
大數(shù)據(jù)應(yīng)用于人力 預(yù)測(cè)性勞動(dòng)力分析真的有用么
最近,人力資源專家、人力資源技術(shù)會(huì)議之父—Bill Kutik寫了一篇文章《預(yù)測(cè)分析炒作》。在這篇文章中,他引用星座研究分析師Holger Mueller的說(shuō)辭“這歸結(jié)于當(dāng)應(yīng)用于大量有著不同數(shù)據(jù)視野的顧客時(shí),這些模型是否真的有用?!?/span>
因此,當(dāng)許多人力資源軟件供應(yīng)商光說(shuō)說(shuō)要預(yù)測(cè)“雇員離職風(fēng)險(xiǎn)”時(shí),他們有多少人可以證明他們能說(shuō)到做到以及他們的預(yù)測(cè)真的有用,你怎么能確保一個(gè)供應(yīng)商所宣稱的可以預(yù)測(cè)員工留任風(fēng)險(xiǎn)是有效的?你應(yīng)當(dāng)尋找什么?
自從2009年的經(jīng)濟(jì)衰退巔峰以來(lái),美國(guó)每個(gè)職業(yè)空缺所對(duì)應(yīng)的失業(yè)人口數(shù)量在穩(wěn)定的下降,現(xiàn)在已經(jīng)回到了衰退前的水平。再加上,美國(guó)勞工部的統(tǒng)計(jì)數(shù)據(jù)顯示,企業(yè)不僅越來(lái)越難招到人,也越來(lái)越難留住人才。
因此,員工保留自然而然成為了大多數(shù)人力資源部門的關(guān)鍵任務(wù)。為了可以量化人員損耗的影響,許多人嘗試把離職和商業(yè)影響聯(lián)系起來(lái)。一份分析了48個(gè)獨(dú)立研究的綜合性研究中表明,離職真的對(duì)財(cái)務(wù)業(yè)績(jī)、客戶服務(wù)、勞動(dòng)生產(chǎn)率和安全產(chǎn)出有影響。
更多的人嘗試去通過(guò)估計(jì)直接成本和間接成本來(lái)量化離職的的影響。盡管分享了許多的觀點(diǎn),這個(gè)研究結(jié)果中關(guān)于成本和人員損耗的聯(lián)系仍然有很大程度上的不同。因?yàn)榭紤]到的因素和作用也是多樣化的。一個(gè)完整的核算需要超越雇傭和培訓(xùn)的范疇,包括分離,生產(chǎn)力和失去的知識(shí)。
在一個(gè)有著5000名免付加班費(fèi)員工(例如,行政管理人員,經(jīng)理主管人員,專業(yè)性的員工,計(jì)算機(jī)專業(yè)人員以及銷售人員)的公司,有著10%的自愿離職流動(dòng)率(比2014年行業(yè)中的額平均自愿離職率少了超過(guò)1%),盡管保守估計(jì)每年不必要的離職率可以轉(zhuǎn)化為3000萬(wàn)美元的替代成本。
盈虧的底線可以被好的開支計(jì)劃所改變,但是濫用的保留員工策略,例如,人力資源或者是經(jīng)理們用來(lái)防止辭職所采用的方法:加薪,獎(jiǎng)金或者是升職。當(dāng)這些策略沒(méi)有硬數(shù)據(jù)來(lái)支撐他們的話,結(jié)果將會(huì)十分有限,更糟糕的是,這些錢可能不必要的被用來(lái)挽留那些實(shí)際上并沒(méi)有離職風(fēng)險(xiǎn)的人。36大數(shù)據(jù)
正如在文章中描述的那樣,ConAGra食品公司創(chuàng)建了一個(gè)人力資源分析程序,使用數(shù)據(jù)來(lái)引導(dǎo)挽留策略的實(shí)施顯示出了“地毯式轟炸和激光制導(dǎo)彈的區(qū)別”。人力資源將它的注意力聚焦并將錢花費(fèi)到最有用的地方,而不是在整個(gè)公司采用挽留策略。如果你可以使用預(yù)測(cè)分析來(lái)準(zhǔn)確的識(shí)別那些有離職風(fēng)險(xiǎn)的員工,尤其是表現(xiàn)出色的員工以及是關(guān)鍵角色的人,那么你就可以在保證生產(chǎn)力和績(jī)效提升的同時(shí),避免這些成本。在這種情況下,關(guān)鍵字是正確的。
首先,使用任何的預(yù)測(cè)模型,你需要有一種方法來(lái)證明你的預(yù)測(cè)是有效的。維西爾的數(shù)據(jù)科學(xué)家認(rèn)定,一個(gè)分析若要有效,最少需要分析2至3年的數(shù)據(jù)(越多越好),它就像在某一時(shí)刻,父母對(duì)他們的孩子說(shuō)的那樣“你不去試一下,你怎么知道你不喜歡它呢?”或者在我們這一情形下,如果你沒(méi)有做一個(gè)對(duì)于真實(shí)結(jié)果來(lái)說(shuō)有效的預(yù)測(cè),你怎么就知道這一預(yù)測(cè)是有用的呢?
