“大数据”这个词，是现在谈及客户中心发展一定会被提到的，包括业务上的应用和运营管理上的应用。正好最近在说客户中心人力资源管理的话题，那就说说我对这个话题中关于大数据应用的思考。之所以只是思考，是因为我还没有像思考中描述的那样实践过。
一、客户中心人员管理中的业务场景
作为客户中心的团队管理老手，看过一份简历经过一次面试，一定会很有感觉地说合适还是不合适。在阅人无数之后，他们有了一些基本的判断逻辑，基于学历、专业、年龄、性别、工作经历，以及通过交流隐隐约约展示出来的性格。可是，当需要把丰富经验传递给其他人时，把这些感觉像规则一样描述出来，却非常的困难，通常是“如果…那么…，还要看…，有时候…”，会补充很多特别的说明。
作为客户中心的团队管理老手，看了一些员工的指标表现，也会很有感觉地说这个人有没有问题，有没有离职倾向。指标看多了，在加上业内也有数据化管理专家，所以实际应用也挺好。可是，有没有遇到这样的情况，对着Excel表看指标，发现异常数据是某些特殊情况导致的，所以要把数据拆了又拆，分成很细的类来看，然后发现真的是异常或者其实不是异常。这个过程会比较长，于是都期望有一个能维度细分、汇总能随心所欲拖动的智能报表。
其实，这背后都隐含着一个同样的问题：平时我们很擅长于用各种图表、集中离散趋势指标，来看单一维度的数据，但是一旦维度变多了，怎么去衡量就变得复杂了。比如，如果把年龄、学历、性别放在一起，综合后维度变成什么了?谁也说不上来，只能分开一条一条、一步一步地说。
这个问题衍生出来的问题是，涉及那么多的维度，每次判断都是经过那么复杂的一条一条、一步一步地执行下来的吗?当员工甲教了员工乙这样的判断经验之后，乙在自己判断的时候，也和甲的判断过程一样吗?不知道。
大数据的应用，可能可以改善一下这个问题。因为大数据分析就是应用在这些多维数据甚至是高维数据的场合，通过分类、聚类、离群的方法，得到多维属性综合表现出来的相似或不相似。对于大数据的作用，我还是喜欢用“改善”，不太可能真的是“解决”。
二、简单介绍一下大数据方法相关的概念。
属性。指一个数据字段，表示数据对象的一个特征。在一般情况下，属性、维度、特征、变量这些词，都可以表示同一个意思。特别的，在数据分类中表示数据对象所属分类的属性，也称为类标。比如在员工信息数据中，姓名、工号、年龄、性别、司龄、班组、技能等字段都是属性，或者维度。考核是否合格字段(是/否)，也是一个维度。当数据分析希望预测某一个员工考核是否合格时，这个维度也称为类标。
数据集。这个用不多解释，就是一条条的数据。比如1000个员工的信息，就是一个数据集。用来训练模型的称为训练集，用来检验模型准确率的称为检验集。通常训练集和检验集独立。
相似性。通俗的理解，就是两个数据像不像，能不能归为同一类。单维度数据的相似，就是相等或者数值接近;多维度的相似，通常用距离、密度、概率等来衡量。为简化表述，下面都用距离来说。举个例子，观察A、B、C员工的10个属性，其中A、B员工有9个属性相同，A、C员工有7个相同，则可以说A、B离得近，A、C离得远。
数据分类。指将数据按预先定义好的类标进行分类。数据分类包括两个阶段，第一步是学习阶段，构建分类模型，第二步是分类阶段，使用分类模型进行类标预测。分类的特征是把数据分成哪几类是已知的，也称为有监督学习。需要提醒的是，用构建的分类模型将训练集重新分类后，产生的新类标可能和数据的原始类标不一致。这就是大数据分类模型的准确率导致的，不可避免。比如通过历史员工属性和表现，预测某个新员工的表现。
数据聚类。指将数据对象划分成若干个内部对象相似的子集，每个子集通常称为簇。与分类方法不同的是，数据没有事先已知的类标，也称为无监督学习。一个数据集会被分成几类也是未知的，有可能两个，有可能二十个，所以聚类可能会发现事先未知的群组。比如一共1000个员工，就想看看他们能分成几个簇，但不预设簇类型。
离群点检测。指发现行为表现很不同于其他数据的过程，也就是发现异常点。离群点检测和数据聚类高度相关。和现在常见的单维度数据离散分析不同，大数据的离群点检测是综合了多个维度之后的结果。比如，在考虑了员工班次、司龄、业务条线、通话时长、小休率、话后整理等多方面因素后，发现数据可以被分成了几个簇，但某些特别的数据远离这些簇，就是离群点(异常)。
