人才算法現在時——數字化人力資源（DHR）方法論系列之三_人工智能

作者簡介：數字化人力資源專家，“透明人才”領創人，大任智庫總經理，南京市企業數字化轉型研究會副會長兼秘書長，江蘇省數字經濟商會副秘書長，企業數字化轉型教練營導師，《數志》主編，江蘇省數字化人才聯盟執行長，江蘇省CDO俱樂部負責人。

一如大家所知，選對人比用對料更重要。生產可以智能化，那么用人呢？當人才被數據化，當HR全部上線，數字時代的用人大戲才剛剛開場，開場以后的重頭戲是什么呢？

——用人智能化。

我們先來回顧一下，啥叫人工智能。人工智能簡稱AI，是在1956年由麥卡錫、明斯基等科學家在美國達特茅斯學院研討“如何用機器模擬人的智能”時首次提出。該概念提出至今，其發展道路經歷起步、反思、應用、低迷、穩步到如今的蓬勃發展，人工智能技術已經應用到各個領域，迎來了爆發式的增長高潮。人工智能的核心就是“數據+算法”，這一黃金組合已經在轉化價值更高更快的領域產生了深度應用。然后，回到企業用人領域，這一應用的發展就顯得略微不夠。

而此篇，就站在以“人工智能+人力資源場景應用”結合的視角來解析企業用人中的主要算法。

人才算法：數據透視下的才能與觀念

一直以來，“識人之法”就像是武林秘籍之《易筋經》，企業對此趨之若鶩卻求而不得，好在經過苦苦追求也略有所成，大抵可分為三代：

第一代，靠人的眼力和經驗。參看曾國藩的《冰鑒》；

第二代，依賴人才測評模型。有了人才測評模型后，對人的識別開始有了理論的支撐、系統方法論的指引，構建了人的各種要素結構。主要是通過問卷測評和統計的方式，具有一定的參考性；

第三代，對人的識別評估依靠“數據+算法”。這才揭開了跨時代的先河。而對人的識和評可以從兩個角度切入，一個是才，一個是德。“才”在這里對應的就是“能力算法”，“德”在此處對應的就是價值觀算法。

1.能力算法

企業在用人角度做分工的時候，習慣性會選擇“定崗”而不是“定能”。但是其實用人的邏輯，是基于公司戰略目標體系，解構出業務體系，再推導出能力體系。能力體系的需求，再依次分解成能力單元直至最小的能力元素。以能力需求出發，找到具備相關能力特征的人，這就是“定能”。

定能選人時，需要通過建立能力分析模型，從而識別出不同“人”的傾向能力。不過之前企業中常用的勝任能力模型是基于崗位職責而設計的，是“崗位勝任力模型”，所以我們要做的，首先是開發出自己企業的“目標勝任力模型”，從實現不同目標任務的角度來解析出需要哪些能力要素。

拋開不同企業業務場景的差異性，我們可以簡化出企業共性業務中的能力需求結構。隨著數字化的變革影響逐步滲透，未來的組織逐步演變成大后臺、小前端的方式。而小前端的范式以華為的鐵三角模式為最佳。鐵三角表面是三種角色構成，本質是三種基礎能力。

——AR要具備強化客戶關系、提供解決方案、創造融資和回款條件、進行交付服務四個方面的營銷能力，以及進行綜合管理、經營和領導團隊的能力。

宇信科技：在數字錢包和數字貨幣方面積累了相關技術能力和產品模塊 并儲備了相應的人才:12月30日消息，宇信科技(300674.SZ)12月29日在投資者互動平臺表示，在數字貨幣方面，國有大行在過去兩年一直參與人民銀行主導的數字人民幣、數字貨幣的試點和電子錢包等相關系統的開發。在這個過程中，公司參與了國有大行相關系統的開發和建設工作。在數字錢包和數字貨幣方面積累了相關技術能力和產品模塊，并儲備了相應的人才。隨著數字貨幣應用到更多場景，這將會成為推動公司業務發展的另一個動力和因素。未來如有相關的業務合作機會，公司也會積極參與。[2021/12/30 8:13:38]

