现在的社会高速发展、科技发达、信息流通，与之相伴的是信息爆炸产生的海量数据，我们称为大数据时代的降临。IBM认为大数据的特征有4个V：数据量大（Volume），数据量级别从TB跃升到PB，甚至ZB级别；数据类型多（Variety），包括音频、文字、视频、图片等多种形式；价值密度低（Value），如何在海量的数据中快速完成数据的价值“提纯”，是大数据时代亟待解决的难题；高实时性（Velocity），大数据时代数据更新速度快，要求更高效地处理、反馈有效信息。大数据的典型特征将我们带入一个观念迅速转变、商业价值潜力无穷的新纪元。
维克托·迈尔 舍恩伯格作为“大数据商业应用第一人”，在其著作《大数据时代》一书中提到了大数据时代带给人们的三个颠覆性观念的转变：
（1）更多：不是随机样本，而是所有数据过去，我们收集数据受到时间、精力、财力的限制，更多采用抽样调查。而在大数据时代，我们可以分析更多数据，有时候甚至可以处理和某个特别现象相关的所有数据，而不再依赖于随机抽样。
（2）更杂：不是精确性，而是混杂性过去，数据采样要求个体数据的精确性。而在大数据时代，我们不再痴迷于精确度，只需掌握大体的发展方向即可，适当忽略微观层面上的精确度会让我们在宏观层面拥有更好的洞察力。大数据接受混杂性，更多关注有效性。
（3）更好：不是因果关系，而是相关关系过去，做数据分析时首先提出一个主观因果假设，然后收集数据来验证假设，这是因果关系。而大数据讲究的是寻找事物之间的相关关系，相关关系也许不能准确地告诉我们为何会发生，但它会提醒我们这件事情正在发生。
除了观念的转变，大数据的商业价值日益成为人们关注的焦点。通过科学合理地运用数据，使大数据变成更具决策力、发现力和流程优化能力的信息资产，从而为企业创造巨大的商业价值。
HR如何借大数据这股东风
大数据在人力资源管理领域的应用主要体现在对人才的分析上，即和人有关的所有方面，如薪酬、绩效、员工离职率等。通过利用大数据的思维、方法及技术，研究与探索人力资源管理，从而为企业人才方面的决策提供含金量高的依据。目前，对于大部分企业而言，人力资源领域产生的数据还处于MB这个级别，而BAT作为互联网大巨头坐拥数据金矿，办公过程的数据可以达到GB级别。回到人力资源管理领域，SSC在整合人事共性工作的过程中，录入、整合企业大量的人力资源数据。随着人力资源数据的增长，加上BAT拥有先进的大数据分析理念与技术，这让BAT的SSC不约而同地实施大数据人力资源管理，试图将大数据作为其产品、服务在分析和预测领域的延伸，实现人力资源转型成为价值创造者的目标。
（2）HR从业者与大数据
人力资源从业者如何用大数据思维、方法武装自己，实现用数据说话，为业务提供有科学依据的决策支持，如组织活力分析、人力资源价值计量、人才潜能评价等？当HR遇上大数据，应循序渐进地自我提升量化思维能力。首先，HR要以统计学为基础，掌握最基本的描述统计分析，对大数据进行粗放的趋势分析。其次，HR要了解数据之间的关系，掌握相关、回归、聚类等方法。这类方法可用于分析企业中的员工行为与HR结果数据（如绩效、满意度、离职倾向等）之间的关系。最后，HR要学习决策树等机器学习方法，分析人力资源大数据。现代大数据分析方法不同于经典的组织行为学分析方法。后者重在解释，其建立的模型强调员工行为、态度等与结果数据的因果关系。实际上，这类模型的解释力不尽人如意，即使构建了复杂的具有中介、调节机制的模型，也无法说其真正还原了因果过程。同样研究A与B的关系，如员工行为与个人绩效的关系，经典分析试图解释A到底如何影响B，而现代大数据分析技术中的机器学习不将焦点放在模型的解释上，而是将A到B的过程看作“自然”或“黑匣子”，机器学习通过算法建模，模型直接用于预测
