chinesefreesexvideos高潮,欧美极品少妇性运交,久久久国产一区二区三区,99久久婷婷国产综合精品,成人国产一区二区三区

作 者丨Pylin Chuapetcharasopon，加拿大waterloo工業(yè)與組織心理學(xué)博士

翻 譯丨楊冬，GHR環(huán)球人力資源智庫簽約作者，漢能全球人力資源總部OD高級經(jīng)理，南開大學(xué)MBA，經(jīng)授權(quán)翻譯發(fā)布

終于，我們可以開始談到人力分析的“干貨”——

分析流程本身了，這也是我結(jié)合個人理解，

與工業(yè)與組織心理學(xué)會（SIOP）年會人力分析與大數(shù)據(jù)主題會議的討論，

所進(jìn)行思考的第三個部分。

在上一篇文章中，

我們探討了組織的數(shù)據(jù)成熟度水平以及生成人力分析相關(guān)問題。

所以，這篇文章，我們將繼續(xù)深入人力分析的實(shí)際流程。

總體而言，這一流程由4個步驟所構(gòu)成，分別對應(yīng)于下圖中的3~6步：

人力分析的實(shí)際流程第3步：數(shù)據(jù)獲取

或許有人會說，人力分析困難之處首先在于取得數(shù)據(jù)——

很可能那些我們需要的數(shù)據(jù)根本不存在，因此需要花費(fèi)時間來收集；

也可能組織在其數(shù)據(jù)成熟度上處于較低的層級（見本系列文章之二），

因而并未在跨職能部門之間分享數(shù)據(jù)；

又或是人力分析團(tuán)隊向其他部門提出數(shù)據(jù)需求時遇到了困難，遭遇阻力或面臨他人的戒備，

例如：你需要這些數(shù)據(jù)的原因是什么？你希望使用數(shù)據(jù)做什么？你們的分析結(jié)果會暴露我們團(tuán)隊的問題嗎？

又或者，其他部門并不能理解開展分析所需要的數(shù)據(jù)要求，

“出于好意的”提供了經(jīng)過整理歸納的員工匯總數(shù)據(jù)，而非個體層次的數(shù)據(jù)。

而在另外的一些時候，判斷那些負(fù)責(zé)數(shù)據(jù)權(quán)限審批的人員究竟是數(shù)據(jù)的持有者還是看護(hù)者，也是一件極為困難的事。

在一次人力分析主題的研討會中，

一位演講嘉賓提出了下面這個評估數(shù)據(jù)獲取難易程度的簡要方法，

試試看，你所在的組織大約處于何種程度？

如果你通過合作方進(jìn)行一些數(shù)據(jù)的收集，請確保你們雙方系統(tǒng)的同步。

會議中提到的一個實(shí)例是某家企業(yè)將數(shù)據(jù)發(fā)送至其分析合作方進(jìn)行分析，

但后來發(fā)現(xiàn)該合作方的系統(tǒng)只能夠打開70萬條員工數(shù)據(jù)，但該公司的員工總數(shù)卻達(dá)到了100萬人！

另外出現(xiàn)的一些情況是，

數(shù)據(jù)文件過大導(dǎo)致無法通過企業(yè)內(nèi)部郵件系統(tǒng)進(jìn)行傳遞，

因此，企業(yè)需要具備恰當(dāng)?shù)南到y(tǒng)與技術(shù)能力以傳輸文件，特別是高度機(jī)密的大容量文件。

你取得的哪種類型的數(shù)據(jù)？

就數(shù)據(jù)本身而言，你可以收集原始數(shù)據(jù)或次要數(shù)據(jù)：

原始數(shù)據(jù)包括了更新一些的數(shù)據(jù)集，

例如，當(dāng)企業(yè)開展員工敬業(yè)度調(diào)研時，通過調(diào)研直接取得的即是原始數(shù)據(jù)；

此外，同樣有所幫助的是，

如果在實(shí)驗設(shè)計時能夠考慮到后續(xù)的數(shù)據(jù)收集，數(shù)據(jù)背后的“原因”便能更加容易的推斷出來；

另外一種獲取原始數(shù)據(jù)的方式是通過測評。

次要數(shù)據(jù)是那些已經(jīng)存在的數(shù)據(jù)，例如那些在員工加入企業(yè)時即錄入至HR系統(tǒng)的人口統(tǒng)計信息。

