一家知名数据公司HR转型：先从开放所有数据开始

Snowflake公司的首席人力官Arnnon Geshuri最近在"Digital HR Leaders（数字化HR领导者）"播客上做了一期分享，关于这家公司自己的HR部门是如何做AI转型的。

对于不太了解Snowflake公司的人，它是美国一家做数据云平台的公司，在美国可是大名鼎鼎。2012年成立，2020年上市，是美股历史上规模最大的软件公司IPO之一。

公司业务可以这样理解：一家公司内部的数据往往散落在几十个系统里，销售一套、财务一套、生产一套，互相不通。Snowflake就是把这些数据统一收拢到一个平台上，让企业能在上面做分析、跑AI模型。

换句话说，这家公司卖的就是"让数据能被用起来"，它自己就是这个领域里最顶尖的玩家。

首席人力官Geshuri的履历：在谷歌和特斯拉都做过HR高管，后来去Teladoc Health做首席人力官，现在在Snowflake。一路都在工程师主导的公司里干HR。

缺乏数据敏感度的HR，在工程师堆里会很难受

Geshuri一辈子都在一种公司里工作：工程师文化主导、数据是通用语言的公司。

在这种环境里做HR，最大的挑战不是专业能力，而是你能不能和业务负责人用同一套语言说话。

他的自我要求是衡量一切。每上一个项目，先想清楚要改变哪些变量，再看变化前后的样子；如果没落地，必须能说清楚是哪个变量出了问题，然后迭代。

HR们经常会遇到这样一种场景：拿着一份很漂亮的方案去汇报，业务负责人会问，这个数是怎么算出来的？你对数据有什么洞察？这个结论是怎么得出的？然后场面就僵住了。

在这类公司里，你的判断力不是靠表达赢来的，是靠用数据说话赢来的。

Geshuri提醒：别做复制粘贴式的HR。你在任何一家公司成功的做法，换一家未必成立，因为文化不同、管理层不同、行业不同。核心可能相通，但方案必须重新定制。

给人力数据分析团队找的人，都不是HR出身

Geshuri为公司搭建人力数据分析（People Analytics）团队时，招的人主要不是传统HR背景，而是统计学家、数学家、经济学家，还有精算师。

为什么？因为这些人的价值在于看穿数据噪音。他们不会先有一个结论再去找数据支持，而是让数据自己说话，然后找出相关性、找出趋势方向。

这种情况下，HR团队的价值如何体现？

Geshuri认为：HR有多年积累的经验、直觉、判断力，还有对公司环境和员工情绪的理解。这些东西对公司同样宝贵。

这两拨人合在一起，才是完整的能力。

换句话说，一组人负责数据怎么说话，另一组人负责数据没说的那部分是什么。前者给你客观事实，后者给你主观判断。少了任何一边，都不完整。

Geshuri自己的做法是把所有数据开放给全公司，然后他会把趋势、把观察到的情况、把外部环境的变化摊在桌面上，讲自己的解读，同时邀请别人来辩论。

数据是同一份，各人的解读可以不同，这才是这些数据所反映出来的最有价值的部分。

对于这个点我最近深有感触：我最近在帮客户做人才测评报告的解读，和高管每个人一对一聊。按说，测评报告上有分数、有分析，你还可以让AI去跑一遍分析，为什么还需要人肉来面对面走一遍？

事实是，当我和大家面对面沟通时，很多报告表面没有反应的东西开始浮现，那些数字背后的业务语境和个人情绪、心理、思考。此时展现出来的才是一个个最真实、最完整的个人。

有那么一刹那，我闪过一个念头：这才是AI无法替代的HR的部分。

自动化的边界，是"什么必须留给人"

Snowflake内部对所有工作分三类处理。

第一类，重复性任务，自动化。团队自己找、自己建。招聘团队就是一个例子，因为他们本身就在一家数据公司，手上的工具是现成的。

第二类，创造性工作，增强。以薪酬工作为例。先把全球的薪酬调研报告、岗位数据全部灌进数据库，让系统给出初步的趋势分析，比如外部对标之后哪些群体的薪酬存在缺口、公司内部的热点在哪。

