本文为作者陈书尧（Ellen）在HR成长部落2019年6月23日的人力数据线下活动分享文字实录。

大家好，简单介绍一下我自己：我现在是美国强生全球HR领导力发展项目的一员，今年5月毕业于美国威斯康星大学麦迪逊分校，获得MBA学位。在MBA学习期间，很荣幸于去年5—8月份加入谷歌总部，作为人力资源部非美籍的实习生参与到谷歌运营的项目中。我之前在中国，在光辉国际和礼来公司的HR部门工作。

我今天的内容包括三方面。首先，我们从了解谷歌开始，看看这家公司的各个方面。其次，我们看看谷歌为什么做得那么好，为什么每个人要跟他学。第三是我去年暑假在谷歌实习时亲身参与和经历的项目案例。

关于谷歌

谷歌是一家非常年轻的公司，从成立到现在是21年。1998年的时候两个创始人是斯坦福大学计算机学生，然后就做出了搜索引擎，当时非常符合市场的需求，一路发展，2004年完成IPO初始上市，这为谷歌的发展奠定了基础。所以完成上市的谷歌开始了买买买的行为，后来分别购买了Youtube，这是影音市场最大的领域。然后2016年购买了摩托罗拉的移动数据业务。非苹果手机中的安卓就是谷歌的产品。

截止2018年，谷歌员工总数不足十万，利润超过了千亿，公司利润率30%以上，公司有钱了就想着去做一切对好的事情。

谷歌的文化能够驱使员工使公司变得更好，让所有员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”。它想编辑世界上一切关于信息的东西，让所有人想用就可以用。从谷歌成立到现在，它一直在演进自己的使命。

谷歌产品主要涉及八大领域，最大一块是搜索领域，然后是Youtube影音领域，最后是硬件产品。其他还有谷歌地图、谷歌照片，还有Work  smarter，有一个玩笑说谷歌打死不用别人的产品。那我问同事日常要发邮件怎么办？他们说用Gmail。要做PPT，他们也有自己的软件。

为什么谷歌做得这么好？就不得不提到两个人。

Laszlo  Bock是谷歌人力资源之父，他从2006年加入到2017年离开，十余年的时间奠定了谷歌HR运行的基础和理念。Laszlo把HR在谷歌改成了叫People Operations部门，内部简称“POP”。POP团队也有自己的愿景，叫“找到人才，发展人才，让他们长期在公司留用。”

另一个人是来自谷歌现在的人力数据分析团队的副总裁，他说所有关于人的决定都是基于数据分析的。他2006年加入谷歌，2007年招聘进入谷歌，现在依然在谷歌服务。最后一个人叫罗森伯格。最后一个是范老师在公众号上也有发过。

关于这些相关的文章感兴趣的朋友可以点击链接阅读：

1.谷歌人力运营副总裁离职创业

2.为什么越来越多的领先公司不再把人力部门叫HR？

3.谷歌是如何应用数据分析来驱动人力决策的？

4.OKR课堂笔记

另外就是关于OKR的，这也是谷歌做考核的最重要手段。从上到下，各个部门都有自己的OKR，每个人都会设定OKR。谷歌希望员工考核能够越来越简单、越来越明亮。还要求员工为未来而战，而不是亡羊补牢。谷歌喊出的口号是：在自己身上砸钱，让员工变得更好。这是整个公司变得更好的前提，公司拥有世界一流的人力资源团队，可以帮公司找到候选人——发现他们、发展他们并留用他们。

人力数据分析落地

接下来看看如何将理念上的东西落实到公司运营中去。

People Analytic在谷歌无处不在。整个团队200多人，直接汇报给谷歌的HRVP。成员首先是顶尖商学院的MBA毕业生，然后是前管理咨询顾问，最后是拥有专业领域学位的博士生，比如说信息学、统计学等。

