编译_七猫
2003年，迈克尔·刘易斯和他的畅销书《点球成金》让美国职棒大联盟奥克兰运动家队的总经理比利·比恩成为了明星。在此前一年，比恩放弃了传统靠球探选人的方式，转而用一个哈佛毕业生研究出来的数学模型来挑选球员。接下来发生的事情成为了传奇：作为一支小球会，运动家队在那个赛季取得了103场胜利，跟豪门纽约扬基并列常规赛第一，而运动家队球员的薪金总额只有扬基的1/3。在接下来的这些年里，球队们也开始纷纷效仿，他们采用了更多更详细的数据分析方法去判断球员的赛场潜力和投资价值。
如果故事就到这里结束，那么这听起来只是一个体育迷会关心的事情。然而，比恩和运动家队的成功却开启了一个新世界：用大数据来管理人才。
对今天的许多人来说，大数据已经不再是一个陌生的概念。用来预测股票发展的数据模型改变了华尔街和全世界的股票市场，而通过人们的浏览记录而推送广告和购买建议也已经成为了新的营销方式，不过，现在还很少人意识到，大数据也能改变企业的招聘和用人体系。
康奈尔大学产业与劳动关系学院教授约翰·豪斯肯特指出，近年来，市场对于“劳动力分析专家”的需求急速增加，而谷歌、惠普和英特尔等大企业则已经在人力资源部里组建数据分析团队去管理人才。比利·比恩本人甚至出席了去年在德克萨斯州召开的企业人力资源管理研讨会，并且发表了一席名为《“点球成金”走进人才市场》的演讲，在全美的人力资源领域都引发了轰动。
游戏比学术成绩更准确
在硅谷，有一家非常小的初创公司，它的名字叫Knack。跟硅谷许多其他公司一样，Knack主要做的也是游戏，他们的产品包括迷宫解谜游戏《地下城涂鸦》和经营类游戏《芥末服务员》。不过，这些游戏并不仅仅可以用来玩，它们由一个神经科学家、心理学家和数据分析专家组成的团队共同创建，可以用来测量人的潜力。
Knack的创始人盖伊·哈弗泰克说，只要让应聘者玩20分钟这些游戏，招聘方得到的信息就比学术成绩单或人格测试还要多。玩家在每一步之前需要思考多久，行动顺序如何，如何解决问题等等，这些都会被游戏程序记录下来。然后，这些数据将会被用来分析玩家的创造力、忍耐力、从错误中汲取教训的能力、是否懂得分清轻重缓急，甚至是情商和性格。哈弗泰克说，最终的结果将是一个对于玩家心理和智力水平的完整评测，能够判断其是否有潜力成为一个领袖，或是创新者。
当汉斯·哈林贾刚刚听说Knack的时候，他并不太相信他们所说的这些。哈林贾是石油业巨头荷兰皇家壳牌集团的一名管理人员，他所在的团队是该公司的“变革小组”：在过去将近20年里，这个12人小组对该公司的发展方向和经营表现都有巨大的影响。该小组的主要任务是鉴别公司员工提出的项目策划是否有价值，哈林贾和他的团队会进行完整的沙盘推演，然后扮演风险投资者的角色，去与项目负责人见面，给他们提供少量的资金，让他们先进行短暂的尝试，并监控他们的进展。哈林贾说他们很擅长从中挑选出最出色的人选和项目，不过问题在于，这个过程需要花费大量的时间与精力—通常来说，一个备选项目的评测过程要花费超过两年时间，而只有不到10%的项目能通过测试并投入研发。
所以当哈林贾听说Knack的神奇游戏时，他虽然心有疑虑，但还是决定抱着试试看的心态来寻求“捷径”。毕竟，如果Knack真有他们宣传的那么好，那么这些游戏就可以帮助他们对项目负责人进行评测筛选，而他们团队也可以将精力集中到更重要的地方。