——FR則要具備與客戶進行有效溝通交付、提供服務解決方案、監控項目進度、進行問題預警以及對資源的獲取配置等方面的能力。

——SR需要“一專多能”，能有效整合公司內部的不同專業領域，以便從解決方案的視角為客戶創造價值、幫助客戶成功。

我們可以設想用紅、黃、藍三色來表示這三類基礎能力。對大多數企業來說，人才算法應用的第一步，就將全部員工分別粘上不同能力色的標簽。為了做到這一點，要對這三種能力進行顆粒化解析，這些顆粒點的設計不同企業系統會略有不同，一般包括：知識、技藝、經驗、體質、關系、資質、財富等組合而成。最后再建立這些維度的權重系數，構建人才能力特征的要素關系模型。

當人才能力標簽相關顆粒數據獲取，“人工智能”根據相應的人才算法通過對標簽信息的讀取、識別、篩選自動為對象“人”賦以對象“能力”，并結合具體的任務項進行推薦和匹配。

2.價值觀算法

現有人才測評方法中對于價值觀、性格測評，如大家熟知的九型人格、MBTI、PDP、大五等，往往基于心理學、統計學等學科的基礎，有一定的科學價值和參考性。但是與數字時代解決問題的方法有兩個關鍵差異：一是統計學與數據驅動兩種方法論的較量。統計學在歷史的發展中直至今天依然發揮著舉足輕重的作用。但是用統計學取得的結果需要兩個關鍵要素的促成——樣本量的充足和數據的代表性，滿足這兩個要素非常不易，否則就不會發生蓋洛普預測杜魯門選舉失敗的案例了。二是以上幾種測評其實側重的是社會關系中的通用場景，而不是基于某類企業或者某個企業的具體情形，因此對于單個企業中的人也有相當的誤差。

而“數據+算法”的底層邏輯，一是不依賴統計的小數據，依賴全范圍的大數據；二是在數據的相關性中找答案，而不是用問卷測評的猜答案；三是基于全過程“發現”不是節點“讀取”，不是特定幾種行為，而是依賴人的行為全場景；四是可以大規模定制匹配，根據企業自身的特定價值觀系統，通過算法，識別人才的價值觀是合乎所期。

那么企業對員工的價值觀識別如何智能化操作？答案仍是“數據+算法”的模式。首先企業需要先定義出自己獨特的價值觀，比如大任智庫的核心價值觀是正道成功、學人所長、全力以赴。這三條，需要進一步從場景行為中來定義，即每一條在面向客戶、面向同事、面向公眾時有哪些典型的、可識別的表現？典型是效度的要求，可識別是信度的要求。在這個逐層解析和定義的基礎上，為每一個具體的價值觀行為建立數據采集的方法。

要特別注意的是，價值觀的體現是要全方位的觀察和概括，絕不能簡單套用“窺一斑而見全局”，而是要立體地采集數據，大致可以分為：經歷－行為數據、成果－財富數據、評價－關系數據這三大類，而這些數據主要在企業內工作場合、工作系統中采集，也包括從員工的社交應用獲取，以便相對完整地找到這個人的全面表現。

加密貨幣開發人員短缺 多個項目開始通過黑客松來尋找人才:Cointelegraph今日報道稱，最近幾周，來自多個項目的團隊成員紛紛在推特上抱怨招聘人數太少，其中包括來自Yearn.Finance和Sushiswap等知名主流公司。盡管有包括代幣撥款和豐厚工資在內的巨額激勵方案，但不管項目提供多少好處，都沒有足夠的開發人員去參與。在缺乏成熟開發者的情況下，許多項目轉而采用黑客松來培養新人。[2021/4/10 20:03:57]

這樣，把場景與行為要素概括出來，描述出可識別的要素標簽。根據行為、場景等要素形成一個簡化的價值觀符合度模型，再用參數進行修正，企業內部剛開始建立模型時數據量不夠大，可以先用通用模型的數據進行修正，然后用數據驅動的方法建立幾個簡單的模型組而不是建立一個復雜精度模型，機器不斷地學習進而進化出最適合企業自身的價值觀算法模型。