第二,人們做決策的模式不能被歸結(jié)為市場(chǎng)營(yíng)銷人員這么多年以來(lái)一直嘗試去發(fā)掘的簡(jiǎn)單因素。它是“有著情感的數(shù)據(jù)”,并且為了發(fā)掘其內(nèi)在模式需要去展搜尋盡可能多種類的信息來(lái)源。就像淘金一樣,你搜索的范圍越廣,你越有可能找到隱藏的金塊,也就像預(yù)測(cè)分析的洞察力一樣。
第三,預(yù)測(cè)的準(zhǔn)確性取決于用來(lái)建造模型的數(shù)據(jù),例如,如果一個(gè)模型是基于一個(gè)公司的內(nèi)在因素建立的,那么它就不一定適用于第二個(gè)公司。更具挑戰(zhàn)的是,在同一個(gè)公司的一年和下一年相比之下,對(duì)于同一個(gè)模型也會(huì)同樣發(fā)生上述情形。使用的方法應(yīng)該考慮到這一動(dòng)態(tài)性。
問(wèn)題是如今大多數(shù)的“離職風(fēng)險(xiǎn)”預(yù)測(cè)分析能力都是在他們的初級(jí)階段—他們都沒(méi)有使用足夠的數(shù)據(jù)來(lái)源在足夠長(zhǎng)的時(shí)間中被足夠多的公司使用到足夠多的員工身上。
驗(yàn)證一個(gè)“離職風(fēng)險(xiǎn)”預(yù)測(cè)分析技術(shù)
在維西爾,我們希望把我們自己的“離職風(fēng)險(xiǎn)”預(yù)測(cè)分析進(jìn)行測(cè)試,為了做這個(gè)測(cè)試,我們把我們所有所知的關(guān)于預(yù)測(cè)分析的情況和匿名的數(shù)據(jù)放到我們的云平臺(tái)上,一步一步的應(yīng)用我們的“離職風(fēng)險(xiǎn)”預(yù)測(cè)分析技術(shù)。在做這的時(shí)候,我們發(fā)現(xiàn)維西爾在預(yù)測(cè)誰(shuí)會(huì)在接下來(lái)的三個(gè)月中辭職時(shí)比猜測(cè)和直覺要精確8倍,如果你關(guān)注前100名有“離職風(fēng)險(xiǎn)”的員工時(shí),會(huì)精確10倍。
通過(guò)在員工身上應(yīng)用一段時(shí)間我們的機(jī)器學(xué)習(xí),我們可以賦值一個(gè)“離職風(fēng)險(xiǎn)”分?jǐn)?shù)并將它們從高到低進(jìn)行排列。這些計(jì)算都是動(dòng)態(tài)和即時(shí)的,因此當(dāng)一個(gè)人力資源分析師,商業(yè)伙伴或者領(lǐng)導(dǎo)詢問(wèn)在一個(gè)特別的員工子群體(例如,指定了一個(gè)角色、情景、任期以及績(jī)效水平)中誰(shuí)有“離職風(fēng)險(xiǎn)”時(shí),系統(tǒng)會(huì)基于最近適用于用戶的數(shù)據(jù)自動(dòng)的提供相關(guān)結(jié)果。
手里持有這些信息,人力資源可以采取行動(dòng)來(lái)應(yīng)對(duì)最脆弱的群體或者是那些準(zhǔn)備離職的人。36大數(shù)據(jù)
盡管有炒作的嫌疑,預(yù)測(cè)分析將不會(huì)取代人類的干預(yù):他們將不會(huì)告訴你一個(gè)清晰的行動(dòng)方案,尤其是在處理那些有情感的數(shù)據(jù)時(shí)。
