大咖分析SAP为什么剥离体验管理软件公司Qualtrics单独上市先看新闻：SAP计划将体验管理软件公司Qualtrics分拆在美国上市
我们一起来看看Josh Bersin的评论：
周日7月24日，市值近2000亿美元的SAP决定分拆80亿美元收购Qualtrics，而这一切发生在不到两年前。为什么呢，下面就来看看是怎么回事。
首先，在SAP的主导下，Qualtrics像火箭一样成长。First, under SAP’s ownership, Qualtrics has been growing like a rocket.
如今，SAP遍布全球的销售团队都在销售Qualtrics，并将其嵌入到交易中，该产品几乎已经被整合到所有SAP产品中（SuccessFactors HXM就是围绕Qualtrics技术打造的）。因此，该产品线继续以每年超过34%的速度增长，在第二季度创造了1.68亿美元的收入。如果你看看具有这种轨迹的上市公司（考虑ServiceNow，比尔-麦克德莫特现在领导的公司），它们的交易价格可以达到20倍的销售额。这意味着Qualtrics的IPO价值可能高达200亿美元，大约是SAP在2018年底支付的2.5倍。
其次，体验平台的市场是爆炸性的。Second, the market for Experience Platforms is explosive.
疫情引起的最大构造性转变之一是企业软件向体验型系统的大规模转变。虽然每个公司都需要一个ERP平台，但这些系统在某种程度上是一种商品。(是的Workday很酷，但SAP也很酷，甲骨文也不差。)大动作在于客户和员工用来购买、互动、沟通和提供反馈的 "参与系统"。ServiceNow是ERP供应商的新星，现在的交易价格是盈利的128倍，我认为该公司几乎没有开始发挥其潜力。Qualtrics将成为该市场的宠儿。
顺便说一句，SAP刚刚宣布了稳健的盈利（云计算收入增长21%），而且现在还把与ERP分开的 "体验平台 "的收入分了出来（SuccessFactors现在是员工体验平台）。
第三，现在新兴的员工体验（EX）平台领域正在兴起。Third, the emerging space for Employee Experience (EX) platforms is now emerging.
虽然这些平台大多是为了帮助企业了解、支持和服务客户，但 "大流行 "让CEO和CHRO看到了更大的机会是服务员工。正如我们的 "大重置计划 "600多家公司告诉我们的那样，现在每个企业都在为员工提供新品种的协作、沟通、反馈和学习工具。而且取得了巨大的成功。Qualtrics正处于这个市场的中间位置。
想想看，员工对证明、移动健康、签到和其他健康相关应用的巨大新需求。企业需要一个平台来部署这些类型的工具，EX平台就显得更加重要。(Qualtrics、Medallia、ServiceNow都在快速跳入这个领域。)Qualtrics现在开箱即提供远程工作、预检和路由、回到工作。
第四，在EX领域，Qualtrics的竞争对手比你想象的要少。Fourth, in the EX space, Qualtrics has less competition than you think.
虽然有很多几十家公司在销售调查工具、聊天机器人和其他员工体验平台，但Qualtrics目前唯一大的端到端竞争对手是另一家快速发展的上市公司Medallia。我一直在采访一组Medallia的客户，这些公司使用Medallia进行客户互动管理、众包、与客户进行视频和文字互动，以及各种客户互动的 "行动平台"。这基本上也是每个公司对员工的要求。
考虑到像美国银行这样的公司，由于其所有的分行员工都开始在家工作，该公司经历了一场惊心动魄的转型。在这些员工改变角色的过程中，公司如何掌握员工的学习需求、健康和家庭需求，并不断传达培训、新闻、新政策以及福利和其他支持？他们需要 "体验平台 "来做到这一点--该银行在所有的客户应用中都使用了Medallia，现在也计划为员工使用。
如果你把Qualtrics和Medallia进行比较，你会看到完全不同的历史。Medallia是在客户体验(CX)领域成长起来的，并建立了一套丰富的应用程序，帮助企业与客户沟通、调查和倾听客户反馈。Qualtrics成立之初是作为帮助研究人员建立复杂调查的工具，并围绕传统调查功能开发平台。现在两者都在朝着对方的方向发展，所以我预计Qualtrics上市后会有一场非常健康的交火。Medallia的客户数量在去年增长了40%，收入增长了28%）。
这是SAP的一招妙棋。该公司不仅收回了所有的原始投资和更多的投资，SAP现在将拥有企业技术市场中增长最快的领域之一--"体验平台 "领域的多数所有权。而比尔-麦克德莫特看起来比以往任何时候都要聪明。
是的，有些人认为该公司两年前可能为Qualtrics支付了太多的费用，但现在看起来却很划算。
观点
2020年07月30日
观点
一部 "未来工作 "的近代史
围绕着 "未来工作 "的话题有着深厚的渊源。当它发展到一定程度时，很显然，它最终是一个系统设计问题。
The conversation around "the future of work" has deep roots. As it reaches a head, it is clear that it is ultimately a systems design issue.
