本文爲作者陳書堯（Ellen）在HR成長部落2019年6月23日的人力數據線下活動分享文字實錄。
大家好，簡單介紹一下我自己：我現在是美國強生全球HR領導力發展項目的一員，今年5月畢業於美國威斯康星大學麥迪遜分校，獲得MBA學位。在MBA學習期間，很榮幸於去年5—8月份加入谷歌總部，作爲人力資源部非美籍的實習生參與到谷歌運營的項目中。我之前在中國，在光輝國際和禮來公司的HR部門工作。
我今天的內容包括三方面。首先，我們從瞭解谷歌開始，看看這家公司的各個方面。其次，我們看看谷歌爲什麼做得那麼好，爲什麼每個人要跟他學。第三是我去年暑假在谷歌實習時親身參與和經歷的項目案例。
關於谷歌
谷歌是一家非常年輕的公司，從成立到現在是21年。1998年的時候兩個創始人是斯坦福大學計算機學生，然後就做出了搜索引擎，當時非常符合市場的需求，一路發展，2004年完成IPO初始上市，這爲谷歌的發展奠定了基礎。所以完成上市的谷歌開始了買買買的行爲，後來分別購買了Youtube，這是影音市場最大的領域。然後2016年購買了摩托羅拉的移動數據業務。非蘋果手機中的安卓就是谷歌的產品。
截止2018年，谷歌員工總數不足十萬，利潤超過了千億，公司利潤率30%以上，公司有錢了就想着去做一切對好的事情。
谷歌的文化能夠驅使員工使公司變得更好，讓所有員工有一心向前的方向。谷歌的使命是“Our Mission is to organize the world’s information and make it universally accessible and useful”。它想編輯世界上一切關於信息的東西，讓所有人想用就可以用。從谷歌成立到現在，它一直在演進自己的使命。
谷歌產品主要涉及八大領域，最大一塊是搜索領域，然後是Youtube影音領域，最後是硬件產品。其他還有谷歌地圖、谷歌照片，還有Work smarter，有一個玩笑說谷歌打死不用別人的產品。那我問同事日常要發郵件怎麼辦？他們說用Gmail。要做PPT，他們也有自己的軟件。
爲什麼谷歌做得這麼好？就不得不提到兩個人。
Laszlo Bock是谷歌人力資源之父，他從2006年加入到2017年離開，十餘年的時間奠定了谷歌HR運行的基礎和理念。Laszlo把HR在谷歌改成了叫People Operations部門，內部簡稱“POP”。POP團隊也有自己的願景，叫“找到人才，發展人才，讓他們長期在公司留用。”
另一個人是來自谷歌現在的人力數據分析團隊的副總裁，他說所有關於人的決定都是基於數據分析的。他2006年加入谷歌，2007年招聘進入谷歌，現在依然在谷歌服務。最後一個人叫羅森伯格。最後一個是範老師在公衆號上也有發過。
關於這些相關的文章感興趣的朋友可以點擊鏈接閱讀：
1.谷歌人力運營副總裁離職創業
2.爲什麼越來越多的領先公司不再把人力部門叫HR？
3.谷歌是如何應用數據分析來驅動人力決策的？
4.OKR課堂筆記
另外就是關於OKR的，這也是谷歌做考覈的最重要手段。從上到下，各個部門都有自己的OKR，每個人都會設定OKR。谷歌希望員工考覈能夠越來越簡單、越來越明亮。還要求員工爲未來而戰，而不是亡羊補牢。谷歌喊出的口號是：在自己身上砸錢，讓員工變得更好。這是整個公司變得更好的前提，公司擁有世界一流的人力資源團隊，可以幫公司找到候選人——發現他們、發展他們並留用他們。
人力數據分析落地
接下來看看如何將理念上的東西落實到公司運營中去。
People Analytic在谷歌無處不在。整個團隊200多人，直接彙報給谷歌的HRVP。成員首先是頂尖商學院的MBA畢業生，然後是前管理諮詢顧問，最後是擁有專業領域學位的博士生，比如說信息學、統計學等。
此外，谷歌的人力團隊裏面也有專人具備People Analytics的技能，他們有需求時，不用求助於Analytics團隊，自己就可以完成數據分析、結果呈現和問題解決。
