-
数据科学家
如何建立一个优秀的人力资本分析（PA）团队
How to build a people analytics team
正确地组成人力资本分析团队是解决业务问题的关键所在
"数据就是新的石油"。这句话很少有人记得自己第一次听到这句话的时间和地点，但现在很多人都会自信地点头同意。
事实上，这句话可以追溯到数据科学家（也是Tesco Clubcard背后的大脑）Clive Humby，他早在2006年就创造了这句话，用来解释今天数据的不可抗拒的价值。
Humby解释说，就像石油一样，"如果未经提炼，[数据]就不能真正被使用"。也就是说，数据要想有任何价值，就必须将其分解成更简单的形式并进行分析。
在人力资源领域，这个数据提炼过程同样重要。它通常被称为 "people analytics" 人力资本分析，多年来，它导致了人力资本分析团队的诞生。
不过，虽然它已经出现了一段时间，但人力资本分析的进展却一直很缓慢。德勤发布的《2019年人力资本趋势报告》发现，尽管企业对更好的数据管理产生了浓厚的兴趣（在2017年的报告中，71%的企业将人力资本分析列为高度优先考虑的事项），但仅有26%的企业有效利用技术和分析技术。
"如果我们坐进时光机，回到10年前，我当时说的是关于人力资本分析的事情。那是因为它仍然有一个未实现的潜力，"南加州大学马歇尔商学院有效组织中心的高级研究科学家Alec Levenson说。
"典型的情况是，人们把注意力集中在眼前的数据上，而不是想出正确的问题。他们会说'一定有什么东西我们可以从这些数据中学习到'，是的，总会有一些洞察力。"他说。"但如果你只看数据，而不把它嵌入到更大的业务背景中去，问一些更大的问题，比如你想解决什么问题，那么它可能会把你带入死胡同、兔子洞和爱丽丝梦游仙境之类的冒险。"
施华洛世奇公司人力资本分析和数字人力资源总监Oliver Kasper补充说，团队过于专注于报告，而不是挖掘预测性或规范性分析的可能性。
"人力资本分析可以往两个方向发展，"他解释说。"一个方向是回顾过去，所以报告过去发生的事情。然后是展望未来的活动--这就是预测性和规范性分析。我会说只有1-2%的大公司在做第二个方向。
"而这就像在谈论蒸汽火车和电动车的区别。报告是蒸汽火车，预测性和预见性分析是电动汽车。"
那么，在数据的重要性只增不减的情况下，HR如何打造一支真正能带来业务成果的人力资本分析团队？
职权范围Remit
人力资源转型咨询公司LACE Partners的首席执行官Aaron Alburey说，首先，人力资源部门应该退一步，确定自己究竟想要从人力资本分析中得到什么，人力资源转型咨询公司LACE Partners的首席执行官说。
"这是关于理解这个职能的目的是什么，以及你一开始为什么要设置它，"他说。"在你明白你想覆盖什么以及如何覆盖之前，你无法理解你需要什么。"
在Facebook负责人力资本分析和劳动力战略的副总裁Alexis Fink看来，这个职能的目的应该有三个方面。"我试图沿着三个轴来思考这个问题。首先，沿着X轴，就是员工的生命周期。通过选拔、入职、员工态度和离职调研，从候选人库中的点点连接起来有很大的机会。她说："Y轴是分析层面--个人、团队、组织、企业，甚至超越了组织的边界，延伸到行业、劳动力市场和社区。
"最后，Z轴是关于你使用数据的方式。你是在执行流程、做报告、分析寻找模式，还是创建能够有效推荐行动方案的算法？"
Levenson认为，看待人力资本分析团队的作用有 "两种非常不同的方式"。"一种是认为它只是一个数据处理功能。如果你这样建立一个人力资源分析团队，你就不用担心业务影响或成为真正的业务合作伙伴----从字面上看，你只是一个数据处理的黑猩猩。"他说。
"但如果你的目标是获得能够帮助业务其他部分更好地运行的洞察力，你就不能只是一个数据处理者。它需要的是洞察力，而不仅仅是人力资源的洞察力，而是业务的洞察力。"
后者--专注于业务数据和问题，而不仅仅是人力资源数据和问题--是团队应该努力的方向，德勤劳动力转型实践中的人力资本分析和劳动力规划专家领导David Fineman表示同意。"高影响力的人力资本分析发生在整个组织中的合作伙伴关系中，"他说。"分析应该专注于业务挑战，因此，人力资本分析团队应该从人力资源的角度出发，但他们应该专注于实现更广泛的组织目标。"
在施华洛世奇，这意味着人力资本分析团队在零售和生产两大部门的战略目标中发挥着重要作用。在零售部门，这涉及到利用人力资本分析来提高转化率，而在生产部门，则是为产品质量和生产效率提供信息。
"这些都是我们在幕后支持的关键业务挑战，"Kasper说。"我们不是为了解决纯粹的人力资源问题而存在。"
报告线 Reporting line
随着团队被期望从更广泛的业务角度出发，他们在组织中的位置也有待商榷。根据Fineman的说法，最常见的方法是由人力资源部门内的一个专门的团队负责人力资本分析，向人力资源部门领导汇报。"通常情况下，它是独立于报告小组之外，不一定是人力资源部门的一部分，而是直接向CHRO报告。"
Levenson同意这一点："人力资本分析应该是一个卓越的中心，它可以向人力资源部门汇报，也可以向更大的分析小组汇报。"
虽然注意到这是一种远不常见的做法，但Alburey说，他曾见过一些人将业务运营和人力资源部门结合在一起创建一个团队，由人力资源部门和企业共同拥有。虽然 "这两种模式都不比其他模式好"，但他觉得共管的方式可以帮助团队更贴近业务。
"在HR内部建立团队的风险在于，他们最终只为HR出具大量报告--他们更多的是以HR为中心来看待他们想看的东西，所以像人才数据和薪酬洞察之类的东西，他们不一定清楚自己能带来什么样的业务成果，因为他们离业务有点远，"他说。"如果把业务和HR结合在一起，就更容易找到需要解决的业务问题，并把工作导向业务成果。"