COVID-19的影响引起了一场关于不断变化的工作世界以及20世纪提供经济和社会稳定的许多机会永远失去立足之地的前景的激烈而广泛的讨论。这个讨论的核心是技术对经济的影响，特别是对劳动力市场的影响，因为机器正越来越多地接管人类的认知任务。
甚至在大流行之前，就有一场对话开始在这个领域形成。例如，牛津大学的研究人员在2013年的一项研究中提出，美国多达47%的工作岗位面临着 "计算机化 "的风险。最近，世界经济论坛的《就业的未来》报告，估计到2020年，将有500万个工作岗位因自动化而流失，而且这个数字还将不断增加。
与此同时，在对日益分化的社会日益担忧的同时，经济不平等的问题也越来越受到关注。尽管人们对赢家/输家、数字富人/穷人、高技能成就者/低技能生存者的构成有不同的描述，但人们的关注点都集中在白领和蓝领的工作岗位都在消失，美国经济的中间环节正在被稳定地划分出来。
这些关注并非没有重要的先例。英国经济学家约翰-梅纳德-凯恩斯在20世纪30年代创造了 "技术性失业 "一词，用来描述省力机器对工人的取代，以及一个更多闲暇的新时代的到来。20世纪90年代，经济学家谢尔文-罗森和罗伯特-弗兰克预言，全球化和技术可以创造 "超级明星 "或 "赢家通吃 "的劳动力市场。
在1995年出版的《工作的终结》一书中，杰里米-里夫金警告说，历史的新阶段--在高科技革命的冲击下，工作岗位稳步而不可避免地减少。复杂的计算机、机器人、电信和其他技术将使人类在从制造业、零售业、金融服务业到交通、农业和政府等大多数行业中重获新生。里夫金认为，工作的未来在信息精英和越来越多的永久流离失所的工人之间出现了两极分化，他们在日益自动化的世界中几乎没有前景。
当前讨论的基调变得更加迫切，因为评论家们看到，这种转型的影响既不小，也不短暂。然而，随着越来越多的人加入新的工作世界，并倡导在这一混乱时期保障收入和社会意义的政策和保护，讨论也变得更加充满希望。越来越多的人认为，不平等、持续的就业不足和机会分配不均等问题是错误选择的结果，因此，通过更好的决策可以避免走向灾难性的结局。
当经济衰退后的经济开始稳定时，经济学家泰勒-考恩描述了一个被技术劈成两半的世界。在他2013年出版的《平均已过》一书中，考恩预测，在这个国家里，成功在很大程度上局限于一小批高成就者，而其他所有人都会陷入一个期望值较低、机会减少的领域。"我们将从一个建立在每个人都得到还算不错的生活水平的幌子上的社会，转变为一个人们比现在更需要自力更生的社会。" 在他的讲述中，成功的劳动者将是那些最能适应机器驱动的世界，提供与技术相辅相成的技能的人。考恩只是在这个问题上众多声音中的一个。值得注意的是，西北大学的经济学家罗伯特-戈登和纽约大学的迈克尔-斯彭斯以及前财政部长劳伦斯-萨默斯也描述了不平等、停滞和两极分化对经济的破坏。
在这个问题上最有影响力的是麻省理工学院教授Erik Brynjolfsson和Andy McAfee，他们提出了一个略微乐观的假说--即全球经济正处于一个由智能机器和人类工作的新机会所驱动的剧烈增长期的边缘。在他们2014年出版的《第二个机器时代》（主要是他们2012年电子书《与机器赛跑》的重现）中，布林乔夫森和麦卡菲坚决反对智能机器将使人类劳动降至无关紧要的立场，而是提出了技术的恩惠将带来新的工作种类的观点。反过来，他们认为新的技能将受到重视--人类将有机会发挥自己的创造力、同理心和解决问题的能力，代替执行重复性的体力或事务性任务。虽然他们并没有预见一个轻松的过渡，但他们主张以改变教育体系的形式创造一个滑行通道，从工业时代强调的数学和阅读转向更广泛的人际和智力技能，使人们能够与机器一起优雅地工作。
尽管如此，Brynjolfsson和McAfee很难否定技术失业的威胁，并提供了技术变革所造成的三个重叠的赢家和输家的分类。
1）高技术工人与低技术工人；
2）超级明星与其他所有人；
3）资本与劳动力。
他们认为，一类中的赢家更有可能在其他两类中也成为赢家，这集中体现了以技能为导向的技术变革的效果，增加了对高技能劳动力的需求，同时减少或消除了对低技能劳动力的需求。他们--还有其他人--认为，这种对工作的彻底重塑需要新的政策来保护弱势群体，同时分配新时代的收益。
他们提醒说： "错误的干预措施会伤害全世界数百万人的经济前景，让他们在与机器的竞争中败下阵来，而正确的干预措施则会给他们提供最好的机会，让他们在技术加速发展的过程中跟上时代的步伐。"
理查德-苏斯金德（Richard Susskind）和丹尼尔-苏斯金德（Daniel Susskind）同样预测，在这个世界上，传统的职业类别将很快过时。他们在2016年出版的《职业的未来》一书中设想，对传统就业类别和传统专业工人的需求将毫不含糊地下降。但是，他们认为，新的和新兴的角色将提供提供良好工作的潜力，特别是借鉴创造力和工艺、高级推理和同理心等技能。
与Brynjolfsson和McAfee的工作并行的是，未来学家Martin Ford反对技术在创造新机会的同时取代旧工作的观点。他认为，技术现在甚至威胁到了受过最多教育、技能最强的人的工作，而那些看似需要人类特有的细微差别或感觉能力的任务，却越来越多地被分配给算法。展望像YouTube和Instagram这样的公司，它们拥有 "微小的劳动力和巨大的估值和收入"，他说，新的工作 "很少，如果有的话，是高度劳动密集型的"。在最近的一篇文章中，他进一步阐述了。"未来的创新 无论其多么引人注目和基础广泛 都不太可能创造出那么多的工作岗位 而它们所创造的工作岗位很可能需要超出普通工人能力的技能和教育" 福特反而主张对经济政策进行更广泛的改革，比如保证最低收入--这是许多人一直倡导的立场--这有助于将创新转化为所有人的繁荣。
然而，福特对政策杠杆的希望并非所有人都认同。例如，学术型企业家维维克-瓦德瓦（Vivek Wadhwa）就不认为政府能像工业时代那样，在创造普遍就业机会方面有所作为。"他们几乎跟不上技术的进步，更不用说制定就业的经济政策了。" 他认为，随着工资性机会的枯竭，技术导致商品价格下降，充分就业的目标可能与现实脱节。"我们可能不需要所有的人都工作。肯定有可能因此出现社会动荡；但我们也可以创造出我们一直梦想的乌托邦未来，让大部分人类专注于创造和启蒙。" 瓦德瓦远不是一个人在想象未来劳动力市场的乌托邦层面。毕竟，机器人可能意味着苦力工作的终结--可以自由地从事更有创造力、情感或意义的追求。包括彼得-弗拉斯（Peter Frase）和本杰明-亨尼科特（Benjamin Hunnicutt）在内的一小部分作家和学者（被称为 "后工作主义者"）欢迎我们所熟知的劳动的终结，以及摆脱为工作而工作的转变。然而，包括Brynjolfsson和McAfee在内的其他人则对拥抱无工作的未来持谨慎态度，他们强调就业的重要性（如果不是那么有形的好处），如个人意义和价值。
一些理论家也指出，未来的工作如何与美国机会和经济活动的地理变化以及日益增长的区域专业化联系在一起。理查德-弗罗里达认为，"经济格局正在围绕着两种中心--知识和思想的中心，以及能源生产的集群进行重塑"。他说，在这些都市区之外，经济依然疲软，前景渺茫。虽然这些中心是创造就业和创新的动态中心，但它们也具有集中财富和机会的效果。"随着这些高学历人群集群的形成和发展，它们往往会把中产阶级推出去，导致人和地方的无情排序。尽管其潜力巨大，但这种新的经济格局也因其裂缝不断扩大而引人注目。"
平台经济 The platform economy