百度：e-HR+3.0走向卓越的时代
（1）人力资源信息化建设之路
2010年前后，百度的人力资源组织架构随着业务高速发展、人员快速扩张，发生体系化的变革，开始明确运行HR三支柱模式。其中的SDC从此开启了一段价值优化提升之路。百度在e-HR系统建设的基础上，经历了几个阶段的迭代发展，从SSC转型升级为SDC。
第一阶段，2011—2012年，公司的人力资源信息化处于基础应用阶段。此阶段的人力资源信息化主要体现在人力资源主数据库（Core HR+Payroll，其中包括组织、岗位、人事、薪资信息等）的运用上。其中，SDC主要承担工资核算、入离职等事务性和流程性工作。HR处于被动的立场，寻求点对点的解决。
第二阶段，从2012年开始，百度进入人力资源信息化全面发展与提升阶段。2012年是百度人力资源信息化最重要的一年，HR与IT成立联合项目组，打了一场人力资源信息化“战役”——集中优势兵力，利用一年时间重新打造HR系统，敏捷开发，快速迭代，实现“入离升降调，选育用留出”建设的一步到位。
在这个阶段，SDC除了事务性、流程性工作，在员工管理上更看重全流程生命周期管理，并引入多维度分析的BIEE[插图]报表分析，通过报表数据观测组织的健康状态，并且逐步引入移动化自助服务。
第三阶段，2013年年底，百度开始打造e-HR+3. 0走向卓越的时代。在业务转型和高速扩张的环境下，百度需要HR从组织资本和人力资本的角度协助业务决策，HR的工作重点提升至为业务产生价值——通过更具交互性的系统，利用大数据预测、控制和分析组织变革和人才发展。[插图]在百度人力资源信息化建设的各个阶段，工作重心以及任务是不同的，从基本的工资核算、发放，到全流程生命周期的管理，再到大数据助力战略与业务，侧重点由结果到过程到价值，HR的状态由被动到主动，地位越来越重要。
在六年左右的发展历程中，百度SDC经历了几次极为关键的迭代更新，其中最为瞩目的当属始自2013年的利用大数据助力战略与业务的改造——利用大数据挖掘的方式在人才和组织管理上为业务提供科学的决策支持，并且建立员工“生活、学习、工作、发展”的完整服务生态圈，在提供高度自动化服务的基础上，让HR拥有更高的战略视野，为业务发展及人才战略规划注入价值。
（2）百度SDC大数据的创新实践：“才报”系统
百度SDC作为HR服务的总端口，汇集了海量数据。但是数据是死的，如何让死数据变成活数据，让数据也能说话，这是SDC面临的最大挑战。
2014年，百度在SDC的HR信息管理部成立人力资源大数据实验室，联合外部咨询机构，尝试搭建数据化、智能化的“才报”系统，通过函数、建模等方式让HR掌握的数据更有价值、更有意义，为业务决策提供令人信服的真凭实据。
百度从无到有地从系统层、数据层、分析层、展示层四大层面，系统地搭建了“才报”平台的完整架构。底层是系统层，主要负责收集数据。数据层负责存储与清理数据。分析层主要负责数据的初步加工和场景分析。百度建立了自己的指标体系，拥有人才管理、运营管理、组织效能等200多个关键指标，涵盖了人和组织的分析维度以及所有HR职能的衡量维度，从而更好地进行场景分析、模型分析、自定义分析
最上面一层是一站式的大数据服务平台——展示层。在用户端，“才报”系统主要用团队、人才、业务、行业4大模块加以呈现，不同层级的员工拥有相应的数据权限和不同的应用与服务模块。
