跳过导航链接首页 » 劳动力管理 » 劳动力管理研究和白皮书
“大数据”时代下的劳动力管理
2014-01-07 打印本页
分享到:
字体

 

斯诺登为全球所瞩目,包括美国总统奥巴马多次提到这个情报人员,盖因为他掌握着“大数据”,这些数据或许能“大”到这样的程度:“若能控制哪个国家的情报部门,就一定能控制这个国家的政策!”

 

什么是大数据?

 


 

关于什么是大数据并没有一个统一的权威定义,通常的解释是:大数据(Big Data),或称巨量资料,指的是所涉及的资料量规模巨大到难以通过目前主流软件工具,在合理时间内达到撷取、管理、处理、并整理成为帮助企业经营决策的资讯。其特点体现在四个层面:第一,数据体量巨大。第二,数据类型繁多。第三,价值密度低,商业价值高。第四,处理速度快。业界将其归纳为4个“V”——Volume,Variety,Value,Velocity。

 

人们面对以上描述的“大数据”并非无所适从,那只是一个比较宏观的技术概念,相反,借助不断发展的IT技术,数据仓库、数据安全、数据分析、数据挖掘等等围绕大数据的商业价值的利用逐渐成为行业人士争相追捧的利润焦点。掌握来自企业内部的经营交易信息,物联网世界中商品、物流信息,互联网世界中人与人交互信息等,并对这些含有意义的数据采用新模式进行专业化处理,可以把“大数据”变成具有更强的决策力、洞察发现力和流程优化能力的信息资产。

 

体现“大数据”价值的例子不胜枚举,上午10点钟在网上下了一个移动硬盘订单,下午3点左右你就可以使用,这背后无论是订单处理,货物调度,配送路线确定,还是快递员的选择和时间安排等等,都无一不和数据相关;塔吉特超市能从女顾客消费习惯的突然改变而先于她们的父母知晓女儿怀孕,从而采取针对性营销,以提高顾客满意度,这同样是大数据利用的经典案例。

 

 

 

大数据和企业的劳动力管理

 

企业内部的大数据主要包括三个方面:财务,运营和劳动力。财务数据主要体现在帐务和报表中,包括收入、成本、各种费用、资产、负债、利润、股价等等;运营数据则主要来自生产、物流、销售等环节,包括产量、库存、质量、效率、交货及时率、销量、客户满意度、周转期等等;劳动力数据则体现在和人相关的所有方面,比如薪酬、岗位技能、考勤、加班、绩效、员工离职率等等。

 

多数企业基本上都具备以上数据,主要差别一是数据来源,有的信息化、自动化很好,有的也许还是手工记录;二是数据的粗细程度,追求精益管理的企业可以分析到个人,而管理粗放的经营者看到人工成本的增加一筹莫展,不知就里;第三是数据相关和整合,特别是财务经营数据和劳动力数据的整合分析,一般来讲,企业对财务和经营方面的数据是高度重视,因为直接关系到生存和发展,但对这两者和劳动力数据的相关性,往往只能了解到大概,而更深一步,比如劳动力对成本的具体影响,可以优化的空间,如何更好的使用人工从而切实提高生产效率等等,由于缺乏对劳动力数据的精细掌握,以及没有很好的分析方法和手段,也就不知采用怎样的决策和改变。

 

造成这些结果的原因主要还是过去我们的人工很低廉,市场和企业发展很快,企业的运营效率可以产生足够的收入和利润,那么自然对劳动力的重视也就不够,也谈不上把劳动力数据作为大数据的重要部分来对待。

 

但是如今情况发生了转变,我们的企业不得不面对一个事实:人工成本上升很快,劳动效率有待提高。下图是近年来我国劳动力成本和效率的变化曲线:

 

平均每小时产出价值

平均每小时工资

2011年成本增长= 14.4%

效率增长= 10.4%

劳动力:成本效率差异

来源:  The Conference Board, Ministry of Human Resources and Social Security, Kronos Analysis

 

 

 

可以看出,过去10年,劳动力成本的增速一直是超过劳动力效率的。这已经对各行各业的很多企业产生了重大影响,包括利润的下降,市场竞争力的减退,甚至影响到了企业的生存和持续发展。严峻的现实在不断逼迫企业必须认真面对劳动力管理。

 

 

 

 

劳动力管理的大数据分析

 