數(shù)據(jù)也可以分為結(jié)構(gòu)化數(shù)據(jù)與非結(jié)構(gòu)化數(shù)據(jù)。

結(jié)構(gòu)化數(shù)據(jù)是工業(yè)與組織心理學(xué)家最常使用的，

這些定量的數(shù)據(jù)通常服務(wù)于某個預(yù)先定義的數(shù)據(jù)模型，并被有秩序的排列；

而對非結(jié)構(gòu)化的數(shù)據(jù)，一些IO心理學(xué)家可能會在進(jìn)行定性分析中使用，

但總體而言，他們并沒有預(yù)先定義的數(shù)據(jù)模型，

一些非結(jié)構(gòu)化的HR數(shù)據(jù)可能來自于簡歷、求職信，Twitter，領(lǐng)英、博客、視頻等等。

盡管較結(jié)構(gòu)化數(shù)據(jù)而言，非結(jié)構(gòu)化數(shù)據(jù)可能更加難以取得，

但其中的關(guān)鍵是在非結(jié)構(gòu)化數(shù)據(jù)的基礎(chǔ)上開發(fā)某種形式的結(jié)構(gòu)，

以幫助分析，也可能需要一些技術(shù)手段將非結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)化為結(jié)構(gòu)化的數(shù)據(jù)。

