数据管理
数据成本是否扼杀了您的AI启动计划？
数据为AI初创公司提供了防御性的护城河：初创公司收集的用于培训AI模型的数据越多，该模型的表现就越好，新的参赛者难以赶上。然而，这些数据并非免费提供，许多人工智能初创公司认为他们的利润受到这笔额外费用的侵蚀。随着时间的推移，您可能希望减少对数据的投入，但目前尚不清楚如何预测何时会发生这种情况以及在何种程度上预测未来增长的模型。
与软件初创公司不同的是，产品开发埋藏在损益表中的研发成本之下，AI初创公司应将数据成本作为销售成本（COGS）的一部分。将数据视为COGS而非研发成本将有助于您发现扩大规模并降低成本的机会，从而提高利润率。
下面的数据价值链流程图显示了大多数AI初创公司如何获取和使用数据。首先，您将基础事实的片段记录为原始数据。您将原始数据存储在某处，然后建立流程或管道以维护和访问它。在AI模型中使用它之前，需要对数据进行注释，以便模型知道如何处理每个数据点。然后，训练有素的模型接收数据并返回推荐，然后您可以使用该推荐来为最终用户采取某种结果。该过程可以分为三个不同的步骤：获取数据，存储数据和注释数据以训练模型。每一步都会产生成本。
数据采集成本
在所有数据价值链中，某种传感器（物理设备或人类）首先需要通过捕获对现实的观察来收集原始数据。在这种情况下，数据采集的成本来自创建，分配和操作传感器。如果传感器是硬件，则必须考虑材料和制造成本; 如果传感器是人类，那么成本来自于招募并为他们提供制作和记录观察所需的工具。根据您的覆盖范围需要多大，您可能需要支付大量费用来分发传感器。某些用例可能需要以高频率收集的数据，这也可能会增加人工和维护成本。例如，观众测量公司尼尔森，面临所有这些成本，因为它既提供了框，也支付参与者报告他们在电视上观看的内容。在这种情况下，随着尼尔森的数据变得越来越有价值，其覆盖范围越广泛，规模经济就会降低单位数据采购成本。
在某些使用案例中，您可以通过向他们提供管理工作流程的工具（例如，自动电子邮件响应生成器），然后将他们捕获的数据存储在他们的工作流程中，将数据采集的工作和成本转移给最终用户。工作或观察他们与工具的交互并将其记录为数据。如果您选择免费分发这些工具，数据采集的成本将是客户获取工作的成本。或者，您可以选择为工作流工具收费，这可能会减慢和限制客户采用率，从而减少数据采集，同时抵消数据采集成本，具体取决于您的价格。
例如，我公司的一家投资组合公司InsideSales为销售代表提供了一个平台，可以拨打他们的潜在客户。当销售代表使用该平台时，它会记录有关交互的时间，模式和其他元数据，以及该销售渠道中的销售线索是否进展。该数据用于训练AI模型以推荐最佳时间和通信模式以联系类似的线索。这里，随着越来越多的用户进入平台，网络效应可能会增加工具的实用性，这可能会降低用户获取成本。
或者，在另一个实体已经建立数据收集管道的情况下确保战略合作伙伴关系可以进一步降低成本。我们的另一家公司Tractable采用计算机视觉实现汽车保险调节器的自动化工作，正在与几家领先的汽车保险公司合作，以获取受损车辆的图像，而无需投资向个别车主分发应用程序。
存储和管理成本
在数据存储和访问方面，初创公司面临另一个成本问题。除了您收集的数据之外，您可能还需要客户提供其他上下文数据以丰富您的模型。许多行业最近才开始数字化，因此即使潜在客户拥有丰富模型所需的数据，也不要认为数据易于访问。为了使用它，您可能不得不花费大量人力来进行低利润率的数据准备。
此外，如果数据分布在不同的系统和孤岛中，您可能需要花费大量时间来构建每个集成，然后才能使模型完全正常运行。一些行业围绕单片和特殊技术堆栈构建，使得集成很难在客户之间重用。如果集成服务提供商不可用，那么您的AI启动可能会发现自己陷入了为每个新客户构建自定义集成之前，它可以部署其AI系统。数据结构的方式也可能因客户而异，要求AI工程师花费额外的时间来规范数据或将其转换为标准化模式，以便可以应用AI模型。建立一个通用集成库可以降低成本，因为您可以在新客户中重复使用它们。