保持企业竞争优势的手段有很多,比如产业转型,技术创新,生产更好的产品,提供更好的服务,采用更先进的经营管理模式等等,但如果企业在这些方面已经难以突破,或者要追求更高的目标,不妨在劳动力管理方面下些功夫,相对而言,劳动力作为自己的员工是可控的,劳动力管理是比较容易实现的,同时也是很快就能见效的。

 

实践证明,通过劳动力管理在帮助企业控制人工成本,提高劳动生产率方面有着积极的作用,根据研究公司NucleusResearch的调研显示,发达国家企业采用劳动力管理可以带来3%至5%的人工成本节约,以及5%至10%劳动生产率的提升。国内也有不少领先的公司在劳动力管理方面尝到甜头,比如有的零售服务行业采用合理化多元化用工就实现20%的成本优化,有的制造企业通过精益化劳动力管理提升效率,保障了生产订单的及时交付,有的人力资源共享服务中心利用劳动力管理实现集中化、标准化和可控可视,帮助业务部门优化流程,提高效率。

 

要让劳动力管理发挥这些作用,必须对劳动力管理实行大数据分析:包括及时获取全面而明细的数据,让好的和不好的都展示出来;然后利用专业的方法和技能对数据进行加工处理,洞悉问题和原因,找到可以优化的空间;依据分析的结果,可以直接采取行动,包括纠正,消除或者提高。简单说来,劳动力的大数据管理就是信息容易获取,简便易懂,并可据此采取决策和行动,从而实现持续改进。

 

劳动力的大数据主要包括缺勤、加班、休假、排班、工时、效率、标准、合规、制度等等,以及它们和财务、生产、销售、运营、人力资源管理等的交互关系。以考勤和时间利用率为例,看劳动力管理大数据对人工成本和劳动生产率可以产生怎样的影响。

 

 

1.       考勤数据细如沙,却能淘出金子

 

大多数企业都有考勤数据,不论是用一些智能化终端实时获取,还是简单的纸质打卡钟,甚至是手工签到,但除了月末拿来算工资,并没有更多的管理人员利用这些数据来获取更大价值,比如发现其中影响到工资虚高的部分,有可能造成的对生产运营的影响,以及会损坏员工士气的不公平的现象等等。

 

如下图所示,公司每月需要支付比较高昂的加班费,但经过分析,你会发现在加班很多的同时,缺勤也不低,而且很有可能集中在某个部门、班组甚至个人:

 

 

这显然是很不合理的现象,加班费会增加人工成本,而缺勤又实实在在的影响着生产运营。通过追本溯源的分析,就能对症下药,如果是纪律问题,就需要完善制度,严格管理,杜绝虚假加班和随意缺勤;如果是生产计划不当,就需要合理排班,让人员调度合理匹配业务计划;如果是用工特点或者管理模式的原因,也可以考虑采用弹性工时或者综合工时,让缺勤和加班互相冲抵,从而平衡人工成本支出。

 

另外,考勤数据时刻都会发生,而且涉及到每一位员工,时效性很强,如果能够实时获取,自动运算,对生产运营的帮助就很明显。某著名家电厂商为了保障生产高效持续运转,派专人在班次开始时到车间巡视,检查所有人员特别是关键岗位是否到位,如此所付出的管理成本非常高昂,而如果主管在上班后5分钟内就能通过手机自动收到所属员工的例外信息(比如迟到或缺勤),他就立刻能做出对应性的处理。这其实也是大数据在劳动力管理运用中的一个例子。

 

因此,面对企业每天成千上万的打卡记录,假如不予重视,造成的损失或许就像没有拧紧的水龙头而漏掉的水滴,随着时间积累在流逝;反之,如果借用一些专业的工具进行大数据运算和分析,必然能从中发现闪光的价值。以1万员工为例,假如人均月工资是3千,那么一年企业的人工成本是3.6亿,如果保守估计节约1%,那也是360万!

 

2.       提升生产效率有赖于劳动力数据分析

 

提高劳动生产率如今已被很多企业放到全局和战略高度,但实事求是地讲,也有更多的企业无法了解自己客观真实和全面的劳动生产效率,主要还是停留在比较笼统的层面,比如仅通过企业的投入产出比来看效率的好坏,如此,要想提高效率从哪下手呢?