人力分析的實(shí)際流程第4步：

數(shù)據(jù)清理

在數(shù)據(jù)分析所有必要的組成部分中，

最無趣但又必不可少的環(huán)節(jié)就是對數(shù)據(jù)的清理，

在這里我將數(shù)據(jù)整合作為了數(shù)據(jù)清理的一部分。

1) 數(shù)據(jù)整合

如果你的數(shù)據(jù)來自于多個不同的數(shù)據(jù)庫，

那么第一步就是對這些來自多種渠道數(shù)據(jù)的混合與整理。

這一環(huán)節(jié)可能會涉及最為原始的人工數(shù)據(jù)操作，

例如在不同excel表格中進(jìn)行數(shù)據(jù)的剪切與復(fù)制……

盡管這些操作本不應(yīng)該出現(xiàn)；

接下來，你可能會用到SPSS對數(shù)據(jù)進(jìn)行合并，

并通過SPSS Modeler之類的數(shù)據(jù)分析插件對數(shù)據(jù)執(zhí)行ETL（提取、轉(zhuǎn)換與載入）操作。

如果你足夠幸運(yùn)的話，你也許會在數(shù)據(jù)方面得到IT部門的幫助，

我在RCMP就有這樣一段幸運(yùn)的經(jīng)歷——

我的主管與IT部門的一位負(fù)責(zé)人保持著持久與良好的關(guān)系，

他負(fù)責(zé)針對各類數(shù)據(jù)方面的需求進(jìn)行代碼編寫，以整合來自于7個不同數(shù)據(jù)源的數(shù)據(jù)；

而另外一面則是SIOP會議中一位顧問提到在他所在的組織中有47個系統(tǒng)，

顯然需要有人幫助他編寫程序或算法來完成數(shù)據(jù)的整合。

在數(shù)據(jù)整合方面我們可能會用到的工具包括IBM SPSS Modeler和Alteryx，

我看過一段Alteryx的演示，它并不需要復(fù)雜的編程，只需要經(jīng)過簡單的拖放式操作，就可以直接生成報告。

此外，更好的消息是Alteryx與Tableau有著非常好的兼容性，

我會在下文對Tableau這一數(shù)據(jù)可視化程序進(jìn)行更加詳細(xì)的介紹。

2) 數(shù)據(jù)清理

在開始數(shù)據(jù)整合之前或完成之后，都需要某種形式上的、令人畏懼的數(shù)據(jù)清理工作——

這對于大多數(shù)IO心理學(xué)家而言并不陌生，

因為這即使不是我們的主要工作內(nèi)容，我們也有相當(dāng)?shù)臅r間投入其中。

它是令數(shù)據(jù)達(dá)到能夠被分析程度的一個籠統(tǒng)的階段，

包括了諸如確保某些字段的不同表述指向同一個結(jié)果（例如如何確保程序/算法將Jane Smith與Jane L. Smith視為同一個人？）、

數(shù)據(jù)格式的統(tǒng)一（例如完整或省略的地址數(shù)據(jù)：“154 Bright Street，Unit 54”與“54-154 Bright St.”）、

將字符串變量重新編碼為數(shù)值變量、處理不完整的數(shù)據(jù)（例如通過采用數(shù)據(jù)完全隨機(jī)缺失或隨機(jī)缺失模型，藉由SPSS期望最大化算法對缺失數(shù)據(jù)進(jìn)行建模）。

對“數(shù)據(jù)清理”的其他表述是“數(shù)據(jù)抬杠”或“數(shù)據(jù)保潔”，

它已經(jīng)被視為耗費(fèi)數(shù)據(jù)科學(xué)家精力的頭號敵人，

你能從紐約時報的這篇文章中作進(jìn)一步的了解。

此外，關(guān)于數(shù)據(jù)清理，請盡可能多的采用數(shù)據(jù)轉(zhuǎn)換規(guī)則的自動設(shè)計，

并在理想情況下使用高擴(kuò)展性的運(yùn)行庫以滿足未來的延伸需求。

在對多個組織間多種數(shù)據(jù)源數(shù)據(jù)進(jìn)行整合的過程中，

一項特殊的問題是針對那些“重復(fù)性變量”。

一位顧問列舉的實(shí)例是，

一個被稱作為“Start”的變量出現(xiàn)在了8個來自于不同職能部門的數(shù)據(jù)集之中，

并且擁有完全不同的含義——

這也是更為宏大的“數(shù)據(jù)治理”范疇中的一部分，將在未來的跨部門溝通中占據(jù)相當(dāng)?shù)谋戎亍?/p>

因此，對不同職能部門的員工進(jìn)行數(shù)據(jù)庫創(chuàng)建與數(shù)據(jù)錄入方面的培訓(xùn)、

對業(yè)務(wù)領(lǐng)導(dǎo)者進(jìn)行變量名稱及命名原則的介紹都變得尤為重要——

未來，它們都將為人力分析提供幫助。

人力分析的實(shí)際流程第5步：

數(shù)據(jù)分析

毫無疑問，數(shù)據(jù)分析是整個分析過程中最有趣的部分！

因為這并不是一個講解數(shù)據(jù)分析方法的講座，

所以對這一部分的介紹可能并不十分詳細(xì)，

但我仍然希望給予幾處提醒以及源自數(shù)據(jù)分析會議的一些建議。

下面的一些建議可能僅僅是統(tǒng)計分析的基礎(chǔ)，但他們?nèi)匀皇潜ＷC分析準(zhǔn)確性的關(guān)鍵。

特別是在面對大數(shù)據(jù)時，

分析團(tuán)隊很可能會被海量的數(shù)據(jù)以及數(shù)據(jù)集之中的所有分析對象所淹沒，

然而，其中的關(guān)鍵是由業(yè)務(wù)問題指導(dǎo)數(shù)據(jù)分析。

不要嘗試進(jìn)行所有變量之間的相關(guān)性分析，而是聚焦到特定的問題——

特別是那些為業(yè)務(wù)戰(zhàn)略帶來直接影響的問題，這或許是對于在業(yè)務(wù)情境下進(jìn)行數(shù)據(jù)分析時，最應(yīng)當(dāng)銘記在心的建議。