此外，谷歌的人力团队里面也有专人具备People Analytics的技能，他们有需求时，不用求助于Analytics团队，自己就可以完成数据分析、结果呈现和问题解决。

举个例子，有个部门叫Strategy  Planning & Analysis（SP&A），它会负责谷歌每一年对下一年的人力战略规划。还有个部门叫Talent Intelligence & Insights，它会负责谷歌在扩张过程中人力层面问题的分析。

比如说谷歌要在一个地区建厂，他们首先需要分析地址选在哪里？选了地址以后是否有足够多的高校保证？人才招募进来以后，谷歌的薪资水平能否保证是有竞争力的？等等。通过横向、纵向的比较，最后为业务部门提供决策参考。

谷歌员工日常所认知的People Analytics概念中，离他们最近的是GoogleGeist。它是每年谷歌的大型问卷调研。2006年GoogleGeist上线前夕，公司创始人之一找到HR说，我们不知道员工对我们是否满意，能不能告诉我员工是怎样想的。于是就设计出了GoogleGeist的原型，一直到现在。

这是非常完善的调查问卷，涉及到员工方方面面，完成它需要半个小时。这不是强制性要求，大家可以猜猜回复率有多少？市面上日常公司通过调研收集数据的平均回复率是10—20%，谷歌达到了88%。所以说GoogleGeist是一项很强大的工具，可以了解一线员工心声，并以此为依据改进下一年度对于员工的各项激励措施。

数据分析做什么？

我们再来看看谷歌的People Analytics主要涉及哪些领域。

首先是商业决策。比如谷歌前一阵在台湾成立了一个非常大的研发中心，数据分析的同事就要去研究在台湾成立研发中心的可行性，什么时间可以完成？团队需要具备多少人规模？当地有没有稳定的人才供应和储备？把这一系列问题分析下来，最后给到业务层面一个答案。

其次是流程优化。大家都知道现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尝试，亚马逊也尝试过但是失败了，因为他们没有做好相关的数据分析。

谷歌有一个团队去做历史数据抓取，看看我的成功率多少、需要多少工时完成数据处理、人招进来后的留存率和绩效如何，等等。然后还要选取样本，因为人是这个世界上最不可控的东西。所以，他们一定要找到小团队，十几个人，这个团队有最小的可控因素和捕捉数据。

基于这些数据，我们去和工程师团队合作，研究一套对这个团队来说最适合的AI产品。通过一段时间的试用和捕捉，再进行数据对比，最后告诉你在小范围的应用情况下，AI到底有没有对招聘流程进行帮助。有帮助的话，我们把时间放长，三个月或者是一年。然后把范围扩大，从十几、二十个人的团队，扩展到更多的团队，看看这个数据是否还具有可行性，这都为后续部门提供了解决方案。

还有员工福利，这是我在谷歌工作期间非常享受的地方。大家都知道谷歌为员工提供无限量的饮料、小食还有一日三餐。像我自己很喜欢吃，不停地吃，在这种情况下，员工的体形都容易发生令人不太愉快的情况，怎么办？又不能一刀切，因为谷歌就是以免费的食物出名的。

于是，人力数据分析团队就去收集员工每天在不同时段的零食消耗量、消耗方式以及不同办公室的零食有怎样的消耗方式，然后拿着数据去跟行为专家、心理专家做探讨。

最后的解决方案是做一些非常小的调整。比如说我自己特别观察到一个落地的冷柜里面有上百个饮料，但是你目光视线看到的是果汁、咖啡等饮料。可乐都是在最底层或者是最边角。我看到果汁还不错就取了。他们把零食储存在柜子中，然后坚果是放在非常方便打开的地方，而爆米花等这些可能要两只手。储存柜第一层永远是能量棒和海苔这样一些健康的零食。所以这里People Analytics团队又做了贡献。