哈林贾决定邀请所有曾经提出过项目策划的人来进行这场玩游戏测验。“变革小组”保存着这些年的所有资料，他们找到了1400名左右的策划者来玩《地下城涂鸦》和《芥末服务员》。哈林贾将3/4的人的项目表现告诉了Knack，让Knack能够把游戏表现和项目表现做出对应，以判定影响因素和基准线。最后，哈林贾要求Knack对剩下1/4的人选进行分析，让他们猜猜哪些人的项目做得最好。
当结果出炉的时候，哈林贾说，他的心跳都不由自主地加快了：Knack没见过这些人，也不知道他们各自是什么职务什么背景，更不知道他们都提出了什么项目，但最终，他们评出来最优秀的10%策划者，恰恰就是项目发展得最好的那些人。Knack根据哈林贾提供的3/4数据甄别出能在壳牌成功的六个要素：思路开阔（不排斥随着意外的进展而做出调整）、情商高、以结果为导向、能从错误中学习到经验、能兼顾多任务，以及谨慎。哈林贾说，这也正是他自己心目中的理想创新者形象。
哈林贾认为，Knack可以帮助他的“变革小组”排除80%的候选人—他们几乎看上去都非常聪明、受过良好的训练，而且履历也非常不错，但他们的项目就是没办法成功。哈林贾说，在排除掉这些“没有希望的家伙”之后，他们就可以专注于那杰出的20%了。
在线问卷的玄机
哈林贾还需要说服他的同事在壳牌集团里推广这种新型甄选人才方式，不过在计时工作（比如超市收银员和电话客服等）领域，通过大数据分析来进行简历筛选已经相当流行。这些工作都有着明确的标准化规定，工作成绩也有着清晰的指标，而且员工流动率极高—在美国，电话客服中心每年更换50%的员工也是常事。
早在上世纪90年代，大超市就已经开始采用心理测验等方式来招聘收银员，以减少监守自盗的几率；不过，心理测试能够掌握的信息远远不够全面，而大数据的应用则让他们有了另外一种选择。2010年，施乐公司的客服部门开始采用一种新的在线评估方式来筛选应聘者。这种评估方式包含人格测试、认知技巧测验和情景处理选择题，在应聘者完成答题后，会根据算法自动将应聘者划分为三个等级：红色（不建议雇佣）、黄色（中等水平）和绿色（建议雇佣）。据了解，得分最高的候选人通常都具有一定的创造性，但并不过分好奇；他们会上至少一种社交网站，但不会超过四种。
施乐采用的这套在线评测系统由一家名为Evolv的小公司开发。这套系统能够记录下所有应聘者的数据，也记录下所有最终受聘者的数据，也就是说，在它将测试结果和雇佣结果进行关联比对的时候，将不存在样本偏差。Evolv可以从这些数据中看出，对于销售来说哪些要素最重要（决策力、空间定位能力和说服力），或者电话客服人员最需要什么（让人感到亲切）。根据每一家公司的需要，他们还可以改变问题，或者增加新的变量，去寻找最适合其职位的员工。比如说，有些技术岗位很看重应聘者答卷时使用的浏览器，因为有些浏览器的功能更强大，但并不是系统自带的，你必须要自己下载安装。
前所未有的猎头革命
今年夏天，《大西洋月刊》需要雇佣几个出色的软件工程师，于是他们找到了Gild，一家专门帮助其他公司寻找程序员的猎头公司。
在一间会议室里，Gild给《大西洋月刊》的管理人员们展示了一幅该杂志所在地华盛顿西北部的数字地图，上面标注着若干个红色小记号，这代表着在技术领域上符合《大西洋月刊》招聘标准的程序员。在每个小记号旁边，都还有一个1到100范围内的数字，用来表示Gild对该程序员在这些技术领域上的综合得分。Gild表示，所有得分超过75的程序员都通过了Gild技术专家的编程测试。