架构 Structure
报告线只是其中的一部分，团队的组成也很重要。"大多数人分析团队都很小--只有几个人--因此他们的结构相当不稳定，往往会有很多不同的变化。"Fink说。
然而，在较大的团队中，应该有更多的结构，Fineman说，他将该职能分解为四个不同的子团队：报告；数据科学、洞察和分析；数据治理；平台管理。 reporting; data science, insights and analysis; data governance; and platform management
这就需要多样化的工作角色。Alburey指出，需要一名数据经理、报告撰写者和业务分析主管。然而，有一个角色他很快就被否定了，那就是数据科学家。"很少有人分析团队需要一个真正的数据科学家--你可以从业务的其他部分获得这种专业知识，"他说。"如果你是一个真正的数据科学家，你需要大量的数据来工作，而没有足够的人数据--所以你需要一个数据经理，是的，但数据科学家呢？我不这么认为。"
Levenson也有这样的感慨，他同意 "一个纯粹的数据科学家是我最不愿意雇佣的人进入人力资本分析小组的人之一"。
"外面有一种印象，认为如果你只是雇佣一个数据科学家，他们就能解决你所有的问题，但他们不会。"他说。"你会把数据科学家放在一个面向客户的角色中，与企业中的人或CHRO交谈吗？这就是要问的试金石问题。而战略人员会说'绝对不会，因为他们不知道该说什么是正确的。"
技能集Skillsets
在Levenson看来，这与技术性的、分析性的角色和技能无关，而更多的是定性的、软性的技能，比如职业心理学。
"一个数据科学家通常不了解组织科学和企业如何运作，实际上你需要良好的职业心理学，"他说，"一个数据科学家通常不了解组织科学和企业如何运作，实际上你需要良好的职业心理学。"然后，你需要团队中的商业咨询技能--知道如何卷起袖子解决问题的人。
"这就是那句老话，即需要关注因果关系而不是相关性。除非有组织科学和商业咨询，否则你不会知道该问什么正确的问题来计算出正确的数字。"
在Fink眼中，正是这种无所不能的咨询专业知识在现在的大多数团队中都是紧缺的。"通常情况下，人们的分析团队真正的功能是提供服务，他们得到的很多请求都只是捕风捉影。他们可能提供了很好的服务，但他们回答的问题并不是特别有力，也不会导致行动。她说："影响和咨询方面的专业知识对克服团队整体效率的这一障碍有很大帮助。
卡斯帕概述了团队需要的六大 "基石"：
人的技能（"比如金融知识"）；沟通技巧；咨询技巧；数据科学知识；隐私、道德和流程方面的人力资源知识；最后是工作心理学和行为科学知识。
（human skills (“like financial literacy”); communication skills; consulting skills; data science knowledge; HR knowledge in privacy, ethics and process; and, lastly, work psychology and behavioural science knowledge.）
"理想中的人都会具备这六种技能，但很多人只是具备一些，"他说。"这很好，但你确实需要团队中的这六种技能都要具备。"
寻觅人才Sourcing talent
但是，这种多样化的技能组合能在现有的人力资源专业人士中找到吗？不一定，Fineman说。"团队中的人学习领域知识很重要，但通常情况下，数据治理角色的人更多来自于IT和IT战略背景，"他说。
Fineman认为，人力资源背景对团队中的洞察力和分析角色会有帮助。鉴于这项工作涉及到作为分析团队和业务之间的接口，优秀的HRBP应该在这里茁壮成长。"这就是有趣的地方，因为团队中的洞察力和分析小组可能是HRBP职业道路上的一个台阶。"他说。
"他们的工作是既要把业务挑战的信息带进来，解决业务挑战，又要在另一边解释分析的结果。"
"这些同事是劳动力分析团队的眼睛和耳朵；他们可以利用自己的业务知识来识别业务挑战和项目，"劳埃德银行集团的人员洞察总监Andy Papworth同意这一点。
Fink指出，她所工作过的团队里有很多背景和专业知识，甚至超越了人力资源和IT领域。"她说："一般来说，团队的核心成员都是研究生级别的工业和组织心理学家，也有其他社会科学背景的人，如认知、社会、教育和发展心理学、人类学、经济学或政府；有MBA和咨询背景的人，还有物理、化学、数学、工程、甚至地质学等硬科学背景的人。
"我见过真正有效的人来自于律师助理，或教书育人......或人力资源部门的一般角色。"
Fink告诫说，不要把人力资本分析团队建设成硬性的、快速的规则。"就像育儿一样，没有一个正确的方法来处理人力资本分析工作。我的团队的结构和章程反映了我当时所服务的组织的规模、复杂性、优先级、挑战和文化。"她说。
"人力资本分析工作的乐趣和令人兴奋的部分在于，它不是一刀切的。"
作者：Rachel Sharp 这篇文章刊登在2019年10月的《人力资源科技增刊》上。
以上由现金的AI翻译完成，HRTechChina发布仅供参考。
-
数据科学家
如何利用技术弥合数据科学人才差距
文/ Sushman Biswas
数据科学家继续成为跨行业组织的难以招聘的雇员。以下是自动化机器学习如何帮助组织克服数据技能短缺并推动业务增长。
随着数字技术不断产生越来越多的数据，组织面临着释放数据价值的挑战。考虑一下:我们当前每天的数据输出大约是2.5千万亿字节或2.5艾字节/天，这可以与人类所说的所有单词的一半进行比较!