 

有不少制造企业采用OEE(全局设备效率)来管理机器设备,这套指标体系的原理同样适用于劳动力管理,OLE(整体劳动效能)因此而来。OLE由三个指标组成,即时间利用率(有效产出时间/总出勤时间)、工时效率(标准工时/实际工时)和良品率(产品合格率),OLE非常客观全面地展示了企业的劳动效率,它是有关劳动力的一个很有说服力的“大数据”,下面的例子可以揭示OLE对企业生产运营的影响:

经过分析,当时间利用率提高2.5%时,所带来的是利润3.1%的增长,这就是OLE的杠杆效应,那么如果每个指标都有一些提升,哪怕一些微小的变化,必然会对企业产生可喜的效益改观。

 

要实现这些积极的变化,必须要逐个逐级的去分析OLE后边的数据,找到问题所在,发现能够改进的空间,然后因势利导,有的放矢。而且,OLE是一个从点到面的指标体系,既可以明细到个人、产线、车间等,也能汇总到部门、分厂、区域乃至集团,通过横向纵向的比较分析,树立标杆,发现问题,惩前毖后,必定能逐步提高企业的劳动生产率。

 

支持OLE的数据有些来自考勤,有些来自现场的员工活动跟踪,获取这些数据并不困难,有的就是现成的,有的也可以借助一些IT设备比如条码扫描,另外如果能整合其他业务系统比如ERP,MES等的相关数据,那么OLE的大数据分析就更加完整。

 

在国内企业的实践中,OLE中的时间利用率最容易获取、计算和分析,同时也能帮助员工和管理者快速改进。下面是一个实际的例子,客户把员工的时间做了明细分类,每一类时间都有标准的条码,当发生时就做对应采集:

 

 

拿到这些明细数据后,就可以分析影响员工时间利用率的主要因素,如果从精益管理的角度来看,其实就是发现劳动力浪费的时间,经过分析其产生的原因,个体出现的概率和频率,以及规律等等,减少或者消除这些浪费就成为可能。

 

比如,通过一段时间分析,发现等候机器的时间在间接工时中占比较大,而且没有规律,实际情况通常是:当发生设备停工时,工人去找主管,过来后了解情况,然后由主管去协调对应维修人员,来来回回耽误不少时间。基于这些数据分析,后来做了流程改进,他们把设备最常出的状况做了分类,打印成条码贴在机器旁,当发生问题时,员工即刻扫描,系统依据这条信息做出智能判断,并发邮件给主管和相应的维修人员,同时也记录了问题发生的时间,相关人员会在最快的时间内做出响应。

 

前后比较,等候机器的时间缩短了2/3以上,仅此项就带来时间利用率两个百分点的提高,可见大数据分析对劳动力效率提升的作用!

 

大数据下的劳动力管理时代已经来临

 

劳动力管理因行业、区域、文化、属性等不同而各具特色,伴随其的“大数据”也是形式多种多样,内容丰富多彩,前边讲述的仅是其中有代表性的或者有共性的例子。但无论如何,由于现实的紧迫性,企业越来越需要通过科学合理的劳动力管理来控制高涨的人工成本,提升逐渐丧失竞争优势的劳动生产率。

 

随着云计算的逐步普及,移动网络运用的深入推广,大数据亦将得到更大更快的发展。同样的,基于这些平台的劳动力管理也正在成为趋势,比如企业通过云计算管理更大范围的员工,员工利用手机等移动终端,或者群等社交媒体参与到考勤、排班、绩效等管理活动中来,所有这一切,都为劳动力管理的大数据提供更加快捷及时、更加详细具体的信息,也让大数据服务于劳动力管理变得简便、容易和可行。

 

作者系劳动力研究院委员会成员、Kronos大中华区首席顾问。

 

关于Kronos劳动力研究院

劳动力研究院是Kronos发起的智囊团,旨在通过专业知识和对行业的深入研究,挖掘对生产力和企业绩效产生重要影响的劳动力方面问题,研究院立足于帮助中国企业充分借鉴欧美国家在劳动力管理方面的最佳实践,获得劳动力管理提升的深入的技术知识和实用建议。劳动力研究院由一群有影响力、精通人力资本相关问题的学者、远见者和实践者共同组成,请访问http://china.workforceinstitute.org了解更多信息。

 

 

(责任编辑:叶琼亚)

站内搜索
最新培训与会展
» 更多