作者 | 朱翔（HR转型突破中心高级合伙人）

又到年末，各类管理论坛如火如荼，今年人力资源管理方面最火热的话题莫过于“数字化的人才管理”。最近几年大数据、AI正在潜移默化地改变着我们的生活与工作方式，疫情带来的不确定性，更是加速了企业数字化管理转型的进程。毋庸置疑，数字化管理大大提升了我们管理工作的精准性、敏捷性，也为我们的管理决策提供了极大的支持。

人力资源管理从业人员该如何拥抱人力资源管理的数字化转型？以下是我们与客户、学员交流时经常遇到的几点困惑：

• 人力资源数字化管理的核心目的与价值是什么？难道就是把线下的人力资源工作流程、标准线上化？

• 全面数字化的人力资源管理需要从哪些方面推进？

• 公司没上eHR系统，我们没办法推进数字化人力资源管理工作啊？

• 人力资源管理的大量数据之间如何建立关联？

• 人力资源的数据如何与业务数据打通？

笔者认为，就和所有全面数字化管理一样，人力资源管理的数字化进程，也有不同的“段位”。这段位跟工具、系统、平台有没有关系？当然有，但我们说，硬件（包括现在的大数据、云技术等）是手段，不是目的，本质上，数字化人力资源管理首先是我们的一种思维方式：

对人才管理成功结果的定义，

对人才管理目标的持续跟进，

对业务与人力资源关联的思考。

想明白了这些，再根据自己所在组织的规模、特点、发展阶段，量力而行，选择足够有效的数字化工具（哪怕是Excel表格）。

早在20世纪初，费雷德里克·泰勒提出“科学管理”的思想，其思路就是通过数据的统计分析来找到提高劳动者生产效率的杠杆点。他认为，执行所有工作都有最佳路径，并对劳动工具和动作标准进行了细致研究，从而大大提高了劳动者的生产效率。工厂把人力资源与工程学结合，比如对员工的考勤、计件产量、效率加以严格监督。

今天，很多公司通过数据积累，推动大量的纵向对比（今年与往年）、横向对比（团队之间），由此了解人力资源各方面的健康程度。在1.0段位，大量的数据建立在结果层面的统计，比如：人均营收、人均利润、人均劳效、薪酬占比、人员的年龄/学历/职称结构、人才流失率、员工花名册更新等等。工作难度不高，但工作量可能巨大。但这仅仅是数字化人力资源管理的基础。

要想实现数据“实时在线”——能够被及时、方便地获取，需要HR日常对数据持续维护，并面向管理者和员工适度公开。让管理者对人力资源状况有直观的了解，为员工的自我管理提供准确、有效的数据，是量化人力资源统计巨大的贡献。

但如果需要分析数据背后的故事：“到底是什么原因造成了人力资源相关的结果数据的波动？我们又能够有哪些应对建议？”本质上在这个段位难以解答。

伴随着组织越来越大，人力资源职能化分工健全，提高人力资源的各项职能工作效率，改善各级管理者参与人力资源管理工作的体验，成为了重要的议题。我们开始关注人力资源各职能模块的一系列打通，也开始尝试分析人力资源结果性数据背后的过程行为数据之间的关系。人力资源管理相关的数据交叉分析和数据卷积愈发关键。

规模越大的企业，此时的实时数据分析量就越大，因此eHR软件开始有了足够的实战舞台，包括劳动力管理（规划、考勤排班等）、人才供应、人事档案管理、组织管理、薪酬管理、人才发展、绩效管理等模块都被嵌入其中。但请注意：人力资源日常的信息被全面、及时地录入系统，做好数据更新，设定好权限加以分享，这仍是1.0段位的数字化人力资源管理。

人力资源信息化建设≠eHR系统建设。

那如何才算是2.0段位的数字化人力资源管理，才算是实现了人力资源信息化了呢？

人力资源信息化的起点是我们对每个职能模块工作的成功标准的定义，而这个“成功标准”不是内部视角的，它是由外而内、业务视角的。

比如对于招聘这项工作的终点（也就是工作的成功标准）的界定不同，所收集数据的类型与分析尝试也是不一样的。

• 事务型HR认为是收集的简历数、推荐的面试量、到面的候选人数、发出的OFFER数，最终入职到岗数。

• （业务视角）伙伴型的HR对招聘工作成功的定义是：人员试用期的留存度、转正率、绩优比例，即他们关注的是人才是否能够活下来并且快速发挥价值。

同时，仅仅看到最有价值的终点也是不够的，还要努力找到影响结果数据的关键因素，提出关联性的假设，并通过数据分析加以验证，进而对人力资源各职能的价值进行改进提升。

比如，影响合格简历数量和到面人数的最关键因素可能来源于渠道的选择、雇主品牌的宣传和人才画像的精准，那么有意识地统计分析各个渠道的投入产出比，雇主品牌对应的曝光度、投放效果，以及经常性地与业务部门沟通调整人才画像，这些动作就显得尤为重要。