培训费用
大多数AI模型构建方法都要求您标记和注释数据，这是AI初创公司最大和最可变的成本之一。如果示例很简单或通常被理解为足以使外行人能够执行注释 - 例如，在图片中的所有苹果周围绘制一个框 - 您可以使用外包劳务服务（例如Mechanical Turk或图8）来执行注释。
然而，有时候，注释需要更专业的知识和经验，例如基于视觉线索确定苹果的质量和成熟度，或者石油钻井平台上的生锈斑块是否危险。对于这种更专业的劳动力，您可能需要建立一个内部专家注释团队并支付更高的工资。根据您的注释方式，您可能还需要构建自己的注释工作流工具，尽管像Labelbox这样的公司现在正在出现提供此类工具。
在某些AI应用程序中，最终用户是最有效的注释器，您可以通过设计产品来卸载注释成本，以便用户在数据与产品交互时标记数据。Constructor是我们的投资组合公司，提供针对电子商务的人工智能网站搜索，观察用户实际点击并购买每个搜索词的产品，使他们能够优化搜索结果以获得更高的销售额。这种注释不可能通过外包或专家搜索服务进行人工操作，并且可以保存Constructor，否则可能是重要的注释成本。
即使在您以高精度训练模型之后，当模型不确定如何解释新输入时，您偶尔也需要人类进行干预。根据模型如何为最终用户提供价值，该用户自己可以对模型进行更正或注释，或者您的创业公司可以通过采用质量控制“AI保姆”来处理异常。如果环境是您的建模是易变的并且以高速和常规速率变化，您可能希望保持稳定状态的注释器团队以根据需要使用新数据更新模型。
扩展AI业务
第一批成功的人工智能企业进入市场，提供无AI工作流程工具，以捕获最终培训AI模型并增强工具价值的数据。这些创业公司早期就能够实现软件利润，因为数据和人工智能是创业公司价值主张的次要因素。然而，随着我们转向人工智能的更专业应用，下一波人工智能创业公司将面临更高的启动成本，并需要更多的人力资源来为客户提供初始价值，使其成为低利润率的服务业务。
获得大量客户和数据将最终降低单位经济效益并构建关键的复合防御能力，但许多初创公司并不确切知道这一点到底有多远，以及他们需要做些什么来更快地实现目标。最好的人工智能初创公司将了解哪些杠杆可以在该途径上进行优化，并有意识地使用它们来进行正确的投资并快速扩展。
以上为AI翻译，内容仅供参考。
原文来源：Could data costs kill your AI startup?
数据管理
Daivergent将自闭症谱系的人与数据管理工作联系起来
文/Jordan Crook
伟大的创业公司通常来自个人的地方。Byran Dai的新公司Daivergent也不例外。
Daivergent成立于2017年12月 希望将企业客户与自闭症谱系领域的人们联系起来，他们将帮助完成AI / ML数据管理任务。
戴的弟弟布兰登正处于自闭症谱系。戴认识到他的兄弟和其他人在某些高复杂性任务中是完美的候选人，这些任务需要特别注重细节，例如数据输入和浓缩，质量保证和数据验证以及内容审核。
在几乎每个人都在研究AI和机器学习算法的环境中，组织数据是首要任务。Daivergent认为，它可以汇集完美的数据专家库来完成这个领域的任何任务。
Daivergent与各种机构合作，包括AHRC和Autism Speaks，以寻找人才。那些人经历了一个筛选过程，评估他们完成这些任务的能力。然后他们成为Daivergent的承包商，在那里他们接受进一步的培训，然后开始从事项目工作。
该公司表示，美国有250万成人患有自闭症，而Autism Speaks报道，在患有自闭症的受过大学教育的成年人中，失业率为85％。
Daivergent不仅为这些人提供了进入劳动力市场的途径，而且还为企业和公司提供了一种方式，让他们可以雇佣美国工人从事海外承包商的项目。
当一项新任务进入Daivergent时，该公司将该项目拆分为较小的任务，然后将这些任务分配给其工作人员。该公司还确定整个项目的复杂性，考虑到请求的紧急程度，决定定价。
戴维根收取了一小部分收益，并将其余部分转给了工人。
