演讲 / 文跃然，中国人民大学劳动人事学院教授、著名薪酬管理专家根据2018年10月27日第六届华夏基石十月管理高峰论坛文跃然教授《数字化管理范式》主题演讲整理（未经本人审核）来源：华夏基石e洞察（ID：chnstonewx）
各位来宾，大家好：
非常高兴就“数据化时代人力资源管理”的问题，跟大家分享我的看法，主要有四个话题：
一、测量之谜与中国长城
我们先来谈一谈测量系统的效率、测量人的效率，这个问题是怎么迷惑我们的？或者聊一聊我们在这方面有哪些困惑。
1.我对测量数量产生的兴趣之源
我是经济学出身，复旦大学经济系毕业。在读研究生的时候，就对国民收入分配问题非常感兴趣，在我写硕士论文的时候，曾在北京图书馆呆了一个月，当时有两本书，一本是克拉克（〔美〕约翰·贝茨·克拉克）先生写的《财富的分配》，另一本是道格拉斯写的《工资理论》。来这里之前，我心里就有一个问题，这个问题是克拉克先生提出的：“劳动和资本共同合作产生了财富，再分配的时候，劳动应该得多大比重？资本应该得多大比重？”克拉克发明了边际生产力理论，用边际生产力决定财富的多少。这个理论我读得比较多，论文里也写了这件事，似乎是接受了它的观点，但是现在来看，工资分配中劳动应该占的比重和资本应该占的比重还是一个悬而未决的问题。当时为了写论文，我找到道格拉斯先生写的《工资理论》，他对克拉克的理论做了数据化的说明，提出道格拉斯生产函数，试图算清楚资产函数对国民收入的贡献比重，以及获得收入分配的依据。由此，使我对测量数据的兴趣就从这里开始了。
2.测量之迷：人力资源领域
我是在2000年开始做人力资源管理的，在人民大学人力资源系当系主任，也是从那时候开始关注人力资源管理的一些问题，因为我是经济学出身，所以用经济学背景来研究人力资源管理，对“人的贡献以及在收入分配中应该有的比重依据”这个问题很感兴趣。德鲁克曾在1954年说：“人力资源管理工作既不做跟人有关、又不做跟管理有关的事情，人力资源部门似乎是一个没有用的部门，因为它不能用数据证明自己的贡献”。后来，这句话被很多人力资源管理学者加以引用，一个是对自己弱点的表达，另一个是对自己的鞭策，我们应该用数据说话，不仅用数据来证明自己是有用的，还要用数据来找到绩效的驱动力。
3.绩效黑箱
我在2009年读了《战略人力资源管理》这本书，书中最后一篇是对未来的展望，提到了“绩效黑箱”这个概念。什么叫“绩效黑箱”？从泰勒先生在1911年发表了科学管理原理开始，之前也有更早一点的，比如法约尔先生，比泰勒的实践早了20年，到2006年、2009年，我们做了很多的管理活动，产生了很多管理理论，我们以为这些管理活动和管理理论能够帮助我们找到高绩效的钥匙，但实际上找不到，所以很多管理措施是一个方面，绩效是另一个方面，我们其实不知道管理措施和绩效之间到底是怎样连接的？这个现象就叫“绩效黑箱”。换句话讲，绩效在很大程度上是在没有因果认知的情况下取得的，很多时候是碰运气的，看上去是这样，实际上可能就不是这样了。对这件事我极其有兴趣，“绩效黑箱”这个概念如果成立，我们怎么去解开它？
4.测量之迷：人力资源管理中的差不多原理
在日常决策过程中，我们也会碰到很多这样的问题，都是模糊决策的。刚才吴春波教授演讲的时候讲到“灰度”，灰度应该是介于0和1之间的事情，这也是一种认知。而我讲的是“精准”，1就是1，2就是2，0就是0，我们在绩效管理或人力资源管理过程中，大多数时间用的是“差不多原理”，这个原理对吗？我觉得可能是个问题。
5.中国长城：挡住了什么？