数据分析案例

这个实例是我2018年暑假在谷歌的项目之一。谷歌每年超过250万职位申请，但是招聘量不会超过1万，这就决定了要在很短的时间内进行大量的筛选。谷歌为了保证公平性，专门成立了团队，这个团队的负责人我们叫Screener，由筛选员专门负责线上简历的筛选。

即便有这样一个团队，简历筛选也有无法及时处理的，而且不同的Screener之间准确度和速度千差万别，谷歌这时候又想知道导致这些速度和准确率差别的因素是什么？当中有没有一些因素可以人为去改变和提升？如果有，这些因素的可信度多少？我要去做改变，应该是以怎样的量去做一个基准线？

我们第一步是找到项目的负责人，去跟他们交流，看看他们在之前的项目过程中有怎样的发现和成果，先将自己放在巨人的肩膀上。通过这些结果，我们整理出来60多个变量会影响工作效率。这60多个变量都是基于人的主观认知，通过访谈方式得到的，这对我们来说没有任何帮助。另外，一家公司再有钱，去改变60个变量也是不可行的。

到了调查问卷阶段，通过设计调查问卷的方式，我们对于变量当中设计的具体数据进行样本采集。尽量让问卷时间变短，效率提高。最后的分析过程非常快，不到一天时间，我们就研究出了非常不错的数据模型，把变量从60减到了只有7个可控的变量。这7个数据的可控变量搭出来的模型可以解释整个团队超过60%以上的员工行为，这在现实当中是非常理想的模型结果。

这个项目比较有意思的发现是：我们通常会假设速度和效率之间一定是有关系的，但是结果发现速度和效率其实一点线性关系都没有。有的筛选员一天完成100份的简历筛选，他的准确率依然在20%以上；有的筛选员只完成30份，最终只有3份进入面试环节。

我们还可以假设，招聘的时候，很多人说我要找一个有业务相关经验的，这样效率高。但是我的分析告诉我不是这样的，员工之前的工作背景、教育经历、工作地点和最后样本出来的结果，跟过程中间的效率和速度没有关系。真正影响到这些人的工作效率的因素是工作习惯，还有谷歌给他们的培训以及团队的工作模式。

几乎所有的7个可控变量，都可以通过一些简单的微调，达到一个比较理想的结果，这是项目比较意外的地方，但却是一个令人欣喜的结果。 

总结

每个项目都起源于一个问题，然后我们需要找一些东西，支持完成数据分析的过程。首先是数据收集，数据无非来自两大来源，第一是调查问卷，收集你公司现有员工没有的数据。其次是通过公司数据库，把历史数据作为一个基准。

大家在收集数据时，一定要注意数据的及时性。因为人是一个最不可控的变量，你要确保在自己数据收集的过程中，收集的数据一定是在时间这条轴上跟目前的员工、公司状况是最相关的。在处理调查问卷时，一定要注重回复率，通常的回复率15—20%，而谷歌可以做到88%。调查问卷在国外是专门的学科，大家研究怎样提高回复率。

完成这些以后，接下来最耗时的就是数据整理和分析。我们可能会用多元数据，通过怎样的方式和处理，能够把多元数据整理在一张表、一个平台上、同一变量、不同价值链以后，你怎样转化，能够让它们在同一平台上可以被分析到？在分析以后怎样对数据进行清理？如果有坏数据你是剔除这个数据还是剔除一个没有那么相关的问题？很多小的方面需要大家通过不断分析，去提高你的判断力。

最后一步是数据分析。分析工具非常多，从入门级的Excel到非常时尚的Tableau，究竟哪个工具适合解决你当下的问题，需要具体问题具体分析。即便选择了工具，还要考虑你有没有能力利用这个工具去分析？

而且，并不是所有的东西是免费的。即使工具免费，人力成本也不是免费的。是不是真的有必要花一个月和一年的时间，让团队做这样的分析？数据分析希望它不仅仅是停留在数据上，而是要提供预见。这个模型对我们的参考意义是什么？模型是否具有可持续性？这些都是我们需要提前考虑的问题。