人力资源管理数据时代强势来袭.docxVIP

人力资源管理数据时代来袭数据挖掘（Data Mining）就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。与数据挖掘相近的同义词有数据融合、数据分析和决策支持等。这个定义包括好几层含义：数据源必须是真实的、大量的、含噪声的；发现的是用户感兴趣的知识；发现的知识要可接受、可理解、可运用；并不要求发现放之四海皆准的知识，仅支持特定的发现问题。与传统分析方法的区别数据挖掘与统计分析的区别数据统计分析数据挖掘不需要一个假设统计学家通常是一个假设出发数据挖掘可以自动建立方程统计学家需要自己建立方程或模型来与假设吻合数据挖掘能够采用不同类型的数据，比如文本、声音等等，而不只是数据化的数据统计分析最终需要面对数字化的数据数据挖掘依赖与噪声小、记录完整的数据统计学家在分析过程中可以发现并过滤数据数据挖掘的结果不容易解释，但其最终用途仍是面向用户的，并把发现的成果告知管理人员统计学家直接对自己所产生的结果进行解释并把它们传给业务人员抽取业务数据，辅助商业决策——企业福音“大数据”、“数据挖掘”袭来，无论是政府、还是企业，都渴望在这大数据时代占得先机。大数据中心、数据研究中心争相建立，如果说现在是互联网的天下，未来将是大数据的天下。如果说大数据服务平台类似于互联网，则数据挖掘等同于互联网平台下的技术开发，数据挖掘的产品将遍及人们生活方方面面。数据挖掘是一种新的商业信息处理技术，其主要特点是对商业数据库中的大量业务数据进行抽取、转换、分析和其他模型化处理，从中提取辅助商业决策的关键性数据。简而言之，数据挖掘其实是一类深层次的数据分析方法。数据分析本身已经有很多年的历史，只不过在过去数据收集和分析的目的是用于科学研究，另外，由于当时计算能力的限制，对大数据量进行分析的复杂数据分析方法受到很大限制。现在，由于各行业业务自动化的实现，商业领域产生了大量的业务数据，这些数据不再是为了分析的目的而收集的，而是由于纯机会的商业运作而产生。分析这些数据也不再是单纯为了研究的需要，更主要是为商业决策提供真正有价值的信息，进而获得利润。但众达朴信合伙人白睿说，所有企业面临的一个共同问题是：企业数据量非常大，而其中真正有价值的信息却很少。因此从大量的数据中经过深层分析，获得有利于商业运作、提高竞争力的信息，就像从矿石中淘金一样，数据挖掘也因此而得名。因此，数据挖掘可以描述为：按企业既定业务目标，对大量的企业数据进行探索和分析，揭示隐藏的、未知的或验证已知的规律性，并进一步将其模型化的先进有效的方法。定义商业问题数据准备数据理解模型建立评估应用数据库根据已知，预测未知——HR福音“招聘难”、“离职率高”、“岗位配置多少人”、“这么高薪水员工都不满意”等问题困扰着绝大多数的HR，最大的心酸是长期奔波于招聘与离职管理，仍然不受各部门待见。这是为什么呢？因为我们的工作存在滞后性，作为业务支持部门，无论是招聘还是其他，都是先由业务部门提出需求，我们人力资源部进行协助；这中间就存在滞后，常常导致任务重，时间紧。于是出现了HR很累，业务部门还不满意的情况。所以要做好人力资源工作，无论是简单的人事管理，还是HRBP，都需要有前瞻性。目前众达朴信的很多合作伙伴HR们也都想到了这一点，可是无奈人力资源事项多，数据类型格式不统一，更多的是非量化数据，心有余而力不足，基本是根据自己多年的经验，作出预测估计。预测结果准确性难以保证。而数据挖掘的核心功能就在于“根据已知，预测未知”。数据挖掘的三种预测技术：第一种，根据过去，预测未来；第二种，根据事物关联性预测；第三种，根据一般情况判断异常情况。第一种技术应用的特别多，相信每个HR都用过，只是没有留意到。例如做人工成本预算，根据过去的人工成本，每年的平均涨薪幅度以及人员人数变动情况；岗位编制，根据去年的编制以及每年的人员变动需要。需要注意的是，应用第一种技术的条件是：需要预测的对象在较长时期内性质保持稳定。如人工成本在薪酬设计后需要注意，岗位编制在组织重构后需要注意。根据事物关联性，应用起来相对复杂，需要多方面、多维度权衡。A与B有关联，简单理解是A发生了，B在某种概率上也会发生。目前HR用的最多的是直接的因果联系，很少有“啤酒尿布一起卖”这种关联性。关联性将是未来HR最常用的技术，如何把不同类型的数据联系起来从而得出结论是关键。特别要注意的一点是：关联性技术的应用面广，产品的应用面窄；通俗点说，哪里都能用关联性，但是每个关联性得到的结果只能应用在特定的条件下。根据一般情况判断异常情况，这个技术在工业生产、科学实验中用得最多。产品故障与未知粒子的发现都是在一次次“异常”情况中分析得到的。适用于数据积累量大、机理相对成熟的事物预测。