我在去年（2017年）看了《人力资源测量方法》这本书，书中有一幅图（见下图），表达了这样的意思：人力资源管理一直到现在为止做的都是红墙左边的事情，红墙英文叫CHINA WALL，我称之为“中国长城”。左边的事情主要有：（1）人力资源指标/报告；（2）标杆管理法。比如别的公司每名员工，每年培训的时间是80小时，我们也不输给他；他的人均招聘成本是3000元，我们就应该低过他，标杆也是一种数据。（3）一些数据系统和出入口，比如说SAP等。（4）对一些计分卡方法做深入分析，比如著名的平衡积分卡以及后来的人力资源积分卡，都是一种尝试，想用数据说话。即使是计分卡到了相对深入的分析阶段，我们还是有一些东西看不见，被红墙挡住了。什么东西看不见？一是这些数据整合到一起后，最终会到哪里？我们以前的分析更多是描述性的而不是预测性的。二是因为做不到预测性，所以很难做到规范性，你不相信基于数据决策应该这么做，所以预测性和规范性被挡在墙的另一边，可以把这个墙看成是一座山，我们是在山下看世界，山里面其实还有更大的世界。
二、艰难探索：人力资源数据化的前世、今生和未来
1.国外：数据分析在人力资源的应用
（1）泰勒《科学管理原理》
最早数据化探索的功劳属于谁呢？毋容置疑是泰勒先生。他在《科学管理原理》一书中，举了几个非常微不足道的例子，但是他发现了非常伟大的原理，从1911年到现在一直影响世界而且造福于世界。
他在《科学管理原理》里面用到的第一个例子是搬运工，其中有两组数据，第一组是1.18和1.88，这是1911年美国的日工资率，就是工人一天可以赚这么多钱，现在合成人民币一个月大概是二三百块钱。第二组数据是不同的产量状态，支付工资1.18元的时候，员工搬运生铁12吨，但泰勒先生发现有人可以搬运47吨，他就琢磨这47吨能不能成为大家的绩效标准？从12吨到47吨是3倍的差距，有没有可能实现？如果实现了，员工的生产率就提高了3倍，在员工生产率提高3倍的情况下，就让员工的工资提高7毛钱。后来，经过几千次的实验，把搬运生铁分为五个动作，每个动作用秒表看，在什么样的情况下用最少的时间搬运多少？最后他得出一个结论：这个钢铁厂最大的任务量应该是47吨而不是12吨。
这个科学发现影响了全世界，我们很多的绩效标准并没有达到最大的任务标准，而最大任务标准是要用数据说话的，一旦找到，生产率将得到提升。员工工资是基于生产率的，所以员工工资就会增加，管理走上健康大道，生产率提高随之员工工资的提高，同时企业的收入也增加了。
泰勒先生更多的是研究任务，所以他把《科学管理原理》叫任务管理，对人的动机没有太多的研究，他在《科学管理原理》的后部分讲到管理的两件大事，一个是任务管理，另一个是动机管理，动机管理的测量由后面的学者完成。从泰勒往后，大家开始注意动机的研究，这是属于心理学方面的事情，一直到1943年，对这方面的研究都非常多，包括现在我们也是基于他们的应用。
（2）菲茨-恩兹《怎么去衡量人力资源管理》
1978年在人力资源测量界发生一件大事，由（美）菲茨-恩兹，（美）戴维森编写的这本《怎么去衡量人力资源管理》的书，测量整个人力资源管理系统是不是有效的。泰勒先生测量的是任务，梅奥先生等行为学派、心理学派更多的是测量心理，从测量单个人的任务、测量个体的心理到测量整个人力资源系统的效率，是一个里程碑的事。在这本书里作者总共提出了30个指标进行测量。
（3）平衡积分卡和人力资源计分卡
平衡计分卡和人力资源计分卡这两个方法论的作者非常重要。1996年， 罗伯特·卡普兰（哈佛商学院）和大卫·诺顿（David Norton）介绍了平衡计分卡，也是想解决测量的问题，或者说是想部分地解决测量问题。1996年—2001年，2001年，Brian E. Becker，Mark A. Huselid和Dave Ulrich在他们的《人力资源计分卡》一书中，强调人力资源记分卡能够显示人力资源活动与公司战略和活动的一致性，以及他如何改善组织结果。
平衡计分卡主要是衡量财务和非财务指标，找到两者之间的因果关系，提出通过考核指标找到绩效因果面的想法，同时也提出绩效驱动力的想法。人力资源计分卡指出平衡计分卡这套系统中，如果学习与成长不分解为岗位设置、招聘、培训、考核、薪酬这一系列，并且用数据说明这套系统有没有效果，那么平衡计分卡也是落不了地的。这两本书在人力资源测量方面，具有划时代意义。