目前，Daivergent有25名活跃的工作人员为客户执行任务，150名工人注册并完成资格审查程序，另有400名成人在候选人库中自闭症。
该公司最近从ERA加速器毕业。
以上为AI翻译，内容仅供参考。
原文链接： Daivergent connects people on the autism spectrum with jobs in data management
数据管理
帮助企业管理大量数据, StreamSets完成2000万美元融资
2014年，全球大数据市场规模达到约285亿美元，实现53.23%的增长，比2013年57.63%的增速略有回落，但快速增长态势不变。年，全球大数据总体加速发展趋势不变，全球大数据市场规模达到421亿美元，预计2020年全球大数据市场规模将达到5397.10亿美元，同比增长56.97%。大数据的客观收入吸引了很多企业家的注意力，StreamSets 就是其中一家。
StreamSets 近日宣布完成了2000万美元的融资，领投方为 NEA 和 Battery Ventures，现有投资者 Accel 也加入了此轮投资。自2014年成立以来，StreamSets 共获得了3300万美元。新资金将用于进一步开发产品，并在北美和欧洲扩张。
StreamSets 总部位于旧金山，目前拥有40多名员工。联合创始人兼首席执行官的Girish Pancha是数据整合方面的资深专家，同时也是 Informatica 的前首席产品官。另一位创始人是Arvind Prabhakar，Arvind Prabhakar 曾与 Girish Pancha 一起在 Informatica 工作，于2010年加入 Cloudera，担任工程主管。
简单来说，StreamSets 提供了可以管理来自单个控制面板的各种数据的软件，相当于”空中交通管制“，也可以说是“数据搬运工”，公司提供的软件有助于用户将数据源设计到其应用程序中，然后不断监控数据的质量和及时性。
举一个例子，一家公司可以将工厂、农场或建筑设备的物联网（IoT）传感器数据用于预测机器故障的应用程序，或者可以将网络和系统日志信息提供给网络安全分析引擎，以使用机器学习来检测高级攻击。据悉，StreamSets 可以将各种格式的数据转换为标准格式，以便监视数据流和数据内容。
StreamSets 现在有数十个客户，包括 Cox Automotive、 Cisco Systems 和 Lithium Technologies，StreamSets 每年为客户提供软件和服务。
来源：36氪 作者：韩旭，如若转载，请注明出处：http://36kr.com/p/5078346.html
数据管理
云端企业数据管理平台Reltio获4000万美元C轮融资
日前，企业数据管理平台Reltio完成4000万美元C轮融资，New Enterprise Associates（NEA）领投，Crosslink Capital和406 Ventures跟投。该公司打造了一个云端数据管理平台，为企业提供数据、分析和推荐服务。
Reltio于2011年在加州成立，致力于简化企业数据管理系统，以更全面地了解运营情况。反过来，这一系统也能为销售或营销部门所用，开发数据驱动型应用，预测哪里存在销售线索。
Reltio处理的数据多种多样，可以是内部交易和交互数据，也可以是公共和社会数据。借助Reltio平台，企业可以将这些数据库结合，根据特定的目标来设计新程序。
此轮融资之前，Reltio获得共计3200万美元融资。该公司表示将利用新一轮资金维持发展势头，加倍投入工程、销售和营销项目。此外，Reltio还计划在今年增加50%的员工。
“Reltio在大数据管理市场显示出了惊人的成长。”NEA普通合伙人Chetan Puttagunta说道，“所以当他们需要资金来进一步发展时，我们很快就做出了投资决定。”
来源：猎云网（微信号：ilieyun）编译：蔡妙娴
数据管理
