Human Resource Management Based on Big Data

大數(shù)據(jù)導(dǎo)航人力資源管理

Human Resource Management Based on Big Data

張琳艷，女，國內(nèi)第一支大數(shù)據(jù)產(chǎn)業(yè)孵化股權(quán)基金——北京云基地大數(shù)據(jù)實驗室的創(chuàng)始團隊成員，國內(nèi)第一家大數(shù)據(jù)應(yīng)用在人力資源行業(yè)的科技公司——成都數(shù)聯(lián)尋英科技有限公司的創(chuàng)始人、首席運營官，主要研究方向為大數(shù)據(jù)在人力資源領(lǐng)域的應(yīng)用。

高見，男，電子科技大學(xué)互聯(lián)網(wǎng)科學(xué)中心博士生，2012年獲美國大學(xué)生交叉學(xué)科建模競賽特等獎，主要從事統(tǒng)計物理、網(wǎng)絡(luò)科學(xué)和人力資源管理等交叉學(xué)科研究。

洪翔，男，成都數(shù)聯(lián)尋英科技有限公司技術(shù)總監(jiān)，長期從事海量數(shù)據(jù)處理、人工智能算法領(lǐng)域的工程研發(fā)工作，主要研究方向包括人職推薦引擎、圖像搜索引擎、基于視頻圖像的行為分析、工業(yè)機器視覺、高性能計算、金融交易決策支持系統(tǒng)等。

周濤，男，電子科技大學(xué)大數(shù)據(jù)研究中心主任、教授、博士生導(dǎo)師，主要關(guān)注統(tǒng)計物理與信息科學(xué)、社會學(xué)、經(jīng)濟學(xué)等領(lǐng)域的交叉科學(xué)問題，發(fā)表SCI論文200余篇，引用10 000余次，H指數(shù)超過50。

大數(shù)據(jù)處理技術(shù)的應(yīng)用已經(jīng)在全球范圍內(nèi)迅猛增長，推動整個社會進入了大數(shù)據(jù)時代[1]。特別地，大數(shù)據(jù)也將成為人力資源管理與招聘行業(yè)決勝的關(guān)鍵。類似于經(jīng)濟學(xué)的資本優(yōu)化配置，大數(shù)據(jù)分析正在幫助企業(yè)人力資源管理者們做出更加理性的決策，科學(xué)合理地促進和釋放生產(chǎn)力。大數(shù)據(jù)分析工具幫助人力資源管理從憑借經(jīng)驗的模式逐步向依靠事實數(shù)據(jù)的模式轉(zhuǎn)型；人力測評由主觀性強的單一專家進行測評轉(zhuǎn)向構(gòu)建數(shù)學(xué)模型依靠大數(shù)據(jù)處理技術(shù)進行測評。嘗試整合更多的數(shù)據(jù)，實現(xiàn)對員工績效和升離職的提前預(yù)測，是整個人力資源領(lǐng)域的大勢所趨。

電子科技大學(xué)和成都數(shù)聯(lián)尋英科技有限公司的聯(lián)合研究小組通過分析企業(yè)雇員網(wǎng)絡(luò)（內(nèi)部社交網(wǎng)絡(luò)，類似于新浪微博）和互動網(wǎng)絡(luò)（任務(wù)系統(tǒng)、郵件網(wǎng)絡(luò)、門禁系統(tǒng)等）的數(shù)據(jù)，發(fā)現(xiàn)員工在雇員網(wǎng)絡(luò)中的重要程度與他的績效關(guān)聯(lián)性非常強。如圖1所示，不管是員工的內(nèi)部社交網(wǎng)絡(luò)（SN）還是工作任務(wù)網(wǎng)絡(luò)（AN），員工在網(wǎng)絡(luò)中的重要性1可以用相應(yīng)節(jié)點的入度、出度、總度、PageRank值、LeaderRank權(quán)重、k核指數(shù)等衡量[2]和績效之間的關(guān)聯(lián)非常強。Pendland小組在2012年的研究結(jié)果也顯示，工作中的交流溝通能夠提高績效[3,4]。與Pendland結(jié)果不同的是，我們的實驗數(shù)據(jù)是非控制性的2選自北京思創(chuàng)銀聯(lián)所有員工的數(shù)據(jù)，完全是真實數(shù)據(jù)的結(jié)果，且數(shù)據(jù)量更大；而且我們的結(jié)果顯示，與工作相關(guān)與否的各種溝通都有助于提高績效[5]。