对许多美国人来说，就业不再遵循20世纪较长一段时间以来的惯例，即在一家公司从事工资性工作，以工资和福利换取固定任务。取而代之的是，近年来，越来越多的人参与到各种被称为 "gig"、"1099"、"on-demand "或 "平台型经济 "的工作中。根据软件公司Intuit在2010年进行的一项研究，到2020年，美国劳动力中超过40%的人将成为所谓的临时工。这就是6000多万人。近年来出现了一些自由职业者市场，包括UpWork、Guru和HourlyNerd等，它们以每个项目为基础，为各种规模的企业匹配擅长写作、设计、会计、法律、商业和代码等技能的高技能服务人员。这些平台对客户和供应商都有好处--前者可以获得内部没有的资源，后者则是主要或补充收入来源。2013年，在已经合并为Upwork的Elance和Odesk上，有200万家企业寻求服务，涉及2500种技能，800万注册自由职业者，他们在2013年完成了7.5亿美元的工作项目。合并后的平台预计今年的自由职业者年账单金额将达到9.3亿美元。在其800万自由职业者中，有四分之一的人在美国，他们的年收入达到1.798亿美元，占全球总收入的19%。而根据自由职业者联盟2015年的调查，完全有三分之一的在职美国人在过去一年里做过自由职业者。根据全球企业中心最近的一项调查，平台公司的总市值为4.3万亿美元，就业群体中至少有130万名直接雇员和数百万名其他间接雇员。
平台中介工作的扩张促使人们围绕着对经济、劳动力和政策的影响展开了越来越多的讨论。平台工作在很大程度上被视为向 "gig""contingent "或 "1099经济 "转变的一部分，引起了两极化的反应。马丁-肯尼和约翰-泽斯曼认为，用于描述这一现象的标签很重要，因为它们 "影响了我们如何研究、使用和监管这些数字平台"。有些人吹捧给工人带来的新自由和灵活性，以及获取原本未使用的人力资本的新机会。有些人甚至认为，基于平台的工作可以提供非经济性的奖励，例如增加自主性和创业活动，以代替明显的经济利益。例如，麦肯锡就持乐观态度：2015年的一份报告提出，劳务平台可以将非活跃劳动力吸引到劳动力队伍中，提高生产力，并提高GDP。另一些人则对传统的劳动-雇主义务的下降、安全网的崩溃感到惋惜，并认为平台型工作的蔓延是日益增长的前卫阶层和全球劳动标准竞赛的症状。例如，国家就业法项目认为，这些公司和其他公司所使用的技术拥有巨大的潜力，可以使企业和工人受益，但有必要维护劳动标准，以确保工人不会承担过多的风险负担。
此外，还有这个劳动力的规模问题--这个问题已经引起了越来越多的关注，这在很大程度上是由于对替代性工作安排的劳动者进行分类的困难。1995年，BLS首次发布了 "临时工作调查"（CWS），首次对 "临时工作 "和 "替代性就业安排 "进行了分析。虽然该局在2005年之前定期发布对这一经济部门的分析，但该机构失去了这样做的资金。不过，BLS宣布将每两年重新发布该补充报告。
美国国家经济研究局的研究助理、经济学家劳伦斯-F-卡茨（Lawrence F. Katz）和艾伦-B-克鲁格（Alan B. Krueger）正在努力填补这一空白，并在他们的工作中加入了 "使用在线中介的工人 "这一新的劳动力类别。虽然与传统的临时工和替代性就业相比，经济的 "Uber化 "实际上是相当小的，但Katz和Krueger指出，在线中介机构正在以显著的速度增长。
这些就业性质的重大转变，促使人们努力重新思考工人的分类方式。克鲁格和前劳动部副部长塞斯-哈里斯提议设立一个新的 "独立工人 "称号。这些工人将没有资格获得加班费或失业保险。但他们将拥有组织的权利，而他们的雇主，无论是线上还是线下，都将代扣税款，缴纳工资税。
经济的平台化不仅引发了围绕劳动的讨论，也引发了围绕平台本身差异化的讨论。Kenney和Zysman曾提出，一个统一的特征是，平台型公司的优势往往 "在于平台公司采取的做法与成熟公司运营规则之间的套利，而这些规则旨在保护客户、社区、工人和市场"。在承认平台的经济意义日益增强的同时，他们也承认，对于劳务平台化的近期和长期影响，问题多于答案。"平台经济以及它所预示的重组，是否会催化经济增长和新一代企业家所推动的生产力激增？还是说，算法驱动的重组会将实质上所有的收益集中在搭建平台的人手中？它是否会引发一波创业的可能性，是否会释放出想象不到的创造力，是否会将工人从压抑的工作时间表中解放出来，还是会让那些试图通过打零工和临时合同谋生的无主工人雪崩？如果我们不审视这些技术轨迹，我们就有可能成为其结果的不知不觉的受害者。"
平台也一直是监管争议的中心。除了垄断和税收方面的担忧外，围绕着平台对工人进行分类的方式对工资和福利产生不利影响的问题，也引发了一场风暴。
众多评论家都强调，目前围绕劳动者不安全的问题并非技术所固有，而是由于设计和管理决策不当造成的。而因此，通过设计干预是可以纠正方向的。例如，蒂姆-奥莱利，就曾说过。"技术正在摧毁工作岗位，但这只是因为我们告诉它这样做。我们告诉它，人是一种成本。我们告诉它，人应该从系统中被淘汰。有一系列的选择，而我们实际上已经在我们的经济中建立了激励机制来鼓励这些选择。" 他认为，取而代之的是，技术可以用来增强人类的劳动，让人们做以前不可能做的事情。"我们必须停止担心 "工作"，开始关注如何利用这一代技术，让人们能够做一些在20世纪无法想象的事情。"
对新工作的新保护New protections for new work
向自动化和平台化工作的普遍转变，也引发了围绕如何在这个快速变化且基本未知的环境中保护工人的激烈讨论。关于技术进步如何影响普通劳动者的生活和生计的讨论，凸显了一种深深的矛盾。有些人赞美灵活性、流动性和协作性的提高带来的好处，而另一些人则认为，这种转变代表着对来之不易的权利的侵犯，高度自力更生和自主性的语言是脆弱性的代码。
最近，这些批评引发了为数字劳动者建立保护措施的兴趣。Trebor Scholz问道，在数字时代，劳工团结的可能性是什么，并认为对劳工平台的分析往往关注商业增长和监管问题，而忽略了工人的体验。"在硅谷和全国各地的商学院大厅里，关于这些市场在位者的讨论集中在他们的收入来源和对监管的抵抗力上，但每天起床上网上班的工人却是这些讨论的盲点。" 不过，Scholz提出的理由是，不稳定并不是新经济下劳动的必然结果，平台合作社可以提供需要的保障。"工人拥有的合作社可以设计自己的基于应用的平台，培养真正的点对点提供服务和事物的方式，并向新的平台资本家说出真相。"
自由职业者联盟的萨拉-霍洛维茨主张将利益与工作脱钩，非营利组织Peers声称要让工人更容易找到、比较和管理共享经济中的工作，从而使共享经济成为更好的工作机会。
针对连接工人和家政工作的平台增多，全国家政工人工会发布了《好工作守则》，这是一套定义数字劳动者 "好工作 "的八项原则，如宜居的工资、安全、稳定和晋升机会等。而Care.com和全国家政工人联盟合作的 "公平关怀承诺"，则要求各个家政雇主承诺支付生活工资，提供带薪休假，并承诺遵守基本标准。
技能Skills
随着劳动力市场形态的变化，人们越来越关注技能问题，即工人需要什么能力才能在未来的市场上取得成功。面对快速的自动化，即使是那些在精英高等教育机构接受过教育的人也陷入了困境，被认为缺乏找到或保持一份好工作所需的能力。与此相伴的是人们对国家 "技能差距 "的广泛关注--即中级技能方面的差距--这一观点的前提是失业/未就业者与私营部门未完成的角色之间的潜在错位。然而，关于技能差距的说法引起了相当大的争论----无论是关于如何最好地解决这个问题，还是关于它是否首先存在。有些人说，用于支持技能差距的数据缺乏可信度，因此，专家和政策制定者正在延续一个神话，而这个神话经常给工人本身增加负担。纽约时报》专栏作家保罗-克鲁格曼举例说，技能差距完全是一个 "神话"，它转移了人们对就业增长和失业等真正问题的关注。他指出，"最关键的一点是，各种教育水平的工人失业率仍然比金融危机前高得多......如果雇主真的对某些技能呼之欲出，他们应该愿意提供更高的工资来吸引拥有这些技能的工人。" 沃顿商学院教授、《为什么好人找不到工作》的作者彼得-卡佩利也有类似的思考。"关于所谓的 "技能差距"，首先让我感到疑惑的是，当被追问更多的证据时，大约10%的雇主承认，问题其实是他们想要的候选人不会接受所提供的工资水平的职位。这不是技能短缺，只是不愿意支付价格而已。
