知晓：Data-driven：用数据驱动人才盘点（一）

知识力量

　　Data-driven：用数据驱动人才盘点（二）人力系统管理软件https://www.mokahr.com/Moka HR SaaS为HR团队提供招聘软件,招聘工具,渠道管理,招聘流程管理,招聘方案,校园招聘,人才招聘系统,人才管理,人才库构建和激活,数据分析,组织人事管理,考勤管理,薪酬管理,绩效管理等服务,招聘管理系统,人事招聘系统,人力资源软件,人力资源系统,人事管理系统.,尽在Moka！

　　Data-driven：用数据驱动人才盘点（三）

　　各个行业都在为大数据时代的到来欢欣鼓舞。在人才管理的各类行业论坛、专业研讨会、案例分享活动中，不管是否与自己的业务有关联，标题和内容也是言必称大数据。似乎不抓住这些机会明确表态，就会被时代淘汰一样。

　　?

　　我和许多HR从业者交流过他们对大数据的看法——绝大部分人说不出来“大数据”到底指什么内容，只是模糊的觉得这是趋势，会改变他们未来的工作方式。也有一些从业者激情澎湃地谈到他们对大数据的实践，但实质上可能只是几份普通的报表而已。我想，之所以数据化的概念会这么热，一方面是因为大家确实在实际的工作中面临困难，希望自己能突破困境;另外一方面也是看到别的行业因为新的技术带来了变革，总归有能轮到自己的行业。

　　?

　　实际上，HR的工作就像生产企业或者电商企业一样，会产生大量的业务数据和行为数据——比如一个职位的招聘周期有多久，这是业务数据;招聘到一个工程师或者招聘专员需要找多少份简历、打多少次电话，这是行为数据。这些信息会量化地反映HR各项业务开展的情况，帮助我们发现中间的问题，当然有时候也会充分反映出HR的工作价值——比如用人部门抱怨某个职位招不到人的时候，就可以来看看HR 在这些职位上做过什么样的努力。

　　?

　　HR的工作信息化相对落后，比如至今大部分公司的招聘管理还在用excel进行。没有科学的数据记录工具，别提数据分析了。暂时抛弃掉大数据的概念，先让数据成为工作的重点。

　　?

　　一个组织推动人才盘点的本质，无非是根据企业将来可能的业务发展储备或者培养足够的合适人才。从数据驱动的角度来看，对应的内容是：每个员工详尽的人才档案，企业人才结构的情况，人才获得的难度等。那么人才盘点中有哪些数据可用?如何积累这些数据?这些数据能够解决现在或者是未来的哪些问题？

　　?

　　一、建立人才库是一切data-driven的基础

　　?

　　做人才盘点之前不妨先看看是不是能够构建企业人才数据库。

　　?

　　传统的企业人才管理的信息化建设大部分会落在将流程信息化，将业务表单信息化，将薪酬和考勤之类的基础人事模块信息化。因此，当你去问一个花了两三年时间去做HR信息系统落地项目的企业，“你们是否已经建好了自己的人才数据库?”答案很可能会让你失望。虽然人才数据库的建设都是基于不同的信息管理软件，但是软件的基因不同，对待人才数据的管理思想差异也是非常大的。传统的e-hr提供的信息主要是基础人事信息。而在一个信息负载过大的互联网社会，我们对员工的了解需要加全面才能做出合理的人事决策。如何能把这些信息用网状联系在一起，可以考虑在保持基本信息的基础上，扩展发展性的信息。

　　?

　　我们先来看看一份标准的人才档案可以包括哪些内容。

　　?

　　人才库的信息是结构化的数据，能够搜索和排序是很重要的。如果人才档案是一份一份的文档，在使用中并不便利。举例而言，员工来应聘的时候提交的简历，通过简历解析技术可以形成用于智能搜索的数据信息——这样当你想要查找所有的在某公司工作过的员工时，就轻而易举。员工的领导潜力不再是冷冰冰的数字，而是一份关于他领导潜力的组织内甚至行业内分析报告。这也是使用工具建立人才数据库的意义，搜索的价值大于浏览。

　　?

　　二、让人才数据库“用”起来

　　?

　　如果你的人才数据库是只存在于HR自用系统里面的数据，可能一年中只有几天会被查询和浏览，那么这个数据库可以说完全没有发挥价值。除去提供完整的数据信息，可搜索可浏览之外，人才数据库还应该具备以下的特点：

　　?■ 业务部门可以使用。实际上，不只是人才盘点，甚至整个人才管理的过程，都应该以业务部门为核心。人才盘点中的人才提名和盘点的主体也都来自于用人部门，那为何不把完整的人才的信息开放给业务部门呢？

　　?■ 实时查看。每到人才盘点时再开放数据出来，平时都是保密的?随地可以查看人才信息，除了可以实时掌握人才情况，重要的是可以实时把握人才的发展并给与必要的支持和帮助，而不是只在每年定时定点盘点一次，这也是互联网思维带给我们工作方式上的变化；

　　?■ 可视化分析。近些年大数据的热潮有一个很重要的进展，就是加速了“数据可视化info-graphics”的发展进程。无论是生动的图形化展示还是关键数据的提取，都是为了让数据的价值大，让非专业人士能够快速把握要点。那么就必须让由专业人士通过复杂的演算来解读数据的日子一去不复返。