舉個例子，有個部門叫Strategy Planning & Analysis（SP&A），它會負責谷歌每一年對下一年的人力戰略規劃。還有個部門叫Talent Intelligence & Insights，它會負責谷歌在擴張過程中人力層面問題的分析。
比如說谷歌要在一個地區建廠，他們首先需要分析地址選在哪裏？選了地址以後是否有足夠多的高校保證？人才招募進來以後，谷歌的薪資水平能否保證是有競爭力的？等等。通過橫向、縱向的比較，最後爲業務部門提供決策參考。
谷歌員工日常所認知的People Analytics概念中，離他們最近的是GoogleGeist。它是每年穀歌的大型問卷調研。2006年GoogleGeist上線前夕，公司創始人之一找到HR說，我們不知道員工對我們是否滿意，能不能告訴我員工是怎樣想的。於是就設計出了GoogleGeist的原型，一直到現在。
這是非常完善的調查問卷，涉及到員工方方面面，完成它需要半個小時。這不是強制性要求，大家可以猜猜回覆率有多少？市面上日常公司通過調研收集數據的平均回覆率是10—20%，谷歌達到了88%。所以說GoogleGeist是一項很強大的工具，可以瞭解一線員工心聲，並以此爲依據改進下一年度對於員工的各項激勵措施。
數據分析做什麼？
我們再來看看谷歌的People Analytics主要涉及哪些領域。
首先是商業決策。比如谷歌前一陣在臺灣成立了一個非常大的研發中心，數據分析的同事就要去研究在臺灣成立研發中心的可行性，什麼時間可以完成？團隊需要具備多少人規模？當地有沒有穩定的人才供應和儲備？把這一系列問題分析下來，最後給到業務層面一個答案。
其次是流程優化。大家都知道現在很火的一件事是在招聘中引入AI。很多科技公司或多或少之前都有嘗試，亞馬遜也嘗試過但是失敗了，因爲他們沒有做好相關的數據分析。
谷歌有一個團隊去做歷史數據抓取，看看我的成功率多少、需要多少工時完成數據處理、人招進來後的留存率和績效如何，等等。然後還要選取樣本，因爲人是這個世界上最不可控的東西。所以，他們一定要找到小團隊，十幾個人，這個團隊有最小的可控因素和捕捉數據。
基於這些數據，我們去和工程師團隊合作，研究一套對這個團隊來說最適合的AI產品。通過一段時間的試用和捕捉，再進行數據對比，最後告訴你在小範圍的應用情況下，AI到底有沒有對招聘流程進行幫助。有幫助的話，我們把時間放長，三個月或者是一年。然後把範圍擴大，從十幾、二十個人的團隊，擴展到更多的團隊，看看這個數據是否還具有可行性，這都爲後續部門提供瞭解決方案。
還有員工福利，這是我在谷歌工作期間非常享受的地方。大家都知道谷歌爲員工提供無限量的飲料、小食還有一日三餐。像我自己很喜歡吃，不停地吃，在這種情況下，員工的體形都容易發生令人不太愉快的情況，怎麼辦？又不能一刀切，因爲谷歌就是以免費的食物出名的。
於是，人力數據分析團隊就去收集員工每天在不同時段的零食消耗量、消耗方式以及不同辦公室的零食有怎樣的消耗方式，然後拿着數據去跟行爲專家、心理專家做探討。
最後的解決方案是做一些非常小的調整。比如說我自己特別觀察到一個落地的冷櫃裏面有上百個飲料，但是你目光視線看到的是果汁、咖啡等飲料。可樂都是在最底層或者是最邊角。我看到果汁還不錯就取了。他們把零食儲存在櫃子中，然後堅果是放在非常方便打開的地方，而爆米花等這些可能要兩隻手。儲存櫃第一層永遠是能量棒和海苔這樣一些健康的零食。所以這裏People Analytics團隊又做了貢獻。
數據分析案例
這個實例是我2018年暑假在谷歌的項目之一。谷歌每年超過250萬職位申請，但是招聘量不會超過1萬，這就決定了要在很短的時間內進行大量的篩選。谷歌爲了保證公平性，專門成立了團隊，這個團隊的負責人我們叫Screener，由篩選員專門負責線上簡歷的篩選。