分工算法：真正的任務導向和因才施用

在上篇《HR，請上線》中提到，企業用人的定位器就是分工。分工其實是對人力資源的一種分配，所以分好工就是將資源效用最大化。那么在線化后，組織趨向平臺化、崗位趨向大類化、人才的露出也開始標簽化，這時分工中最凸顯的問題就是“任務”如何被準確定義和拆解，以及如何“分”給最合適的員工了。

下面先說第一步：對任務進行“畫像”。

1.任務畫像

在企業內的分工中，過去乃至現在一直依賴的機制，是靜態和動態的結合。這種分工模式與職能制或矩陣形的組織模式相對應，在工業時代是典型的分工協同方式。

但它的問題也是明顯的：一是易于出現本位主義，依職辦事，而忘了目標與價值本身；二是因循守舊，不能靈活應變，更不會主動求變；三是對上司要求過高，既要能力覆蓋，又要品行擔當。

新的分工模式是怎樣的？以勘察設計行業項目型公司為例，接到一個特定的項目后，可以將任務切分為：規劃策劃、項目生產、施工服務三個大的部分，任務所需要的能力需求大致可分為：團隊合作、負荷能力、專業技能、文字功底、組織協調、應變情商、科研創新等一級分項，然后我們把任務的事項和所需要的能力分別設定好所需要的項和程度，可以用分數來表示，如下圖所示：

這樣的話，一個常用“任務畫像”就出來了，然后智能分工系統就開始在企業內搜查最符合任務畫像中需求能力的那個人，這樣每項任務都可以找到最優匹配人。

值得注意的事，如果只從任務與能力匹配這個角度，可能會發生一件事就是，某類任務都會最優匹配某1-2個人，這樣的話就永遠輪不到第三名，當然這符合馬太效應，但是在企業分工里還要顧及到全員的工作均衡度，因此還要加上任務本身的飽和度、時間排布等其他因素，才能更好地進行任務分配。

2.派單機制

派單機制目前通用性很廣，尤其在網約車和外賣行業已經相對成熟。以網約車為例，網約車的派單全部由系統完成，人工是無法接入的。影響派單的因素有路面距離、網絡環境、賬戶狀態、地區訂單熱度等。

動態 | 區塊鏈等技術落地加速進行 市場對技術類人才需求較大:近日，58同城發布了《節后企業支付薪資監測分析》，對2020年春節后10天（2月3日-2月12日）各行業企業支付薪資均值進行了調查研究。該研究對不同類型的崗位薪資進行了分析，其中，技術類相關崗位漲幅明顯。同時，疫情對智慧城市建設、企業在線化發展也提出了新挑戰，5G、AI、區塊鏈等技術落地也在加速進行，市場對技術類人才需求較大，因此崗位薪資提升潛力較高。（新華網）[2020/2/19]

不管是網約車或是外賣還是其他行業，派單的邏輯可以分為三類即能力勝任度、工作飽和度和關系融洽度。

能力勝任度指的是具體完成一項任務需要哪些能力？哪些對象最具備這些能力？具體可參考前面能力算法中的能力標簽的表述。

工作飽和度指的能力符合的對象中，是否已經正在任務中或者任務量已經足夠多。

關系融洽度指的是該行業服務評價分，例如客戶對你的態度是否滿意，對你的路線精準度是否滿意等，如果涉及到多人協作的，還要識別之前交互合作的融洽度評價等。

在前面提到特定項目中，如果你的能力符合其中要求的“團隊融合、匯報表達、溝通協調”中的能力分值，本身的工作項目又可以勝任最新的項目周期，在以往的項目表現中無論是外部客戶滿意度還是內部團隊的和諧度都評估較高，那么就很有可能被委派該單。

3.搶單機制

以網約車為例，看下派單與搶單流程的差別。

搶單流程：乘客下單——后臺系統分析——推送給司機端——司機搶單——系統篩選——交易開始。

派單流程：乘客下單——后臺系統撮合——指派給指定司機——交易開始。

本質區別在于交易形成的機制不同，派單是系統撮合，搶單是供給端主動選擇需求。多了“多個服務者主動操作搶單”這一步，目的是：通過多人搶單，提高接單可能性；通過主動搶單的模式，避免因平臺派單策略不當而產生的負面反饋。從某種意義上說，搶單是平臺將自己該做的事情分攤給了服務者，訂單分發，最終目標是派給最可能接單的人，這樣既能保證接單率，也保證了服務者的利益。但是如果想達到這兩個目標，平臺就需要有基礎保障：有成熟的服務者管控體系，主要涉及服務者狀態管理、等級體系和獎懲策略，保證服務者能在平臺規則內正常運轉，搶單就顯得更為有效了。