瞄准大企业的数据管理痛点，“木浪云”尝试从企业数据管理云服务切入
在海量数据管理方面，大型企业正面临数据呈爆炸式增长的挑战。在传统数据存储保护这一领域，产业链上游，如阿里云、腾讯云、百度云以及国内外众多互联网大佬占据后，中下游的数据保护和存储创业公司并不少见。
产业扎推和更新缓慢仍是下游产业链的主要问题。目前很多企业的IT架构都是传统的技术架构，和云端的技术架构难以融合，数据保护和管理也是传统的分离、异构、复杂的方案。和体量相对庞大，数据规模也越来越大的大中型企业相比，企业的数据管理成本也越大，管理系统和设备也越来越臃肿，多个管理设备之间无法统一管理，其后果是运维人员压力大、能力要求高，运维成本不断上升。
近日位于深圳的云备份企业木浪云数据宣布推出新一代MulangCloud系列海量数据融合管理产品。其主要基于大规模、模块化的云计算融合架构，能充分利用云计算架构按需扩展的特性，提高资源利用效率与业务规模化的适应能力。
木浪云系统采用标准模块化服务器的设计模式，具备横向集群扩展能力。通过2U机架式服务器集群深度定制，包括在计算、内存、分层存储通道、万兆高速网络、操作系统等方面做深度优化，再通过上层的数据保护软件、集群管理以及云存储接入等功能来解决海量数据管理的难题。
按照发布会上创始人兼CEO李元强的介绍，木浪云是该领域产品的第一家，作为一家获得腾讯投资的创业公司，木浪云在此之前主要专注数据备份的服务，旗下产品多备份也是针对中小企业的数据保护服务。如今推出木浪云的新产品，是李元强团队在这一领域的继续探索。
按照官方给出的介绍，MulangCloud系列产品的核心功能主要有以下几个方面：
1、单个融合数据管理集群支持几十到几千个虚拟机(VMWare等)高速备份、秒级恢复以及按需复制的功能
2、虚拟机内部文件、数据库、目录等具备高细粒度即时搜索与恢复功能
3、本地集群全局重复数据删除，最高可节省90%的空间。
4、可按需归档到云，实现云灾备的功能
5、通过VSS技术，保护上层应用数据一致性
6、通过部署异地对等集群，轻松打造异地灾备方案
7、自动识别集群节点，数分钟安装完成部署与扩容，运维管理超级简单
据了解，MulangCloud系列产品支持混合云架构，适用于中大型企业、政府机构等虚拟化数据中心，云计算数据中心，支持业务系统连续运行保护、大规模数据本地存储备份、异地容灾备份等业务需求。
公司目前团队维持在30人左右的规模，其中研发人员占到60%，核心团队主要来自腾讯、迅雷、盛大等企业。
来源：36氪，作者：克里斯唐，如若转载，请注明出处：http://36kr.com/p/5049847.html
数据管理
携程瘫痪非偶然 国内互联网企业漠视数据管理
[摘要]安全业务比较边缘，在整个公司关注程度很低，并没有落到实处。
昨天上午11:09，携程网遭受不明攻击导致官方网站及APP暂时无法正常使用，携程首页挂出通知，建议用户选择艺龙旅行网。
而今日下午17时许，艺龙网首页也出现无法访问的情况。更有消息称，携程已召集了所有技术人员加班加点提供解决方案，但一直到今日晚间10点携程的服务都可能无法恢复。
社交媒体上有网友称：“携程数据库被物理删除”。如果确定是物理删除的话，携程会受到很大影响，基本要面临数据库重建的挑战。更有说法是，携程一个小时要损失上百万美元。
这是携程最近1年来爆发的第二次安全事件。2014年3月，携程安全支付日志可遍历下载，导致大量用户银行卡信息泄露(包含持卡人姓名身份证、银行卡号、卡CVV码、6位卡Bin) 。
更早前，支付宝也曾爆发大面积瘫痪，官方解释是因为杭州萧山的一根光缆被挖断。
对此，有行业人士打趣说，什么大数据、云计算、工业4.0，都TM顶不住传统行业一铲子。究其背后原因：这是一次预谋已久传统行业对互联网企业的绝地反击。
“原以为需要多少资本运作、模式创新才能干倒马云，原来找几个农民工兄弟，一铲子下去就够了；万万没想到的是，这么快就临到携程。”
上述人士指出，传统行业就想证明一点：“我们不仅会使铲子，还会删数据；操作股市so easy!”
