 |
楼主(阅：62849936/回：0)文跃然：掌握这5种人力管理范式的人，将走得更远【上】
一、测量之谜与中国长城 我们先来谈一谈测量系统的效率、测量人的效率，这个问题是怎么迷惑我们的？或者聊一聊我们在这方面有哪些困惑。 1.我对测量数量产生的兴趣之源 我是经济学出身，复旦大学经济系毕业。在读研究生的时候，就对国民收入分配问题非常感兴趣，在我写硕士论文的时候，曾在北京图书馆呆了一个月，当时有两本书，一本是克拉克（〔美〕约翰·贝茨·克拉克）先生写的《财富的分配》，另一本是道格拉斯写的《工资理论》。来这里之前，我心里就有一个问题，这个问题是克拉克先生提出的：“劳动和资本共同合作产生了财富，再分配的时候，劳动应该得多大比重？资本应该得多大比重？”克拉克发明了边际生产力理论，用边际生产力决定财富的多少。这个理论我读得比较多，论文里也写了这件事，似乎是接受了它的观点，但是现在来看，工资分配中劳动应该占的比重和资本应该占的比重还是一个悬而未决的问题。当时为了写论文，我找到道格拉斯先生写的《工资理论》，他对克拉克的理论做了数据化的说明，提出道格拉斯生产函数，试图算清楚资产函数对国民收入的贡献比重，以及获得收入分配的依据。由此，使我对测量数据的兴趣就从这里开始了。 2.测量之迷：人力资源领域 我是在2000年开始做人力资源管理的，在人民大学人力资源系当系主任，也是从那时候开始关注人力资源管理的一些问题，因为我是经济学出身，所以用经济学背景来研究人力资源管理，对“人的贡献以及在收入分配中应该有的比重依据”这个问题很感兴趣。德鲁克曾在1954年说：“人力资源管理工作既不做跟人有关、又不做跟管理有关的事情，人力资源部门似乎是一个没有用的部门，因为它不能用数据证明自己的贡献”。后来，这句话被很多人力资源管理学者加以引用，一个是对自己弱点的表达，另一个是对自己的鞭策，我们应该用数据说话，不仅用数据来证明自己是有用的，还要用数据来找到绩效的驱动力。 3.绩效黑箱 我在2009年读了《战略人力资源管理》这本书，书中最后一篇是对未来的展望，提到了“绩效黑箱”这个概念。什么叫“绩效黑箱”？从泰勒先生在1911年发表了科学管理原理开始，之前也有更早一点的，比如法约尔先生，比泰勒的实践早了20年，到2006年、2009年，我们做了很多的管理活动，产生了很多管理理论，我们以为这些管理活动和管理理论能够帮助我们找到高绩效的钥匙，但实际上找不到，所以很多管理措施是一个方面，绩效是另一个方面，我们其实不知道管理措施和绩效之间到底是怎样连接的？这个现象就叫“绩效黑箱”。换句话讲，绩效在很大程度上是在没有因果认知的情况下取得的，很多时候是碰运气的，看上去是这样，实际上可能就不是这样了。对这件事我极其有兴趣，“绩效黑箱”这个概念如果成立，我们怎么去解开它？ 4.测量之迷：人力资源管理中的差不多原理 在日常决策过程中，我们也会碰到很多这样的问题，都是模糊决策的。刚才吴春波教授演讲的时候讲到“灰度”，灰度应该是介于0和1之间的事情，这也是一种认知。而我讲的是“精准”，1就是1，2就是2，0就是0，我们在绩效管理或人力资源管理过程中，大多数时间用的是“差不多原理”，这个原理对吗？我觉得可能是个问题。 5.中国长城：挡住了什么？ 我在去年（2017年）看了《人力资源测量方法》这本书，书中有一幅图（见下图），表达了这样的意思：人力资源管理一直到现在为止做的都是红墙左边的事情，红墙英文叫CHINA WALL，我称之为“中国长城”。左边的事情主要有：（1）人力资源指标/报告；（2）标杆管理法。比如别的公司每名员工，每年培训的时间是80小时，我们也不输给他；他的人均招聘成本是3000元，我们就应该低过他，标杆也是一种数据。（3）一些数据系统和出入口，比如说SAP等。（4）对一些计分卡方法做深入分析，比如著名的平衡积分卡以及后来的人力资源积分卡，都是一种尝试，想用数据说话。即使是计分卡到了相对深入的分析阶段，我们还是有一些东西看不见，被红墙挡住了。什么东西看不见？一是这些数据整合到一起后，最终会到哪里？我们以前的分析更多是描述性的而不是预测性的。二是因为做不到预测性，所以很难做到规范性，你不相信基于数据决策应该这么做，所以预测性和规范性被挡在墙的另一边，可以把这个墙看成是一座山，我们是在山下看世界，山里面其实还有更大的世界。