員工所處在雇員網(wǎng)絡(luò)中的重要程度，往往能夠從側(cè)面反映出員工在企業(yè)中的核心性和價值。如果員工積極參與公司事務(wù)，與同事保持密切交流互動，那么獲得升職的可能性也就越大，員工處于雇員網(wǎng)絡(luò)中的節(jié)點重要性指標(biāo)很大程度上能夠反映員工的升職可能性。類似地，如果一個員工在工作中幾乎不與其他同事進行業(yè)務(wù)的探討和交流，在生活上也不關(guān)心其他員工，那么這個員工往往被認(rèn)為是脫離集體，其離職的可能性也越大。大部分的離職員工在雇員網(wǎng)絡(luò)中都具有非?？亢蟮墓?jié)點重要性排序，這表明雇員網(wǎng)絡(luò)中越不重要的員工出現(xiàn)離職的可能性越大。不過，也有少數(shù)員工雖然具有非?？壳暗墓?jié)點重要性排序，但也出現(xiàn)了離職，這暗示影響員工離職的因素是多種多樣的，比如核心員工的被挖角、女性員工婚嫁和生育等。

我們嘗試通過員工所處在雇員網(wǎng)絡(luò)中的節(jié)點重要性指標(biāo)來預(yù)測員工的升職和離職。對于員工而言，僅僅具備兩個狀態(tài)。以離職為例，要么離職，要么不離職。所以預(yù)測員工升職和離職的問題可以看作二分類問題，通過簡單的邏輯回歸[6]就能夠確定哪些指標(biāo)最適合預(yù)測員工的升職和離職，并給出預(yù)測準(zhǔn)確度。

圖1 平均績效與節(jié)點重要性的關(guān)聯(lián)性

圖2 員工升職與離職預(yù)測的精確度—召回率曲線

對于離職而言，我們僅通過互動網(wǎng)絡(luò)中的節(jié)點重要性指標(biāo)來預(yù)測最為準(zhǔn)確，預(yù)測準(zhǔn)確度約為0.61。這說明僅僅依靠互動網(wǎng)絡(luò)的信息，就能將超過一半的離職員工提前預(yù)測出來。對于升職而言，僅通過社會網(wǎng)絡(luò)中的節(jié)點重要性指標(biāo)來預(yù)測最為準(zhǔn)確，準(zhǔn)確度約為0.15。所以，從預(yù)測準(zhǔn)確性上來看，離職的可預(yù)測性遠(yuǎn)遠(yuǎn)高于升職的可預(yù)測性。究其原因，離職更多地取決于員工相對自由的個人決定，而升職一般取決于公司職位空缺和人士安排等諸多因素，不是一個人單憑努力就可以升職的，這導(dǎo)致了升職預(yù)測本身就不容易。兩個網(wǎng)絡(luò)對于升職和離職都有很好的預(yù)測能力，總體來說，工作任務(wù)網(wǎng)絡(luò)對于預(yù)測離職效果更好，而社交網(wǎng)絡(luò)對于預(yù)測升職效果更好。暗示離職的員工很可能是業(yè)務(wù)能力不高，而升職則需要長袖善舞，有相當(dāng)?shù)纳缃荒芰?。圖2為員工升職與離職預(yù)測的精確度—召回率（precision-recall）曲線，具體計算方法依據(jù)參考文獻[2]。圖2（a）為離職預(yù)測，圖2（b）為升職預(yù)測。圓圈為采用社會網(wǎng)絡(luò)指標(biāo)，方格為采用互動網(wǎng)絡(luò)指標(biāo)，三角形為采用耦合網(wǎng)絡(luò)指標(biāo)。

“一切都被記錄，一切都被數(shù)字化”。在大數(shù)據(jù)時代，人力資源管理作為人才和資源的分配管理者，不應(yīng)該僅停留在輔助的角色上，而是應(yīng)該借助數(shù)據(jù)科學(xué)成為一個組織最為重要的決策機構(gòu)。

[1] Schoenberg V M, Cukier K. 大數(shù)據(jù)時代：生活、工作、思維的大變革. 盛楊燕, 周濤譯.杭州: 浙江人民出版社, 2013 Schoenberg V M, Cukier K. Big Data: A Revolution that Will Transform How We Live, Work, and Think. Translated by Sheng Y Y, Zhou T. Hangzhou: Zhejiang People’s Publishing House, 2013

[2] Yuan J, Zhang Q M, Gao J, et al. Promotion and resignation in employee networks. arXiv:1502.04184, 2015

[3] Woolley A W, Chabris C F, Pentland A S, et al. Evidence for a collective intelligence factor in the performance of human groups. Science, 2010, 330 (6004): 686～688

[4] Pentland A S. The new science of building great teams. Harvard Business Review, 2012, 90(4): 60～69

[5] 劉怡君等. 社會物理學(xué)——社會治理. 北京:科學(xué)出版社, 2014 Liu Y J, et al. Social Physics -- Social Governance. Beijing: Science Press, 2014 [6] Bishop C M. Pattern Recognition and Machine Learning. New York: Springer, 2006