搶單機制里，算法的核心要素就是能力勝任度和優先程度。能力勝任度是基本要素，一個任務派出后，首先要評估搶單資格再推送給合適的“人”，再根據速度來確認分配給誰，此時完成任務與人的匹配，搶單完成。

企業內部，搶單機制不適合所有工作項，因為企業有大量的工作需要一個穩定的循序漸進的方式來運轉，只有特別同質化或者需要提升效率的任務項才適合用搶單模式。

績效算法：目標驅動下的過程可見和可控

1.OKR的過程化算法

我們已經知道，從數字化的組織模式來看，OKR是更加適合的績效方式，因為工作的不確定增加了，需要面向目標自我驅動型的工作評價和反饋。

動態 | Block.one 發布人才招聘信息:Block.one 在推特發布人才招聘信息，并表示：從工程師到設計師，從研究人員到營銷人員，我們正在尋找有才能的人加入我們的團隊。[2019/6/13]

OKR的過程化算法要有以下三個場景進行支撐：

企業總體目標、部門目標、個人目標，三者之間需要關聯，并自動導出最終的個人績效目標。

績效目標中的實際業績數據，開發建模后提取關鍵因子，實時進行智能化的總量、結構分析，根據需求實時展示。

績效目標中的關鍵行為數據，是依據于過程中的節點數據的，而這個節點不是人為變動的，而是通過算法識別出狀態，采集當前狀態下的完成值，實時生成績效水平，形成動態的績效算法。

總之，通過實現節點在線到全程在線，數據可以及時獲取和讀取，加上績效算法模型支持，可以及時展示OKR體系中不同績效主體的完成進度。

2.積分模式

用積分的模式來替代績效的打分或者業績表，最終的積分又可以轉化為實際的激勵，這樣的模式存在已久，但都是存在于某個節點或者某個場景。從企業業務形態來說，如果是離散型，并且短周期業務的，例如滴滴打車、外賣、家政等，可以把積分用為主要績效評估的方式。如果是需要集中作業、長周期行為的，例如制造業、研發業等，積分模式可以作為績效體系的輔助手段。

積分模式有兩個核心要素，一是全維積分構成，二是積分轉化應用。

全維積分構成：消費積分、會員積分、管理積分、福利積分。以管理積分為例可再細分為業績積分、文化積分、行為積分、創新積分、成長積分等。業績積分里面可細分為：客戶續單、月銷售冠軍、5S評比優勝等。成長積分可細分為：技能提升、培訓學習、學歷提升等。把每一個積分的維度顆粒化，在相對應的場景里采集數據，并且通過算法識別狀態，自動采集，最終通過相應的賦值算出相應的積分。

積分轉化應用：積分的兌換和交易。在企業內部管理積分的兌換里有同事認可、團隊表彰、員工關懷、節日祝福等。例如，員工想要自己的業績積分兌換一些福利，系統里面就需要配置積分兌換流程，兌換規則、系統要設置對用戶的識別、路徑、最終實現兌換的過程，還要最終清算兌換后積分的余額等。而更大的突破，是不同企業系統，不同平臺之間的積分互兌。在網絡游戲中不同的游戲幣，已經有多個平臺支持互兌互換。而不同企業間，有些產業鏈聯盟成員間也開始了相關內部積分的打通互用。這種趨勢類似于一種擴圈的權益“通證”，如果加入區塊鏈技術平臺，則接近于積分版的ICO。

3.時間單元計劃

TUP—時間單位計劃，即預先授予一個獲取收益的權利，包括分紅權和增值權，但收益需要在未來N年中逐步兌現，同樣，其與所有權性質的股權沒有關系，TUP的權利兌現后自動銷毀，以五年一個周期。具體如下圖:

