案例：腾讯HR的大数据实践

搜索一下“HR+大数据”，可以轻松得到几百万条记录，可见大数据在HR领域并不是一个陌生的话题，遗憾的是，热度有余而深度不足。北大光华的穆胜博士在其写的《大数据为何走不进人力资源管理？》（可点击进入）一文中提出“HR可能误会了大数据”， HR的大数据需要有自己的玩法，其不同于传统的HR数据分析的功能可以概括为三个方面：

一是养成平台的能力：

大数据的特征概括为4V，Volume（大量）、Velocity（高速）、Variety（多样性）、veracity（真实性）。这也决定HR的大数据绝不仅仅是把一些数据拿过来分析，而是一个涵盖数据的产生、存储、抓取、清理、分析、挖掘、建模、训练、验证、呈现的全过程的综合平台。

二是要有连接的效能：

与传统的数据分析只需要得出一个数据性的管理结论不同，HR的大数据分析包括了提出概念、分析框架、数据准备、数据清理、数据挖掘、模型创建、训练验证以及管理行动，其过程充分卷入了HR三支柱的COE、BP和SDC，乃至于管理者和员工，其目标是推动HR管理的持续改善。

三是能够牵引HR的方向：

传统的数据分析多是事后的总结，是一种滞后的管理。而HR的大数据分析则要求能够帮助HR进行预测，实现前置的管理。

例如传统的人力资源通过绩效管理来识别高绩效的员工并帮助员工持续提升绩效，而在大数据模式下的思路则是通过数据的挖掘找到高绩效员工的特征要素，让企业的每一个员工都能够持续产生高绩效。

由于多数企业在HR的数据领域缺乏规划，要实现上述突破对HR部门而言将是一个漫长而艰难的过程。本文以HR大数据领域腾讯的实践与探索为例，说明HR领域大数据实践的现状。

腾讯在HR领域的大数据实践最早可以追溯到2012年，通过People Soft搭建起了HR的统一结果库，并开展了第一期的数据清理工作。

1. 应用层主要解决HR大数据如何支撑HR业务的问题，阐述的是大数据的应用场景，以及需求如何被响应和落地。

2. 功能层主要解决HR大数据在后台如何运作的问题，阐述的是如何去科学的管理和使用数据，保障数据的质量和价值，包括元数据管理、数据质量管理和逻辑建模规划三大核心模块。

3. 从应用层和功能层我们可以看到HR的大数据涉及了HR专业以外的IT系统、数据库、数据分析、产品设计等多个专业，这也意味着仅凭专业的HR是无法搭建起HR的大数据平台的。

以腾讯SDC的大数据团队为例，其成员由SSC、E-HR、区域中心的员工共同组成，是一个拥有人力资源、HR信息化、数据库、HR咨询复合工作经验和背景的团队。

该项目由COE最先提出概念，先后卷入SDC和BP，执行迅速成立了项目联合团队。

其中COE团队负责政策、资源的协调以及专业方向的把控，BP团队负责模型验证以及落地研究，SDC团队则负责数据清理、质量建设、特征挖掘以及模型的搭建和训练。

在这个项目中，不仅COE、BP和SDC的人被连接起来，同时连接的还有对应的“事”和“信息”。

传统的HR数据分析会围绕离职率展开分析，而在HR的大数据分析中则是将腾讯历史上所有的员工按照稳定程度分成多个样本，通过数据的挖掘找到与稳定性相关的典型特征，建立起能够识别候选人稳定性的数学模型。

其目标之一是希望通过应聘者的简历自动对其稳定性给出评估建议，也为后续招聘以及保留环节提供参考。

1. 从现在开始，夯实数据基础。

以腾讯的某个HR大数据项目为例，一次调用的数据就超过了600万条，400多个字段，一般的PC机以及excel、spss等工具都无法支撑此种量级的数据挖掘，但是其量级又达不到使用TDW的程度，加上数据敏感性等诸多因素，最终发现需要搭建用于HR大数据分析的服务器。

2. 数据质量决定数据的价值。

涂子沛在《大数据》一书中用了整整一个章节来阐述数据质量，足见数据质量的重要性。在此我想用一句话来补充说明：在一堆错误的数据中，你能指望得出正确的分析结果吗？

3. 是挖掘数据而不是统计数据。

仅从统计学的方法上看就可以看到差别，传统的HR数据分析用的最多的统计方法就是描述统计、箱型图等。

但是到了HR的大数据分析，相关性分析、方差分析、回归分析、聚类分析、决策树模型等用的会更多。其原因就像维克托.迈尔-舍恩伯格在其《大数据时代》中强调的，大数据研究的“不是因果关系，而是相关关系。”

对于企业的HR而言，当HR遇上大数据，我们更应该抓住这个机会，在大数据平台能力，连接的效能，牵引HR方向这三方面寻求突破，进行创新性的研究和探索，提升HR之于企业的价值和影响力。

最后借用名言：“It was the best of times, it was the worst oftimes”，I时代带给HR的不仅仅有挑战，同样也有机会。亦如郭重庆院士所言，“管理学界应该抓住这个机会，实现自己的历史使命和担当。”

来源：企业网