关于技能，泰勒-考恩认为，传统的高等教育只会对少数人有好处，对于更多的人来说，更便宜、更快速的模式会更有意义。在他看来，动力大于传统的成功手段："拥有英语学士学位的22岁懒汉，即使是好学校的学生 "也不会再有 "通往中上层阶级的明确道路"。他认为，千禧一代在劳动力市场上苦苦挣扎的困境，"预示着即将到来的新工作世界......缺乏正确的培训意味着被关在机会之外，这是前所未有的。"
以上来自智能AI翻译完成，仅供参考！
特别注意，本文AI翻译，不喜勿入！
CEO和COO在HR Reporting方面的10个主要期望因为作者长期专注于帮助HR利用他们的人力资源数据提供更好的业务成果，阐述了作者认为CEO和COO在人力资源数据报告方面的10个关键期望。
首席执行官和首席运营官对人力资源报告的10个期望值
了解脉搏--对公司组织和员工健康状况的顶线指标（人员不足、人员过剩、参与度、周转率等）要有信心和可信度。
了解你的东西--虽然HR的运营指标（关于：薪资、招聘、薪酬与福利等）必须作为HR日常工作的一部分进行量化、跟踪和优化--但不要指望其他人总是感兴趣，除非他们在特定时间受到影响。HR只需要在做好这些基本工作的同时，做到可信、可信赖。
要公正--从不偏不倚的事实开始，发掘优势和机会两个领域。然后转入了解重要话题的背景或潜在条件。
有证据--专注于阐明或揭穿CEO所面临的业务问题（包括战略和运营）中的人的方面，如人才管道、生产力、人员流动、薪酬等。
实事求是--确定切实可行的、可负担的、以投资回报率为导向的方案，以打造优秀的团队，提高生产力，执行业务计划。
保护公司风险--利用人力资源数据了解并降低基于人的风险（如未达到招聘目标的影响、准确预测招聘需求等）。
真正的合作伙伴--不要只是发现问题，要先发制人，合作制定解决方案，并衡量影响和进展。
在相关的地方要有洞察力--不要对那些与战略或运营无关的事情提供洞察力--要深入研究并提供可信的、以数据为驱动的故事情节，在任何特定的时间点上都是重要的。
优化员工终身价值--利用您的数据做出更明智的招聘决策，并留住关键绩效人员。了解您的最佳招聘来源在哪里，如何以最佳方式让他们达到预期的生产力，谁创造了差异化的价值，以及如何以最佳方式长期保留他们。
识别创造价值的机会--使用人力资源数据来降低风险，削减成本，并加速和直接促进公司的P&L。
Know The Pulse - be confident and credible with the topline company metrics on organizational and employee health (understaffed, overstaffed, engaged, turning over, etc).
Know Your Stuff - while HR operational metrics (re: payroll, recruitment, comp & bens, etc.) must be quantified, tracked and optimized as part of HR’s day-to-day - don’t expect others to be always interested unless they are impacted at a given time. HR just needs to be credible and trusted in getting these basics right.
Be Impartial - start with unbiased facts and uncover both areas of strength and opportunity. Then move into understanding context or underlying conditions in topics that matter.
Have Proof - focus on articulating or debunking the people side of business issues (both strategic and operational) that the CEO is facing such as talent pipeline, productivity, turnover, compensation, etc.
Be Practical - identify practical, affordable and ROI-driven programs to build great teams, drive productivity and execute the business plan.
Protect Company Risk - use HR data to understand and mitigate people-based risk (like the impact of not hitting hiring targets, accurately forecasting hiring needs, etc.).
Truly Partner - don’t just identify problems, be preemptive, collaborate on working on solutions and measure impact and progress.
Be Insightful Where Relevant - don’t provide insight into things which aren’t of strategic or operational relevance - drill down and deliver credible, data-driven storylines in the things which matter at any given point in time.
Optimize Employee Lifetime Value - use your data to make smarter hiring decisions and retain key performers. Understand where your best sources of hires are, how to best onboard them to expected productivity, who creates differentiated value and how to best retain them for the long-run.
Identify Value Creating Opportunities - use HR data to reduce risk, trim costs, and to accelerate & directly contribute to company P&L.
