本文是一篇学术论文代写，笔者认为企业人力资源的数据化管理是大数据背景下的必然趋势，但由于数据思维淡薄、数据人才匮乏，导致企业人力资源管理系统内数据的收集和应用仍处于低层次水平． 将数据驱动和大数据思维引入人力资源管理，分析了对企业员工思维模式、企业内部组织架构和考核方法的变革．
大数据和数据驱动理念对企业人力资源管理同样具有重要意义． 学者们分别从招聘、绩效、薪酬、培训等子系统中探讨了大数据时代企业人力资源管理的变革与创新． 王逸菲认为大数据和人工智能有效提高了招聘的效率和准确性，为制定招聘计划提供了数据支撑和科学指导． 徐艳设计了基于互联网修正的 360 度考核方法，为大数据时代企业人力资源绩效管理的创新提供了新的思路． 屈腾分析了大数据技术对企业人才招募、人才培训、人才管理的影响，将促使人力资源管理更加智能化、系统化、数字化． 然而，现有的文献大多侧重于从理论层面探究大数据对企业人力资源管理的影响，很少涉及到大数据方法和技术在人力资源管理系统中的具体应用．
本文首先分析了大数据时代下企业人力资源管理现状及其成因; 其次从三个方面对数据驱动和大数据思维对企业人力资源管理的变革进行了讨论; 之后探究了基于数据驱动的方法在企业人力资源管理各子系统中的具体应用; 最后构建了基于数据驱动的智能企业人力资源管理系统． 本文将具体的数据驱动方法引入到企业人力资源管理领域，为企业人力资源的数据化管理提供新的思路．
1 大数据时代企业人力资源管理现状及其成因
1． 1 招聘工作传统低效
随着网络招聘的兴起，对于求职者来说，简历投递方便快捷，但同时也对企业招聘人员提出了新的考验． 大部分企业目前的招聘工作仍然是以手动简历筛选为主，海量的简历导致招聘负担加剧，招聘人员需要手动提取每份简历的有效信息，使人力成本大幅提高，给招聘工作带来了诸多困难． 此外，招聘计划往往通过招聘人员的经验设定，随着大数据时代企业内外部环境的动态变化，招聘人员难以准确捕捉岗位的关键因素，岗位需求不够精准．
1． 2 薪酬绩效考核方式数据化水平较低
薪酬绩效考核是企业人力资源管理中的重要组成部分，公平激励的薪酬绩效考核制度可以有效地保障企业的健康发展． 常用的考核方法有关键绩效指标( KPI) 、平衡积分卡( BSC) ，无论是哪种方法，都离不开数据的支持［8］． 然而，目前大部分企业的薪酬绩效考核方案中，领导评分、员工互评与自我评分占据了一半以上的比重，考核方式缺乏完整客观的数据支持，量化考核严重不足，考核指标的全面性和权重合理性同样有待提升． 此外，大部分企业缺乏对员工考核结果展示的可视化平台，员工无法对每一次考核结果进行横向和纵向的比较，从中汲取经验教训，这样使薪酬绩效考核无法发挥最大的作用．
1． 3 管理理念以及组织模式滞后
在传统管理理念的影响下，企业的业务数据和信息资料都掌握在企业管理者手中，只有在员工升职时才能使用，这大大降低了数据的利用率，数据和信息存储方式也不利于沟通分享［10］． 此外，许多企业的人力资源管理部门忽略了以人为本的管理理念，过于强调员工的工作效率，忽视了员工的个性化发展． 组织模式方面，由于企业管理者和员工之间缺乏沟通，导致组织内部的层级冗杂、职能界定模糊，各部门之间信息传递效率低． 在大数据环境下，滞后的组织模式大大影响了企业的决策和行动．
2 数据驱动和大数据思维对企业人力资源管理的变革
2． 1 企业人力资源管理理念的数据思维变革
大数据环境下，人力资源管理在招聘、绩效、薪酬、配置、培训等系统中产生了海量的数据． 转变传统人力资源管理思维方式，形成数据驱动和大数据思维，是企业人力资源管理在大数据时代转变的核心．这促使企业人力资源管理者培养自己对数据的敏感性和洞察力，认识到数据的重要性，从“经验 + 感觉”向“事实 + 数据”的思维模式转变［12］． 企业人力资源管理者也要向每一位员工进行数据思维的培养和锻炼，鼓励企业内部的员工记录下工作中产生的数据，并利用数据驱动的方法充分挖掘每一组数据的价值，在企业内部形成“用数据说话”的潮流，从而变革企业管理者和员工的大数据思维．
2． 2 企业人力资源管理组织架构的升级变革
传统的企业人力资源管理组织架构为“金字塔”型，人力资源主管处于金字塔顶端，人力资源管理呈现多级管理模式［12］，这一模式使组织结构冗余、成本增加，不利于组织内部的信息沟通． 大数据时代，数据思维和数据驱动方法让数据成为企业管理者和员工之间沟通的渠道，促进了企业管理者与员工的沟通，简化了企业内部的管理层级，使企业人力资源管理组织架构由“金字塔”向“扁平化”的组织架构转换． 这一组织架构的升级变革，降低了企业人力资源管理中的沟通成本，提高了信息传输效率．
