第二章 人力资源量化管理的体系

第一节 量化管理的体系

量化管理是一个系统化、体系化的方法，在进行量化管理之前，先来看几个重要的概念：数据、指标、信息、量化和根本问题。它们之间含义不同，但又彼此关联。每一个都建立在另一个的基础之上。“根本问题”的解决是“量化”的初衷，而“量化”是通过“信息”和对信息的分析实现的，“信息”是通过“指标”传递的，而“指标”又是由“数据”组成的。

· 数据是最简单的信息形式，通常表示为数字或常量值。孤立地看某个数据，因为没有与任何有意义的信息关联，数据本身并没什么价值。

· 指标将真正有关系的数据分组并添加上下文，使数据的含义更清晰。

· 信息对指标和数据进行分组，赋予它们明确的含义。

· 量化做完整描述，全面解答根本问题。除了数据、指标和信息，量化分析还包括文字说明。

· 根本问题是透过问题表面所发现的，隐藏着的核心问题。解决根本问题是量化管理的最终目的。所以，根本问题决定了量化管理的方向。

举个例子，我们需要“选择一个招聘渠道”。这是个需求，但还不是根本问题，或许应该换个说法：“哪个招聘渠道更好？”于是，我们需要去量化管理，分析不同的招聘渠道之间的人均招聘成本，还要考虑不同渠道的平均到岗时间，综合各种维度来支持决策。那么，我们需要收集关于这些指标的信息，如渠道1的人均招聘成本是1000元，渠道2的人均招聘成本是800元，这就是两条信息。其中1000元和800元就是指标值，而要获得指标值，有时需要计算。例如，人均招聘成本的计算需要用到该渠道的招聘总人数和招聘总成本，那么这个人数和成本就是数据。

图2-1 数据、指标、信息、量化和根本问题的关系

量化管理的过程，可以是两个方向，一个是通过根本问题的澄清，确定量化分析的维度，然后确定应获取的信息并设立指标目标，进而实施数据收集。一个是通过数据的收集，从而计算指标，进而获得信息并进行量化分析，以此发现并解决根本问题。

先确定根本问题然后再收集数据的方法是使用抽样数据的量化管理。这种方法的代表就是6σ（六西格玛），它的基本逻辑就是通过抽样数据来评估全样本数据，通过数据分组、抽样来测量数据，通过找到因果关系确定解决方案。

先收集数据然后再确定根本问题的方法是使用全面数据的量化管理。这种方法的代表就是大数据，它也是统计学方法，但是收集的是全面数据，通过发现各数据之间的相关关系来找到解决方案。

当然，不论是哪一种量化管理的方法，收集的数据都要准确，也都要分析推理出背后的逻辑关系。所以，一个完善的量化管理体系，应该包括问题定义、量化分析、信息处理、指标管理和数据治理五个部分。

图2-2 量化管理体系的构成

（一）问题定义

问题定义是指在采取量化管理前，必须首先明确根本问题，理解背后真正的需求。例如，在面对人员流失的时候，有的人可能会直接把问题定义为“如何保留核心人才”？但这并不是一个根本问题，因为这个问题背后还有一些内容没有想清楚，比如，什么是核心人才？流失率达到多少算是理想的水平？为什么担心人员流失，真正担心的是什么？

需求和问题可以是主动提出的，也可以是通过数据收集发现的。只有围绕根本问题进行量化管理才能避免它的泛化。

问题定义体系包括问题提出和问题检查两个环节，在问题提出环节，通过“五个为什么”“头脑风暴”等方法深入挖掘真实的需求和问题；在问题检查环节，则是对量化分析的必要性进行检查，有时候，找到的根本问题可能不需要量化管理，可以直接解决掉。

（二）量化分析

量化分析是指以解决根本问题为方向，对获取的数据、指标和信息进行综合分析的过程。包括量化规划和量化分析两个部分。

量化规划是在确定实施量化管理的前提下，对后续管理工作的筹划，主要内容包括：

· 目的澄清：对量化分析的目的，也就是对根本问题进行确认，用以统一参与人员的目标。

· 关于数据如何使用的说明：说明量化分析过程中获得的数据会被用在什么地方，如为了评估员工的能力水平，你会获得所有人的能力评估数据，这个数据会被用来评估吗？会被公开吗？这类问题很重要，要获取参与者对量化的信任。

· 关于不会使用数据的说明：看上去这个问题跟前面内容类似，但需要在开展量化管理时单独明确。谁提供数据，谁才有权公开数据。你需要按照数据提供者的意愿处理数据，消除他们的顾虑。

· 量化分析报告的目标客户：客户导向是量化分析成功的保障，一般而言，除了向管理者汇报之外，量化分析报告的客户还包括所有的数据提供者。就像我们参加一些调研的时候，总是希望能获得调研结果的反馈。