二、艰难探索：人力资源数据化的前世、今生和未来 1.国外：数据分析在人力资源的应用 （1）泰勒《科学管理原理》 最早数据化探索的功劳属于谁呢？毋容置疑是泰勒先生。他在《科学管理原理》一书中，举了几个非常微不足道的例子，但是他发现了非常伟大的原理，从1911年到现在一直影响世界而且造福于世界。 他在《科学管理原理》里面用到的第一个例子是搬运工，其中有两组数据，第一组是1.18和1.88，这是1911年美国的日工资率，就是工人一天可以赚这么多钱，现在合成人民币一个月大概是二三百块钱。第二组数据是不同的产量状态，支付工资1.18元的时候，员工搬运生铁12吨，但泰勒先生发现有人可以搬运47吨，他就琢磨这47吨能不能成为大家的绩效标准？从12吨到47吨是3倍的差距，有没有可能实现？如果实现了，员工的生产率就提高了3倍，在员工生产率提高3倍的情况下，就让员工的工资提高7毛钱。后来，经过几千次的实验，把搬运生铁分为五个动作，每个动作用秒表看，在什么样的情况下用最少的时间搬运多少？最后他得出一个结论：这个钢铁厂最大的任务量应该是47吨而不是12吨。 这个科学发现影响了全世界，我们很多的绩效标准并没有达到最大的任务标准，而最大任务标准是要用数据说话的，一旦找到，生产率将得到提升。员工工资是基于生产率的，所以员工工资就会增加，管理走上健康大道，生产率提高随之员工工资的提高，同时企业的收入也增加了。 泰勒先生更多的是研究任务，所以他把《科学管理原理》叫任务管理，对人的动机没有太多的研究，他在《科学管理原理》的后部分讲到管理的两件大事，一个是任务管理，另一个是动机管理，动机管理的测量由后面的学者完成。从泰勒往后，大家开始注意动机的研究，这是属于心理学方面的事情，一直到1943年，对这方面的研究都非常多，包括现在我们也是基于他们的应用. （2）菲茨-恩兹《怎么去衡量人力资源管理》 1978年在人力资源测量界发生一件大事，由（美）菲茨-恩兹，（美）戴维森编写的这本《怎么去衡量人力资源管理》的书，测量整个人力资源管理系统是不是有效的。泰勒先生测量的是任务，梅奥先生等行为学派、心理学派更多的是测量心理，从测量单个人的任务、测量个体的心理到测量整个人力资源系统的效率，是一个里程碑的事。在这本书里作者总共提出了30个指标进行测量。 （3）平衡积分卡和人力资源计分卡 平衡计分卡和人力资源计分卡这两个方法论的作者非常重要。1996年，罗伯特.卡普兰（哈佛商学院）和大卫.诺顿（David Norton）介绍了平衡计分卡，也是想解决测量的问题，或者说是想部分地解决测量问题。1996年—2001年，2001年,BrianE.Becker，MarkA. Huselid和Dave Ulrich在他们的《人力资源计分卡》一书中，强调人力资源记分卡能够显示人力资源活动与公司战略和活动的一致性，以及他如何改善组织结果。 平衡计分卡主要是衡量财务和非财务指标，找到两者之间的因果关系，提出通过考核指标找到绩效因果面的想法，同时也提出绩效驱动力的想法。人力资源计分卡指出平衡计分卡这套系统中，如果学习与成长不分解为岗位设置、招聘、培训、考核、薪酬这一系列，并且用数据说明这套系统有没有效果，那么平衡计分卡也是落不了地的。这两本书在人力资源测量方面，具有划时代意义。 随着这些管理学家的深入研究，由测量任务、测量心理、测量系统，发展到考虑人力资源体系和战略落地之间的匹配关系了。2005年，第一个人才管理系统（TMS）建立（TMS是可以自动完善人才管理重要流程的一个综合平台，是可以存储各种员工数据的一个工具，今天，TMS平台还可以存储和管理社交媒体数据，以及其他数据痕迹和人才行为数据）。2010年左右，预测分析开始出现在大多数领先公司的人力资源部门，比如Google、IBM等。从过去国外发展的情况来看，数据化人力资源管理具有五大趋势：
2.国内：数据分析在人力资源的应用 （1）杨伟国《战略人力资源审计》 由杨伟国老师写的这本《战略人力资源审计》一书，我认为这是国内第一本研究人力资源数据化的书，其价值等同于1978年美国出版的《怎么去衡量人力资源管理》这本书。杨老师用审计思维从各个方面分析人力资源。从事人力资源工作的朋友们都知道人力资源功能、人力资源规划、人力资源行动等概念，这些在实践当中也都会用到。 （2）文跃然GREP计分卡 非常感谢彭剑锋老师把我的想法写到了他的教科书中，由此很多人都知道了GREP计分卡。我是受平衡计分卡和人力资源计分卡的影响，想在中国研发一套自己的计分卡。 我认为，一个企业做得好不好，主要有四个纬度：
从这四个维度，分解为十几个要素，再将十几个要素分解为几百个要素。在中国电信、联想集团等，凡是我做过的项目里，都使用这套计分卡来表达我对企业的理解。 （3）其他研究者对“测量”的认识 人力资源计分卡、企业驱动力，特别是企业绩效驱动力和人力资源绩效驱动力，应该是测量的中心概念。国内其他老师在这方面也做出很多贡献。以我们学院为例，我刚来劳人院的时候，彭老师讲《人力资源数据测评》这门课，我听了一个学期的课；另一位孙健敏老师，是北京师范大学心理学系毕业的，他是心理学背景出身。如果让我来评价他们两位在中国的地位，彭老师是中国的“泰勒”，孙老师就是中国的“梅奥”。彭老师更关注任务原理，孙老师更关注动机原理，他们的研究结合在一起就是整个管理。 另外徐世勇、李育辉都是偏测量系统的，如果彭老师门徒里面要加一些人的话，我本人算是一个。 
帖间广告位01
|