TUP如何智能化實現？需要以下幾個步驟來實現：

實時績效數據看板。即每天可以見到自己的業績進度，采集數據方法同上，不再贅述。

證券時報：區塊鏈人才存量仍遠低于實際需求:2018年前兩個月，區塊鏈相關人才的招聘需求已經達到2017年同期的9.7倍。2018年1-2月，發布區塊鏈相關崗位的公司數量同比增長4.6倍。人才供應量同比增加235%，增速雖高于其他互聯網職位，但存量仍遠低于實際需求。一個很明顯的趨勢是，身懷技術的碼農正逐漸往區塊鏈行業靠攏，擁有原創內容經驗的媒體人紛紛創建自媒體，傳統金融機構出身的PR們正在投身區塊鏈積極宣傳項目。[2018/3/14]

與目標的距離差的計算。就是看自己目前的進度與可分配的下一階段的業績距離有多遠。

計算收益。設置計算算法，看目前所完成量可取得的收益。

關系算法：沒有潛規則，只有顯規則

1.開發企業的“棒球卡”

大任智庫創始人卜安洵先生在2021年初的甦盛典上發表了《透明商業》這一震撼人心的數字時代新商業概念，其中隱含的核心價值觀就是“透明”文化。作為致力于人才發展這一領域的人們，身處這一百年難遇的時代中，期待人才得到真正的公平展示和評價，而不需要顧及到“禮儀”“利益”甚至“辦公室”等因素。而橋水基金的創始人達利歐先生在《原則》中給我們揭示了這一夢想的可能性，即“棒球卡”項目。這一款在線應用中，員工可以隨時隨地的給另外的同事貼標簽，然后這些標簽被預先設置好的模型通過算法進行計算，最終輸出員工在同事中的“數字形象”。

我們可以借鑒這一做法，延伸開發出一種企業內民主評議的隨機算法，分成三個步驟：

首先將企業文化標簽化。如前文所述，文化和價值觀需要具體化為不同的“行為”或“表現”。例如“三大紀律、八項注意”。為每個細節化的行為表現，賦予分值和標志。標志甚至可以更加游戲化，比如郭靖代表誠實，小蜜蜂代表勤勞，開發出一套企業獨有的文化標簽識別系統，每個標簽對應的是一套文化解釋。

隨時互評的場景設定。會議場景、工作匯報場景、客戶對話場景、培訓場景等，每個場景再進一步細化顆粒度，每個節點流程都需要連貫性。提供狀態推薦，提醒員工此時可以對同事評價貼標簽。這些設定里面要進一步細化，讓大家更有興趣對別人貼標簽，例如提供標簽詞庫，提供提示詞“別人這樣認為他”等等，或者給別人評價可以掙得企業內部積分等，鼓勵這種文化的持續。

綜合評價后榜單輸出。當員工們的數字畫像生成后，設計出不同的榜單評比，根據評比的目標設置算法，系統自動輸出名人榜單。這樣一套完整的企業“棒球卡”項目就完成了，經過不斷地數據輸入，機器的深度學習，企業的內部人才畫像會越來越準確，越來越符合企業特有的文化和人才要求，得出的結果也更公平，趨近透明。

2.升級企業的“榮譽墻”

企業在年終會上通常會頒發各種各樣的獎項和榮譽，傳統的做法是層層申報最終選出獲獎者或者團隊。每到年底，這一項盛事會耗費很多的財力物力去準備和計核。其實整個過程交給算法就可以。

我們可以簡化為三步。

開發企業榮譽標簽。比如全勤獎、銷售冠軍、最具關懷獎等，每個獎項的背后都有詳細的行為描述和數據場景。

民選+數據推選。獎項的維度可分為數據推選和民意推選，可以有三種不同的組合，即數據推選、民意推選、數據和民意有一定的權重。算法設置好后就可以根據后臺的數據采集選出候選人了。

榮譽自動發布。最后一步就是設置發布的規則，一類榮譽是直接數據算出就可以設定出計算后就自動發布；一類榮譽是需要各種流程的審核、審議、審定，也可以根據流程通過后自動發布；一類榮譽是不僅需要數據、流程審核，還需要公告期，這也可以添加公示期的規則設定，無異議后自動發布。