再比如我们对试用期转正率或绩优比例做分析，可能发现专业的面试官团队、精心设计的入职融入流程至关重要，那么就要反过来审视公司在诸如面试官选择与辅导、结构化面试应用、入职培训的通过率、入职交底率、技能带教等方面是否存在优化空间。这就需要2.0段位的数字体人力资源管理上场了。

比如印度的塔塔集团，他们的HR会对每个面试官的面试有效性加以统计（甚至是针对某一类岗位的面试有效性），如果面试官经常性地选人看走眼（在面试评估表上的意见与人才实际使用的真实状况之间反差较大），大概率要被强制参加内部的面试技术培训或被剥夺作为面试官的权力。同时会对毕业于不同院校相同专业的学生在进入公司后1-3年的职业发展情况做对比分析，从而聚焦校园招聘院校，明确校企合作培养的重点领域。

仅仅“收藏、汇总”组织的各类人力资源数据，在方便的时候加以调阅，不会对组织产生太大价值，还会因为收集数据的成本远远大于数据所带来的收益，而得不偿失。只有将人力资源结果数据与人力资源过程管理的杠杆点相结合，探索出符合自己公司人力资源管理特征的数据模型或算法，才能称之为人力资源管理信息化。

除了持续优化人力资源管理流程效率，运用更加完善的信息技术，还有哪些重要的因素会对人才效能发挥产生决定的影响？HR眼中不能仅仅有事，更要有人，要看到人才个体差异以及组织环境对人力资源效能发挥的影响，能够从整个方面思考，这迈入了3.0段位。

在越来越多的行业中，个体对组织的贡献正在逐步放大，个体间的绩效差异正在迅速放大。2011年和2012年欧内斯特·奥博伊尔和赫尔曼·阿吉斯所做的一项研究显示，组织内人才分布往往呈现“幂次定律”，即企业内10%的产出来自于最顶尖的1%员工，26%的产出来自于最顶尖的5%的员工。最顶尖的1%的员工的产出是平均产出的10倍，最顶尖的5%的员工的产出是平均产出的4倍多。

以往各企业花费大量精力萃取顶尖20%员工的行为方法，希望能够借此复制，快速培养出更多顶尖人才——到此为止的话，这只能算1.0段位的数字化人力资源管理。

进一步，我们去研究这些顶尖员工有怎样的特质、怎样的潜力，这些对业绩产生了怎样的影响，希望能够借此甄选优质候选人——到此为止，这算2.0段位。

可喜的是越来越多的企业开始关注人的视角，希望 “通过成就人，来成就组织”。大家开始帮助员工找到自身的职业兴趣、职业优势、最合适的职业发展路径，为他们的成功与发展创造有利的组织环境——这就是我们所说的3.0段位。

最近几年，我们为企业定制开展了一系列组织动力的调查，在此过程中，我们看到，许多快速发展中的企业越来越关注员工的敬业度和组织支持度之间的匹配。通过调查所获取的数据，将员工的个性特质、职业经历、能力结构、责任担当与业绩贡献之间找到彼此关联；找到员工公平感、成就感、归属感、组织认同度与组织给予员工的各项支持行为之间的关联。把分析的重心从员工状态管理转变到员工-系统的分析。

比如在保险行业中，通过大数据分析，存在大量保险业务人员，在第2-3年常常出现业绩的断崖式下跌。因为支撑其业绩增长的方式存在重大的隐患：很多人在入行的1-2年，更主要是拼命挖掘身边的亲友资源实现销售，但2-3年之后，资源枯竭带来了业绩增长乏力。这本质上是否都是保险经纪自己的问题呢？

我们更应该看到员工-系统之间的关系。组织评价业务人员的优劣，如果只看重当年的业绩产出，忽视引导业务人员花时间与客户建立信任关系，比如帮助客户合理配置资产等，就会产生结果的失衡。当我们各级的业务主管和HR具备了数字化人力资源管理的意识，在考核销售人员业绩产出的同时，加以考察客户的复购率，客户的净推荐值（通过客户发展客户），并给予员工有效的支持，才能推动良性的良性增长。

很多时候，这些数据表面看起来毫无关联，但背后往往隐藏着复杂的关系。如果我们能利用分析技术，从关系的角度发现它们之间是如何互赖、如何关联、如何影响的，我们就能挖掘出一些新的业务解决方案，产生一些全新的价值。