但到这里就停了。系统给的是洞察，不是结论。

接下来是薪酬团队看数据、做判断。比如这样一个场景：某个组织的数据为什么偏离市场水平？数据不知道原因，但HR知道，因为我了解这家公司和它的实际情况。

比如某个岗位的薪酬偏离是有意为之的，可能是这个团队稀缺，可能是一个过渡期安排。这种判断，算法做不出来。

第三类，必须留给人的工作，保留。凡是需要和人面对面、需要建立连接和信任的场合，一律人来。晋升的沟通、绩效的反馈、职业发展的对话。

只有这样做，全公司内的信任才会建立。

员工真正怕的不是AI，是不知道边界在哪。如果公司说清楚，自动化的只是重复劳动，涉及到你的晋升和职业发展，永远是人跟你谈，员工的抵触情绪会降下来很多。

一个案例：招聘团队自己写代码，三天上线一个应用

Snowflake公司的招聘团队每个周末有个头脑风暴环节，Geshuri会问一个问题：你们工作里最头疼的是什么？

几个月前，团队的回答是岗位说明书：写一份JD，要写、要改、要给用人经理审、要排版、要发布到官网，一个流程走完，好几个小时。

于是他们决定做个工具：输入关键词，系统自动识别公司语境，从历史JD库里调取素材，参考外部对标，套用公司内部的语言习惯，一分钟不到生成一份预格式化的JD，完成度接近99%。

从几个小时，压缩到10到15分钟。Geshuri说，仅这一件事，他们已经省下了大约三年的员工工时。

所以，AI实践的最佳路径，不是学习、不是培训，而是让团队亲手做出一个自己每天用的东西。

如何衡量AI应用的效果？避开静态指标

AI在HR团队刚起步应用的时候，公司通常看使用率，多少人登录了、用了多少次。这些都是静态指标，回答不了最关键的问题：这东西到底有没有产生价值？

后来招聘团队拿出了一个硬结果：同样的人力，产出提高了20%。招的人多了20%，接触的候选人多了20%。

更关键的是后面的连锁反应。以前团队会来要人，能不能再加10个招聘专员？现在他们反而说，我们做了一批自动化流程，可以把现在的事做好。

省下来的时间去了哪？HR去做了那些真正需要人的事：和候选人深聊、判断文化契合度、确认这个人是不是真的适合公司。

大多数公司的组织数据，躺在HR的电脑里

Snowflake给所有管理者开放了一套组织数据的交互能力，这不仅仅是数据仪表盘。

管理者可以自己提问。我的管理幅度为什么是3个人，我以为每个人带5个人？系统会给出历史变化、给出解释。

再比如，如果把计划中的招聘算进来，6个月后这个结构会怎么变，系统会一起算出来。同时，系统会给参照系：你的组织结构和外部基准比，处在什么位置。

这不是静态报表，是人可以和系统对话、和它一起往前走的能力。

我认为这给其他公司带来了思考：你有多少组织数据，是躺在HR的电脑里、只在年度汇报时出现一次的？

管理者最需要数据的时刻，恰恰是他要做一个具体决定的时刻：要不要新设这个岗位、这个团队该不该合并、这个人的管理幅度是不是太大了。而一到这种时刻，数据通常不在他手边。

很多公司面临的一个情况是：数据开放出去，但是没人用。所以Snowflake做了三件事：鼓励管理者在团队会上使用、主动追问使用情况，以及为大家提供相关培训。

CHRO们应该补上的三种能力

节目最后，主持人让Geshuri给正在往首席人力官方向走的HR提几条建议。他给了三个能力。

第一，分析能力。

不要怕数据，不要怕看图表、看趋势线、提问。不懂也没关系。在工程师主导的公司里，数据就是通用语言。如果你的同事都在用数据说话，你绕开它，就等于放弃了对话的资格。

第二，系统思维。

思考一件事在上游和下游会造成什么影响。比如要上一个新项目，不是只想着这个项目本身好不好，而是要问：它和组织文化相容吗？会不会有负面作用？它会怎么落地？

第三，变革管理。

因为AI在自动化很多工作的同时，也制造了很多不安。员工的不安，最后是要由人力团队来预先想到、来化解的。

1.

2.

3.