如此一來，我們的榮譽榜既公開公正又及時動態了。

成長算法：數據驅動的職業生涯

在成長這個話題里，相信每一位關注人才發展的人士都有自己的長年累月地摸索。但都應該有一個統一的愿景，就是是否能夠根據自己個人或者企業的發展特質，有一條索引，只要按圖索驥就能找到快速學習的通路，加速成長。或許，這一天到來了，算法能夠幫助我們把夢想照進現實。

1.知識圖譜

算法時代來臨的一個恐慌就是——經驗無用。而新的解藥可能就是“知識圖譜”。因為在編制知識圖譜的過程中，沒有專業或者經驗是無法達成的。知識圖譜是什么呢，“知識圖譜本質上是語義網絡的知識庫”。但這有點抽象，所以換個角度，從實際應用的角度出發其實可以簡單地把知識圖譜理解成多關系圖。

知識圖譜的表示，也就是定義具體的業務問題。在知識圖譜里，我們通常用“實體”來表達圖里的節點、用“關系”來表達圖里的“邊”。實體指的是現實世界中的事物比如人、地名、概念、藥物、公司等，關系則用來表達不同實體之間的某種聯系，比如人－“居住在”－北京、張三和李四是“朋友”、邏輯回歸是深度學習的“先導知識”等等。

知識圖譜的設計。圖譜設計是一門藝術，從企業內部成長的圖譜為例，我們首先要確認實體、關系和屬性，其中哪些屬性可以作為實體，哪些實體可以作為屬性，哪些信息不需要放在知識圖譜中。其中的原則就是業務原則、分析原則、效率原則、冗余原則。顧名思義，就是圍繞企業內部成長這條線，分析出跟成長有關的實體和關系是哪些，分析中用的頻次較多的放在圖譜里，用的頻次較低的就放在傳統數據庫里就可以了，然后多余的重復的可去掉。

知識圖譜的知識抽取。知識的抽取分為兩個渠道，一個是公司內部的結構化數據，一個是外部的開源性的非結構化數據。技術上分為實體命名識別、關系抽取、實體統一、指代消解等，這里不做描述。需要關注的是公司內部數據完整性，尤其是內部的一些知識成果，盡可能被數據化，而且也要通過結構化可持續的抽取。把數據存入知識圖譜時，一般應用兩種方式，一是RDF，一是基于圖數據庫的存儲，根據不同的需要進行選擇。

具體應用在企業員工的成長領域里，就要結合所在企業業務特點和管理機制，設計好企業內部的成長知識圖譜，牽涉到的實體就會有人、業務、項目、職位、培訓、考試、書目、經驗等，關系就會有上下級、師傅徒弟、校友、校外導師等。一方面，是盡可能全面和動態地采集企業內相關數據，另一方面面向產業鏈或相關資源生態，開放性采集外部相關數據，形成豐沛而鮮活的結構化知識生態場。

這一過程中，知識圖譜的系統架構、應用開發及盜用評估和迭代升級需要持續進行。其中算法登場成為知識圖譜的價值核心。

知識圖譜算法有兩個主要的應用場景：一是基于規則的；另外一種是基于概率的。

鑒于目前AI技術的現狀，基于規則的方法論還是在垂直領域的應用中占據主導地位，但隨著數據量的增加以及方法論的提升，基于概率的模型也會逐步帶來更大的價值。基于規則的應用主要是不一致性驗證、基于規則的特征提取、基于模式的判斷。比如說，兩個不同的員工填寫了同一個家庭地址，而另外一個明顯不住這里，這就不一致。再比說某些企業不允許用關聯員工，校友或者親戚，在二度關系里找到后就可以把這些人找到。再比如說，找到一些共同的晉升路線圖，來尋找一批優秀基層干部，就可以根據這些模式找到這群人。總之，凡是設計到關系的，知識圖譜這個工具非常好用，尤其在用人的領域更是涉及到方方面面，會幫我們提升管理效率。

2.問題管理

所有的行動都是為了解決問題，人才培養更要從確定問題開始。在企業內部經常流傳著一句話“提出問題的人很多，解決問題的人很少”，其實這句話有一定誤差。企業在人才引進的時候常常是為了解決企業某類問題而產生的需求，例如業績不佳，管理出錯等，但是引進人后卻發現沒有達到預期效果，往往會歸咎于某個人，其實不然。這里就需要介紹一下，由大任智庫研發的QUSS系統，是結合行動學習，包括問題管理、研發團建、解決方案挖掘和知識共享等一體化的企業知識生產和共享平臺。