這也是在通常情況下心理學(xué)家要優(yōu)于數(shù)據(jù)科學(xué)家的原因——

前者更擅長于自上而下、演繹式的理論推理，

而后者則在自下而上、歸納式的模式上建長，盡管它們都是得出“真相”的必要方法。

與之相關(guān)的是，特別在面對大數(shù)據(jù)時，可能會存在大量的數(shù)據(jù)噪音，

一個優(yōu)秀的分析師應(yīng)該懂得辨別哪些數(shù)據(jù)應(yīng)當(dāng)被忽略或控制，例如干擾因子，而哪些則是真正的信號。

下圖是對于數(shù)據(jù)分析一個非常好的練習(xí)，

一定要在分析之前，將數(shù)據(jù)所對應(yīng)的圖像描繪出來，

這也是為了排查異常數(shù)據(jù)、并更為直觀的了解數(shù)據(jù)模式。

在參加分析研討會之前，我對“安斯庫姆四重奏”并不熟悉，

但它非常直觀的展現(xiàn)了圖示對于數(shù)據(jù)分析的重要性，而不是僅僅觀察描述性統(tǒng)計分析。

例如，盡管每一組數(shù)據(jù)的描述性統(tǒng)計分析結(jié)果都是相同的（均值=9，標(biāo)準(zhǔn)差=3.32等），

但不同數(shù)據(jù)集之間的關(guān)系模式、以及相應(yīng)的數(shù)據(jù)解釋都截然不同。

對于相關(guān)性研究，另外一個注意事項是時間效應(yīng)（Time Effects）。

例如，由于隨著時間推移變量A與變量B都在增大，

看上去似乎二者具有相關(guān)性，但也有可能是這樣的情況：

A、B都是時間的獨(dú)立共變量。

在這一關(guān)系中，時間是一項混雜的第三變量，

當(dāng)對齊加以控制時，A、B之間的相關(guān)性可能會很弱。

P值可能并不重要。

特別是當(dāng)你有龐大的雇員規(guī)模（例如10萬人）時，這個效應(yīng)會更加顯著，

即使計算的結(jié)果表明僅具備一定的統(tǒng)計顯著性，

甚至是“不顯著”的，你在現(xiàn)實(shí)世界里的感受都會十分明顯。

此外，P值建立在推論統(tǒng)計基礎(chǔ)之上，它假定你研究的樣本是來自于更大總體的隨機(jī)有限樣本。

然而，一旦你擁有源自該總體全體成員的數(shù)據(jù)，

例如來自于你所在組織中所有員工的數(shù)據(jù)，你可能不會將這些數(shù)據(jù)概括為一個更大的樣本。

在這一情況下，分析將僅僅成為一種模式的識別，而相關(guān)性則總是“顯著”的。

這一問題同樣在我出席的分析研討會中被提及，但根據(jù)網(wǎng)上的搜索結(jié)果，

一般而言，統(tǒng)計學(xué)家通常認(rèn)為你是在“超總體”這一理論上有限總體模型下進(jìn)行推論統(tǒng)計的分析，

然而在我看來，這種觀點(diǎn)可能并不完全成立。

雖然有關(guān)這一問題的詳細(xì)分析超出了本文所討論的范圍，

但一旦你邁入預(yù)測性建模的領(lǐng)域，你還將會繼續(xù)面對推論統(tǒng)計分析。

除了員工數(shù)據(jù)本身，人力分析團(tuán)隊所提供的情境數(shù)據(jù)能夠幫助高層領(lǐng)導(dǎo)者理解業(yè)務(wù)情境。

例如，招聘數(shù)據(jù)可以與地理區(qū)域間不同人口統(tǒng)計學(xué)分布、失業(yè)率、擁有特定學(xué)歷與技能的預(yù)計畢業(yè)生、家庭收入等一并展示。

