【关键词】微软 人力资本分析 数据 HR-BI 

Ballmer是微软的业务总监，他把微软的成功归功于一下几个方面：绝佳的产品、清晰的商业模式和“拥有无与伦比才华的人才”。他拿着微软的人事档案阐述到：“在我看来，有些东西我的理解比地球上其他人都要好。”而对Ballmer的人才观起着重要作用的是一个关键人物——Dawn Klinghoffer，微软人才发展部门的资深总监。

Klinghoffer是数学家出身，他十多年前加入微软，一开始是人力部门成员，现在已经成为30人团队的领导。她的团队具备用于人才分析研究的统计学、心理学、财务管理等综合能力。她认为，微软是数据驱动型的企业，每个人都强烈的想了解数据的每个方面，这就是她的团队专家的作用所在。

Ballmer自己非常热衷于通过数据的“眼睛”了解他的团队人才，并且从未失望过。Klinghoffer对此最骄傲的是，“如果CEO来到我的办公室，他问我95%的问题我都能依据我们现在掌握的数据进行回答。我们已经建立了一套运转体系，我能敏捷快速地获取到数据，这些数据帮助我们精准地做出决定。

HRBI（人力资本分析团队）拥有专家分析和研究微软人才库，这个部门的员工每年都要进行一次调研，微软这种深层次的人才分析被称为四步分析法，具体步骤如下：

第一步：数据收集

微软对劳动力的规模和本质的理解深刻而准确，这要归功于数据化的人才分析方法。在人才分析中，你不需要牵扯一吨的数据。最重要的是两点：数据下隐藏着什么，你想用这些数据做什么。进一步说，你所期望报告的水准是什么，获得结果的期望投入规模是什么。显而易见的是，拥有更多的数据，你的报告也会更加丰富。当研究人才招募及保留问题时，Klinghoffer团队为了收集数据，用九年多的时间追踪了90,000名雇员。

微软有足够的资源保障数据的数量和质量，小型企业则要当心在没有很多数据支撑的情况下贸然进行决策。Klinghoffer认为，为了强有力地支撑研究结果，你必须设定临界取样量，微软并不支持小于50人的样本量，任何研究对象理想的雇员取样量应当大于100人。并且为了让人力资本的研究结果具有意义，研究时应当对雇员进行分组，这样在追踪他们被雇佣后的行为成就时才能区分结果。然而这对于新建立的公司或小型公司来说并不容易。 

其次就是提高数据质量。数据最好的来源就是公司精确完整的信息系统或数据库，并且人力资源数据库应当包含所有的相关数据。Klinghoffer认为很多公司并不具备微软这样完备的数据库，当她与其他人力资源的管理人员接触时，发现人们现在遇到的两个主要问题就是数据数量缺乏和数据质量不高。甚至有些公司并没有一个集合所有人力资源数据的数据库，有的管理人员并不知道哪里去获得员工信息。很久以前微软就认为应当建立信息完整的人力资源数据库，至今已经建立了13年，微软从中受益匪浅。而其他75%的公司目前并没有类似的数据库。

第二步：关键定义 

关键定义法在得到有意义的人力资本洞察报告中起着关键作用。在关键定义里数据分析的目标是什么同样很重要。例如Klinghoffer强调了在数据收集过程中，依据雇员不同的样本组区分不同的行为特征是非常重要的，微软把它定义为雇员特征。 

在微软，“早期离职成本”被定义为两年内对新员工的高投入成本（包括招聘成本，签约奖金/股权，搬迁成本，新员工低效率的适应时间，团队成员入职协助，面试循环时间，雇佣其他长久型优秀雇员的机会成本等）。微软估算早期离职成本约为薪酬的150%，当然还要考虑其他的数据支持。任何其他公司同样应当了解他们在新员工上的投资回报率，以及收益成本平衡时间。基本上所有公司都可以建立他们自己的雇员特征数据，雇员特征数据结合了可获取的硬数据（例如销售额，人才保留率）、理论上可得到的软数据（例如同业研究报告）以及其他混合资料。

第三步 分析研究 

在分析过程中问题会不可避免地层出不穷，就像一旦你开始了分析，你最确定的是一定会有额外的问题产生。在这一步中很难得出一般性观点，因为具体研究议题需要特定的问题支撑，再依次结合不同的分析工具进行研究。企业在人力资本分析中将不可避免的出现不同的分析问题。例如上文分析的微软的雇员特征，如果你招聘的雇员来自不同的区域，不同的专业或者不同的经验水平，你可能在确定雇员特征时就要有所区别。如这名雇员有什么样的不同？这与他的职场机遇或弱点有联系吗？这关系到雇员的产出测量，即通过人力资源的行为特征衡量他对企业的业绩贡献。 

