前不久，在盖雅学院-HR成长营群里，有HR围绕数字化人力资源管理的应用，提了个问题：
数据化人力资源是近年来的大热话题，貌似不懂点数据化理念、工具和思维，都不好意思自称是走在时代前沿的HR了。懂不懂数据化人力资源，已经成为普通HR和超级HR的分水岭了。
在传统的人力资源策略中，HR更多依赖直觉或过往管理实践；而在当今这个商业形态、科学技术与劳动力概况都发生巨大变化的情况下，过往的经验、或个人直觉的作用日益弱化。人力资源决策如何运用数据和事实来驱动，被不断提上议程。谷歌的首席人才官就曾说过：“谷歌的HR决策从来都不是来自哪个最佳实践，一定只会来自内部数据的分析”。
好在，大多数HR部门具备实施数据化人力资源的基础。毕竟，在很多公司内，HR的很多事务性工作是产生有价值的数据源：比如从面试到入职，从培训到发展，从考勤到薪资，从薪酬到福利，这一系列环节必然会产生很多数据。而只要有合适的工具追踪这些数据，就能够产生价值。那么，HR部门具体拿这些数据做什么样的预测和分析？常见的数据分析应用包括：
提高人效类的——比如用产能或销售额和人力需求建立线性回归分析，预测未来的人力需求；
提升员工体验的——比如谷歌分析员工排队候餐的数据，得出最理想的排队时间，重新设计了员工餐厅布局；
提升培训效果的——比如将培训评估分制转化为标准分，绘制正态分布图；
预测员工行为的——比如通过各种数据建模，预测员工离职倾向。
前三种应用相对比较常见，即使在国内的数据化人力资源起步阶段的情况下，也慢慢开始越来越多的企业人力资源部门开始注重运用大数据，对人效、培训、员工体验进行分析和预测。不过，用数据建模或AI技术，来预测员工离职倾向，似乎还只是存在于互联网大厂的神话中。
我们今天就来集中看看这些看似神话的例子，看看别人家那些优秀的孩子在数据化人力资源方面的突出实践：
IBM：AI预测离职准确率高达95%
4月，IBM首席执行官弗吉尼亚·罗曼提（Virginia Rometty） 在纽约举办的CNBC“劳动人才+HR”峰会上公布了一个令人震撼的数据化人力资源应用的案例：IBM用AI预测员工离职准确度95%，通过“预测减员计划”节约了近3亿美金。
IBM是一家拥有大约35万名员工的科技巨头，在罗曼提担任CEO的七年时间里，IBM一直在改进其人工智能工作，以帮助留住人才，她表示：“想挽留一名员工，最好赶在他做出离职的决定以前。” 所以，IBM人力资源部门和Waston合作开发了员工离职预测系统。有了这个系统，公司就可以及时发现员工的辞职念头，和他们讨论加薪、奖金、补贴等等办法，进而商讨出双赢的对策。该系统现在已经申请了专利。
不过，罗曼提并没有解释人工智能如此有效识别即将跳槽的员工的“秘方”是什么，只是说该技术的成功来自于对许多数据点的分析。但表示：该技术目前预测的准确率在95%的范围内，而且迄今为止已经帮助IBM节约了近3亿美元的员工留用成本。
Google：用“人才保留算法”预测员工离职
谷歌是用数据分析导向处理人力资源职能的典型代表。它们把人力资源部门称为“人力运营部”，谷歌人力资源运营部的一切决策，都是通过强大的“人事分析团队“来引导的，谷歌所有的人事决策都是基于数据和数据分析的。它甚至拥有一个任何企业所不具备的独特团队——人力资源实验室。这个团队的工作，是在谷歌内进行具有应用性的实验科学的数据和实验，来判定谷歌是使用最有效的方法来管理员工并提供多种的工作环境(包括使用最令员工愉悦的奖励方式)，这个实验室甚至借助科学的数据和实验，通过降低员工饮食中卡路里的摄入量，来促进员工的健康。
而谷歌借助自己开发的“人才保留算法”，则能够积极并成功的预测到哪些员工可能会离职。这项举措允许管理者在为时过晚之前采取行动，并为员工留任提供个性化解决方案的空间。
日本Solasto：利用人工智慧“KIBIT”判断新员工离职倾向
Solasto是日本一家拥有超过50年历史的医疗护理公司，这家公司每年有高达5000名新员工加入，而这些新入职员工往往离职率较高。Solasto为了防止员工出走，引入了由FRONTEO（幅锐态科技）开发的人工智慧“KIBIT”，来分析新员工的常规问卷，从而判断是否有离职倾向，最终将离职率有效减少2成。
Solasto有个惯例：每年都会针对新进员工结合问卷进行7次面谈。内容大致为“对职场、业务是否习惯”、“健康状况”、“人际关系”等等。以往，判断员工的状态，需要完全依赖面谈者的经验、立场和直觉。自2017年引入人工智慧“KIBIT”后，Solasto将员工问卷自由填写的栏位内容，交由AI分析，从细微之处的文章表现，来分析员工是否有离职倾向。