對于從事人力分析并希望擴(kuò)展自身專業(yè)技能的IO心理學(xué)家，

應(yīng)當(dāng)深入學(xué)習(xí)那些與我們所習(xí)慣采用的統(tǒng)計分析類型不同的工具，

例如通常用于市場營銷領(lǐng)域的聚類分析以及通常用于社會學(xué)或流行病學(xué)領(lǐng)域的生存分析，

甚至是更加困難的通常用于研究疾病傳播的SIR模型。

例如，SIR模型可以用于研究對某項組織措施態(tài)度的內(nèi)部傳播（例如，S=易受影響的員工，I=“受感染者”或?qū)Υ舜胧┏钟蟹e極態(tài)度的員工，R=治愈<移除者>或那些曾經(jīng)持有積極態(tài)度，但已不再保留此態(tài)度的員工。）

盡管在這一部分介紹了許多不同類型的分析，所應(yīng)當(dāng)秉持的仍然是KISS（Keepit simple, stupid保持簡單，傻瓜?。┰瓌t——

如果一個簡單的T檢驗就能回答業(yè)務(wù)問題，那就去做。

如果并沒有必要，就不要僅僅是“為了使用”而使用那些有著繁雜結(jié)果、復(fù)雜而精巧的分析方法，反之亦然。

人力分析的實(shí)際流程第6步：

數(shù)據(jù)可視化與溝通

可以說，人力分析最重要的部分以及最終目的就是向高層領(lǐng)導(dǎo)者提出一些切實(shí)可行的洞見。

這一環(huán)節(jié)的目標(biāo)是運(yùn)用有吸引力的數(shù)據(jù)可視化手段溝通見解，并影響決策。

一條過來人的經(jīng)驗是，

這并不是你向高層領(lǐng)導(dǎo)者就HR業(yè)務(wù)伙伴show出滿屏數(shù)字或表格、以展現(xiàn)你超凡的統(tǒng)計技術(shù)的時候；

你需要切記，這不是一場碩士/博士答辯，

你并不需要證明你才是房間里最聰明并且正確的人，

維護(hù)高層領(lǐng)導(dǎo)者的自尊心是你的職責(zé)，不要令他們覺得你在暗示他們自己的愚蠢。

有時，可能耗時6個月的數(shù)據(jù)分析結(jié)果只需要一頁P(yáng)PT就能夠說清，

但請務(wù)必確保該結(jié)論對業(yè)務(wù)帶來的有力影響。

盡管我在上文提到過KISS原則，但如果（業(yè)務(wù)問題）需要，

以復(fù)雜的統(tǒng)計結(jié)果進(jìn)行展示說明也是完全可以的，

只要你運(yùn)用一些簡單的數(shù)據(jù)可視化技巧。

無論如何，底限是用盡可能最簡單的方式講述一個故事、切中要點(diǎn)、簡潔但確?？勺x性、施加影響并輔助決策。

你需要令你的洞見躍然紙上、你希望show出而不僅僅是講述你的發(fā)現(xiàn)。

要記住人類總體而言是一種視覺性生物，

即使是幻燈片的主題色都有可能對觀眾的注意力產(chǎn)生巨大的影響——

在商業(yè)世界，就是這么回事兒。

會議中一位顧問分享了一個有趣比喻：

令你的PPT像金·卡戴珊（Kim Kardashian）那樣：簡潔、過目不忘、無法回避。

對IO心理學(xué)家而言，

以業(yè)務(wù)高層領(lǐng)導(dǎo)者易于理解且切實(shí)可行的方式進(jìn)行數(shù)據(jù)可視化與溝通交流，

可能并不是最為擅長的：

我們被要求以準(zhǔn)確的術(shù)語進(jìn)行表達(dá)、使用盡可能多的統(tǒng)計分析、學(xué)術(shù)研究也并不關(guān)心幻燈片的樣子。

