辉瑞：大数据在企业离职分析中的应用尝试

徐刚/人力资源运作团队负责人/辉瑞投资有限公司

人力资源信息化背景

辉瑞是全球最大的以研发为基础的生物制药公司，自20 世纪80 年代进入中国以来，拥有超过12000 名员工，企业规模不断扩张的同时，人力资源信息化管理与技术的革新也在不断契合着企业发展战略与业务需求。
在人力资源信息化发展的早中期，大多数企业都有着相似的方法与路径，辉瑞同样经历过基础系统搭建、人力资源共享服务中心建立、强化经理自助服务、全球人事管理系统标准化等等这些阶段。与此同时，辉瑞配置了专属的信息安全审核团队，负责数据安全的研究和审核，设置了多种条款和管控措施来保障数据安全及符合国家对个人信息的管控要求。这些实践和背景是辉瑞的人力资源信息化走向全球标准化的重要基础。
发展至今，伴随着人工智能和大数据分析的新技术趋势，辉瑞HR 开始不断地在新技术领域上进行相应的尝试，如通过RPA 机器人流程自动化来完成数据核查、简历筛选工作；通过人工智能进行大数据离职分析，寻求业务人员高离职率的关键因子，以提供精准的离职风险预测。在访谈中，受访者也以“离职分析”为例展开了数据运用实践。在谈具体的实践之前，值得一提的是：辉瑞在数据治理以及数据分析运用方面的相关经验。

人力资源数据治理

大数据分析离不开数据质量和数据管理，高质量的数据和有效的数据管理，在任何数据应用场景，都能够保证分析结果的价值。辉瑞对数据质量管理有高要求，主要从人员管理、RPA 技术运用、日常数据检查、数据流程改进四个角度出发，来进行全面治理数据，夯实数据基础。

人员管理
 
明确数据管理和录入系统的负责人：设定各类数据录入及
    
审核的责任人，由这些成员负责日常数据采集和审核。例 如，人事录用数据由招聘团队负责、人员异动数据归于 HRBP、员工基础信息（身份证、学历）划分至HR 运作团队。
? 制作便捷手册：辉瑞会将数据系统的使用方法和规则等形 成便携手册，以便于经理和员工在使用系统得到方便的指 导和学习，而不仅仅依赖于系统上线时的全体培训。

数据流程

为了防止数据回转流程的复杂性影响到数据准确度，辉瑞进一步精简了数据的收集流程，规定数据的录入由首个接受信息的人员来完成。并设定了系统录入的条件和权限，从根本上来避免数据录入的错误。
    
技术应用

采用RPA 机器人流程自动化技术利用固定规则定期进行日常数据核查，审查错误数据源。例如HR 将员工的身份证号信息和生日和性别做核查匹配；工资和薪资等级进行匹配。
    
日常数据核查与持续改进

数据核查关键在于寻找错误源，辉瑞的RPA 数据检测工具可以在日常审核中及时的异常数据，发送给该区域相关负责人进行校对修改。同时，HR 部门会观察数据经历的步骤，找到错误或遗漏数据产生的原因，HR 会对于犯错的相关的负责人进行监督和教育。对于员工自助服务产生的数据错误, 及时通过RPA 工具提醒员工自主修改； 对于经理员工常见错误会及时更新指导手册提醒，同时尽量寻找系统控制可能性引发系统的持续改进。
    
大数据分析的必备工具：数据分析团队、AI 技术工具

大数据分析的成功应用必定是建立在技术和人员的基础上，然而， 传统的HR 团队并不一定具备数据分析的专业人才，并且既有的技术
无法提供预测模型，因此无法满足企业数据运用的需求。对于此，辉瑞做了如下工作：

数据分析团队：

辉瑞的人力资源部门虽然设有数据分析的人员进行日常数据报表的相关工作，但由于HR 部门的特性与预算限制，此时无法招募具备有大数据分析经验的专业人才， 因此HR 难以利用人工手段去全维度收集分析大量数据，这样的分析容易被业务领导所质疑且不具备强有力的说服性。
为了应对人员能力和专业性带来的挑战，HR 团队开始与辉瑞总部数据分析团队的合作。辉瑞中国HR 发现，为了应对大数据应用的趋势，在辉瑞总部已经有了专业的数据分析团队，该团队会应对商业层面上的各种大数据分析需求。于是HR 及时与该团队建立合作关系， 从专业性上弥补HR 团队对于大数据分析经验的缺失和人力不足的问题。这为HR 的大数据分析创建了必备条件。