預(yù)測(cè)分析比關(guān)于誰(shuí)將離職所包含的東西更多,它還包括為什么他們要離職。在許多放面,預(yù)測(cè)為什么離職比指名某個(gè)人更加有價(jià)值,因?yàn)樗ㄟ^(guò)直擊原因的根源來(lái)使人力資源采取深切的、精準(zhǔn)的,長(zhǎng)期的行動(dòng)來(lái)降低離職率。
數(shù)據(jù)分析咨詢請(qǐng)掃描二維碼
若不方便掃碼,搜微信號(hào):CDAshujufenxi
訓(xùn)練與驗(yàn)證損失驟升:機(jī)器學(xué)習(xí)訓(xùn)練中的異常診斷與解決方案 在機(jī)器學(xué)習(xí)模型訓(xùn)練過(guò)程中,“損失曲線” 是反映模型學(xué)習(xí)狀態(tài)的核心指 ...
2025-09-19解析 DataHub 與 Kafka:數(shù)據(jù)生態(tài)中兩類核心工具的差異與協(xié)同 在數(shù)字化轉(zhuǎn)型加速的今天,企業(yè)對(duì)數(shù)據(jù)的需求已從 “存儲(chǔ)” 轉(zhuǎn)向 “ ...
2025-09-19CDA 數(shù)據(jù)分析師:讓統(tǒng)計(jì)基本概念成為業(yè)務(wù)決策的底層邏輯 統(tǒng)計(jì)基本概念是商業(yè)數(shù)據(jù)分析的 “基礎(chǔ)語(yǔ)言”—— 從描述數(shù)據(jù)分布的 “均 ...
2025-09-19CDA 數(shù)據(jù)分析師:表結(jié)構(gòu)數(shù)據(jù) “獲取 - 加工 - 使用” 全流程的賦能者 表結(jié)構(gòu)數(shù)據(jù)(如數(shù)據(jù)庫(kù)表、Excel 表、CSV 文件)是企業(yè)數(shù)字 ...
2025-09-19SQL Server 中 CONVERT 函數(shù)的日期轉(zhuǎn)換:從基礎(chǔ)用法到實(shí)戰(zhàn)優(yōu)化 在 SQL Server 的數(shù)據(jù)處理中,日期格式轉(zhuǎn)換是高頻需求 —— 無(wú)論 ...
2025-09-18MySQL 大表拆分與關(guān)聯(lián)查詢效率:打破 “拆分必慢” 的認(rèn)知誤區(qū) 在 MySQL 數(shù)據(jù)庫(kù)管理中,“大表” 始終是性能優(yōu)化繞不開的話題。 ...
2025-09-18DSGE 模型中的 Et:理性預(yù)期算子的內(nèi)涵、作用與應(yīng)用解析 動(dòng)態(tài)隨機(jī)一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明確:TIF 中的地名有哪兩種存在形式? 在開始提取前,需先判斷 TIF 文件的類型 —— ...
2025-09-17CDA 數(shù)據(jù)分析師:解鎖表結(jié)構(gòu)數(shù)據(jù)特征價(jià)值的專業(yè)核心 表結(jié)構(gòu)數(shù)據(jù)(以 “行 - 列” 規(guī)范存儲(chǔ)的結(jié)構(gòu)化數(shù)據(jù),如數(shù)據(jù)庫(kù)表、Excel 表、 ...