随着这些管理学家的深入研究，由测量任务、测量心理、测量系统，发展到考虑人力资源体系和战略落地之间的匹配关系了。2005年，第一个人才管理系统（TMS）建立（TMS是可以自动完善人才管理重要流程的一个综合平台，是可以存储各种员工数据的一个工具，今天，TMS平台还可以存储和管理社交媒体数据，以及其他数据痕迹和人才行为数据）。2010年左右，预测分析开始出现在大多数领先公司的人力资源部门，比如Google、IBM等。从过去国外发展的情况来看，数据化人力资源管理具有五大趋势：
从强调任务分析、心理分析转移到整体系统效率分析。如人力资源计分卡。从就事论事，用数据分析，到帮助企业获得竞争优势。原来系统匹配算手段，人力资源作为一种核心竞争资源是手段，现在已经到了用数据驱动的系统来说话的阶段了。从简单数据统计到大数据挖掘。从人的智能到人工智能。从软件到设备，整合在一起。2.国内：数据分析在人力资源的应用
（1）杨伟国《战略人力资源审计》
由杨伟国老师写的这本《战略人力资源审计》一书，我认为这是国内第一本研究人力资源数据化的书，其价值等同于1978年美国出版的《怎么去衡量人力资源管理》这本书。杨老师用审计思维从各个方面分析人力资源。从事人力资源工作的朋友们都知道人力资源功能、人力资源规划、人力资源行动等概念，这些在实践当中也都会用到。
（2）文跃然GREP计分卡
非常感谢彭剑锋老师把我的想法写到了他的教科书中，由此很多人都知道了GREP计分卡。我是受平衡计分卡和人力资源计分卡的影响，想在中国研发一套自己的计分卡。
我认为，一个企业做得好不好，主要有四个纬度：
治理结构好不好资源好不好企业家好不好产品与服务好不好从这四个维度，分解为十几个要素，再将十几个要素分解为几百个要素。在中国电信、联想集团等，凡是我做过的项目里，都使用这套计分卡来表达我对企业的理解。
（3）其他研究者对“测量”的认识
人力资源计分卡、企业驱动力，特别是企业绩效驱动力和人力资源绩效驱动力，应该是测量的中心概念。国内其他老师在这方面也做出很多贡献。以我们学院为例，我刚来劳人院的时候，彭老师讲《人力资源数据测评》这门课，我听了一个学期的课；另一位孙健敏老师，是北京师范大学心理学系毕业的，他是心理学背景出身。如果让我来评价他们两位在中国的地位，彭老师是中国的“泰勒”，孙老师就是中国的“梅奥”。彭老师更关注任务原理，孙老师更关注动机原理，他们的研究结合在一起就是整个管理。
另外徐世勇、李育辉都是偏测量系统的，如果彭老师门徒里面要加一些人的话，我本人算是一个。
三、数据驱动的人力资源管理的范式
如果我们想用数据驱动的人力资源系统帮助企业提升竞争优势，其研究的范式应该是怎样的？
1.科学范围与解谜
我们先来了解一下，什么是范式？说范式一定会说到托马斯·塞缪尔·库恩的《科学革命的结构》这本著作。据说在哈佛大学图书馆被借阅次数最多的，多年排在第一位的，就是这本著作。这本书主要讲了科学革命的范式，并且定义了范式的两个特点。
首先是解谜：存在的问题要去解决。比如说，用数据分析法能不能分析未来的趋势，这是一个谜。范式是要用来解谜的，有困惑的地方就有范式。
其次，很多人跟着你解谜：能吸引一大批坚定的拥护者。它是一个学术群体。譬如，学生写文章，都要跟随孙健敏老师的特征，这就是跟随者，很多人跟着这个方式走，就会成为范式，会成为很多人的职业，会成为很多人的思维方法。
2.范式的重要性
范式有多重要？在我看来，我们看任何世界都是假设性的范式，是假设它、验证它到底对不对。用数据驱动人力资源管理的范式是这样的公式，首先知道商业问题，然后寻找大数据解决方法，两者合到一起等于High Performance（高性能）。我有很多困惑的问题，这些问题能不能用AI的方式来解决从而达到高绩效？AI包括一些基本算法和算力，要有数据，算法要非常好，现在算法已经不是大问题了。
（1）范式1：人员分析七支柱
