马上注册,结交更多数据大咖,获取更多知识干货,轻松玩转大数据
您需要 登录 才可以下载或查看,没有帐号?立即注册
x
该文原载于iNostix的官方博客。作者Jeroen Delmotte是iNostix的联合创始人及首席技术官。他将其博士研究项目转化为实际的商业项目,专注于人力资源技术领域的研究和开发。
在一项研究中,某企业利用人力资源信息系统(HRIS,Human Resource Information System)中的数据对员工进行了绩效分析。报告中涵盖了该公司2013年6400名员工的绩效评分数据,并发现那些在公司中资历最深的员工(10-20年工龄)平均得分为2.82(满分为5),而公司整体平均得分为4.21。该企业在2014年对6100名员工进行了相同的评分试验,结果十分相似。 报告的结论是,工龄大的员工绩效评分低于工龄小的员工。 试想一下HR部门拿到这份报告会怎么想?炒掉那些资历老的员工?事情其实并没那么简单。 人力评估报告只是冰山一角 目前,大量企业开始运用人力资源信息系统来生成标准化的人力评估报告。该系统从企业宏观层面观察公司的人事发展趋势,并细化到具体数据来对这些趋势进行监测。 这些人力评估通常的方法就是把某一绩效指标作为因变量(一般来说是一个分数),将不同的小组作为自变量(如工龄段,0-1年,2-5年,6-10年和10年-20年);然后针对每个自变量小组计算出因变量的平均值,并进行小组间的相互比较。 但这些数据产生的报告却时常存在错误的结论。 在以上例子中,报告的结论是工龄大的员工绩效评分整体低于工龄小的员工。对于得出该结论的过程和方法似乎是符合逻辑的,但仔细研究,会发现其中存在着潜藏的缺陷。 这样做的缺陷就在于,我们无法知道在不同自变量小组中,究竟是什么因素导致了因变量分数的差异,比如性别、职位级别、部门、管理角色等等。也就是说,在以上案例中,我们只知道不同工龄段员工的绩效表现存在差异,却不知道是什么导致这个差异。 回归分析的重要性 回归分析会采用控制变量法比较不同工龄段的绩效分数。例如,控制性别变量为男性,职位级别为经理,部门为市场部,然后比较各个工龄段在绩效分数上的不同。或许大部分工龄大的员工实际上处在级别较低的职位,而级别较低的员工在某一绩效指标上的分数是普遍偏低的。回归分析或许会发现,影响绩效分数的因素根本不是工龄段,而是其它因素。 实际上,生成正确的人力评估报告可以采取以下两种方式: 回归分析:通过控制变量来判定影响绩效分数的因素 逻辑回归:通过控制变量来判定某个因素是否能让员工有好的绩效 因此,企业如果想要通过人力评估报告找出影响员工绩效的真正因素,就应当运用正确的方法将各个变量进行控制,然后研究因变量与自变量间的回归关系。
|