三、大数据在人力资源管理上几个可能的应用机会
1、先看看在招聘阶段用大数据分析方法的机会。
招聘的目的是为了找到合适的潜在员工，将员工分为合适、不合适两类，如果再分细一点，可能有优秀、良好、合格之类的划分。对照前面所讲的大数据方法，可以判断这是一个数据分类方法。
具体怎么数据分类，分下面三个步骤：
1)我们手上要有一个数据训练集，每一个员工就是一个数据对象。数据中包含了员工的各种属性，还要有这些员工入职后的表现分类——暂且假设为“合适”和“不合适”两类。至于要包含那些属性，我认为取决于两个因素：属性值是否能获取到，属性和表现分类有没有关系。表现分类，就是已知的类标，是人为标注的。
在这个过程中，属性的选择非常重要。可以多选一些相关的，因为不用先担心为什么(因果关系)，大数据出的是相关关系。但是也不是越多越好，有些属性之间本就有相关性，多取也无益。属性太多最直接的影响是收集困难、训练算法时间长，更糟糕的是可能会影响模型准确率(比如简单贝叶斯方法有效的前提是属性间相互独立)。
2)选择一种分类方法，比如决策树、统计学方法(比如贝叶斯)、神经网络(比如后向传播分类)，训练出一个模型。每一种方法在实际执行的时候，就需要技术专家了。
具体方法有好多，某一方法里面还有不同的算法，挺复杂的。因为没有实践过，所以现在我也不知道哪个更好。检验模型好不好，除了看训练集中被错误分类的数量，更重要的是另准备一个检验集来检验。
由于通常我们掌握的数据集，是经过筛选(面试)之后的样本，是“合格”的数量远大于“不合格”的数量，这称为“不平衡划分”。所以在选择算法时，要选择不受“不平衡划分”影响的算法。要改善“不平衡划分”问题，可以复制一些类标为“不适合”的样本，让它们过抽样，同时也可以减少“适合”的样本，让它们欠抽样。如果保存了面试未录用人员的数据，可以加到训练数据集中，不过你要清楚这些人“合适/不合适”的分类是人为判断的结果，不一定是事实。
3)把需要预测的员工属性，代入到模型中，就可以得出预测分类结果。如果最后训练的模型准确率在可接受范围内，就实现用大数据的方法筛选简历了。
如果用聚类的方法，大数据的意义可能还在于发现：被层层筛选放弃的简历，和被选中并表现合格的简历，这两者在属性上是否真的很显著地分成了两个簇。
2、再看看在离职预测方面的机会，就是预测某个员工会不会离职。
离职预测也是用数据分类的方法，所有的员工都已经有了在职/离职的分类。用大数据分类的方法，就是先训练一个将员工分成两类的模型，在判断某个员工是和在职的员工更相似，还是和离职的员工更相似。
既然也是分类方法，所以过程类似：找一个训练数据集，包括了员工属性和类标(离职/不离职);选择分类方法训练模型;把需要预测的员工代入模型得到结果。
与招聘筛选合适人员相比，离职预测所能使用的属性更多，好处是更有可能得到一个好的模型，坏处是可能需要做更多的尝试。使用那些哪些属性，需要团队管理专家来筛选，技术专家做不了这个活。大概想想哪些可用的呢?比如性别、年龄、婚姻状况、生育状况、司龄、最近几次的考核、有无投诉、收入、上班交通远近、籍贯、同组是否有离职，等等，脑洞大开地去想。说不定头发长短也有关系，因为可以牵强的理解为某种生活态度或性格。大数据嘛，谁知道哪个好用呢，本来就是个挖掘探索的过程。
在数据分类方法上，尽量选择模型容易解释的。决策树或类似方法可能会产生一棵树，其中有意想不到的结果，从模型中提取规则也相对简单一些。多层神经网络算法(两层就够了吧)的隐藏层是黑箱，很难解释，但初始的拓扑图已经代表了专家的某些经验假设，有其专业性也有局限性。
离职预测的应用，应该不仅仅止于预测员工是否离职，更大的意义在于：找出那些可修改的属性值，经修改后员工就更倾向于不离职了。这也是数据分类方法建议选择容易解释的原因。比如分类发现某一类员工有了投诉而且又被训了一通，是更倾向于离职，那主管在这样的员工被投诉之后，所用管理方法可能就要注意一下了。例子也许不太恰当，思路是这个思路。
3，简单说说离群点分析在寻找员工表现异常方面的机会。