· 量化分析的日程：要有计划地收集数据、指标和信息，如有些数据具有时效性，什么时候采集就非常重要。另外，不同的信息需要采取不同的收集渠道，可能有个先后顺序，想要尽快获得完整信息，就需要对不同的启动时间进行设定。

量化分析是在收集到数据、指标和信息后，运用算法、建模等分析工具进行综合分析的过程。

（三）信息处理

信息处理是指对信息进行接收、存储、转换、传送和发布的活动，它可以将数据和指标转换成有用的信息。从信息的视角来看，企业本身就是由信息构成的，同时也不断地生产和提供大量信息。另外，企业的生产、经营和决策也需要大量的外部信息。在量化分析过程中，企业需要对内部和外部的信息进行组织、整合、管理、挖掘和利用。企业信息处理能力的提升，取决于渠道、处理、传递和应用。

渠道是信息的源头，企业要具备多渠道获取信息的能力，避免依靠单一信源获取信息，这样可以通过相互印证的方式提高信息的准确性。为了使信息收集渠道广泛，应当确保信息收集的方式多样、运作顺畅、维护周全。

处理过的信息才能体现管理的思想。处理是指在原有信息的基础上进行加工整理、演绎或浓缩。例如，大数据能够记录用户买了某个品牌的牙膏，却无从发现做出这个选择的原因是一起购物的小孩看上了赠送的小玩具。也就是说，仅仅收集大量数据而不进行处理，那么这种信息的作用也是有限的。信息处理，就是要反映真实的内容、精简的内容、整合的内容。

传递是指将处理后的信息传递出去，使信息流通起来，应当避免信息的衰减。通过多种途径把信息传递给信息使用者的过程就是信息传递。为了提高信息处理能力，企业应建立统一的信息检索规范，通过授权体系降低信息传递的难度，同时根据保密制度明确传递的范围。

应用是指将信息作为资源，不断利用的过程。这一过程需要提高信息的存储、沉淀、索取、更新效率，既要关注信息的时效性，也要关注信息的长效性。

（四）指标管理

指标管理是将数据与业务相结合，对收集到的数据赋予意义的过程。由于数据有不同的单位、不同的名称，需要通过指标管理使数据标准化、规范化和共享化。量化的指标体系可以为管理指明方向，综合来看，这些指标可以分为三类，分别是描述型指标、分析型指标和引领型指标。

图2-3 指标管理

描述型指标是对工作过程的描述，并不关注任务的水平，只是关注工作的过程和结果。例如，在招聘配置领域，招聘成本、招聘来源、职位空缺的申请人数、招聘时间等都是描述型指标。这些指标只是代表工作成绩本身，但你无法通过这样的指标判断业务的水平。

分析型指标是对多个数据源进行整合或者运算后得到的指标。这些指标仍然是一个现状的呈现，如每个渠道每个候选人的成本、招聘渠道转换、节省的资金量等都是分析型指标。

引领型指标都是预测性的，能够对战略和决策给出直接建议。这类指标可以对发展的趋势做出预测，起到预警、决策等作用。例如，人员能力模型、离职预测模型、理想的人才画像、预测招聘时间以及优化招聘渠道等。

描述型指标和分析型指标同属于滞后性指标。滞后性指标是因为在你获得它的数据之时，所有事情都已经发生，所以这些指标就总是滞后的。引领型指标就不一样了，它们可以预告结果。引领型指标有两个显著特征。第一，引领型指标具有预见性，这意味着一旦某个引领型指标发生变化，你就可以根据这个推断出滞后性指标之后会有怎样的变化。第二，引领型指标是可控的，它可以被后续的行动所影响，这意味着，企业可以调整业务促使引领型指标发生变化。

（五）数据治理

数据治理是企业针对内部数据制定的有关数据管理、数据保护、数据应用的政策，往往包括数据战略、数据标准、数据质量和数据安全等内容。

数据战略是对企业数据管理的顶层设计，是对量化管理过程中所有数据的系统管理。

数据标准是对分散的数据建立统一的数据命名、数据定义、数据类型、赋值规则等的基准，并通过标准评估确保数据在复杂的环境中维持数据的一致性、规范性，从源头确保数据的正确性及质量，并可以提升开发和数据管理的一贯性和效率性。

数据质量是指为全面提升数据的完整性、准确性、及时性、一致性以及合法性，企业实施的数据质量监督、检查和改善机制。通过提升数据质量，不断降低数据管理成本，减少因数据不可靠导致的决策偏差和损失。

数据安全是指企业针对数据采取的安全管理措施，通过数据加密、脱敏、删除识别信息等方式确保数据安全，使数据在内外部进行恰当的使用。