3 数据驱动方法在企业人力资源管理中的应用
3． 1 构建企业人力资源管理数据仓库
数据仓库是面向主题的、集成的、相对稳定的、反映历史变化的数据集合［14］． 随着企业的发展，企业在人力资源管理中将产生海量的数据． 数据仓库的建立是解决数据存储问题的必然选择，同时数据仓库也能为企业提供用于决策支持的历史数据，结合数据驱动方法，为企业人力资源数据化管理提供了有力的技术支持． 数据仓库的构建是一个综合性工程，一个完备、健全的数据仓库，需要成熟的技术方案和技术架构，还需要对企业的业务场景有清晰的认识［15］．
构建企业人力资源管理数据仓库，首先需要梳理人力资源管理在招聘、绩效、薪酬、配置、培训等系统产生数据的类型、维度、特征等属性． 其次，根据各系统数据的属性，创建数据仓库数据库、数据抽取工具、访问工具、信息发布系统等数据仓库的组件，进而构建完备的企业人力资源管理数据仓库． 基于数据仓库，将企业人力资源管理在招聘、绩效、薪酬、配置、培训等系统产生的以及其他档案中的数据保存到数据仓库中． 利用数据仓库的海量数据，构建基于数据驱动的分析模型，从中挖掘出符合规律的知识并用于企业未来的决策中．
3． 2 数据驱动方法在招聘系统中的应用
简历筛选是招聘系统中重要的一个环节，简历筛选的候选名单质量直接决定企业人才的质量［16］． 大数据时代，随着网络招聘的兴起，如何在海量的简历中识别每位求职者的特点并选拔出符合岗位需要的人才、实现企业和人才的双赢，是企业人力资源管理部门需要思考的问题．
基于数据驱动的思想为招聘带来了新的变革． 首先，人力资源管理部门拟定岗位需求，包括性格特征、基本技能、工作经历等指标，构建人才特征画像［8］; 其次，从求职者简历中提取求职者的特征，建立求职者特征与人才特征画像匹配程度的机器学习模型，根据模型计算求职者与岗位的匹配程度，判断应聘者是否能够胜任该岗位，进一步筛选出符合岗位需求的人才进入后续面试、录用等环节． 数据驱动的方法有效提高了招聘的效率，为企业招聘提供数据支持．
4 基于数据驱动的智能企业人力资源管理系统
微软和 IBM 公司提供了可视化数据仓库的商业智能( Business Intelligence，BI) 解决方案［14］，本文得到启发，将数据仓库的商业智能体系引入到管理系统，构建了基于数据驱动的智能企业人力资源管理系统，为企业数据化管理提供新的思路． 本文将智能企业人力资源管理系统分为智能管理平台、智能管理工具、智能管理门户和智能管理应用四个部分，根据企业人力资源管理系统的特征，设计适用于系统的工具和应用，如图 1 所示．
1) 智能管理平台是智能企业人力资源管理系统的基础，主要为数据仓库的关键环节和技术，包括数据的抽取、清洗和加载、数据仓库引擎、数据挖掘引擎和报表管理引擎． 数据的抽取、清洗和加载的目的是将企业中的分散、单位不统一的数据整合在一起，为上层使用数据挖掘等智能管理工具做数据预处理． 引擎则是控制访问权限并快速处理事物，满足企业内需要处理大量数据的智能工具的要求．
2) 企业通过智能管理工具与智能管理平台中的数据挖掘引擎、报表管理引擎进行交互，从而使用数据可视化和数据挖掘等工具进行分析． 这一部分根据智能管理平台中提供的预处理后的数据，将数据转换为知识，最后将知识呈现给各层各子系统决策者，为决策者提供决策依据．
3) 智能管理门户为不同的系统使用者提供访问入口． 该门户集成了来自招聘、培训、薪酬、绩效等不同子系统的数据信息，不同子系统的员工可以制定个性化的个人门户，选择和自身相关性最强的数据，提高数据访问和使用的效率．
5 结论
本文对大数据背景下企业人力资源的数据化管理进行了探究． 数据意识和数据思维淡薄以及数据人才的匮乏是企业人力资源管理数据化水平较低的原因，导致企业在海量的数据中无法获取有价值的信息，工作效率低． 为了解决目前企业人力资源管理面临的问题，本文分析了数据驱动和大数据思维对企业员工思维模式、企业内部组织架构和考核方法的变革． 此外，我们探讨了数据仓库、数据聚类、多元线性回归、文本挖掘等数据驱动技术在招聘、培训、薪酬等系统中的具体应用． 将数据科学领域中的数据驱动模型和方法应用到企业人力资源有管理领域，通过数据的收集、共享和建模，实现企业人力资源的数据化管理，对企业在复杂多变的市场中取得竞争优势具有重要意义． 最后，受商业智能解决方案的启发，本文为企业构建了基于数据驱动的智能企业人力资源管理系统．
未来的工作中，本文作者将尝试取得某企业在人力资源管理系统中产生的实际数据，应用数据驱动的方法对挖掘出有价值的信息供企业进行决策．
参考文献（略）