团队模块向经理及以上层级管理者开放，主要展示辅助团队管理的相关数据和信息。人才模块是员工大数据画像呈现平台，普通员工可搜索到公司内任何员工，查看其职业路径、人才标签、大数据画像等基础信息。对于经理及以上人员，除了查看基础信息，他们还可在系统中进行为所属团队员工增减人才标签、员工比较等人才管理层面的操作。业务模块更多涉及个人、团队业务目标以及达成情况的展示。行业模块呈现的则是系统通过大数据抓取的行业资讯。除了4个分析模块，系统中还有一个“数据中心”，用户可在上面查看、定制权限范围内的各种数据分析内容
（3）“才报”系统的实践应用
在“才报”系统中，对人员发展和组织运行至关重要的分析数据（如人才齐备率、离职率等）都设有“警戒线”，系统会通过红灯（警告）、黄灯（提醒）等直观的形式，告诉用户当前组织和个人存在的问题。用户点击这些数据，就可以看到对未来可能发生情况的预测、对问题产生原因的分析、相应的决策建议等丰富的内容
组织健康度分析是“才报”系统的一个应用。百度对组织健康度从四个角度进行了定义：贡献意愿、留任意愿、组织创新、核心价值观。通过大数据分析，可以有效地分析组织健康度的现状并预测未来存在的问题，防患于未然。
如对人员齐备率的分析，系统通过同比分析发现某个团队关键岗位的人员齐备率比上年有所降低，而达到人员齐备所需要的时间为两个月，那么系统会提前至少两个月的时间亮起红灯，提醒团队负责人和相应的HRBP，防止因团队人员不齐备导致团队目标无法完成。
“才报”系统在选、用、育、留多个方面发挥了重要作用。通过对大数据应用的探索，百度还成功应用系统进行了更科学的360度评估。在以往的360度评估中，同事的选择大多由HR或主管来确定，百度通过“才报”系统计算出与被评估者工作关系最紧密的人，让系统来推荐合适的人选进行评价。同时，系统让HR和主管对人选名单进行调整，保留了灵活度，使360度评估的结果更加客观真实。
阿里巴巴：掘金大数据，在人力资源管理上创造价值
（1）“阿里最挣钱的是数据”
随着信息技术的发展，在全球的各个角落每分每秒都产生海量数据。这些数据犹如一座巨大的金矿，蕴藏着未知的价值。如果不对其进行开采，庞大的矿山只不过是一座外表普通的山。一旦意识到里面潜在的巨大价值，通过得当的方法对其进行深入挖掘，你将收获巨大的利益。
作为电商巨头之一，阿里开启了自己的掘金时代。马云曾说过：“阿里最挣钱的是数据。”随着大数据浪潮的来袭，阿里提出了“数据、金融和平台”战略，前所未有地开始重视对数据的收集、挖掘和共享。为了让数据驱动阿里的电商帝国，公司还成立了横跨各大事业部的数据委员会。阿里通过实践，真正演绎了如何用数据去挣钱。
● 精确匹配广告，直击消费者痛点。阿里通过数据分析消费者的消费需求和消费习惯，根据消费者往日的浏览信息推介相关商品，并且进行广告优化，匹配消费者的消费需求，直击消费者的痛点，增加了交易成交量。
● 信用评估，蚂蚁金融的崛起。互联网金融企业最大的难点在于用户履约能力和信用的甄别，阿里通过大数据分析轻松解决了信用评估问题。2014年蚂蚁金融旗下的芝麻征信拿到央行下发的个人征信牌照，为互联网金融企业提供风险评估、贷款后的政策监控等服务，成为国内首批获得该牌照的商业征信机构，足见其长远布局。●
阿里健康，医疗数据的应用。阿里健康通过存储的数据为医药企业提供市场评估决策、销售优化、渠道治理与跟踪、供应链管理等服务。
（2）阿里的大数据在人力资源管理领域的实践