观点
2020年07月11日
观点
坚守人力资本分析（People Analytics）的道德基准编者注：这个话题应该是做PA同事的第一课，强烈推荐大家了解下。也欢迎大家就PA话题谈谈您的看法和实践。
在行动上，你对待人类的方式，无论是对你自己还是对任何其他人，决不仅仅是作为达到目的的手段，而总是同时作为目的。
- 伊曼纽尔-康德。
人力资本分析被定义为对业务结果的人的驱动因素的系统识别和量化。从康德的人本原则的角度来看，值得注意的是，这个定义没有认识到人本身就是一个目的。问题是：我们如何确保人力资本分析是合乎道德的？在本文中，我们将讨论算法的道德基准的现状，并为该领域的从业者提供建议。
算法的评估Evaluation of algorithms
我们如何评估我们算法的道德规范？欧洲通用数据保护法(GDPR)等法律框架为区分对错提供了指导。然而，合法的东西并不总是道德的。
GDPR规定了同意权、访问权、被遗忘权和知情权。然而，它没有规定员工参与人力资本分析的开发和应用的权利。而我们也一再看到，公共政策往往跟不上技术发展的速度。这意味着，很多时候，员工几乎没有或根本没有机会让自己的利益得到代表和保护。
虽然现有的伦理框架，如赫尔辛基宣言、美国心理学会（APA）的心理学家伦理原则或IEEE自主和智能系统伦理全球倡议，让我们可以更进一步地涉足这一未知领域，但它们也往往已经过了 "最佳日期"。例如，APA指南的最后一次修订是在2016年。
很多时候，由于缺乏道德和法律先例，人力资本分析团队拥有相当大的自主权。最少的指导和相互竞争的商业利益为道德违规行为提供了肥沃的土壤。
背景上下文的作用The role of context
与有效性类似，在评估我们的决定是否符合道德规范时，我们需要时刻意识到，在一个组织中行之有效的做法，在另一个组织中可能行不通。最终被认为是对的或错的东西，往往会因决策的背景和独特的利益相关者而变得非常独特。
话虽如此，我们可以利用从过去的道德过失中吸取的框架和教训。在伊曼纽尔-康德等巨人的肩膀上，填补空白。
你很可能已经遇到过AI算法的恐怖故事。这些包括亚马逊的性别偏见的人工智能招聘工具，谷歌的种族主义面部识别，以及Facebook的广告服务算法，按性别和种族歧视。让我们假设组织努力做到道德行为（这对我们中的一些人来说可能已经是一种想象力的延伸）。这些Giga公司，看似拥有无穷无尽的资源，但仍然都成为输入数据的偏见的牺牲品，引发了不必要的和无意的结果。垃圾进就是垃圾出。如果你不主动控制数据中的偏差，你的干预措施充其量只是次优。
我们如何评估人力资本分析的道德性问题的答案在于基准。基准可以衡量各种属性，并根据它们所代表的道德框架提供分数。这极大地促进了对人力资本分析伦理的系统性评估方法。具体来说，通过迫使我们开发和应用标准化的指标，基准使我们能够对背景进行编码。这使我们能够将新颖的案例与最新的技术状态进行比较和对比。
游戏的名称是确保我们的道德基准包含所有相关标准和关于这些标准的证据。使我们能够就全组织范围内部署特定算法是否符合道德标准的问题得出有效的判决。在这方面，无知不是福。确实值得注意的是，前面所引用的三个道德框架都强调了能力的根本重要性。
从当前的道德框架中衍生出的主要主题是隐私、同意、问责、安全和保障、透明度和可解释性、公平和不歧视、人对技术的控制、职业责任和促进人类价值。与这些主题交织在一起的是建立内部、结构和外部有效性的需要。
每一个关注点都会影响到数据处理和利用过程中工作流程的设计和实施。这些主题也会相互影响。如果你没有保障数据的安全，你如何守护围绕隐私的基本原则？如果你不知道你的算法是否对种族或性别或其他更多人为的品质没有不适当的偏见，你怎么能真正促进人类价值？如果你不知道你的算法是否对种族或性别或其他更人为的品质有不适当的偏见，你怎么能为一个没有内部有效性的算法承担专业责任？如果在一个问题领域中没有一个一致的应用框架，你的道德规范的重点就会有所不同。那么，你需要衡量什么来实现道德标杆也会。此外，基准化可以在透明度和可解释性方面发挥不小的作用。
然而，增加复杂性的是，优化算法的基础方法正在迅速发展。我们现在正在进入一个自动机器学习（AutoML）的时代，在这个时代，算法将选择一个最优的算法集，提供优化的解决方案。
一个探索解释人工智能新方法的新领域被称为可解释人工智能（XAI）。看看XAI方法将如何嵌入到AutoML解决方案中，这将是有趣的。
很有可能，在接下来的十年里，人力资本分析师将不得不处理那些有趣的侧例。作者预计，该领域将被民主化，选择优化模型的工作流程将被自动化。
使之实用化Making it practical
在错综复杂的道德要求编织下，此刻能实现什么？
首先，要合法。围绕人工智能已经有了法律约束，例如，与数据处理相关的隐私，GDPR是最主要的例子，但其他法律，如反歧视，也可能会适用。
Frederik Zuiderveen Borgesius教授最近为欧盟委员会进行的一项关于人工智能与歧视问题的研究指出，虽然有法律框架，但这些法律框架适应于某些类别，例如对肤色或性别的偏见。然而，人工智能可能会在新的人工类别中产生偏见，这取决于数据的基本结构和变量或特征的操作方式。
第二，阐述你的价值观，并努力遵守它们。虽然谷歌的口号 "不要做坏事 "可能会让人觉得有些不尽如人意，但它为审查和批评打开了大门。而在道德标杆方面，批评就是免费的建议。
第三，跟踪变化。认识到人工智能是有影响的，随之可能产生竞争优势，这种优势不会消失，因此值得早期投资。记录下我们在研发中面临的无数决定是如何驾驭的，这不仅有助于道德问责，也有利于与关键利益相关者的沟通。
第四，向相邻的实践领域看齐。一个实用的人工智能伦理基准需要关注一组特定的属性或指标，以符合基本的伦理原则，这些原则是可衡量的，并且与人员分析问题领域相关。它需要囊括人工智能判断的关键操作特征，这些特征在人力资源领域具有代表性。
由于我们处理的是影响真实人群的决定，我们需要区分诊断和干预目的。这与医疗领域的特性类似，例如，你可以有一个设备来评估你的健康状况，而另一个设备则保持你的心脏跳动，并在出现不正常情况时进行干预。一般来说，第二类设备的影响更直接，因此应该密切关注。FDA目前正在审查如何将软件作为医疗设备（SaDM）立法。
第五，审查可操作的基准的例子，如AI公平360，它使用广泛的方法来评估。为了获得经验，可以考虑运行他们的旅游。你注意到的是，目前在数据的抽样中保持偏见，需要对细节的精心理解。人类需要在循环中。当然，这可能会随着时间的推移而改变，但技术基准只有那些配置和部署它们的人的理解才是好的。不偏不倚的培训数据也是为了培训你的员工。
第六，考虑如何在你的过程中有针对性地进行共同开发。改变我们对人工智能培训的偏向，会影响到发明的对象。因此，干预措施本身也需要做一些调整。一旦你从数据样本中消除了偏见的来源，就要考虑与那些受你的决策影响的人进行新阶段的共同开发。只有这样，你才有机会满足康德的人性原则。
第七，审计跟踪。垃圾进就是垃圾出，要注意你的样本量和方法。比如，人类对数据进行标注，这样就可以根据这些标注对人工智能进行训练。通过训练，人类可以部署自己的偏见。因此，我们建议对你在生命周期中所做的事情进行审计跟踪。AI是组织的反映。一个可审计的生命周期使您能够在以后提供取证，以显示控制和改进您的流程。
最后，考虑作为一个社区，朝着提供培训、示例和共享空间的方向努力，以收集经验、道德实践和最佳的AI模型和基准。我们的问题领域有其独特的要求，我们作为一个社区最适合评估。 对于那些从相邻领域寻找例子的人来说，那么回顾一下放射科医生的AI-LAB（HRTech备注：AI-LAB是为了加快临床实践中人工智能（AI）的开发和采用，需要授权放射科医生在自己的美国机构中创建AI工具，以满足他们自己的患者需求。ACR AI-LAB™提供放射科医生的工具，旨在帮助他们学习AI的基础知识，并直接参与医疗保健AI的创建，验证和使用。）。
一个人力资本分析实验室将是一个中心资源，用于增长和加强思想，分享基础知识，并协商和采用机械化基准执行的道德实践。一个对社区友好的、面向未来的训练场。
作者： Stefan Mol 阿姆斯特丹大学阿姆斯特丹商学院组织行为与研究方法的助理教授
Alan Berg 阿姆斯特丹大学中央计算机服务的首席开发人员
来自人工智能人力资源，以上由AI翻译完成，仅供参考。
观点
2020年07月10日
观点
再谈什么是人力资本分析 What is people analytics?
