人的工作表現有何連結?

3. 貴公司最需要解決的HR問題是什麼?公司用什麼數據指標反映這個問題?



胡昌亞

胡昌亞 Chang-Ya Hu

現職: 國立政治大學企業管理學系特聘教授、系主任
經歷: 人力資源管理學報主編、104 人力銀行獨立董事、薪資委員
專長: 人力資源管理、組織行為、領導


本篇文章主題HBR導師講座