Gild做到这一步并不容易。他们首先要搜集整个网络，寻找所有的开源代码，以及这些代码的编写者。他们会根据简洁性、优美性、文档注释完备程度以及若干其他因素来评估这些代码，并统计他们被其他程序员沿用的次数。对于那些为付费项目而写的代码，他们会注意看其完成时间等方面，以评估程序员的效率。另外，他们还会看类似于Stack Overflow这样的编程问答网站，如果一个程序员给别人的建议得到了很多赞同票，那么他的得分也会相应提高。
不只如此，他们还会搜索特定程序员在社交网络上的发言。Gild发现，专家级别的程序员和技术较差的程序员在某些用词上是有差异的，于是他们可以将这些特定用词纳入评分范围。
有趣的是，Gild还能够给那些从未写过开源代码的程序员打分。Gild的首席研究员薇薇安·明表示，他们可以通过观测这些程序员的网络浏览历史来进行分析。比如说，如果一个程序员去一个特定的日本漫画网站，那么他的编程水平就有可能很高。
这是什么原因呢？“我们暂时并不清楚原因。”薇薇安表示，“不过这肯定不是一个偶然现象，因为我们数据库里有600万个程序员的资料，而数据分析显示，喜欢这个日本漫画网站和编程出色之间有着强关联。”
消除雇佣偏见
美国社会学家威廉·怀特在1956年写道，“组织需要的，是全能的人。”天赋卓越，技能娴熟，资历辉煌，性情合宜，为人谨慎，又要足够忠诚—当时的企业认为，他们的雇员必须满足这一切要求。在此后的这几十年里，很多企业甚至在此基础上要求更高。我们应该放弃这种要求，让应聘者玩玩游戏就好吗？那些用高级浏览器的人，就比用系统自带浏览器的人更高级吗？最令人担心的是这样一个问题：人力资源管理是人类历史上最需要人际关系技巧的工作之一，我们应该将它交给机器去做吗？那些数学模型可能会出错，这可能让一些人永远地被排除在工作大门之外。
这些担心是很自然的，但从另外一个角度来想，人因为带有感情而必定存在偏见，我们过去的人才管理方式并不令人满意。研究已经一再表明，高个子男人比矮个男人的职业发展前途更大，漂亮女人在职场上的普遍待遇更好（除非她们胸部太大）。拥有白人名字（比如Jack）的履历更可能通过筛选，而黑人用首写字母代替全名（比如用J.Martin代替Jamal Martin）后会得到更多的雇佣机会。一些特定职业也会存在思维定势：在上世纪七八十年代，不少职业管弦乐团改用盲选的方式来甄选演奏者，此举最初是为了防止指挥徇私，不过这却带来了一个令人意想不到的效果—女性演奏者被招募的几率大大增加，因为在不知道演奏者性别的时候，评审官才意识到她们的才华。
你可以说，现在的社会已经比当时更开明，但偏见依然存在。最近，研究机构“公司执行委员会”（Corporate Executive Board）发布了一项针对人事主管的调查，其结果显示，有74%的人最近雇佣的人在性格上“接近于本人”—很显然，这并不一定是对公司最好的决定，尤其是当新员工职位要求相差甚远的时候。
相反地，数据不会说谎。要想从数据中得到足够可靠的结论，必须按照科学的方法研究足够多的数据，这就是大数据之所以重要的原因。
Knack和Gild都是非常年轻的公司，他们都可能会失败，但他们并不是唯一在进行类似尝试的公司。他们的数学模型也可能随着时间的发展而显露出越来越多的瑕疵，但这也可能让这些模型和这些公司变得更强大而且更聪明。我们当然也有可能在十几二十年后发现，大数据人才管理策略只不过是历史长空里的又一颗流星，但目前的迹象，以及这个策略“无偏差无偏见”的本质，都让我们相信，它很可能是未来的潮流。
来源：《大西洋月刊》