大数据分析在人力资源管理选、育、用、留、出各个模块都发挥着巨大作用，阿里的绩效考核制度从年底考核调整为秋季考核就是基于大数据分析做出的决定。通过对数据进行分析得到往年的业绩水平，从而对当年的业绩水平进行预测。秋季考核时，如果低于往年的业绩水平，则要求管理者采取针对性措施对相应的员工进行业务调整，同时考核结果也会对员工施加一定的压力，激励员工冲刺以赶上甚至超出平均水平。通过考核提前的做法，让员工和业务部门在年底考核前有一个相应的调整期，从而减少年底考核不达标的情况。
虽然大数据分析具有一定的预测功能，但它也不是百分百准确，尤其是在预测与人有关的数据时，因为人力资本具有主观性、能动性，会根据外部环境的变化随时进行调整。但也正是因为这一点，阿里的秋季考核才发挥了巨大的作用，通过提前考核激发人力资本的潜力，最终获得了更高的业绩水平。
腾讯SDC：从信息化到大数据人力资源管理
（1）从信息化到大数据人力资源管理的演进历程
2010—2011年，腾讯公司在对市场和内部人力资源信息化现状进行深入调研和分析后设计规划方案，正式启动人力资源信息化项目，并将该项目分为三期重点执行。第一期：将信息“孤岛”（即孤立的信息系统）及系统数据进行大整合。
第二期：提升应用型人力资源业务流程对员工的辅助和支持作用。
第三期：加强数据决策力，提升人力资源服务质量。
2012年，腾讯启动换“心”工程，采购并实施了ORACLE People Soft系统，应用其核心人事（Core HR）及Payroll模块，集成内部人力资源数据，搭建起人力资源管理的统一结果库，并将外围其余模块的应用端以接口的形式关联至People Soft主系统，员工可直接操作界面相对亲和友好的外围应用端，保持较高的用户体验度。
20 1 3年，腾讯SDC与微信团队合作，开发了基于移动端的人力资源产品——HR助手，以微信企业号的形式为员工提供便捷、快速的人力资源服务，逐步推动员工自发展与自管理。
腾讯人力资源管理部门进行了一系列探索。2014年，SDC内部成立了人力资源大数据团队。2015年，COE邀请外部顾问建设活力实验室。腾讯人力资源部门进行了一系列项目探索，处于从信息化到大数据人力资源管理过渡的阶段。
信息化人力资源是以人力资源职能管理（人力资源规划、招聘、培训、绩效、薪酬、员工关系等）为框架，在计算机及移动端等向员工、管理者提供人力资源管理服务的系统。系统包含提供信息化HR服务的硬件、软件、通信网络基础设施。
大数据人力资源管理，是以人力资源管理过程中产生的海量过程、结果，以及员工行为等类型的数据为出发点，在大数据分析技术、经验、工具的支撑下，向员工和管理者提供人才方面有实时性或洞察力的决策的平台。平台包含提供大数据人力资源决策的有形资源、无形资源及人力资源。
从演进的角度来看，大数据人力资源管理较信息化人力资源管理在分析能力方面有质的变化。信息化人力资源管理可以划分为三种分析能力：统计、问题分析、监控。统计阶段的工作是对所有人事工作进行统计，生成人力资源报告。问题分析阶段的工作是在数据中发现问题，生成人才的问题分析报告。例如，管理者在离职率数据中看到异常情况，于是做一个离职率的问题分析报告，找到并分析问题。监控阶段的工作是通过系统实时、自动地发现问题，生成人力资源预警报告。监控的作用非常大，无论是统计、问题分析还是预测阶段，都可以用到监控。
信息化人力资源管理做到位后，实现的是基于统计、问题发现和监控的人力资源，其逻辑路径是提前设计好的。传统的数据分析多是事后总结，是一种滞后的管理。大数据人力资源管理则要求帮助人力资源管理者进行预测，实现前置管理。
（2）人力资源大数据基础设施的搭建