我看了很多有关范式的书，比如人员分析七支柱范式。我给研究生上课的时候，有一位学生问：“为什么互联网企业招人的时候，都要问看没看过三支柱的理论？”这个问题问得很好。彭老师和腾讯公司的马海刚先生一起合作写了《人力资源管理三支柱》，彭老师+马海刚先生+腾讯公司，三者的综合影响力，使得一般互联网企业都接受“三支柱”这个范式。今天我提到的这个人员分析七支柱，则是把人力资源分成不同的部分，包括劳动力规划分析、来源分析、获取/雇佣分析、入职后文化适应与参与、绩效评估发展与员工终身价值、员工关系与保留、员工健康和安全，从这七个角度去获取数据、建模、分析并得到结果。
（2）范式2：IMPACT Cycle
IMPACT Cycle范式，主要分为六个方面：一是确认问题，比如雇佣一个员工到底要花多少招聘费用；二是掌握数据，能不能搜集很多数据，算出来到底是2000元还是3000元？三是提供意义，用这么多数据分析这样的问题，最终有没有意义？四是根据调查结果和建议采取行动；五是沟通见解；六是跟踪产出，结果出来后，将算法与执行进行对比，经过几个证伪过程，结果就会对了。
（3）范式3：穿越今天，打通过去和未来
通过数据我们既能知道过去发生了什么，也能知道现在在发生什么，为什么发生？还要知道将来会发生什么？这是数据时代的三个阶段。用数据知道过去、知道当下，还要知道未来。用数据知道过去叫“信息”，用数据知道现在及其原理叫“知识”，用数据知道未来叫“智能”。企业越智能，绩效越高，企业是智慧生命的产物。
数据分析还要解决的大问题就是预测。对过去的事情，搞统计的人会有所了解，现在发生的事，70亿人，这一刻在想什么，我们可以借助大数据进行了解。有一次我去腾讯参观，那天正好是12月31日，大家都忙着发微信拜年，数据显示最多的时候同时有10多亿人在使用微信，我当时还发了一条微信，说腾讯无所不能，因为它知道这一刻这10亿多人在想什么。
因为做到了既知过去、又知现在、还知将来，我们做的政策就是可行的见解，否则就是“懵”的，就会是“绩效黑箱”。所以在“绩效黑箱”时代，企业的成功是靠机会和运气的，而在智能时代应该可以靠“因果”，人生下来能长到老，就是因果发育过程，企业还远远没到这个程度，而这正是我们想追求的。
（4）范式4：人力资源分析
上面的这张图也是在说过去、现在和未来，但是有一个特别新的部分，就是规范性分析，它比预测性分析还要走前一步，预测性分析可以知道未来怎么样，但是不敢说这么做就是对的。而规范性分析是基于未来的预测告诉你应该怎么做，怎么往前走。规范性分析是特别重要的事。
（5）范式5：水平融合与垂直融合
水平整合、垂直整合与人力资源管理概念中的纵向整合、横向整合同一个意思，纵向整合是从战略一直到人力资源系统的匹配，从竞争挑战一直到人力资源管理神经的末端；横向整合是人力资源管理每个方面的匹配，比如，人力资源管理的一个咨询项目，在组织发展、招聘、人才培训、绩效管理、薪酬等方面的匹配度。
如果了解战略人力资源的相关概念和知识，就能很容易看懂这张图。这张图表达的观点是：如果你的人力资源管理系统真正要帮企业落地战略、获得竞争优势，必须在整个系统的神经末端用数据说话，用数据驱动人力资源系统，从而帮助企业获得竞争优势。从这个层面看，我今天分享的题目就可以改成“如何用数据驱动的人力资源管理系统，帮助企业获得竞争优势”。
科学管理原理、资源理论到数据驱动，这三者应该是我们学习掌握的重点。为了更容易理解用数据驱动来获得人力资源竞争优势，我给大家提供一个附加讨论，主题是“数据分析在以结果为导向的人才发展的思维方法”，具体讨论的现象如下：