在人力资源管理领域，通过机器学习程序衍生算法，优化用人需求的分析、人岗匹配的分析、人员收入产出分析等等。从经营管理的精确性、及时性等方面来看，AI技术确实对企业转型升级、精细化管理产生了极大的利好，也推动了人力资源与业务的融合，但是本质上和一个世纪前泰勒提出的想法一脉相承——运用工程原理找到唯一正确的答案（最优答案）。

过分依赖数字化手段，管理将不可避免地走向命令与控制。在将本该赋予员工的决策权转嫁给后台的“智囊专家”时，我们已经违背了数字化人力资源管理3.0段位的基本理念，往往会掉入以下陷阱：

1. 剥夺了员工的自主性和担责感。

2. 影响人际互动与共识，产生对彼此意图的“错觉”。

3. 忽视了人们差异化的需求。

4. 减少了创新，长远看甚至影响决策质量。

有一段时间上下班基本都在网约车平台打车。在咨询师的职业病的驱使下，我总是喜欢和师傅们侃大山。在这过程中，我发现网约车司机对网约车平台总是“毁誉参半”。

大部分司机都是按照平台规定的路线开车，中间不乏很多经验丰富的“老司机”。很多人也会抱怨平台推荐的路线总是要“穿过很多小街小巷”、“常常会绕路或者耗时间”、“系统过于教条”等，但抱怨归抱怨，绝大多数司机的实际做法还是会按照系统的指示去做，因为按照指令做，如果出现任何关于路径的投诉都不是司机的责任。

至于路线创新和满足客户差异化的需求，这件事情就不需要网约车司机动脑子，大家都依赖平台背后的算法工程师，事实上司机就变成了“一双手”。有一次赶飞机，高峰期没约到车，就打的出租，出租车司机看我着急，就得意地说：“你放心吧，来得及！我们比较网约车司机就是快，他们车速、路线是受平台监控的，不需要动脑筋，就是按规则开车，很少真正考虑乘客的特殊要求。”

还有的网约车司机会对平台抱有不同程度的“敌意”。很多人会说“在有奖励的高峰期，哪怕身边就有要打车的人，系统也不给我派单”、“就差两单拿到奖励，系统会派个特别堵或者接的客人特别远的单子给我，不想让我拿到奖励”……

我不知道后台的AI算法是否真的有这样的功能，还是这只是司机的臆想，但是有一点可以明确，因为活生生的司机每天是面对冷冰冰的系统，没有人沟通，没有人解答这些困惑，没有机会就规则背后的动机、期待做共识，这样的猜测与对抗就一直存在。有些“聪明”的司机在长期的“对抗斗争”中自己总结了经验，比如早高峰快结束和客户协商提前支付，以争取多做一单拿到奖励。另外一些人会索性关掉系统。和20世纪30年代年那些反对企业主调快流水线速度而破坏机器的工人是不是有点类似？只不过今天网约车司机抱怨，有时候都不知道应该去找谁。

今天面对大量的网约车平台，如果仅仅因为经济奖励而捆绑在一起，就可能出现谁给的回报高多就转跳到其他平台。对于促进彼此长期伙伴关系，还有一系列重要的问题：

• 哪些特质的司机能够通过平台获得成功

• 怎么让共享司机在貌似枯燥的开车工作中找到成就感和乐趣

• 给予哪些实实在在支持（不是发奖励）才帮助他们更好地“趴活”

• 哪些司机与平台长期合作，背后的动机到底是什么

• ……

这些与人相关的信息，我们投入多大的热情与时间来予以关注？在数据平台的“控制”下，我们似乎逐渐看不到每个人除了经济收入诉求以外的需要与特质。

数字化人力资源管理不是把人抛到一边，天天围着数据转，而是将与人相关的数据加以关联，通过数据更加清晰地“把人当人看”。

数字化人力资源管理也不是仅仅依赖于信息化平台建设才能成功（当然有平台会带来极大的便利）。要想实现卓越绩效，优先是要建立起以人为本的数字化思维，关注于那些重要的人力资源管理领域，愿意琢磨现象背后的原因，大胆假设，小心求证。

最后，以一个小小的例子结束我们今天的分享，又到年底很多搞培训的HR伙伴又在苦于如何做年度培训需求调研。很多时候我们都拿着一长串的课程清单，“激发”各部门的挑选欲望。而具备数字化思维的伙伴，可以和信息部门的同事稍加合作，看看公司内的员工在OA平台或者知识管理平台上搜索哪些关键词最多，特别是那些没有被搜索到的，会不会就代表了大家最期待学习了解的内容呢？