What is people analytics?
PeopleInsight联合创始人兼CEO John Pensom一直将人力资本分析定义为：
使用人的数据和业务成果数据来做出更明智的人员和业务决策。
我们把这个定义分为3个部分。
首先，人员数据可能来自以下任何或全部。
其次，经营成果数据也会来自于多种形式，比如。
第三，这种人与企业成果数据的结合，必须应用并持续用于企业的决策。
人力资本分析将帮助企业：
·做出更明智的用人决策
·识别和留住关键人才和
·提高投资回报率，投资于最有影响力的人力资源和人才项目。
人力资本分析、人力资源分析、人才分析或劳动力分析？People analytics, HR analytics, talent analytics or workforce analytics?
人力资本分析过去和现在有时都被称为人力资源分析、人才分析或劳动力分析。
直到2014年左右，这些不同的术语在某种程度上是可以互换的--被早期的厂商用来试图标记空间和命名这个领域。就在这个时候，行业分析师重量级人物、数据驱动型HR的长期支持者Josh Bersin发表了看法，并通俗地将这个空间命名为People analytics。
虽然人事分析类的人力资源技术在2012-2015年期间兴起，数据驱动型HR已经出现了一段时间，但在大多数组织内，拥有人事分析功能还是相当的异类。在这些早期的日子里，当人员分析是人力资源的一部分时，它通常是由具有技术技能和对数据感兴趣的个人作为一种小众（而且往往是一次性的）活动来玩的。人力资本分析正在发展，但它还没有成为一门广泛的学科。
然而，在此期间发生的事情，是一系列影响因素的汇集，使人力资本分析成为人力资源部门的当务之急。
·考虑到人才争夺战，我们在 "人力资源 "上的花费比例很高，而且CEO们也越来越相信并大声疾呼，人是他们最关键的资产，因此，人的数据在组织中开始被认为具有更高的价值。
·人员数据（候选人和员工）的来源正在迅速扩大，由于云端应用被HR买通，这些数据更加容易获取，此外还有更先进的数据管理、集成和API。
·HR技术厂商跳上分析的浪潮，声称自己提供人员分析解决方案。
几乎所有的HR技术厂商都开始宣称自己有人员分析、大数据和预测性，以努力打压估值，搭上营销的浪潮，但造成了巨大的噪音和市场混乱。实际上，他们中的大多数人除了对他们的事务系统产生的数据进行单一维度的报告外，没有任何其他的东西--这与人员分析相去甚远。除了少数几个诉求者之外，所有这些诉求者都是事务性的人力资源系统，因此，没有采用任何人员分析技术中最关键的组成部分之一--人力资源专用数据仓库，用于优化多源人力资源数据的复杂结构。
结果是，HR开始拥有更多的数据和更多的系统--但他们无法超越孤立于事务性系统中的数据的单一维度报告。
这就引出了我们所说的HR的普遍问题。
与人力资本分析相关的普遍问题 The Universal Problem Related to People Analytics
一言以蔽之-数据利用不足和断线Underutilized and Disconnected Data
尽管有大量的数据，但在将数据整合到一起、在不同的系统之间建立联系，并使之具有意义以推动更好的业务成果时，就会出现普遍性问题。
深入了解普遍性问题
·人力资源和人员数据无处不在--很大程度上停留在孤岛上（即你的事务性人力资源技术）。
·不仅是该人力资源技术领域不断扩大新的系统和额外的丰富数据来源，没有真正的计划有一个桥梁跨越这些岛屿 - 或统一数据到一个单一的真相视图。从本质上讲，这些人力资源数据孤岛的差异性和它们所收集的历史数据量正在加速增长。
·这些不同的人力资源数据可以而且应该被用来做出更好的人员和业务决策。
·人们对业务成果中的人的方面以及如何最有效地利用你的人员数据来创造新的价值的理解正在形成，但仍然有限。
·当您结合并连接多个来源时，您的数据的价值就会显著增加，从而使您的数据具有多个维度。
·管理、连接和组合人力资源数据以实现商业智能是极其复杂的，可以说是有点黑科技（如果你不同意这个观点，你有没有做过--用人力资源数据，大规模的持续刷新数据？
·实现将公司最敏感的数据（人员数据）在正确的时间传递给正确的人，同时确保保密性、隐私性和信息安全，不仅真的很复杂，而且从很多角度看绝对是任务关键。这种类型的数据泄露可能会让任何公司沉沦。
·人力资源报告和分析需求传统上被IT团队认为优先级低于其他企业需求。
人力资本分析纯游戏功能
这些挑战往往导致人力资源报告以最简单、单一维度的方式执行，一次又一次地手工创建电子表格。
不用说，基于电子表格的人力资源报告引入了许多风险，包括数据完整性、有限的访问管理控制、有限的数据管理能力，以及从几乎没有治理或内部控制的系统中下载原始数据。
不要误解我的意思，电子表格很适合入门和原型设计，但它们挖掘出来的速度非常快，不应该在企业级人力资源报告和人力资本分析中发挥关键作用。
人力资源指标与人力资本分析的比较 HR Metrics Versus People Analytics
我们必须超越人力资源指标，进入人力资本分析领域。
人力资源指标其实是为HR服务的。人力资本分析是为整个企业服务的。
虽然这一点可能有待讨论，但我们认为HR度量的特点可以是单一维度和简单的关于人力资源实践、流程和交易的测量。
人力资源度量是关于人力资源效率的。这都是好的，但它需要更进一步。
因此，下一个层次，也是与我们的定义一致的，是人员分析--它更多的是关于衡量人力资源、组织和人才实践、流程、项目和交易所产生的结果。
因此，人力资本分析更多的是关于人力资源的有效性--这就引出了一个非常重要的基本原则。
例如，要衡量和了解招聘处理，如填补时间，你可以采用一些简单的人力资源指标。
然而，如果要了解哪些招聘渠道是你的最佳招聘来源，以及优质招聘的成本是多少，你需要将各种来源的数据结合起来，并以人员分析的方式交付。
你需要通过深度细分、算术或统计分析来生成更多与业务相关的见解，并使分析师能够从多个镜头或维度来查看数据（例如，按地点、角色、级别、成本、招聘者、招聘经理、来源、使用的评估工具、评估结果等来显示招聘质量）。
一句话，如果人力资源部门想成为更多的业务伙伴、价值创造者和企业战略的关键推动者，我们必须超越人力资源指标，进入人力资本分析领域。
