【沃顿商学院学习笔记】商业分析——People Analytics:15 人才分析 Talent Analytics

商业进阶——人力分析

本章从人才分析的四个维度进行了学习。

什么是“人才分析”? What is “talent analytics”?

对于人才分析的定义有许多不同的观点/定义:
现今的定义是人才评估和发展。最主要是用来确定能力差异。如果用发展的角度来看,人才分析就是使每个人的能力最大化。同时其定义比绩效评估更深入,基本上是对员工评估。

激励案例:升职
通常至关重要的是公司的健康。但存在众多候选人且可能带来模糊不清的举动,如何做到这一点呢?
我们对于人才分析采用以下的四个方面进行

  1. 背景分析 Context
  2. 团队的力量(相互依存关系) Interdependence
  3. 自我实现 Self-fulfilling Prophecies
  4. 反向因果关系 Reverse Causality
    同时我们还会专题研究人才分析相关的测试和算法及解决方案。

人才分析的挑战
当然也存在一些挑战,主要为以下三点:
1.数据很好。 通常,许多数据更好。 但它们也可能会产生误导。
2.如果您正在进行人才分析,您将会处理各种数字 - 绩效评估,考试成绩,360反馈,销售数据,员工士气等。
3.但在您从这些数字中得出推论之前,应对一些挑战至关重要。

#1 背景分析 Context

1.我们在评估绩效时倾向于忽视背景

  • 对个人特征(个性,技能等)的过度属性表现…
  • …对于该人所处的情况的属性不足(轻松与困难的任务,有益的与有害的同事,有利于与不利的经济等)

2.“基本归因错误”。
3.华尔街甚至有一种说法(试图)抵消这种说法:“不要混淆大脑和牛市。”

关键问题:确定每种情况的预期绩效。 请记住,我们在性能评估模块中做到了这一点。如下图所示案例一,并不能每次都能评估那么精准。
在这里插入图片描述
案例二:
如果我们不能更全面的了解数据,那么做出的决策可能是偏颇的。
在这里插入图片描述
因此,在使用数据比较员工时,您必须找到将其置于公平竞争环境中的方法。同时在团队,产品,行业,经济,老板等的推动下,考虑与预期相关的绩效。

#2 团队的力量(相互依存关系) Interdependence

•我们工作的好坏取决于其他人。
•最近与Google高管的对话:
“[皱眉]当人们过分强调个人贡献时,这让我很生气。 几乎
我们所做的一切都与其他人有关。 如果M____离开,
或者B____,我放弃了。 我无法完成我的工作!“

案例一:
组织和股票分析师
研究了从1988年到1996年在美国78家美国投资银行工作的1,052位明星股票分析师。一位明星被定义为“机构投资者”杂志在这九年中任何一家中被评为业内最佳行业之一的任何分析师。

案例二:
当一个明星签下自由球员时
第一年的表现平均下降了46%,比明星任期平均下降了20%。 即使五年后它也不会再回到原来的水平。 这位明星是否会失去情报并忘记一夜之间的经验教训,而不是获得回报?

可以说:
1.对于员工分析,意味着绩效评估通常最好在集团层面进行。
2.可靠的个人评估通常需要与多个团队一起观看。
3.旨在评估对团队绩效贡献的新的和改进的绩效指标正在进行中。例如,网络分析。

#3 自我实现 Self-fulfilling Prophecies

设计了一个实验:

  1. 人们倾向于表现与预期一致。 高期望会提高绩效,降低预期。
  • 可能会发生的原因因为我们根据自己的期望对待它们的方式不同。 例如,教室里的老师。
  • 也可能因为我们的期望从字面上改变他们的行为。
  1. 实验程序(n = 96)
  • 封面故事:研究不包括非语言交流的初始互动(例如,电话交谈)
  • 第一阶段:创建匿名男女配对 - 第二阶段:10分钟电话交谈 - 第三阶段:由独立评委评估谈话的每一方(不知道假设和操纵)
  1. 操纵:女性照片分发给男性
    主题
  • 男性主题的一半:一张有吸引力的照片
  • 男性主题的1/2:一张没有吸引力的照片
  • 女性受试者未收到照片。
    (注:研究复制角色颠倒)
  1. 实验设计流程如下:
    在这里插入图片描述
  2. 得到结论如下:
    我们的期望会将影响他人的行为和评价。
    独立判断结果是
    从评价友善度来看,M1> M2;
    从评价吸引力来看,F1> F2。

通过上述实验我们可以知道,存在马太效应。
由社会学家Robert Merton(1968)创造:
•“富人越来越穷,穷人越来越穷”
•早期优势经常积累

  • 消费品
  • 教育
  • 职业
    •经验和认可很重要,有经验和认可
    随着时间的推移,早期优势将越来越大。

因此我们可以自问:
•您的期望可能会影响他人的行为? 或者你对他们行为的评价?
•您可以采取哪些措施来保护评估流程不受这些期望的影响?
•您如何确保平等获取有价值的资源?

#4 反向因果关系 Reverse Causality

当我们看到两个相关因素时,我们倾向于认为一个引起了另一个因素。 特别是当有一个直观的方向时。例如,有魅力的领导者更成功吗?

Agle等人,管理学院(2006年),纵向小组研究了128位CEO的魅力和成功经验发现:

  • 魅力十足的CEO们未来没有更多的成功…
  • …但成功的首席执行官被认为更具魅力!

