兰德报告：美国空军如何将新数据技术纳入其人才管理系统

来源：元战略

作者：元战略观察员

美国空军将数据技术纳入人才管理

     

美国空军（USAF）和其他军种在人力资源管理方面有着悠久的创新历史。最近，基于数据相关技术的繁荣发展促使美国空军领导人正在研究这些技术如何能够进一步改善人力资源管理的决策。本报告描述了美国空军技术驱动的人才管理的实践，并提出了这些实践的特征框架。

美国空军的人力资源决策

     

数据知情的决策过程包括收集和分析特定案例的数据，并利用这些信息对该案例进行决策。相比之下，技术驱动的业务实践不断地收集和融合来自不同来源的数据，并利用这些信息来调整正在进行的人力资源流程。数据来源有传统的，如行政数据库（美国空军人力资源管理的主要内容），也有非传统的，如用户在与IT系统互动时产生的数据。

下图描述了数据信息的业务流程如何支持美国空军正在进行的人力资源决策。可以看到，某些政策问题每隔一段时间就会被重新审视。数据被收集和分析，其结果被用来提供建议和更新政策。有数据依据过程的一个例子是美国空军的补偿方式，如选择性的保留奖金计划。国防部授权各军种确定奖金资格标准，目的是使留用人员符合其技能和经验的需求。美国空军部队管理政策局每年至少对每个士兵进行一次专业评估，以确定适当的奖金资格水平，同时考虑到预计短缺的数据输入、培训成本，以及报酬、民用劳动力市场对军事技能的需求和保留之间关系的研究。数据输入和分析为更新的奖金政策提供了建议，这些新奖金政策的形式会在美国空军的年度公告中公布。

技术驱动商业实践：USAF人才管理的未来

     

数据化的薪酬方法与美国空军现有的严重依赖数据和模型的流程有何不同？在最近关于这一主题的报告中，IBM的研究人员描述了采用人工智能决策支持系统的情况，该系统根据市场对技能的需求和组织的替换成本，为管理人员提供定制的建议。IBM的技术化方法与选择性保留奖金的过程不同，它使用人工智能来生成针对个人的建议，同时不断从管理者的决定中学习，以推翻这些建议。该系统还通过向员工提供相同的信息，使他们能够看到他们的报酬与他们的市场价值之间的关系，从而促进透明度，并尽可能留住员工。

尽管美国空军的薪酬不是由一线管理人员制定的，但这种对比表明，从数据知情的决策过渡到技术驱动的商业实践，允许大规模的定制并不断地学习，从而有可能取代历史上标准化的人力资源管理实践。下图描述了一般数据化的商业实践如何在相对较短的时间内支持持续的人力资源决策的模拟。这些业务实践并不是简单地使用“大数据”或“人工智能”。相反，它们依赖于一个综合架构，将数据、机器智能和人类智能结合起来，以改善决策和结果。

人才管理实践特征的框架

     

标准化和稳定性。所有美国空军成员都属于一个标准的管理系统，其中包含决策相关信息的每个方面，如职业分类计划、组织结构、职位名称、职业发展模式、人员技能清单，甚至是补偿政策，这些都被定义、记录在案，并且随着时间的推移变得相对稳定。例如，官员在服务了预先确定的年限后，会被考虑晋升。在每个级别上的年数以及被选中晋升的百分比每年基本都是固定的。这种结构使系统的结果更可预测，并改善了前景，为高保真的决策提供了支持工具。

有无职业历史。军事服务的独特使命和要求意味着美国空军必须从内部发展和培养人才。这种约束对人才管理的好处是，美国空军可以获得所有成员的完整和持续的职业历史和人口统计学信息。从个人与招聘人员的第一次见面开始，就收集他们的能力数据；在他们通过培训系统前进的过程中，收集医疗和绩效数据；在每次任务期间收集职业数据；并定期提交绩效报告。只要美国空军能够从人力资源系统的所有节点捕捉和连接信息，这种丰富的纵向数据就有希望促成技术化的人才管理。

可衡量的结果。美国空军在开发数据化人才管理系统方面的一个潜在优势是，它有一个标准化的绩效管理系统，这使得美国空军可以使用同一种可识别的绩效信号语言。这些结果的衡量标准为培训模式创造了潜力，以优化上游的人力资源流程，推动更好的结果。

数据的数量。通常情况下，一个组织的规模会限制其应用数据化实践的能力，因为小公司可能不会通过足够的人力资源行动来创建训练机器学习模型所需的数据。美国空军由30多万名现役军人组成，关于目前的部队和过去历史上几十年来的部队，有个人层面的数据，包括数十亿的观察数据。因此，即使在相对较小的人员类别的情况下，这也相当于训练机器学习模型的数千个观察值。

来源 | 兰德官网

编译 | 霍克尼尼