Klinghoffer对于分析研究阶段提出了两个重要的警示。第一，一手观察数据转化成概括性分析的可用性。像雇佣特征并不适用于个体层面，它是雇员群体的多元特征。它并不是个体表现，而是群体表现。这很重要，需要对个体特征进行提炼。如果一手观察数据并不能有效概括提炼，就对人力资本分析失去一般性意义。 

第二，关于预测性分析的发展。微软的现有人才分析大多是现时性的，例如雇用特征分析并不一定预测在定义的时间范围内一名员工长期的表现。而员工早期离职特征，虽然前期会做调查，但它也并不预测这名员工在微软早期离职的可能性。但是预测性分析同样很重要，并且其实已经有专人在研究开发，微软从T-Mobile公司吸收了做市场研究领域的某位员工，她曾经围绕着手机用户是否会转换运营商做了很多预测性工作，并且把相同的基础理论用于为微软创建某些人力资本预测模型。

第四步 采取措施 

人力资本分析实质上是个循环模型，采取相应措施是模型的最后一步。对应人才发展应采取的措施与人力资本分析密切相关。至关重要的是，执行官们如何理解分析报告中的数据。Klinghoffer认为数据的直观性有很大的影响。因为我们的认识理解通常是从数据中直观获得的，在众多的数字中进行复杂的再加工会影响理解效率。 

微软的HRBI现在是人力资源的决策和活动中的中心角色。数据分析几乎参与了每个人力资源决策项目的决定。如果微软现在想要改变绩效管理制度，HRBI就要做数不胜数的分析研究，数据将对做出这个决定起到关键作用。任何形式利益的改变都需要HRBI做延伸性的研究。HRBI曾用数据分析来探索微软是否给予了高级管理层适当的报酬，分析的结果直接影响了高管的薪酬体制设计。同时HRBI花了很多时间来做雇员特征分析，通过数据来检验已雇员工的工作水准，来评价此次招聘是高质量的雇佣，低质量的雇佣，或介于两者之间。对应评价结果，即可采取提高雇佣质量的招聘策略改进措施。

现在微软的CEO以及他身后众多的投资者们，已经看到了21世纪第2个十年里，谁赢得数字生态系统的战争，谁就赢得了未来。数字生态系统将会被设计成为为人力资源管理决策以及其他众多决策服务的数字产品。HRBI团队现在正位于新数字系统的中心。

（本文来源：CIPD Research Report Managing the value of your talent—A new framework for human capital measurement由才报实验室编译首发，转载请注明出处）

作为一家自我界定为“数据驱动”的世界级企业，微软在人力资源方面对数据的运用让人惊叹。

华恒智信认为，无论是大型公司还是中小型企业，都能从微软的实践上有所收获。

对大公司而言，通过数据来支持商业决策的重要性是毋庸赘言的。但公司在人才管理方面，有对数据进行有效利用的战略部署吗？微软早在十三年前已经意识到了完整的人力资源数据的重要性。而且据微软的观察，其他75%的公司目前没有这样的数据库。这是对大公司的提醒。对于那些已经有了人力资源数据的公司来说，微软的一些经验点则值得他们学习。如确保数据的数量和质量，明确使用数据的目的，遵循统计方法的基本前提等等。

对中小企业而言，别说对人力资源数据进行分析，就是对数据库的建立完善恐怕也是难以承担的成本。而且，中小企业常常处于企业生命周期的初期阶段，人数少，人力资源管理实践也少，在统计上往往只是一个小样本，实践中的少量数据难以成为人力资源相关决策的支撑。所以，中小企业可以更多的借助外部资源，例如通过互联网搜集人力资源相关数据、报告，向人力资源数据提供商购买数据服务等方式给自己的人力资源决策做支持。典型的例子就是利用外部的薪酬调查数据。在大数据不断发展的今天，外部的数据服务会更加丰富，中小企业的选择也会更多。

利用数据的统计方法也有其局限性，例如文中提出的统计特征只适用于群体层面，预测性分析还有待发展等问题。企业管理者和HR也不要陷入对数据的盲目崇拜，管理者自身的判断力仍然在组织日常决策中发挥重要作用，只是接受越来越多，越来越有针对性的数据帮助。

华恒智信认为，大数据时代下，传统的HR面对着信息系统带来的冲击。利用、处理数据渐渐将成为HR证明自己存在价值的必要手段。如何提高自身的“数据修养”，增强自己利用数据发现问题、分析问题、解决问题的能力，是摆在HR面前的问题。