网龙网络：智能技术在人才管理应用与展望

技术应用背景

网龙网络在过往发展的20 年中，非常重视内部的人才管理以及知识沉淀管理。尤其在技术部门，沉淀了比较多的技术认证、技术能力项提炼与拆解。目前已经在人才管理和学习培训领域均有不同程度的智能应用，对于未来更智能的应用正在沉淀数据基础。当下应用更多是基于人力资源中人为判断规则沉淀为机器语言后进行判断和建议，一方面帮助企业节省了大量人力在效率上得到提升，另外也过滤了因情感等因素导致的决策偏差。

人才管理场景下的应用

          场景一：人才盘点

基于绝对数据做相对明确的盘点，网龙网络通过多维度数据对人才进行明确的盘点，例如绩效水平、管理行为测评数据、360 反馈数据以及各种学习类数据等。以往通过人工收集不同维度的评价报告， 现在通过机器进行多维度的数据抓取，系统自动生成相应模板的意见和报告。目前的作用是提升工作人工的效率，判断意见和数据完全是基于人员经验将判断规则的标准化沉淀。

          场景二：晋升推荐

网龙网络每年有两个晋升季，以前流程是通过HRBP 与业务上级沟通，梳理部门人员的情况，推荐晋升人员。现在通过AI 高管进行晋升人员推送，基于部门现有人员在现绩效数据、历史绩效数据、任职当前职位时间以及目前薪酬与当前薪酬框架的差距，向管理者推荐是否提报晋升。目前尚未施行绝对的提报，更多地是把数据提供给管理者，帮助其做出相对客观的决策。

          场景三：人才的异动流程管理

在人员重新定岗定级流程上，以往所有流程需要各层级进行人工审批，会有因审批者不认真看或“放水”等情况，出现的定级或是人员流动不够公平公正的情况。

现在将流程中，原本人工审批时的考量标准提炼出来，通过AI高管进行审批。人员异动、绩差等不同情况，都需要重新定级、设定考察期和考察目标以及流程性审核工作。AI 高管会在审批节点把一道关，如果基本条件不符合，流程便会终止，这提升了人力资源在审批沟通中的效能。

          场景四：绩效人员优化

在网龙绩效考核目标和绩效打分对内是公开透明的，网龙通过机器（即AI 高管）读取绩效数据，过去一年的绩效等级得分较差的员工， AI 高管会将员工数据推送给其直线经理，请直线经理通过系统回复下一步的行动方案。

AI 高管通过真实任务形象进行塑造，并出现在高管公示任命名单中，它的权责与高管一样。网龙网络通过AI 高管监督问责，绩效优化的过程和方案，避免人力资源人工在操作绩效人员优化过程中可能出现不够坚定客观的一面。

          未来持续发展方向：基于“事务”的更深入地人才标签化管理基于“事务”标签化的管理理念

网龙网络的管理理念是“基于事务的管理”。在网龙网络人与组织之间的关系，不是基于岗位，而是基于“事务”――更为微观的目标，进行定义。通过岗位定义存在的问题是：难以通过岗位名称直接明确岗位的产出以及具备的能力，尤其在创新型互联网企业很多内容工种无法通过岗位名称明晰，因此网龙网络通过更微观的方式“事务”标签员工与组织的关系。

完成典型的核心的事务需要具备相应的技能，网龙网络将技能沉淀为标签形成认证，慢慢建立标签体系。例如，绩效专员完成绩效制度设计建设，将具备“企业制度”的标签。

          “事务”标签体系的应用

第一个应用是人才的定岗定级。网龙网络每年要进行1 千多场评审会进行人才晋升、异动的评估，对于管理者和技术等不同岗位员工分别进行评价，评审官来自更高梯队的员工。以往在选择相应的评审官时的判断更多依赖于人力资源同事的经验，通过事务标签的方式可以进行更微观准确的判断。

第二个应用是特定人员调动。网龙网络是矩阵式的组织模式， 在不同项目上调动具备特定技能的同事，项目负责人很难了解同事擅长的技能，往往是被动接受部门中给出的同事。有了技能标签认证后，更方便组织快速地调动具有相应技术和经验的同事。

第三个应用是员工晋升发展。对于人员晋升尤其是专业技术岗位的晋升，规定相应技能标签上需要具备的能力，例如P6 设计师要升到P7，需要具备相应的技能认证。员工如果想要晋升可以主动地去进行学习认证技能，更好地完成相应的项目。

后续畅想：机器抓取标签进行人员调动。标签体检建立之后， 可以利用机器进行抓取，依据项目需求以进行推送符合条件的同事。通过机器读取，也可以将目前在做事务但不具备相应标签的人员识别出来。机器的抓取不带有偏差误差，并且速度较快。

          挖掘和定义事务标签

初始定义事务标签时的难点，主要在于内部对于标签定义达成一致上，后来组织中员工慢慢理解标签的本质需要有产出和结果。网龙网络通过标签的梳理将内部没有明显产出且不背负责任的岗位岗位设置等问题呈现出来，加以管理改进，为提升组织效能提供帮助。

若从一开始建立完整齐全的标签体系，那么会极大增加项目进行下去的难度。因此在使用标签的时候，网龙先基于当下的业务场景以及业务场景下需要具备的技能开始建立标签，首先将事务标签机制完成建立标签库。后续可以通过开放式的标签机制， 增加标签数量。同时员工可以基于标签认证要求评价自己的能力。

学习培训场景下的应用

          场景一：管理者辅导技巧提升

在管理者辅导技巧上，工作坊结束后，真正拓展强化其辅导能力的是实践。网龙网络通过每天推送5 分钟辅导练习的方式，帮助管理者在实践练习中提升效率。辅导练习通过问答机器人的实现，辅导练习与网龙特色的每日任务放在一起，就像打游戏一样完成练习。

辅导技巧练习打开后，视频中会在2 分钟左右展现一个场景，场景中展现出员工遇到的困难，然后会有一个人物形象给出几个标准性问题，管理者根据人物的问题进行讲、练，视频会全程记录下来。

在第一阶段，员工每天就一个不同场景练习，管理者自身可以在手机端查看视频，通过这种方式可以对管理者认知自己沟通辅导技巧有直观的反馈；同时相应的内容也可以推送给沟通主题专家以及管理者的上级，专家和上级通过视频诊断管理者需要改进的地方，提出建议。

现在网龙网络在收集管理者在辅导过程中的话术和数据，计划在后期进行梳理，再通过机器进行识别，为机器对话的多轮反馈进行数据词条的积累。

          场景二：高管的企业业务培训

公司的高级副总裁的一大职责是对外宣传公司，在对外宣传中可能会出现宣传表达内容不标准的问题，若在介绍时在服务报价或品牌介绍上出错，会产生较大的负面影响。

因此在网龙网络会强制副总每天进行公司品牌和业务内容方面的跟读练习，AI 高管推送任务请副总介绍业务（推送任务都有相应的标准答案），根据副总介绍的语音进行内容的提取与标准答案进行匹配， 给予一定的反馈。

目前语音识别和自动问答的匹配程度的精准度提升是今后努力的方向。副总可以通过介绍的视频录像，进行自我反馈。除高管外，商务销售类人员也会通过AI 方式进行练习。