人力资本分析帮助HR专注于对业务重要的事情
人力资源和人力资源业务伙伴必须使用数据驱动的方法，专注于重要的、与业务相关的事情。数据驱动的人力资源玩法介绍了一种以业务为中心的方法--平衡业务的运营和战略需求。
Operational People Analytics
以数据驱动的方式来处理你应该做的事情。
首先，运营报告和分析应该帮助你提高业务线（LoB）的标准人力资源、人才管理和人员项目活动的效率和效果。这是基础层面。
这应该包括对日常招聘、人员管理、人员流动、流动、学习和发展、薪酬、福利和绩效管理等活动的分析。
这将帮助HR从日常的角度出发，专注于基础而又重要的 "HR的事情"，并获得LoB领导、LoB经理和LoB员工的信任--利用数据来报告、改进和优化你的核心人力资源和人才服务或范围。您应该专注于提供高效和有效的人力资源流程和项目。
Strategic People Analytics
注重识别和理解异常值。基于数据驱动的洞察力实施项目和变革。
战略性人力资本分析是关于业务合作--帮助您所服务的业务线与人员方面实现其战略业务目标。
战略报告和分析将帮助人力资源部门专注于LoB所面临的多个业务问题。这些用例是直接从对整个组织和具体的LoB都很重要的方面来驱动的。它们也将直接与LoB的1-3-5年战略--或全公司业务计划的战略里程碑--保持一致。
一个很好的例子是使用人力资本分析来指导数据驱动的方法，以准备和动员一个新的客户支持团队，该团队专注于18个月后上市的新产品。
战略报告和分析是关于你在LoBs需要帮助的事情上帮助他们--特别是在人员方面，并采用数据驱动的方法。
Data-Driven Analytical Projects
专注于识别和理解异常值。基于数据驱动的洞察力实施项目和变革。
第三，分析型项目利用人力资本分析来识别和理解异常值--包括好的和坏的，目标是实施高价值的项目和有意义的变革。
简单而有力的项目例子可能集中在改善关键人员异常高的流失率，改善有经验的员工在头两年异常高的流失率，在面临COVID-19影响时对你的劳动力构成做出决策，或者提高关键绩效人员在育儿初期的保留率。
分析性项目都是关于使用数据驱动的方法来解决值得解决的问题。
请记住，要想将这些用例中的任何一个用例视为人力资本分析，您需要将人员和业务成果数据结合起来，以优化效率和效果。
观点
2020年07月07日
观点
执行您的人力资本分析项目--8个步骤即可完成在这篇博客中，我们看看我们的8步计划，一旦你确定了你的第一个人力资源分析项目--那个多汁的商业机会，就可以开始了。 遵循这些步骤，你将确保通过你的分析和报告提供商业价值。
以下是这些步骤的概述。
阅读并理解您的业务计划
确定DDHR（数据驱动的人力资源）项目的范围。
定义您的主要指标
定义您的二级指标和支持指标
阐明 "是什么"。
阐明 "什么 "背后的 "为什么"。
推动决策、变革案例、目标和变革计划。
实施、衡量成功、稳定和实现价值。
Read and understand your business plans
Scope out your DDHR (data-driven HR) project
Define your primary metric
Define your secondary and supporting metrics
Articulate the ‘What’
Articulate the ‘Why’ behind the ‘What’
Drive Decisions, Case for Change, Targets and Change Plans
Implement, Measure Success, Stabilize and Realize Value
1）阅读并理解你的商业计划书 Read and understand your business plans
这可能看起来很明显......但是......你读过你最新的企业商业计划或目标吗？如果你无法获得它或没有它，你是否已经采访了你的执行团队成员以了解整体方向？
如果你没有，你将如何建立人员和组织能力？
HR成为数据驱动型，是为了更好地实现你的定性和定量数据（即直觉和硬事实）的平衡。 这种平衡的方法需要在与组织相关的、多汁的、有意义的事情的背景下应用--无论是你所服务的特定业务线（LoB），还是更大的企业目标。
人力资源部门必须了解公司和业务部门计划，了解这对人员计划和能力的意义，必须确定、确定范围和交付数据驱动的人力资源项目，这将帮助你实现这些业务计划的结果。
2）确定你所选择的DDHR（数据驱动型HR）项目的范围。Scope out your DDHR (data-driven HR) project
你的范围界定工作应该包括这些活动。
阅读您的企业商业计划书
阅读您的业务线单位计划（直接客户的计划）。
向管理团队/办公室讨论并 "回放 "你的关键观察，以确保你已经建立了足够的理解。
确保并阐明你的第一个DDHR项目如何支持客户的关键重点领域（这些目标可以是公司目标、LOB目标，或两者的结合）。
对于您的第一个DDHR项目，尽您的能力研究、集思广益并记录以下内容。
与项目有关的具体目标、成果和指标。
实现这一目标的人员和组织要求/能力。
当涉及到人力资源和人员项目的所有方面时，你的差距（例如，如果你需要 "提高我们销售团队的成交率"，而你没有最佳实践销售成交培训课程，那么这将被认为是一个 "差距"）。
不消除这一差距的风险、影响和商业影响。
向你的LoB领导/管理团队简要介绍你从上述活动中发现的情况--获得对你的项目更深入的理解、调整和支持。 如果您做对了，您应该已经提高了客户的热情和兴趣。
现在，您已经围绕您的ONE数据驱动的人力资源项目设定了一些界限，并与您的组织或LoB对应方更详细地了解了它--您现在必须更详细地定义项目--并执行。这其中有几个步骤--这些步骤可以挖掘你要捕捉的数据和指标。
3）定义你的主要指标 Define your primary metric
你需要定义一些我们称之为 "主要指标 "的东西，它能抓住你的项目所要完成的本质。在定义主要指标时，建议尽可能的具体和详细--因为这是所有后续步骤的基础。