有分析人士指出，携程、支付宝等接二连三的出现网络安全事件，折射出互联网企业对企业安全管控不足的特点。多备份联合创始人、CEO胡茂华今日指出，这折射出国内企业数据管理乱象。
以下是多备份联合创始人、CEO胡茂华对携程事件的分析：
5月28上午11点到我写这篇文章，携程故障已经四个小时了还未恢复正常服务，这是继前不久网易全服务趴下，到昨天支付宝光纤被挖掘机挖断。
国内互联网忽视企业安全
中国互联网企业巨头多次陷入各类安全事件挖，深其原因，还是因为国内企业对安全问题的漠视，大家都忙于业务、忙于竞争，所有的资源都投入到一线业务中去了。
特别企业数据的管理和保护这个领域，一旦出现问题，造成的损失无法弥补，这和国人的观念不无关系，就像买保险一样，大家都抱着侥幸心理，万分之一的几率，但是万一发生了呢？
有一个数据可以例证，到微博上搜索一下备份，上面有近1亿条用户记录痛哭流涕的抱怨自己没有及时备份个人数据而终身遗憾，或遗憾终身！
今天携程事件，我相信备份数据肯定有，毕竟是上市企业，有严格的审计过程，数据如何管理、如何备份和恢复、涉及到哪些流程、有没有权限管理，应该都有四大会计所来做审核。
我记得当初在1号店负责运维时，因为1号店被沃尔玛收购，作为上市企业的关联交易公司，当时沃尔玛派KPMG来做详细的审计，核心岗位和管理层都被做了访谈，并出具了详细的操作流程，我亲自参与这个过程，审计是做了，但我们作为执行人心中是非常没有底气的。
在我呆过的几个大的互联网公司，如盛大、1号店，都有做数据管理流程和备份恢复服务，但是因为这些安全业务比较边缘，在整个公司关注程度很低，并没有落到实处。
我有理由相信，所有的公司都有做数据管理和备份，不论是小微企业老板自己手动用U盘或者硬盘拷贝、还是大的互联网公司有专门的运维人员专项负责、传统的中大型企业用专业的软硬件工具，关键是99%的公司都没有做数据管理流程、备份和恢复的演练，恢复的数据到底可不可用，如何快速的恢复等操作演练。
欧美国家对数据保护极为重视
再来看看欧美环境，再小的一家公司，都有专业的数据管理软件或者专业的IT维护人员，他们极其重视数据，视数据为企业生命。
所以在欧美，做数据管理和保护的IT公司不下500家，像IBM、HP、Dell、EMC、赛门铁克、康沃、飞康、爱恩铁山、CA、carbonite这些老牌的上市公司。
还有很多新型的互联网创业公司，如Datto、code42、durva、Rubrik等企业，这些企业融资规模都在5000万美金以上。
国内在企业数据管理和保护该领域企业少之可怜，国内的IT软件公司绝大部分是代理欧美产品，极少数是自己维护开发，无法保证专业性。
究其原因，数据管理要做的非常专业实属不易，该领域属于基础技术领域，要与各类操作系统、硬件平台、文件系统、网络和安全领域交互，比如分块、去重、压缩、上传下载、增量、加密、索引、存储分层、海量小文件、备份和恢复时间窗口、集中管控等综合技术难点。
传统的IT企业不愿意做基础研发、还靠代理或者买单机版软件垂死挣扎，新型互联网企业不愿意做也看不上这个不性感且极度垂直的2B领域。这也带来新的创业机会。
数据管理
【HR必读】开发利用大数据，HR如何有建树？
大数据现在很“红”，以至各行各业都在开发大数据这个“金矿”。确确实实说，大数据已经给不少企业、组织赢得了商机、或是提高了管理效率。
相对于其它组织如火如荼地开发、利用大数据，企业的人力资源部门在开发、利用大数据方面却未见走在前列，也鲜见利用大数据获得很好效率和效益的例子；埃森哲的调研（数据分析实战：实现高投资回报的突破与阻碍）也证明了这一点：人力资源部门在数据分析法应用方面远远低于财务、客户服务、生产/运营、销售等职能部门。
那为什么人力资源部门会在开发、利用大数据方面落伍呢？我认为有以下几个方面的原因：
第一，大部分企业的人力资源管理注重过程、流程，缺效益思维。
比如，人才招聘，人力资源部门注重的是招聘速度和到位率，却很少去追踪人才到位后在多长时间内发挥了作用、创造了效益；培养也一样，人力资源部门注重的是做了多少培训、有多少人参加、“满意度”（其实这种满意度也是暂时的）如何，很少去追踪经过培训后参加者在技能上、行为上有何改变？是否提升了工作效率、创造了效益？薪资管理上问题更严重，不少企业每年都在加薪、发奖金，却很少有人追踪加薪、发奖后对提升人力效率的贡献，也没有研究出加薪、给重奖在哪些人身上会创造最好的效益、回报最高？
第二，过重地将人力资源工作看待为“艺术”，不注重运用科学来管理人力资源，也没有意识将人力资源管理上升到管理科学。