难怪数据科学家的需求处于历史最高水平。根据LinkedIn最近的一份报告，仅在美国，组织就面临着数据科学家的大量短缺，超过151,000个数据科学家的工作空缺。急剧的技能差距和更长的填充时间会给企业造成巨大的损失，并阻碍数据分析的部署。
在人工智能（AI）和机器学习等技术对业务成功至关重要的时代，数据分析的价值从未如此强大。
“这场比赛现在正在提升人才。很长一段时间，我们谈到了成为数据驱动以获取竞争优势的必要性。现在，组织在算法经济中竞争。市场领先的组织已经开始利用当前的AI知识差距作为改变游戏规则的能力。今天我们在市场上看到了简单的AI工具，但在理解AI用例，正确准备机器学习数据以及负责任地使用这项技术方面仍然存在巨大的知识差距。技术障碍减少了，但教育障碍却没有。为了向企业提供可持续的、合乎道德的、值得信赖的人工智能，组织确实需要一个人工智能战略来解决优先使用案例，技术架构考虑因素以及道德标准和审核，“高级总监Jen Underwood说道。
公司如何克服数据科学家的短缺？
为了克服这个问题，组织正在转向自动化机器学习（AutoML），以使非数据科学家能够构建更准确的预测模型，并释放稀缺的数据科学人才，专注于更多关键业务计划。
AutoML将传统方法转变为机器学习和数据科学。它使非数据科学家能够理解数据并实现业务目标。AutoML通过对原始数据运行系统处理并选择从数据中提取最相关信息的模型，在现实世界中构建和使用机器学习模型。它还结合了机器学习最佳实践，使整个组织的数据科学更易于访问。
“自动化机器学习并不能取代数据科学家，”Jen说。“它可以将AI的交付范围扩展到组织中更多数据精通的人才。数据科学家时间是一种珍贵，昂贵的商品。一位全球顶级零售商的高管表示最好：“公司不需要他们的数据科学团队擅长数据科学理论; 他们需要他们“无情地实践价值”。
“通过自动执行耗时且重复的任务，数据科学家可以花费更多时间来解决问题，并为业务提供更多价值。“自动化优先”理念提高了工作满意度，保留了顶尖人才，同时使公民数据科学家能够轻松开始使用数据科学项目。“
自动化机器学习使各行各业的组织能够释放机器学习和人工智能的力量，以前只限于拥有大量资源的组织。
部署自动机器学习的数据要求
提出最重要的问题 - 在组织内部署自动化机器学习平台的数据要求是什么？
“与商业智能中使用的第三范式交易或维度模式不同，机器学习需要将数据输入作为行和列的'展平'表，视图或逗号分隔（.csv）平面文件。您的视图需要包含结果指标，目标变量以及输入预测变量。机器学习算法假设每条记录都是独立的，与其他记录无关，“Jen说。“应该在分析粒度级别收集准备好的数据，以便您做出决策。如果将结果合并到现有业务流程或应用程序中，请选择可操作，可理解且有用的粒度。例如，如果您想要进行每日销售预测，则需要输入日期级别的数据，而不是周，月或年。“
大多数组织已经捕获并存储了这些数据。使用像DataRobot这样的平台，企业可以积极利用数据科学自动化来增强和利用他们最需要的人才。
这对人力资源意味着什么？
显然，对数据科学家的需求不会很快降低，但是，通过部署AutoML平台，人力资源可以节省宝贵的时间，以填补入门级数据科学职位，更好地利用组织内现有的数据科学人才。除此之外，随着AI成为人力资源的一个组成部分，AutoML可以使HR功能变得更加独立和数据驱动。
以上为AI翻译，内容仅供参考
原文链接：How to Bridge the Data Science Talent Gap with Technology
扫一扫 加微信
hrtechchina