分组实验证明，AI 确实能够相对准确的找出有离职倾向的员工。公司根据分析结果及时妥善得去介入协助、调整后，就能够有效打消员工离职的念头。
瑞士信贷银行：在员工过往数据中预测离职倾向
在职员工的工作任期、员工调查、沟通模式甚至性格测试等一系列数据往往也能够揭示员工去留动机，从而分析判断员工的离职倾向性。当然，离职背后的动机很复杂，通常包括收入多寡、同事关系、公司前景、职业规划等，很难靠单一数据变量去预测。在不同公司，这些变量的影响力又有很大的差异。
比如在瑞士信贷银行，他们通过研究员工过去三年的历史资料，包括加薪、升职以及人生重大变动等事件，来预测他们接下来的数年内是选择留在银行继续工作还是跳槽。根据预测和分析结果，瑞士信贷银行人才分析团队发现，他们的员工离职与“主管表现”和“团队规模”最相关。
因此，瑞士信贷银行开始积极为员工改变工作职位，让员工更愿意留下来。他们特意发布全球计划，允许和鼓励员工参与内部人员流动。瑞士信贷的招聘人员现在会把超过 80%的工作向内部员工开放，并且在职位发布时会直接打电话给内部员工。为了进一步降低跳槽率，他们甚至开始用算法来推荐员工去参加内部流动。
通过这个内部计划，瑞士信贷银行有 300 多人获得了职位晋升。用瑞士信贷银行人才分析团队负责人Wolf 的话讲，这些人如果没留下的话，很可能就跳槽了。“我们相信，是我们的工作让他们留了下来，而没有让他们没有选择跳槽。”
印度inFeedo：聊天机器人分析员工情绪，预测离职的概率。
inFeedo是印度一家专注于员工敬业度的人工职能HR分析平台，他们的系统会以调查问卷的方式，从反馈的数据信息中剖析答题者的情绪反应，预测员工的离职概率。inFeedo还推出聊天机器人，这个机器人会定期和每位员工聊天（这个AI聊天系统学习能力很强，基本能做到以假乱真，你根本不知道是机器还是人），还会根据内容产生相应的报告。如果有情绪异常或急需要处理的问题，机器人则会通知相应的主管或HR赶快进行解决。
调查显示“52%的员工，不愿意与他们的领导共享信息”，所以这些数据系统往往可以发挥更大的价值：Your Learning比培训人员和你的主管，甚至于你自己更了解你的学习需求；HappierWork在重要的时刻，一个小提醒却是一个大的心意；而inFeedo可能比你的直接领导可能还要了解你的情绪变化。
腾讯HR：分析员工下载知识文档量，判断员工离职概率
看了这么多国际互联网公司的案例，再来看看国内的大咖腾讯。腾讯的HR一直以产品经理思维，把员工当用户著称。他们的人力资源策略也非常显著得以数据分析为导向。比如我们听说过腾讯HR通过分析员工下载知识文档的数量，来判断员工的离职概率。
在腾讯内部的“鹅民公社”——弹性福利平台，每个月都有三万五千多人使用，而“鹅厂运动”每个月有三万一千多人使用。而这些功能的应用，为员工行为分析与预测提供了大量有价值的数据。
早在2012年，腾讯就开始用数据分析员工离职率。他们毕业进公司满3年的毕业生们，其流失率达到普通员工流失率的3倍。为什么这些腾讯花了大力气培养了三年、刚刚可以独当一面的骨干，面对腾讯优越的待遇即培养资源，却要离开？腾讯再深入电话访谈后，发现原因居然是“丈母娘”。毕业三年往往等于适婚年龄，而深圳房价攀升，购房无望的
基于这样的分析，腾讯HR推出了著名的“安居计划”：公司拿出一笔基金，免息提供给符合条件的员工，帮助员工提早买房该举措的效果特别显著，实施几年之后再看数据，在人才竞争非常激烈的外部环境下，参与安居计划的员工流失率不到1%。
当然，这些大厂在人力资源数据分析或AI技术方面的炫酷应用，是与企业发展的成熟度、企业文化驱动、数据和事实导向的思维方式、人力资源长期有意识的数据积累等密切相关。但我们也并非只能望其项背，毕竟大多数的数据分析工具和技术其实没有那么复杂，但难的是以终为始的数据分析意识。
你到底需要通过数据驱动创造怎样的价值？HR的数据与业务的关系是什么？怎样建立数据驱动决策思维，怎样建立完整的HR数据收集体系？这些是需要想清楚的。
本文开头提到，在盖雅学院的HR成长营微信群中，有HR提到《大数据时代下的人力资源管理》一书中人力资源数据化在提升人性、培训、员工体验以及预测员工行为的常见应用。您所在的企业，有关于数据化人力资源的实战应用吗？欢迎扫码与我们分享和交流。
（我们会选取优质回答者赠送《大数据时代下的人力资源管理》一本）
