近几年来，除了我们已经熟知的大数据分析之外，诸如物联网和社交图谱等新兴技术也频频被应用在商业环境。这些技术的共性就在于：解决人们对于“深入分析”这件事情的需求。

为了更好地了解消费者行为，许多公司都已经对大数据分析进行了投资。事实上，在保险、风险管控和金融诈骗监测等以客户为中心的服务领域里，大数据分析的应用已经非常成熟。但我们现在要说的却是大数据一个全新的应用场景：人力资源领域。

利用大数据分析来进一步了解你的职员，这样的做法是否值得一试？虽然我们看到许多公司都加大了对人力资源分析的投资，但成功的案例其实并不太多，Google是其中的一个。

Google从一开始就没有把HR部门称为“人力资源部”，而是称为“人力运营部”。谷歌副总裁与HR主管Laszlo Bock很早地认识到：每一个领域都需要基于数据的决策。于是Google将人力资源管理的决策交给了“人力资源分析团队”来引导，这一团队至少为自己制定了两点目标：

1.谷歌所有的人事决策都是基于数据和数据分析的；

2.让人事决策的精确化程度达到与项目决策相同的水平。

事实上，尽管它们仍旧称这种方法为“人力资源分析”，然而它的决策方式已经上升至“基于数据的决策”，或者是“基于事实和证据的决策”，基本摆脱掉20世纪主观决策的方式。

基于对“人力资源分析”的深入的研究，我们希望针对这一“新新行业”为企业提出四条有效经验，帮助企业用“人力资源分析”来制定战略性的人力决策。

总的来说，不管从什么角度看来，现在都是公司为人力资源分析进行投资的最佳时间。

建立员工动态网络

管理者都明白，了解“客户和客户”或“客户和商家”关系对解释和预测客户的行为非常重要。同样的道理，企业也可以利用这个思维在人力资源管理方面做文章，最简单的方式就是：建立一套员工网络体系。

如果我们以员工为节点，各个节点以（或匿名）邮件往来、项目合作或某些具有相似性的要素连接，并且将这些因素的发生时间考虑在内，那么企业便可以及时了解新员工在加入这个网络时遇到了怎样的阻碍，并最终得到最优的量化的组合方案。

也是同样的道理，在企业裁员时，很重要的一点就是要了解“解雇该员工”会对公司带来什么影响，是否会造成其他人才流失。如果他在员工网络中处于重要的一环，负责与各个社区对接工作，那解雇前请一定谨慎地做好沟通工作，避免员工网络出现断裂。

大数据不是魔术

大数据与任何新技术一样，在利用它之前，应该把期望值设在合理的区间。虽然它们可以是有使用价值的工具，但分析技术不是你公司用来制定所有重要而艰难的人力资源决策的灵丹妙药。毕竟某种分析性人力资源模型投入实践，并不意味着它的生态环境，诸如公司战略、员工组合、宏观经济条件等不会一成不变。 

所以最重要的，还是人力资源的决策者利用其商业头脑、从业经验以及对问题的了解来及时地反应、解释并调整此类分析模型所导致的结果。

例如，如果你的分析模型告诉你，你的招聘和解雇政策一点都不周全甚至是带有歧视色彩的，你会怎么做？或是它告诉你你寻找的理想职员是不存在的，你会有什么反应？

任何意想不到但却符合情理的分析结果都应该被谨慎而周全地对待。显然，这就需要人力资源经理具备见多识广和开放的思维模式。

提供商业洞见

人力资源分析绝不只是提供统计性能的，它们还应该提供商业洞见。

在商业环境中使用分析模型时，新手常常会犯的一个典型错误就是盲目痴迷于统计性能。统计固然重要，但分析性的人力资源模型可以做的远不止这些，另外两个重要的衡量标准是：可解释性和合规性。 

可解释性意味着基于分析的任何人力资源决策都应该得到适当的鼓励，并能向利益相关的人做出合理解释。

合规性则意味着，若想成功有效地利用人力资源分析，保护法规、隐私和道德责任是关键所在。这在人力资源应用中尤其重要。在解释分析模型时应始终保持谨慎，而在选择用于构建分析性人力资源模型的数据时，应考虑到性别平等，并且尊重职员的多样性。

不断回测你的模型

客户分析模型的品均寿命一般是两到三年，人力资源的分析模型也是如此。

鉴于人力资源决策对组织和个人所产生的影响，人力资源的分析模型就需要通过将预期成效与实际结果进行对比，以此不断地进行回测，从而当有任何性能出现下降时可以立即注意到，并针对性地采取行动。

更好地了解客户也更好地了解员工，不要错过可以投资这两份对企业来说最重要的人力资源。一旦这一工作做到位，就可以期待企业的下一步发展与转型了。