人才分析(People Analytics)
People Analytics
什麼是人才分析(People Analytics)?
- 運用人事與組織數據,做出與人有關的決策
- 以教育成效、離職徵兆與投入度作為證據來確認
- 隱私與倫理是必要前提
導入人才分析(People Analytics)時,會議室裡最先改變的是舉證責任的方向。在那之前,若被問到「教育預算為什麼要花這麼多」,HRD只能用定性的方式解釋;現在則是在離職率、績效分布與投入度分數這套共通語言上,和業務主管同桌討論。重要的不是分析工具,而是先擬定「得出答案後要改變什麼」的問題。沒有問題就蒐集的數據,只會增加儀表板畫面。
實務上可以分成三層來看,會比較清楚。描述發生了什麼的分析(離職率、培訓完成率)、探究原因的診斷分析(離職者與留任者的條件差異),以及預測未來走向的預測分析。國內多數企業仍停留在第一層,但現況彙總與分析是兩回事。前者呈現數字,後者驗證假設。此外,分析單位越小,結論就越不穩固。若把全公司 1,000 人的資料得出的趨勢直接套用到 12 人的團隊,那就不是統計,而是印象式的評論。
評估培訓效果時還有一個陷阱。主動報名受訓的人,本來動機與績效就往往較高,因此結業者的表現較好,未必是培訓的功效,而可能是選才效應。所以需要的設計是:將結業組與條件相近的未結業組配對比較,或追蹤同一批人培訓前後的指標變化。把相關變成因果的不是數據,而是設計。
現場出錯的地方通常有兩個。第一,一開始就導入工具。在評等集中於 B 等(80%)、且職務說明書五年來都沒有更新的公司,再好的分析工具也只是把垃圾資料精緻地摘要而已。第二,把離職風險分數原封不動地交給主管。一旦貼上「離職機率 68%」這樣的數字,該員工就會被當成即將離開的人,被排除在重要工作之外,而預測也就自然成真。整合公司內部系統的資料時,若未確認蒐集目的與同意範圍,還可能演變成法律問題。分析結果應該用來找出制度需要修正之處,而不是貼在人身上的標籤。
此概念在 2010 年代隨著人資結合資料分析的趨勢而擴散,之後 Google 等企業「以數據經營人事」的案例廣為人知,逐漸普及。
以下以一個虛構案例說明。國內中堅化學材料企業 A 公司,全體員工 1,400 人,年營收 KRW 420,000,000,000 (≈ US$314,357,100)。該公司業務職新進員工的離職率連續三年攀升至 34%,招募與入職所花費的成本每年超過 KRW 600,000,000 (≈ US$449,100) 白白流失。經營層主張「再增加入職教育」,但 HRD 團隊對於問題是否真的出在教育上,也沒有把握。
- HRD 組長提議「在增加培訓之前,先看看是什麼因素導致離職」,於是從最近三年 412 名入職者的紀錄開始彙整。
- 人資部門與 IT 部門花了兩個月合作,將進入路徑、入職教育完成率、首次配置部門、入職第 6 個月的面談次數、直屬主管年資等 11 個項目,以匿名 ID 彙整在一起。
- 分析結果顯示,入職教育的完成率與離職率並無明顯差異,反而是入職 6 個月內與主管面談未滿 3 次的群體,離職率高出 2.4 倍。
- 人資負責的高階主管說:「那只要安排面談就好了吧?」負責的課長則回應:「越忙的團隊,面談越少,也得一併看工作量。」於是又加入了各部門人均接單件數。
- A 公司將新進員工的集體入職教育縮短 16 小時,改為在新進員工入職後 6 個月內安排 3 次面談,並將其列為主管必做的檢核項目;同時讓 62 位主管實際操練一對一(1on1)指導。
- 一年後,業務職新進員工的離職率由 34% 降至 21%,並省下重新招募與重新培訓的費用 KRW 230,000,000 (≈ US$172,100)。經營會議的議題從「增加教育」變成「設計面談機制」,這是最大的改變。
金輝
金鍾赫