2025-09-17Excel 導(dǎo)入數(shù)據(jù)含缺失值?詳解 dropna 函數(shù)的功能與實(shí)戰(zhàn)應(yīng)用 在用 Python(如 pandas 庫(kù))處理 Excel 數(shù)據(jù)時(shí),“缺失值” 是高頻 ...
2025-09-16深入解析卡方檢驗(yàn)與 t 檢驗(yàn):差異、適用場(chǎng)景與實(shí)踐應(yīng)用 在數(shù)據(jù)分析與統(tǒng)計(jì)學(xué)領(lǐng)域,假設(shè)檢驗(yàn)是驗(yàn)證研究假設(shè)、判斷數(shù)據(jù)差異是否 “ ...
2025-09-16CDA 數(shù)據(jù)分析師:掌控表格結(jié)構(gòu)數(shù)據(jù)全功能周期的專業(yè)操盤手 表格結(jié)構(gòu)數(shù)據(jù)(以 “行 - 列” 存儲(chǔ)的結(jié)構(gòu)化數(shù)據(jù),如 Excel 表、數(shù)據(jù) ...
2025-09-16MySQL 執(zhí)行計(jì)劃中 rows 數(shù)量的準(zhǔn)確性解析:原理、影響因素與優(yōu)化 在 MySQL SQL 調(diào)優(yōu)中,EXPLAIN執(zhí)行計(jì)劃是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 對(duì)象的 text 與 content:區(qū)別、場(chǎng)景與實(shí)踐指南 在 Python 進(jìn)行 HTTP 網(wǎng)絡(luò)請(qǐng)求開發(fā)時(shí)(如使用requests ...
2025-09-15CDA 數(shù)據(jù)分析師:激活表格結(jié)構(gòu)數(shù)據(jù)價(jià)值的核心操盤手 表格結(jié)構(gòu)數(shù)據(jù)(如 Excel 表格、數(shù)據(jù)庫(kù)表)是企業(yè)最基礎(chǔ)、最核心的數(shù)據(jù)形態(tài) ...
2025-09-15Python HTTP 請(qǐng)求工具對(duì)比:urllib.request 與 requests 的核心差異與選擇指南 在 Python 處理 HTTP 請(qǐng)求(如接口調(diào)用、數(shù)據(jù)爬取 ...
2025-09-12解決 pd.read_csv 讀取長(zhǎng)浮點(diǎn)數(shù)據(jù)的科學(xué)計(jì)數(shù)法問(wèn)題 為幫助 Python 數(shù)據(jù)從業(yè)者解決pd.read_csv讀取長(zhǎng)浮點(diǎn)數(shù)據(jù)時(shí)的科學(xué)計(jì)數(shù)法問(wèn)題 ...
2025-09-12CDA 數(shù)據(jù)分析師:業(yè)務(wù)數(shù)據(jù)分析步驟的落地者與價(jià)值優(yōu)化者 業(yè)務(wù)數(shù)據(jù)分析是企業(yè)解決日常運(yùn)營(yíng)問(wèn)題、提升執(zhí)行效率的核心手段,其價(jià)值 ...
2025-09-12用 SQL 驗(yàn)證業(yè)務(wù)邏輯:從規(guī)則拆解到數(shù)據(jù)把關(guān)的實(shí)戰(zhàn)指南 在業(yè)務(wù)系統(tǒng)落地過(guò)程中,“業(yè)務(wù)邏輯” 是連接 “需求設(shè)計(jì)” 與 “用戶體驗(yàn) ...
2025-09-11塔吉特百貨孕婦營(yíng)銷案例:數(shù)據(jù)驅(qū)動(dòng)下的精準(zhǔn)零售革命與啟示 在零售行業(yè) “流量紅利見頂” 的當(dāng)下,精準(zhǔn)營(yíng)銷成為企業(yè)突圍的核心方 ...
2025-09-11