腾讯人力资源管理的数据包括结果数据、过程数据、行为数据和心理数据。结果数据是信息化人力资源阶段，e-HR系统产生的招聘、培训、绩效、薪酬和员工关系等职能模块的统计数据。过程数据是各个信息系统的用户操作日志以及操作轨迹。行为数据是关于员工行为和行为发生时环境的观察报告。每个员工每分每秒都在产生行为数据，数据量大，是真正意义上的大数据。因为行为数据不限于人力资源职能模块，收集数据时边界超越了e-HR系统，而且行为数据涉及员工隐私，所以收集行为数据有很大的难度。心理数据是指员工的情绪心情、性格倾向、行为动机等分析观察和测评类数据。
大数据的处理需要一个良好的平台，为此腾讯开启了人力资源大数据基础设施的建设，SDC在整个建设过程中发挥着不可忽视的作用。
e-HR一般分为三层，自下而上分别是源数据层、建模层、应用层，而腾讯的人力资源大数据架构多了一个派生数据层，如图8—5所示。
源数据层。这一层关心的问题是数据汇集和数据质量。腾讯人力资源管理的源数据基本来自HR职能模块（招聘、培训、绩效、薪酬等）产生的结果数据。员工过程数据和行为数据分散在腾讯的各个体系里。行为数据、过程数据将成为突破传统结果数据的关键，其拦截与分析在技术上已不成问题，但法律道德方面的阻碍较大。谷歌人力资源管理的源数据层有过程数据和行为数据。百度人力资源管理数据库也开始纳入过程数据和行为数据。腾讯对过程数据把握较为严格，高层对使用员工内部沟通、聊天等隐私信息进行分析是比较抵制的。目前，腾讯SDC与源数据层的关联最多。首先是数据信息维护类服务。数据信息一方面由SDC的工作人员在系统操作中产生，包括员工转正、数据提取、荣誉数据维护、权限维护、校招生信息更改、简历入库等。另一方面，员工通过企业微信中的“HR助手”自助办理事务也会产生源数据。其次是权限配置和系统运维。包括人力资源系统的权限维护、清理和监控，SDC自建系统的运维。最后是数据安全和质量。包括数据安全审计，数据质量规范梳理和需求响应，监控运营。
● 派生数据层。原则上说，直接用到源数据的机会很少，一般是大量使用派生数据。派生数据层关心的是分析的效率和标准化，建立全面、统一、易于调取的派生数据，如员工的司龄等于当前日期减去入职日期。目前腾讯SDC的派生数据层较薄弱，这会带来什么问题？以离职率为例，离职率可以有不同的算法，比如，算法1：离职率= 期间内离职人数/[（期初人数+期末人数）/2]×100%；算法2：离职率= 期间内离职人数/预算员工人数×100%。如果每个使用离职率的人都要利用原始数据计算，不仅浪费时间，而且不同人采取的方式不同，结果也不同。好的派生数据层存储的数据远大于源数据层。
建模层。这一层关心的问题是，如果要进行问题分析，那么分析应包括哪些模块。数据建模是问题分析的思路或逻辑大纲。● 应用层。这一层关心的是数据对业务的支撑。腾讯人力资源管理从客户的角度为人力资源体系内部客户（COE, HRBP，SDC）提供决策支持、运营监控和专业研究；从用户的角度为管理者提供管理辅助，为员工提供个人自助数据服务。例如，SDC的管理者应用平台，SDC的HR在后台进行数据提取、报告制作和数据分析。管理者能在PC、移动端上直观、清晰、实时了解团队的人事信息。COE的活力实验室主攻应用层，有很多预研性的大数据分析，为管理者提供决策参考。
（3）大数据人才的演进
腾讯SDC根据业务需求，自下而上建立了信息建设中心、系统开发中心等，形成了部门内的产品闭环。腾讯SDC的人力资源大数据团队的人才讲究跨界，他们拥有人力资源、管理咨询、人力资源信息化、数据库、系统开发等领域的一项或多项技能、知识、经验。
