大数据时代来临，很多HR也纷纷投入到了大数据的怀抱。可是您真的了解“大数据”吗?是否应该看懂“数据”再谈“大数据”?以下是yjbys小编为您整理的分析，以供参考。
一、 大数据与HRM大未来
大数据是什么?一般来说，大数据就是大量的数据，其具有“4V”的特点：Volume(大量)、Velocity(高速产生)、Variety(多样性)、veracity(真实性)。进一步看，就是在某些领域通过传感器和屏幕等入口自动高速产生了大量、多样的数据，这些数据辅以合理的算法和强大的云计算能力，能够告诉你这些领域的一切信息!
大数据不仅是数据量的庞大，其更是一种数据产生和处理的模式。我更习惯于将大数据的特点总结为“3A”：
第一，大而全(ALL)，大数据不仅要足够大，而且要是全貌。这进一步补充了其“大”的本质，阿里巴巴首席战略官曾鸣甚至认为“其实叫全数据比大数据更准确”。数据再“大”，如果不“全”，都不是大数据。
第二，持续在线(Always on line)，大数据是在线收集、及时处理、实时反馈。简单来说，就是要形成一个数据“上传-处理-反馈”的循环系统，让用户的上传具有内生的动力，在获得其他功能时自动上传信息，让数据“跑”起来。举例来说，当某人在酒店门口向滴滴打车发出用车需求时，他就自动上传了自己的方位信息、目的地信息、选择车型信息。
第三，关注未来(Aim to future)，大数据从相关性中进行预测。正如维克托·迈尔-舍恩伯格及肯尼斯·库克耶所言，对于大数据的运用应该更多地关注其潜在价值，即通过大数据进行预测。值得一提的是，这种预测看似非常粗糙，不一定依赖严谨的因果关系模型，但却能够快速产生信息，即注重效率而非精准。所以，大数据是往前看的，不追究原因，只关注可能发生什么。这个世界已经被彻底数据化，而基于互联网提供数据平台和云计算能力，我们能够将代表任意两个物体、两种行为的数据进行相关性分析，寻找到下一个可能发生的事件。我们甚至可以大胆预言，没有数据能力的行业专家还不如没有专业能力的数据师。
人力资源管理是关于分配人和相关资源(培养、激励资源)的工作，如果借助大数据，将人和其他资源数据化，再用算法进行匹配，显然有无限的想象空间。可以说，大数据实现了资源的“可扩展获得”，提升了资源的利用效率。
具体怎么玩呢?
首先，应该把人数据化，为其打上足够多的标签，清楚地知道“人是怎样的”，并把这些数据上传到云端。这些数据包括，他的能力如何?行为特征如何?绩效表现如何?基于这一基础，人力资源管理各大职能就能够显著提高效率，实现我们对于“云组织”的若干设想。
在调配领域，如果将人力资源数据化，并将工作机会数据化为若干筛选条件，我们可以让任何一个人都获得最匹配的工作机会，可以从容地招聘、调用企业内的闲置人员跨界协作。如此一来，每个工作机会上都有最适合的人员，成本最低，收益最大。
在培养领域，如果将培训资源(培训内容、形式等)数据化，岂不是可以从容地组织、推送员工最需要的培训支持?每个人获得的培训都是高度定制化的、自己最需要的，且学来能用，用来能好，从学习到实践产出的过程几乎没有损耗。
在激励领域，如果将激励资源数据化，岂不是可以从容地推送各类激励套餐?每个人获得的激励都是高度定制化的、自己最需要的，同样的成本支出，每个人对于全面薪酬的感知可以放大到极限。
二、 HR可能误会了大数据
事实上，专业一点的HR都玩数据，他们测试胜任力，评估岗位，考核绩效，利用数据进行决策。我也非常推崇这样的玩法，认为HR要用数据分析来为自己的岗位建立“技术刚性”。但不得不遗憾地说，这些玩法不是大数据。
从字面上理解，大数据的关键在于数据量庞大。涂子沛在《大数据》一书中有个定义，即指一般软件工具难以捕捉、管理和分析的大容量数据，数据量大到以“太字节(TB)”为单位。太字节是多大?1TB=1024GB。一个万人的企业，即使你把胜任力、绩效、岗位、SOP等传统数据完全纳入，顶多只能用“吉字节(GB)”为单位，离“太字节”的体量还是相差甚远。HR们以为数据量已经足够庞大，难以处理。实际上，这种数据量通过本地软件的计算能力(甚至直接用excel表)就可以解决，根本不需要运用到互联网上的云计算，这些显然不是大数据。
达不到大数据的体量是表象，关键还在于没有理解大数据的“3A”特征。HR采集数据的传统思路是“先有思考框架，再收集相应数据”，数据大多来自数据生成之后，才用报表要求基层有选择地逐级上报，这大大损耗了数据量。例如，考核某个员工的绩效，HR会在其工作完成之后才要求直线经理根据考核指标进行数据收集，而后计算汇总，最后上报人力资源部。
这种思路使得传统数据具有典型的“非大数据特征”，这大大制约了数据的威力。
其一，这些传统数据是“冷备份”而非“热备份”。
冷备份即生成之后再调用，成本极高，收集数据的过程已经让HR苦不堪言，他们需要不断催告业务部门，还要一遍一遍地付出教育成本，确保统计口径统一。热备份则是数据随着工作流无意识产生，只要员工开展工作，自然有数据往“云平台”上跑，而且这些数据也能被平台的计算功能即时处理。
其二，这些数据是“报表数据”而非“源数据”。
报表数据是经过处理后的数据，例如某餐饮企业里，员工某天接待顾客的数量。而源数据则是指未经过处理的数据，是对于工作流全面的呈现。同样用餐饮企业的例子，员工在某个具体时点接待了一个多大年龄的顾客(很大程度上意味着服务难度)，客单价多少，接待时长多少，提供服务次数……员工A某天服务顾客数可能是员工B的两倍，如果我们仅仅关注这个报表数据，就可能得出A绩效优于B的结论。但如果关注源数据就有可能发现，B服务每个顾客的接待时长是A的三倍，为每个顾客提供的服务次数是A的两倍……这些都是有价值的信息!NBA球队休斯顿火箭队的总经理莫雷正是基于这些源数据的分析，从低顺位(选秀时靠后的选秀机会)中选出了那些被报表数据淹没的高潜质球员。