在文章开始的时候，提到平时我们寻找异常点的困难：要么需要花时间将数据分成很多细类展示，同时割裂了多个维度;要么发现找到的异常和其他属性结合起来一起看的时候，不是异常。那么大数据离群点分析的方法，就是可以实现将多维度的属性放在一起看，直接得出一个综合考虑了各种维度之后的结果。
离群点检测的方法也很多，基本上和分类、聚类方法的思路类似，从距离、密度、概率去衡量某个数据点是不是离群的。用便于理解的表述就是，如果某点距离其他点的距离超过了某个阀值，或者某个点周围既定半径内的密度明显小于其他点，就可以认为该点是离群的。
相对来说，离群点检测应用起来的可能性比较大。因为员工表现相关的数据量大，更匹配大数据的特点。也因为日常也在做离群点检测，只不过维度单一。用大数据方法可能只是把原来要通过多个步骤完成的事情，只要一步就完成了。另外，模型的有效性和稳定性也会比较好，因为其背后隐含着一套组合的复杂的但明确的“如果…那么正常/异常”规则，只不过一般分开来判断。
4，如果继续探索，也许还能发现大数据的其他机会。比如在将员工分组时，通过聚类的方法尽量识别出相似的员工，将他们分在一起，再分配一个合适的班组长。比如对于不同的员工在效率上会寄予不同的期望目标(把通话时长离散化成几个区间，就可以用数据分类方法了)，用和他同类的员工表现去衡量，应该落在哪个区间段(类)。
四、关于大数据在人力资源管理方面的应用，说一些提醒事项：
1，关于数据收集。没数据都是空谈，所以数据收集机制非常重要，不一定马上能用，但是如果不开始收集肯定以后也用不了。现在很多大数据做得风生水起的公司，都经历了一段数据收集期，也许刚开始收集时根本不知道有什么用。这也是现在收集数据成“疯”的原因。
2，关于数据量。大数据能训练出准确模型的前提之一是要有大量的数据。我不能很确切地判断用1000个招聘员工的数据训练结果怎么样，但是可以确定如果只有100个数据的话，效果不会好。所以规模小的客户中心，就不要拿自己的数据去搞大数据了。如果一定要用大数据，可以借用专门提供这类服务的团队所掌握的模型，把自己的数据作为“检验集”，先评估一下该外部模型的可信度。
3，关于数据清洗。在训练模型之前，通常是需要对数据进行清洗的，数据清洗也有很多方法，要展开也是一堆内容。常见的有拼接数据(增加属性)、简化数据(比如抽样)、修补数据(比如补上缺失值)、规范数据(比如把连续数值分段离散化)。还要解决噪声问题，虽然和选择的算法也有关系，有些算法对噪声非常过敏，有些算法不太过敏。但总的来说还是优先想办法去噪声。
4，关于属性选择。选择属性多一些固然有好的一面，但是要注意属性值的获取是否可行、准确。很难获得，或者即使获得也没办法保证准确性的属性，不如弃用。如果业务专家认为非常非常有必要，那就先在数据收集上花功夫，避免“垃圾进垃圾出”而白忙活。另外，高维数据的分析会面临更多的难题。
5，关于算法选择。没有证据证明某个算法一定比另一个算法好，既意味着是个尝试的过程，也意味着不要对换算法抱太大希望。
6，关于业务专家。业务专家对获得良好的算法模型帮助非常的大，比如上文中提到的一些预设阀值的确定。在平时提到最多的多层神经网络算法中，虽然中间的隐藏层像个黑盒子不可解释，但初始化的网络拓扑图、连接权重、学习率，都需要预设，影响到执行的效率和结果的好坏。
7，关于解释难题。因为大数据分析没有预先设定的可解释规则，所以由相关性得到的算法(规则)，有时候是很难解释的。只要不是明显背离事实和常识，准确就好了，解释可能是次要的。
现在传统的方法，已经给我们提供了一些很好的途径，去筛选员工、预判是否离职、发现表现异常。大数据的方法，只是提供了一个可能，将这方面的工作更进一步。由于受太多因素的影响，某些时候还不一定有更好的结果。所以，在没有实践之前，只能说是一个思考。
我是不提倡杀鸡用牛刀的，也不提倡为了创新而创新;只是如果现有方法工具已经无法很好地完成你确定要做的事情，那升级一下工具是一个可以考虑的选择。所以，现在的你，有没有找到应用点、有没有准备好、是不是值得去使用大数据方法了?
本文刊载于《客户世界》2018年3月刊;作者吴海峰为职业顾问。