但就人力分析結(jié)果進(jìn)行溝通則不僅要識別哪些需要或不需要進(jìn)行展示，

還依賴于講述故事與演講技巧，這也正是藝術(shù)與科學(xué)相結(jié)合之處。

另外一項建議是，

盡管IO心理學(xué)家更傾向于使用定量的數(shù)據(jù)，

但運(yùn)用定性的、開放式數(shù)據(jù)也會幫助你更好的展現(xiàn)并講述你的故事。

比如，你也許識別出了數(shù)據(jù)的某種模式，當(dāng)你展示這些數(shù)字時，

你就可以添加一段與之相關(guān)、來自真實(shí)受訪者的對話。

最后一條忠告：

不要過度解讀你的發(fā)現(xiàn)，要了解數(shù)據(jù)的局限以及模型間的細(xì)微差別。

例如，或許分析發(fā)現(xiàn)僅適用于沃爾瑪超市或那些10公里內(nèi)存在競爭者的店面。

另外，請注意做出預(yù)測與因果關(guān)系并不相同，模式預(yù)測并不是因果關(guān)系，

僅當(dāng)開發(fā)模型所處的內(nèi)外部環(huán)境、管理情境未發(fā)生變化時，預(yù)測結(jié)果才相對“精確”。

例如，如果某種模型是用于預(yù)測某個行業(yè)中特定規(guī)模員工群體的績效表現(xiàn)，

那么，它很可能并無法預(yù)測另外一個行業(yè)中同樣規(guī)模群體員工的績效表現(xiàn)，

這一點(diǎn)也應(yīng)當(dāng)于數(shù)據(jù)溝通中銘記。

當(dāng)我與沃爾瑪?shù)念檰柦粨Q意見時，他表示在通常情況下，

他們對自己模型在兩年以內(nèi)的預(yù)測準(zhǔn)確性有足夠的信心，

但如果必須要做出更長遠(yuǎn)的預(yù)測，置信區(qū)間將增加、確定性也會減少。

數(shù)據(jù)可視化工具

SPSS，Excel，R以及其他一些編程語言都是數(shù)據(jù)可視化方面常用的工具，

但一些人力分析從業(yè)者會使用Tableau，我嘗試了試用版，它棒極了！

不需要復(fù)雜的編程（當(dāng)然，還是需要使用一些語法）、加上一些小的調(diào)整，就能夠做出精美的圖表，我強(qiáng)烈推薦你試試看。

這里是我使用Tableau制作的加拿大百佳雇主的可視化數(shù)據(jù)實(shí)例。

這個過程需要多長時間？

人力分析團(tuán)隊面臨的一個問題是：

高層管理者或其他利益相關(guān)方并不了解完成整個過程所需要的時間。

高管通常要立即看到結(jié)果，而這個過程可能會需要40~60小時，還不算上數(shù)據(jù)獲取的時間。

取得數(shù)據(jù)可能會花費(fèi)數(shù)月甚至數(shù)年的時間，特別是對于全球化企業(yè)。

會議中，以為顧問分享了他的經(jīng)歷：

由于德國在獲取雇員數(shù)據(jù)方面嚴(yán)格的條款，

令雇員人數(shù)信息收集產(chǎn)生了延誤，最終導(dǎo)致整個項目延期6個月。

所以，到底這個過程需要多長時間呢？

顯然，由于這取決于數(shù)據(jù)收集的類型、組織規(guī)模等，

因此并沒有一個準(zhǔn)確的數(shù)字，但在取得數(shù)據(jù)之后，根據(jù)分析研討會的結(jié)論，

大體上完成這一過程所需時間會按此分配：

沒錯，把大約80%的時間花費(fèi)在數(shù)據(jù)清理上的確有些滑稽——

只有很少的時間被真正用于數(shù)據(jù)分析與可視化。

另外，提出這一分配比例的顧問還特別指出，

在使用Tableau之前，只有大約2%的時間用于數(shù)據(jù)分析，18%的時間用于數(shù)據(jù)可視化，看來它的確幫了很多的忙！

他提出的另外一項建議是，

記錄每一個環(huán)節(jié)所花費(fèi)的時間，并將此記錄向高層領(lǐng)導(dǎo)者呈現(xiàn)。

或許這些數(shù)據(jù)將有利于爭取更好的分析軟件、系統(tǒng)或是更多的團(tuán)隊人手。

同時，如實(shí)客觀的向利益相關(guān)方展示人力分析的流程也有助于幫助其避免提出不合理的時限要求。（end）