谷歌首创“People Analytics”(PA)一词,并在人力资源部门设立了专职的PA团队。People Analytics,译作人力分析或人力资本分析,是以组织的人才管理为起点,通过数学和统计学方法,收集和应用人才数据,识别组织在人才管理关键方面的模式、趋势和相关性,以帮助组织优化其人才战略,提高员工敬业度和满意度,并最终在竞争激烈的市场中取得成功。
今天,企业越来越重视人力资源的分析工作,期望为各种管理场景提供依据,预测未来业务趋势,辅助经营决策。麦肯锡的研究指出近90%的组织不同程度地使用人力分析。人力资源团队通过人力分析工具和方法,从内部和外部的人才数据中获取有价值的信息,分析和预测整个组织的员工行为,为管理层的人才和业务决策提供依据,建议或指导。
基于企业数智化底座用友iuap平台领先的数据挖掘和机器学习等技术,用友BIP面向企业管理层、HR人员推出人力数智分析产品。通过收集、分析和解释人力资源相关数据,如员工的工作经历、培训记录工作绩效评估、薪酬情况、假勤工时等,以支持组织决策和管理的过程,帮助组织更好地了解和优化人力资源管理,提高员工的生产力和满意度,从而提高组织的绩效和竞争力。为客户的HR业务人员及管理者直接赋能,通过数据实现对企业人力资源管理进行全面、多维、深度、灵活的审视。
某世界500强:以数据驱动干部管理
某世界500强企业聚焦钢铁业、园区开发与运营管理、产融结合、新产业四个板块协同发展,成为跨行业、跨地区、跨所有制、跨国经营的综合型大型国有企业集团。
在“十四五”数字化转型的背景下,数据治理和人才盘点是人力资源管理专业数字化转型的必经之路,集团的干部队伍分析更是人才盘点的核心工作,国有企业干部队伍是党在经济领域的执政骨干,是治国理政复合型人才的重要来源,肩负着经营管理国有资产、实现保值增值的重要责任。
该世界500强企业携手用友,搭建了人力资源数字化盘点平台,依据市委组织部下发的各级领导班子及领导人员队伍建设综合分析研判的通知,结合集团各级班子及领导人员加强干部队伍建设三年工作方案与领导人员选拔任用工作办法,将干部队伍业务现状图表化、看板化,展现集团干部队伍结构现状。
同时,通过对领导人员年龄、职级、学历、职称、各职级人数、性别人数等单位、平台等信息进行相关分析,利用图表直观展现领导人员变化趋势、各平台领导人员数量、各职级年龄结构、各平台文化素质情况,了解干部人员结构变化、干部队伍的预测分析,为干部队伍建设提供决策依据,精准定位干部队伍的发展方向,实现集团战略人力资源的管理目标。
干部队伍结构分析
某中国500强企业:以数据驱动人才结构分析
某中国500强企业是全球领先的水产饲料生产企业及重要的畜禽饲料生产企业,拥有80余家涉及饲料业务的分、子公司,生产、销售网络已布局全国大部分地区及越南、孟加拉、印度尼西亚等东南亚国家。该企业围绕“看清人才、看全人才、激活人才、科学配置”的人才管理宗旨,基于长期的管理实践凝练出科学的人才管理逻辑和清晰的人才标准,以此为牵引,在人才发现、鉴别、配置、使用的全人才供应链条中应用人才分析,从个体、总量、结构配比、运行动态等多元视角,数字化可视化展现人才图景,提供依据客观、指向明确的决策建议,体现人才管理专业价值。
可视化人才画像
从实践中逐渐探索出一套契合企业发展的人才管理模型和标准,并在大量异构化信息系统中沉淀起丰富的人才数据。但分散冗杂的人才数据缺乏有效组织,未能发挥出与人才标准印证比照、精准匹配、科学用人的作用,陷入“守着金山挖不出金子”的窘境。
通过打破异构系统屏障,数据集成重组,汇聚集中起全面人才数据;基于体系化人才模型和标准,依托用友BIP数据分析基座,构建起数字化可视化人才画像;结合全维度对比分析;实现看清看全、科学识人。
人才画像示意图
人才对比示意图
人才动态监控
动态化实时化是实现全面科学人才管理的内在要求,是人才管理深入提升的关键体现。聚焦于解决人才管理过程中的滞后性和时效性问题,开展人才动态监控,理顺人才配置的触发牵引机制。
仰赖于数字化系统的建设,运用用友BIP提供的实时分析能力,对连续绩差、年龄超限、任期超限、超期培养、违规违纪、人才新任等各类情形动态监控、实时预警、及时反馈,达到快速响应、科学配置。
人才监控看板示意图
数据已经成为企业的核心资产,人力资源数智化需要对组织和人才发展全生命周期的数据进行全面治理。通过将数据在人力资源管理不同业务场景进行分析应用,可发挥数据价值最大化,以数据驱动决策,提升组织管理效能,促进员工科学管理。
好文章,需要你的鼓励
谷歌发布新的AI学术搜索工具Scholar Labs,旨在回答详细研究问题。该工具使用AI识别查询中的主要话题和关系,目前仅对部分登录用户开放。与传统学术搜索不同,Scholar Labs不依赖引用次数或期刊影响因子等传统指标来筛选研究质量,而是通过分析文档全文、发表位置、作者信息及引用频次来排序。科学界对这种忽略传统质量评估方式的新方法持谨慎态度,认为研究者仍需保持对文献质量的最终判断权。
Meta公司FAIR实验室与UCLA合作开发了名为HoneyBee的超大规模视觉推理数据集,包含250万训练样本。研究揭示了构建高质量AI视觉推理训练数据的系统方法,发现数据质量比数量更重要,最佳数据源比最差数据源性能提升11.4%。关键创新包括"图片说明书"技术和文字-图片混合训练法,分别提升3.3%和7.5%准确率。HoneyBee训练的AI在多项测试中显著超越同规模模型,同时降低73%推理成本。
Meta发布第三代SAM(分割一切模型)系列AI模型,专注于视觉智能而非语言处理。该模型擅长物体检测,能够精确识别图像和视频中的特定对象。SAM 3在海量图像视频数据集上训练,可通过点击或文本描述准确标识目标物体。Meta将其应用于Instagram编辑工具和Facebook市场功能改进。在野生动物保护方面,SAM 3与保护组织合作分析超万台摄像头捕获的动物视频,成功识别百余种物种,为生态研究提供重要技术支持。
上海AI实验室团队提出ViCO训练策略,让多模态大语言模型能够根据图像语义复杂度智能分配计算资源。通过两阶段训练和视觉路由器,该方法在压缩50%视觉词汇的同时保持99.6%性能,推理速度提升近一倍,为AI效率优化提供了新思路。