人力招聘的成本是人才薪水的3倍，一个5000人的企业，应该有多少成本。招聘完成之后，保留人才是一个关键工作。保留关键人才的成本比招聘一个人才的成本更高。开发人才有两个好处：提升能力，或让他们工作更长的时间。有多种培训方法，如电子培训平台；导师制；学校培训；自学；工作轮换；项目；参加会议；学费补贴。所有这些人才发展都会涉及到成本。据不完全统计，从全球看，人均培训成本在1200—2000美元之间，全球总培训成本在2015年达到3556亿美元，占工资总额的2%—3.5%。如何得到效率呢？培训的ROI谁能告诉我？比如今天大家听一天的课，就算不付钱，但是时间搭进去了，这个ROI是多少？没有人能说得出来，这就是个问题了。我们可以通过四级评估法（Four Level Evaluation:Level 1：Reaction; Level 2: Learning; Level 3: Behavior; Level 4: Results. ）来反映大家听课的效果。在这个基础上，又加上行为和结果，一个是Level 0，一个是培训课程的资源使用率，比如我们讲课讲到6点，1000个座位还有60%、70%的比率，这是起码的资源利用。另一个是Level 6，最佳效果，这些指标可以看出培训是不是真正在起作用，这个系统是不是真正在运转，以及运转效率是不是很高。数据驱动的人力资源就是用数据说话的。
四、新的曙光：AI时代HR的测量问题和能力要求
我们来到一个新时代，人力资源测量的问题有变化吗？人力资源经理们的能力有变化吗？结论是肯定的。AI时代、大数据时代，HR的测量肯定会出现新问题，这对我们的能力要求肯定会有挑战。
有一本经典著作《通过数据分析来竞争》，它把十年时间按数据的时代做了一个划分，指出这十年里，数据经过了四个时代，数据分析1.0、数据分析2.0、数据分析3.0、数据分析4.0。其中，1.0说的是描述型数据，比如统计多少人参加会议、多少人举手发言等。2.0是大数据时代，这时候的数据有很多，比如说腾讯公司一秒钟有10亿人在上网等。3.0是全数据，不仅关心大数据还关心不起眼的数据。4.0是人工智能时代，人力资源的分析也到了人工智能的时代，这是用机器帮我们进行数据处理的时代。
以下是我基于大数据时代问的一些问题，这些问题很多年前就应该关注，它们也是AI时代的真问题：
1.现在什么样的岗位是真正有效的？每个员工每天做计划吗？做的工作计划是正确的吗？比方说做的事情与战略的匹配度是多少？每件任务对完成总任务有多大贡献？任务完成率是多少？哪些任务没有完成？这些没有完成的任务导致执行力受多大的影响？如何把这些没有完成的任务记录下来并送进下一个任务池？如何通过数据分析发现哪些岗位是高绩效岗位？
比如百度这么大的公司，如果裁掉100个岗位，包括这个岗位上从事工作的人，它的绩效会下降吗？这不一定能够给出结果。用数据来说岗位效率是一个值得研究的问题。
2.岗位所需要的能力是什么？素质模型很重要，但提取素质是一件费时且缺乏方法论的事。能否有一种简单方法，迅速动态地提取素质要素？我为此研究过：能力是什么？能力的来源是什么？一个人的能力如何定义？我没能研究得多清楚，并且到了大数据时代，这个问题将会让我们更加困惑，因为在大数据时代能力是非常动态的。变化的速度比原来快得多，在这样的情况下岗位所需要的能力就需要我们认真思考再给出结果。
3.员工招聘问题。具体而言就是简历的困惑：一个人简历写得再好，我们也很难获得足够信息判断一个人是否是能干的，是否适合我们。如果有一个员工日常行为记录数据库（如365天的工作计划和365天的工作总结），事情就会好得多。再比如：进来之后的试用期，判断也不够；再比如员工与职位的匹配度；再比如员工的潜力预测。
这是很多企业苦恼的问题，劳动成本的提高，比如税的提高、住房费用的提高、社保提高等，导致劳动成本比原来要提高百分之几十。在这种情况下，人力资源管理的主要环节从考核和薪酬变成了招聘，招聘的效率、谁是好员工、用多少钱把员工招过来就是一个问题。
培训、绩效、薪酬等，诸如此类的问题可能都需要靠大数据来处理，所以我们的能力是要从以前的人事经理、战略合作伙伴，成长为将来的AI专家。
以上是我的分享，谢谢各位。
（文字整理/编辑 刘雪莉 张晓倩）
