客戶分析模型的品均壽命一般是兩到三年，人力資源的分析模型也是如此。

本文由紅衫匯（微信ID:Sequoiacap）授權i黑馬發布，內容原載于《麻省理工斯隆管理評論》。

近幾年來，除了我們已經熟知的大數據分析之外，諸如物聯網和社交圖譜等新興技術也頻頻被應用在商業環境。這些技術的共性就在于：解決人們對于“深入分析”這件事情的需求。

為了更好地了解消費者行為，許多公司都已經對大數據分析進行了投資。事實上，在保險、風險管控和金融詐騙監測等以客戶為中心的服務領域里，大數據分析的應用已經非常成熟。但我們現在要說的卻是大數據一個全新的應用場景：人力資源領域。

利用大數據分析來進一步了解你的職員，這樣的做法是否值得一試？雖然我們看到許多公司都加大了對人力資源分析的投資，但成功的案例其實并不太多，Google是其中的一個。

Google從一開始就沒有把HR部門稱為“人力資源部”，而是稱為“人力運營部”。谷歌副總裁與HR主管Laszlo Bock很早地認識到：每一個領域都需要基于數據的決策。于是Google將人力資源管理的決策交給了“人力資源分析團隊”來引導，這一團隊至少為自己制定了兩點目標：

1.谷歌所有的人事決策都是基于數據和數據分析的；

2.讓人事決策的精確化程度達到與項目決策相同的水平。

事實上，盡管它們仍舊稱這種方法為“人力資源分析”，然而它的決策方式已經上升至“基于數據的決策”，或者是“基于事實和證據的決策”，基本擺脫掉20世紀主觀決策的方式。

基于對“人力資源分析”的深入的研究，我們希望針對這一“新新行業”為企業提出四條有效經驗，幫助企業用“人力資源分析”來制定戰略性的人力決策。

總的來說，不管從什么角度看來，現在都是公司為人力資源分析進行投資的最佳時間。

建立員工動態網絡

管理者都明白，了解“客戶和客戶”或“客戶和商家”關系對解釋和預測客戶的行為非常重要。同樣的道理，企業也可以利用這個思維在人力資源管理方面做文章，最簡單的方式就是：建立一套員工網絡體系。

如果我們以員工為節點，各個節點以（或匿名）郵件往來、項目合作或某些具有相似性的要素連接，并且將這些因素的發生時間考慮在內，那么企業便可以及時了解新員工在加入這個網絡時遇到了怎樣的阻礙，并最終得到最優的量化的組合方案。

也是同樣的道理，在企業裁員時，很重要的一點就是要了解“解雇該員工”會對公司帶來什么影響，是否會造成其他人才流失。如果他在員工網絡中處于重要的一環，負責與各個社區對接工作，那解雇前請一定謹慎地做好溝通工作，避免員工網絡出現斷裂。

大數據不是魔術

大數據與任何新技術一樣，在利用它之前，應該把期望值設在合理的區間。雖然它們可以是有使用價值的工具，但分析技術不是你公司用來制定所有重要而艱難的人力資源決策的靈丹妙藥。畢竟某種分析性人力資源模型投入實踐，并不意味著它的生態環境，諸如公司戰略、員工組合、宏觀經濟條件等不會一成不變。

所以最重要的，還是人力資源的決策者利用其商業頭腦、從業經驗以及對問題的了解來及時地反應、解釋并調整此類分析模型所導致的結果。

例如，如果你的分析模型告訴你，你的招聘和解雇政策一點都不周全甚至是帶有歧視色彩的，你會怎么做？或是它告訴你你尋找的理想職員是不存在的，你會有什么反應？

任何意想不到但卻符合情理的分析結果都應該被謹慎而周全地對待。顯然，這就需要人力資源經理具備見多識廣和開放的思維模式。

提供商業洞見

人力資源分析絕不只是提供統計性能的，它們還應該提供商業洞見。

在商業環境中使用分析模型時，新手常常會犯的一個典型錯誤就是盲目癡迷于統計性能。統計固然重要，但分析性的人力資源模型可以做的遠不止這些，另外兩個重要的衡量標準是：可解釋性和合規性。

可解釋性意味著基于分析的任何人力資源決策都應該得到適當的鼓勵，并能向利益相關的人做出合理解釋。

合規性則意味著，若想成功有效地利用人力資源分析，保護法規、隱私和道德責任是關鍵所在。這在人力資源應用中尤其重要。在解釋分析模型時應始終保持謹慎，而在選擇用于構建分析性人力資源模型的數據時，應考慮到性別平等，并且尊重職員的多樣性。

不斷回測你的模型

客戶分析模型的品均壽命一般是兩到三年，人力資源的分析模型也是如此。

鑒于人力資源決策對組織和個人所產生的影響，人力資源的分析模型就需要通過將預期成效與實際結果進行對比，以此不斷地進行回測，從而當有任何性能出現下降時可以立即注意到，并針對性地采取行動。

更好地了解客戶也更好地了解員工，不要錯過可以投資這兩份對企業來說最重要的人力資源。一旦這一工作做到位，就可以期待企業的下一步發展與轉型了。