人力资源管理发展经历了不同的历程，早期的人事管理强调的是控制，为此，所有的人事制度重点都是“不准什么”，“如果违反，会怎样？后来转化为人力资源管理后，又强调“服务”，有些人力资源部门把自己定位为服务部门，招聘是服务、培训是服务、薪资发放也是服务，殊不知随着时代的发展，特别是现在所处的移动互联时代，大数据的开发已经可以为企业的方方面面决策提供了依据，为此，人力资源管理理应从“服务”走向“决策”。人力资源管理应该从数据、数据衡量与分析开始，将人力资源管理的各个系统整合起来，并着眼于最优化人力资源，迈向科学管理。
国外已经有学者在研究如何将人力资源管理转型为“人力资本学”。
第三，大部分企业的人力资源工作者是文科背景，数学基础不好，对数据不敏感。
据《2014德勤全球人力资本趋势》报告调查，越来越多的人力资源部门在使用大数据做明智的人才决策，预测员工绩效，并提前做好人力资源规划。然而，当今只有7%的人认为他们有能力解析使用的数据。
美国管理协会（AMA）于2013年携手企业生产力研究所（Institute for Corporate Productivity, i4cp）开展的一项调研也显示，人力资源管理人员的分析能力在研究开发、财务、运营、营销等人员中是最差的。
第四，人力资源管理信息系统的缺陷与限制阻碍了数据的开发、利用。
在我与不少人力资源工作者交流时发现，现在很多企业所使用的人力资源管理信息系统都存在不少缺陷，要么使用不友好、很复杂；要么功能上难以满足，系统的缺陷、或使用不友好阻碍了人力资源数据的开发利用。
比如，个性化、私人定制是未来一个趋势，人力资源管理也需要重视个性需求，需要通过数据分析、了解了员工的需求后为员工提供个性化的服务。象“菜单式”福利应该是受员工欢迎的，但限于信息工具、系统的能力，不少公司的人力资源管理部门就不敢、或无法推出这样的福利安排。
了解了为什么人力资源部门在开发、利用大数据方面落伍的原因后，那应该怎么做呢？我认为的主要方法和途径有以下四个方面：
1、培养数据意识，以数据说话
人力资源部门应该从现在起，就要有意识地建立、积累有关人力资源管理活动的数据，养成用数据说话的意识；学会运用数据计算、分析，特别需要提升数学能力。
我在“决胜未来，你的脑袋里应该装点啥？”的博文中强调过，数学是科学的基础，几乎所有的科学都与数学有关。数学分析、计算可以帮助人们验证、发现或解释自然现象和社会现象，数学能力强，也可以帮助人们创造发明。
2、从某个领域开始，尝试利用数据进行基础性分析
人力资源部门应该认真检视自己现有的数据资源和分析能力，尝试先从内部某个领域开始运用数据，特别是要从能为业务提供最高价值的领域开始。
比如，可以从人力资源规划开始，去收集和了解：人口趋势、市场人才供应量（如：每年的大学生毕业数）、本单位人员离职趋势（数据）、人力成本上涨趋势、未来公司销售增长趋势、行业发展趋势等数据，从而得出人力配置最佳比率。
3、从基础分析到预测分析
托马斯.H.达文波特和珍妮.G.哈里斯所著的《数据分析竞争法：企业赢之道》指出，数据分析要获得竞争优势，需要从描述性分析上升到预测性分析：
在描述性分析时，我们只会问:到底发生了什么？有多少问题？问题出现了多久？问题出现在哪里？最多也只会问：究竟出现了什么问题？需要采取什么样的行动？
但在预测性分析时，我们要在数据统计分析的基础上问：为什么会出现这种情况？同时，根据统计分析做出预判或推断：如果这种趋势继续发展下去，将会怎样？
4、建立数据管理模型，从预测到决策
人力资源部门需要根据业务需求，制定大数据开发计划，统筹考虑现有数据、技术和技能，确定从何处入手、怎样配合公司的业务战略来建立数据管理模型，从数据的发现、数据的归整、数据分析、提炼到数据管理，建立一整套的数据管理模型，为最优决策提供依据。
埃森哲最近发表的一篇文章“你真的了解员工吗？”中指出：企业在做重要的人事决策时，不能仅依靠表面信息，可以运用人才分析法，即，基于精确及科学的分析法来帮助企业深入了解员工情况，帮助管理者基于客观数据做出科学决策；激发创新、提升业务绩效、助力企业打造出真正的人才优势。
5、提升数据分析能力
人力资源管理应该向经济学靠拢，经济学注重的是数量关系，人力资源管理也应该注重数据分析。据美国管理协会（AMA）的调研，现在和未来三年内，数据分析被列为最重要的五项技能之一。
其实，管理一直强调是数据，如全面质量管理中使用的帕累图分析、散布图分析等以及6δ无不强调数据分析。
提升数据分析能力不仅能显著提升组织绩效，还能改变人力资源部门在开发、利用大数据所处的落伍状况。
【文章来源：钱国新】
扫一扫 加微信
hrtechchina
数据管理
数据管理
数据管理
数据管理
数据管理
数据管理
数据管理
扫一扫 加微信
hrtechchina