然而，你可以决定，在这个时候，保持这个方向性的性质（即减少或增加），而不是进入具体的目标。这都是好事。 目标可以在后续阶段，当你能获得硬数据时，再进行估算/设定。
下面是一个例子。
"降低销售部第一年业绩优秀者（被评为优秀和卓越）的流失率"
确保你定义你的度量标准的细微差别，如... 你是指在公司的第一年，还是销售的第一年？你是否将一个在市场部工作了3年，然后转到销售部，然后在销售部工作9个月后离开公司的优秀员工计算在内？
从比率和幅度两方面量化（陈述当前有关的事实）你的首要指标。
2019年，我们在销售部门任职第一年的员工中，表现最好的员工离职率为23%。
2019年，这代表着在77个EE的总段上有17个EE离开。
为了实现全面的理解，需要从多个角度观察您的主要指标--这意味着在您可用的数据维度上对您的数据进行切片和切割。如果你有幸拥有强大的劳动力分析或商业智能工具，这将是简单的。如果你是在电子表格中进行计算，这将更具挑战性，所以要做好准备，并在这方面花费一些时间。
4）定义你的次要或支持性指标。Define your secondary and supporting metrics
次要指标或辅助指标是对您的分析很重要的额外数据维度和细分。这些次要指标和细分的程度实际上取决于您--但根据我们的经验，这是最有洞察力的观察和故事线的来源。
比如说 对你的数据进行细分和切片，这样你就可以了解是否有任何基于人口统计学、地点、经理、经理参加人事经理培训课程、招聘渠道、入职调查结果和参与度等方面的异常情况。
你只受限于你所能接触到的数据和你连接数据的能力。同样，如果你正在与人员分析合作伙伴合作，或者使用强大的BI工具，这将是相对容易的。如果你没有，你正在处理电子表格和断开的系统，卷起你的袖子，收起你的袖子......你需要时间和一些分析方面的专业知识。
5）进行量化观察--阐明 "什么"Articulate the ‘What’
使用您的二级指标，继续细分和分析您的数据，将观察重点放在异常点上（您的数据中的离群值、超过可接受阈值的热点、或问题的质量/规模可能代表机会或缺乏机会的地方）。
6）阐明 "什么背后的原因"Articulate the ‘Why’ behind the ‘What’
至此，你就会有一个关于销售业绩最高者流失的事实汇编，对象是任职第一年的员工。
掌握了这个多维度的分段分析，你必须深入挖掘故事线，了解故事发生的背景，并向那些最能阐述逻辑原因和假设的人询问 "为什么"。
这就是定性理解。
这可以通过各种技术来实现。例如，你可以选择与其他销售业绩最好的人进行一些焦点小组，那些在任职第二年的人可以对经验有所了解，你可能想实施或收获入职经验调查的数据，你可能想进行小组电话会议，1对1的或与经理的水冷/非正式谈话等。无论采用何种方法，这都是为了了解相关人员的生活经历，使数字活起来，并提供背景。
这里的目标是花一些时间深入挖掘，这样你就可以平衡你的事实和背景，并准备以更完整的方式讲述故事，尽可能多的纹理。
7）推动决策、变革案例、目标和变革计划。Drive Decisions, Case for Change, Targets and Change Plans
在我们看来，除非你愿意推动决策，并实施变革，否则开始这个过程的第一步是徒劳的，也是没有意义的。
肠胃检查：如果你不期望你的数据驱动的人力资源工作能够推动决策和变革，那么认真考虑一下，现在就停下来，专注于一些业务或你的人力资源团队会重视的事情。
决策必须在合作、协商和乐虎国际客户端支持下进行。因此，至关重要的是，您必须在之前的步骤中与您的LoB客户保持联系--并且能够获得事实、背景和意见。
业务线的决策都是关于投资回报率（ROI）的，这就需要制定一个变革案例。有些人可能会将其称为 "Pitch Deck"，有些人则称为 "商业案例"。
不管怎么说，变革案例是一个10-15张幻灯片的总结和建议，其结构如下。
执行摘要
背景和情况
当前环境/问题的确定(事实和背景)
机会
拟议的解决方案和目标成果
成本和效益(ROI)
项目/实施办法
所需资源
B. 建议
下一步工作
目标是让你的利益相关者和受影响的合作伙伴相信变革是必要的，并帮助他们完成目标。
8）实施变革计划，稳定、衡量成功，实现价值。Implement, Measure Success, Stabilize and Realize Value
关于如何实施和创造可持续变革的更多信息，请参考Playbook 4，我们将在其中深入探讨这一主题。
值得注意的是，"商业案例实现 "非常容易被忽视--事实上，我们往往在取得成果之前就被迫系统地进入下一个活动--并比喻为 "将赢利存入银行"。
你必须不惜一切代价尽量避免这个陷阱。
记住，你被信任投资于数据驱动的人力资源的唯一原因是为了追求多汁的业务成果。
你已经在商业案例上出售了这一举措--所以你必须花一些时间来量化和计算你的成就和成功--并与那些重要的人分享。
简单地确定你的举措的投资回报率
在投资回报率等式的一边，你将阐明你通过这一举措创造的 "新价值"。
在等式的另一边，阐明该举措的成本（在这个项目中工作的天数可以转换为每天的内部负荷成本率）。你将以此为分母。
从新价值中减去成本，并将结果称为 "净新价值"--将其作为分子。
将净新价值除以成本，然后乘以100。
现在，你就有了这个数据驱动的人力资源项目的投资回报率。
鉴于这是一个巨大的未开发领域--利益池可以是壮观的。
下面是我们PeopleInsight的一个技术客户的例子。
在实施了分析工具后，一个特定的关键技术角色的营业额在第一年内下降了25%，这些工具使经理们能够深入了解他们的营业额--使他们能够快速地进行细分。
副总裁和人力资源部门将这些影响直接归因于透明度的提高。
这导致今年避免了约75万美元的成本。
投资成本不到2.5万美元。
净新价值为75万美元-2.5万美元=72.5万美元。
这笔数据驱动的人力资源投资的投资回报率是。 (72.5万除以2.5万) x100 = 2,900%。
是，2,900%
一旦你意识到了价值，你就必须将其传达给大家并加以庆祝。然后从中学习，并在此基础上再接再厉。在你的下一个人力资源分析项目中保持这种势头。
作者：PeopleInsight
以上由智能AI翻译完成，仅供参考
观点
观点
观点
观点
观点
观点
观点
观点
观点
观点
扫一扫 加微信
hrtechchina