第一步，問題管理。大任智庫經大量的咨詢實踐，分析發現企業中的大部分問題，往往來源于三個領域：目標差距、運營障礙和外部競爭。必須激活員工在工作中發現和提出問題，為此設計了問題管理模塊，在系統中設置窗口，員工可以自由提交問題，也可以加入周期考核，形成固定的流程。問題發現就是事先建好模型，發現某類項目超期或某些事項明顯異常，系統總結后發現并提交。

第二步，研發團建，提出的問題會在公司平臺的共享問題區公示，其中有公司標注為高價值的問題，同時附有“懸賞金”。員工可以自由申請領取該問題的解決任務。復雜問題需要組團來申領，這就是研發團建。課題小組由職責、專業相關的成員，構成一個“細胞體”小組，經組織審核后確認建立。

第三步，解決方案。這部分是整體QUSS的核心，課題小組群策群力，按照背景、現狀、目標、原因、對策和驗證、標準化七個步驟，從問題研判開始，一步步找到可行方法，形成解決方案。每個步驟中集成了傳統的精益管理和六西格瑪等改善工具，以及后來加入的數據模型。

第四步，知識共享。將被驗證的解決方案標準化，形成新的標準或工藝流程，成為集體知識。在系統里同步設置一鍵分享到組、群、事業部、公司、集團，并可以不斷復制、孵化、應用。

3.成長導航

我在上一篇《HR們，請上線》中提到，在線學習的進化級，是基于公司業務地圖和員工職業生涯而設計成學習導航和內容站點，加上不同階段、不同模塊的學習成效在線評測。而在線學習的智能進化級就是學習導航，根據員工的能力進行評測，然后用算法推薦出一套適合員工個性化定制的成長地圖并導航實施。

第一步，能力評測。根據公司通用的能力圖譜，根據員工自身的行為數據分析，評測出員工的能力結構和能力特征。要注意能力的結構和特征是指向性的，隨著業務類型和分工角色的變化，能力評價度量會發生變化，所以能力評測是動態的，附帶組織假設的。

第二步，價值地圖。引導員工在公司事業版圖中建立成長目標，基于價值增值的成長目標由不同的維度組成。如職位晉升維、績效收益維、能力提升維或關系完善維等。根據自身價值傾向和企業價值分布，提供個人的價值發現和價值指引地圖。

第三步，學習導航。有了價值地圖后，根據職責或任務需求和當前員工的能力結構，導出相應的學習路標。在個性化的學習導航里，會分為培訓、研創、展示、對標、試任幾種任務類型，每個類型會對應設置內容、資質、對象等，以應對不同的學習需求。這些都是根據算法自動生成，是員工成長的智能助理。

第四步：成長階梯。如果你不要成長，任何人也代替不了你，所以最終決定人的高度還是自己，人生貴在復盤，每日三省吾身是國學留給我們的最高智慧。大任智庫研發了成長階梯循環系統，即“人生校準日+FLAG+行為方陣+復盤室”。人生校準日就是每個人選擇一個特殊的日期，當日進行一次多向度的成長評價。人生校準的評查方式就是通過“家人眼中的我”、“同事眼中的我”、“自我眼中的我”三種視角的分析對照，發現自己真實的一面，尋找優點，建立信心。然后建立新的目標，再后進入“行為方陣”。最后是階段性的復盤。

最后讓我總結一下：今天企業的用人已進入算法時代，經驗資深的HR固然重要，但無論人才識別、任務分工還是績效評價和培訓發展，請相信“數據+算法”有更大、更可靠的力量。而在人才側，我們也要習慣于以數據征信來展示自己的知識和技能，以算法輔助來助力我們的能力提升和職業發展。

--THEEND--

Tags：人工智能USS游戲幣人工智能技術應用學人工智能后悔死了人工智能考研考哪些科目USS幣是什么幣游戲幣的材質游戲幣可以在不同的游戲場所用嗎游戲幣被盜立案標準

BNB