我们被驱使去理解我们生活的世界,所以我们从我们观察到的东西中建立因果故事。 但是,这导致我们看到不存在的东西,这可能导致人们失去信誉,或者责备他们不配。

招聘:测试和算法及解决方案 Talent Analytics: Tests & Algorithms & Prescriptions

对于招聘过程,我们使用测试和算法来进行
•优点

  • 加工效率
  • 更广泛的搜索
  • 不偏不倚

•缺点

  • 超集中
  • 解释力低

•解决方案

  • 相对科学的在相关设置中进行严格测试。
  • 提供人员监督的编程,测试,错误检查。
  • 使用多种工具,尽可能多地利用各种信号。

解决方案案例分析

Px#1:扩大样本
•Ala良好的性能评估,扩展源/信号。

  • 补充意见
  • 其他绩效指标
  • 其他项目,任务
  • 记住:来自最多样化的来源!
    •第二次机会。和三分之一。
  • 例如,新员工的老板会产生巨大的影响,但完全不受他/她的控制。

Px#2:查找/创建外生变异
•梳理因果关系的唯一真正有效的方法是操纵员工的环境。
•权衡:您仍然需要经营业务!
•但是能够而且应该愿意牺牲一点运营效率来更深入地了解员工的能力。
•这是轮岗计划的主要动机。

  • 各种各样的环境,人
  • 预先承诺在预设时间更改,通常采用预设模式。
  • 几乎是一个实验,这是黄金标准。
    •较小版本:变更团队,直接下属,项目,办公室。

Px#3:与信号成比例的奖励
•将奖励的持续时间和复杂性与过去成就的持续时间和复杂性相匹配。
•对于简短,嘈杂的信号,最好是奖励而不是加薪,赞扬而不是促销。

  • 注1:大多数信号都很嘈杂,我们很容易低估噪音。
    •建议我们在人才管理方面通常过度反应
  • 注2:当然你也必须留住人才,因此必须考虑外部劳动力市场。
    •但准确评估员工应该是一个优势
    •绘制重要的区别,并给予重大奖励,只应遵循主要信号。
  • 例如,咨询/律师事务所的合作伙伴关系通常涉及多年,全面的合作伙伴关系。
  • 例如,学术任期实际上是不可撤销的,因此只有相对较少且仅在5-10 +年的表现后才能获得。
    •2001年,成为GE 20年来第一位新CEO
  • 杰夫伊梅尔特,吉姆麦克纳尼和鲍勃纳德利之间的三方“比赛”。
  • 每个人都经营自己的主要部门
  • 一年的过程
    •麦克纳尼开玩笑说[与韦尔奇]关于没有重新计票,但补充说,“我想让你知道我想要这份工作,但我也想告诉你我认为这个过程是公平的。”

Px#4:强调发展
•人才分析并非完全与选择有关。
•即使在以风险投资为导向的领域,企业也会花费大量资源在其投资组合公司内部开发人员。
•测试和评估至少与选择工具等开发工具一样重要。而且更可口。

Px#5:提出关键问题
•我们比较“苹果与苹果”吗?即,我们是否对上下文进行了充分调整?
•其他人对这个人的工作有什么影响?这些措施是如何相互依存的?
•期望如何影响我们的评估?成功和失败在多大程度上受到我们对待人们的方式的影响,我们将这些情况置于其中?
•我们认为导致成功(和失败)的因素是真正的因果关系吗?

带来的组织挑战 Organizational Challenge

•声明:有效的人员分析更多地是组织挑战,而不是分析挑战。
•从这个流程开始,许多处方,但一个主导的主题:“没有黑盒子”。 主题:没有“黑匣子”!
•具体处方:

  • 1.确保透明度 Be transparent
  • 2.保持自我 Embed yourself
  • 3.分享控制权 Share control

#1 确保透明度 Be transparent

透明度是“程序公平”的关键要素,是表现最佳的组织与众不同的重要方式。

#2 融入环境 Embed yourself

人们更容易受到他们喜欢的人的影响,喜欢的基本驱动因素是相似性。
解决方案:查找和/或创建相似性来源。
如果人们不相信你,他们就不会听你的。他们可能表现得像是在倾听你的声音,但事实并非如此。首先,你必须建立这种信任。一种方法是真正了解他们做了什么,并且要做到这一点,你必须自己将自己融入这个环境。在他们附近工作,和他们一起出去。了解他们的日常工作,了解他们面临的挑战。这就是我们大部分时间都在担心的事情。

#3 分享控制权 Share control

一个现象:算法厌恶的研究结果表明:
•在广泛的任务中,人们更喜欢人类判断和算法判断。即使算法更好,也是如此。一个主要原因是,人们对错误的理解远远超过算法。但是,当人们有一些输入时,即使输入很小,人们也更容忍算法判断。

选择模型的参与者百分比
在这里插入图片描述
例如,当地的研究生招生办公室
进行融合专家和分析研究
1)专家评估每个申请人
2)决策模型处理这些评估以推荐最佳类
3)专家审查并修改这些建议

上课心得

本章从人才分析的角度出发,我们学习了四个方面的分析维度知识:背景分析 Context、团队的力量(相互依存关系) Interdependence、自我实现 Self-fulfilling Prophecies和反向因果关系 Reverse Causality。同时还对人才招聘过程中的分析进行了测试和算法及解决方案的研究。最后还对组织可能的挑战进行了三个维度的分析:确保透明度、融入环境及分享控制权。

发布了198 篇原创文章 · 获赞 180 · 访问量 43万+
展开阅读全文

没有更多推荐了,返回首页

©️2019 CSDN 皮肤主题: Age of Ai 设计师: meimeiellie

分享到微信朋友圈

×

扫一扫,手机浏览