比较来看，谷歌侧重于学位背景多元化。谷歌的人力资源部门有一个由十几名名校毕业的统计学、组织行为学（工业心理学）博士组成的分析师队伍，专门研究不同的人力资源政策和员工绩效之间的关联，并根据研究结果随时调整薪资福利、晋升制度等，确保员工队伍始终处在良好的工作状态。腾讯SDC的负责人指出，腾讯人力资源大数据团队需要懂人力资源、组织行为学、统计学的研究型人才。
（4）大数据人力资源实践的探索
人力资源管理者从数据和事实分析中获取价值，为企业提供前瞻性的业务洞察，降低企业用工成本，通过人才地图发掘人才战略信息等。这些实践有助于企业绩效提升，使企业获得持续竞争优势。腾讯紧扣战略进行了一系列大数据人力资源实践。
● 对离职进行预警的“红线”项目。“红线”项目是由COE的活力实验室牵头、多部门联合进行的大数据分析项目。项目基于员工的行为数据，如员工离职前会有何异常表现，总结规律。当其他员工有这些表现时，系统向管理者预警，管理者采取适当的保留方案或继任者方案。
● 降低运营量的“先知”项目。腾讯于2013年建立了HR8008员工服务热线，为员工提供快速找到HR、获取专业人力资源知识的一站式服务。HR8008热线日常有大量运营工作，“先知”项目的目的是通过对运营大数据进行分析降低运营量。
时候将是某类业务咨询的高峰期，例如，通过对2014年、2015年的数据进行观察，发现7—8月份是“实习生留用考核”问题咨询的高峰期。团队人员抓取几个关键时间节点，提前做好Q&A（问题及解答），并将其接入门户热点问题及搜索后台知识库，员工可以快速找到相关解答，既减少了重复的问询，也提升了员工的满意度。未来的人力资源管理者不用出现，员工感受不到人力资源管理者的存在，这才是比较理想的状态。2016年以前，团队将咨询升级量作为KPI（关键绩效指标）来考核，绩效的导向是人均咨询量、处理量越高越好。2016年实施“先知”项目以后，理念转变为员工的人均问询率、咨询升级率越低越好。
助力员工招聘与保留的员工稳定性分析项目。为提升招聘环节的效率和效果，人力资源管理者将腾讯历史上所有的员工按照稳定程度分成多个样本，通过对大数据的挖掘找到与稳定性相关的典型特征，建立起能够识别候选人稳定性的数学模型。招聘系统进一步应用数据分析结果，自动根据应聘者的简历对候选者的稳定性做出评估，向负责招聘的人力资源管理者及业务负责人提供决策建议。这个分析同时也为后续招聘以及保留环节提供参考。
此外，腾讯还用大数据助力组织诊断，探索一个产品或项目团队：团队的人力配置有什么特点？这是一个有活力的团队吗？2012年以后，《腾讯月刊》开始发布图腾栏目，该栏目借助数据分析和图形呈现，对管理者、员工关心的员工健康、企业发展、行业动态等主题进行大数据分析、预警、预测，为管理者、员工提供现象解释和决策参考。
腾讯从信息化到大数据人力资源演进是从量变到质变的过程。人力资源部门在信息化人力资源阶段，始终围绕选、育、用、留等职能模块的结果数据进行统计、问题分析与监控。而在大数据人力资源阶段，人力资源部门主要进行数据预测。与e-HR阶段相似的是，大数据人力资源分析的落脚点是人力资源选、育、用、留相关的问题，例如识别潜在的优质人才、管理员工的健康水平、帮助员工积累成熟的工作经验、改进员工绩效表现和完善员工工作习惯等。但是，大数据人力资源管理所采用的数据并非只由人力资源职能模块产生，还有大量人力资源职能结果数据以外的行为数据、社交数据、环境数据等。通过这些数据，人力资源部门能够更全面精准地预测企业人力资源问题，这是对e-HR阶段人力资源数据分析的一个重大颠覆。