即便有這樣一個團隊，簡歷篩選也有無法及時處理的，而且不同的Screener之間準確度和速度千差萬別，谷歌這時候又想知道導致這些速度和準確率差別的因素是什麼？當中有沒有一些因素可以人爲去改變和提升？如果有，這些因素的可信度多少？我要去做改變，應該是以怎樣的量去做一個基準線？
我們第一步是找到項目的負責人，去跟他們交流，看看他們在之前的項目過程中有怎樣的發現和成果，先將自己放在巨人的肩膀上。通過這些結果，我們整理出來60多個變量會影響工作效率。這60多個變量都是基於人的主觀認知，通過訪談方式得到的，這對我們來說沒有任何幫助。另外，一家公司再有錢，去改變60個變量也是不可行的。
到了調查問卷階段，通過設計調查問卷的方式，我們對於變量當中設計的具體數據進行樣本採集。儘量讓問卷時間變短，效率提高。最後的分析過程非常快，不到一天時間，我們就研究出了非常不錯的數據模型，把變量從60減到了只有7個可控的變量。這7個數據的可控變量搭出來的模型可以解釋整個團隊超過60%以上的員工行爲，這在現實當中是非常理想的模型結果。
這個項目比較有意思的發現是：我們通常會假設速度和效率之間一定是有關係的，但是結果發現速度和效率其實一點線性關係都沒有。有的篩選員一天完成100份的簡歷篩選，他的準確率依然在20%以上；有的篩選員只完成30份，最終只有3份進入面試環節。
我們還可以假設，招聘的時候，很多人說我要找一個有業務相關經驗的，這樣效率高。但是我的分析告訴我不是這樣的，員工之前的工作背景、教育經歷、工作地點和最後樣本出來的結果，跟過程中間的效率和速度沒有關係。真正影響到這些人的工作效率的因素是工作習慣，還有谷歌給他們的培訓以及團隊的工作模式。
幾乎所有的7個可控變量，都可以通過一些簡單的微調，達到一個比較理想的結果，這是項目比較意外的地方，但卻是一個令人欣喜的結果。
總結
每個項目都起源於一個問題，然後我們需要找一些東西，支持完成數據分析的過程。首先是數據收集，數據無非來自兩大來源，第一是調查問卷，收集你公司現有員工沒有的數據。其次是通過公司數據庫，把歷史數據作爲一個基準。
大家在收集數據時，一定要注意數據的及時性。因爲人是一個最不可控的變量，你要確保在自己數據收集的過程中，收集的數據一定是在時間這條軸上跟目前的員工、公司狀況是最相關的。在處理調查問卷時，一定要注重回覆率，通常的回覆率15—20%，而谷歌可以做到88%。調查問卷在國外是專門的學科，大家研究怎樣提高回覆率。
完成這些以後，接下來最耗時的就是數據整理和分析。我們可能會用多元數據，通過怎樣的方式和處理，能夠把多元數據整理在一張表、一個平臺上、同一變量、不同價值鏈以後，你怎樣轉化，能夠讓它們在同一平臺上可以被分析到？在分析以後怎樣對數據進行清理？如果有壞數據你是剔除這個數據還是剔除一個沒有那麼相關的問題？很多小的方面需要大家通過不斷分析，去提高你的判斷力。
最後一步是數據分析。分析工具非常多，從入門級的Excel到非常時尚的Tableau，究竟哪個工具適合解決你當下的問題，需要具體問題具體分析。即便選擇了工具，還要考慮你有沒有能力利用這個工具去分析？
而且，並不是所有的東西是免費的。即使工具免費，人力成本也不是免費的。是不是真的有必要花一個月和一年的時間，讓團隊做這樣的分析？數據分析希望它不僅僅是停留在數據上，而是要提供預見。這個模型對我們的參考意義是什麼？模型是否具有可持續性？這些都是我們需要提前考慮的問題。
本文系範珂授權世界經理人發佈，並經世界經理人編輯。文章內容僅代表作者獨立觀點，不代表世界經理人立場，如需轉載請聯繫原作者獲取授權，並請附上出處(世界經理人)及本頁鏈接http://www.ceconline.com/mycareer/ma/8800100525/01/，推薦關注微信公衆號（ID：CEC_GLOBALSOURCES）
© 世界經理人：自1999年創立以來，世界經理人網站(www.ceconline.com)致力於引導職業經理人實現卓越管理，以專業的形象爲經理人用戶全方位提供最佳管理資訊服務和互動平臺。