技术完善：

由于既有分析无法提供预测模型，在传统的离职分析中，往往是在人员流失已成事实的情况下才去寻求原因，此滞后性的分析结果无法促成有效的员工保留措施。对于此，辉瑞进一步加强技术，采用AI 技术进行全方位大数据分析，建立数据模型，自动分析出员工离职的相关因素。商业智能软件也是企业进行人力资源大数据分析的有效武器。

大数据在企业离职分析中的尝试应用

辉瑞的大数据分析的首要应用场景是员工离职风险预测，在整个分析的流程中主要分为五个步骤，合理有效的逐步推进，依次为制定分析计划，采集关联性数据、数据清理、建模分析、预测模型。

分析计划明确业务需求：项目规划前期，识别业务需求是非常关键 的一环。数据分析的本质是服务于业务需求, 如果没有业 务理解, 会导致分析无法落地。辉瑞的HR 会与业务团队、 数据分析团队充分沟通，识别当前业务离职率高的痛点， 判断分析需求是否可以转换为数据分析项目, 并明确找到离 职的关键数据维度、以及建立预测模型的需求，并以此需 求为基础展开后续项目计划工作。

确立分析方法： 辉瑞HR与业务团队和数据团队共同进行 头脑风暴，结合数据团队的其他项目的分析经验共同确立 分析步骤，在项目早期达成共识明确项目计划与里程碑。
 
全渠道数据收集

一般情况下，人力资源用于战略数据分析的核心数据，采集维度可分划为2 ～ 3 个层级，而用于支持AI 平台作全面数据分析的数据，是不受上述规模限制。因此辉瑞在数据采集过程中，利用AI 技术进行全渠道数据采集，汇总各个维度的数据。除了人员相关的数据以外，还尽可能的与其他部门合作，采集外部市场数据、销售员工财务行为、销售行为等相关数据（具体可参见下图）。数据采集范围越广就越有可能通过人工智能充分的发掘各类数据与员工离职之间可能的相关性，越能提高预测精准性。

    
数据挖掘与清理

辉瑞虽然在日常的数据管理中已有较好的质量基础，对于数据的检查及清理仍不能放松。HR 在数据应用中发现的异常数据，观察其经历的步骤和路径，寻找导致数据错误的原因，以此改进数据收集的流程，或者教育及培训相关的负责人。大数据分析中抽取到的原始数据中存在数据缺失、坏数据，因此必须通过数据清理提取出有效数据。
    
AI大数据分析与建模分析

辉瑞在分析过程中主要运用的工具是 AI 人工智能软件，AI 的计算是可以通过不同的纬度去寻找关联因子，通过数据模型关联和挖掘匹配的原因。通过初步的人工智能软件的分析发现了如下的一些关键相关因素。
    
行为数据/ 动态数据：员工日常工作中产生的行为数据3 个月内报销金额下降的员工离职风险高
3 个月样本申请量下降的员工离职风险高
销售达成率有40% 下降的员工离职风险高
    
静态的数据：员工的一些基础数据 特定城市特定薪资范围的员工离职风险高
高绩效的保留卓有成效，主要是中低绩效人员的离职
    
模型预测与数据结果验证

预测模型的运用是大数据分析技术较为关键的部分，其分析结果更接近于问题预警，通过预测、预警机制有效干预管理问题的产生。辉瑞会通过AI 建立预测模型，根据员工层级、在职时间等不同的纬度对员工进行划分和归类，分析模型会得出员工离职倾向高低的信息， 通过打分机制量化员工的离职风险概率，分数高的是需要重点关注（如下图所示）。这样做的目的是可以从离职预测中得知高离职倾向的员工，HR 可以提前有针对性的去做员工保留的措施。