建構(gòu)人力資源巨量資料分析師積木職能模型之研究

建構(gòu)人力資源巨量資料分析師

積木職能模型之研究?

研究實施流程與步驟?

研究方法?

研究工具?

問卷對象與限制?

資料檢驗標準?

職能概述?

職能模型?

人力資源巨量資料分

析師之任務(wù)與職能?

描述性統(tǒng)計分析?

因素分析?

T檢定?

信度分析?

研究背景?

研究動機與目的?

重要名詞解釋?

研究結(jié)論?

管理意涵與建議05010302目

錄0423巨量資料分析已蔚為當今顯學(xué)，無論是透過數(shù)字或文本型式呈現(xiàn)，

若未能掌握此潮流就無法于競爭中生存(康雅菁，2015)互聯(lián)網(wǎng)

巨量資料

人工智能全球化HRM4l《人資部門該分拆了》

(It'sTime

toSplitHR)l

希望企業(yè)人資長能如

同財務(wù)長般，成為董

事會很好的成員和值

得信賴的合作伙伴l憑借其能力將員工和

業(yè)務(wù)數(shù)據(jù)串起來，找

出企業(yè)的優(yōu)勢和劣勢，

匹配員工與其職位l提供企業(yè)策略在人才

方面的建議。l《2005年快速公司封面故事:為什么我們

討厭人力資源》(2005FastCompany

coverstoryWhy

We

Hate

HR)l過份側(cè)重于行動而非結(jié)果，故有效地運用

與理解資料，能提出

以結(jié)果導(dǎo)向為建議的

決策方案的能力，將

成為利害關(guān)系人對人

力資源從業(yè)者核心競

爭力的期待之一l贊同Charan對于人力

資源工作者不能有效

支持業(yè)務(wù)的抱怨l認為有60的%人力資

源工作者不能驅(qū)動組

織，但將這種不足正

向地看作是優(yōu)化的空

間。l

主張要教導(dǎo)而非辭退，

甚至對企業(yè)高層管理

者不給人力機會頗有

埋怨21世紀最性感的職業(yè)—資料科學(xué)家（Data

Scientist:

The

Sexiest

Job

of

the

21st

Century）l為何不把人力資源管

理部門炸掉算了?l

其認為人力資源管理

部門的存在毫無意義1996200520142014Thomas

A.Stewart

Keith

H.HammondsRam

Charan

Dave

Ulrich5運用動態(tài)的職能文獻觀點，產(chǎn)生人力資源

巨量資料分析師職能初稿依據(jù)多元資料分析方法與驗證人力資源巨

量資料分析師職能模型，作為個體與組織

的應(yīng)用參考6又稱海量資料或大數(shù)據(jù)

由具有鹿大資料量、高速度、多檬性、變異性等特徵

、

-

家標準技術(shù)研究所(NIST)職能Competency指在各種職位或職務(wù)所需的能力。職能又包括

:

職位所需的基本職能(basiccompetencies)、能產(chǎn)生高績效的差異化職能(differentiation

competencies)(

,

2013)職能模型Competency

Model系KSAO(知識、技能能力與其他特徵)

,

被視穩(wěn)在特定的工作,

職業(yè)或角色

中獲得成功的必要條件

。(Campion

et

al.,2011;Shippmann

et

al.,2000;Stevens,2012)積木職能模型

Blocks

Model?

基礎(chǔ)職能

:

個人效能學(xué)術(shù)及工作場所?

產(chǎn)業(yè)相關(guān)

:

行業(yè)技術(shù)與產(chǎn)業(yè)部門技術(shù)?

職業(yè)相關(guān)

:

特定職業(yè)知識、技巧及管理職能美國勞工就業(yè)與訓(xùn)練局(Department

of

Labor's

Employment

and

Training

Administration,ETA)04020103巨量資料

Big

Data7Competence從事一特定工作之能力theabilitytodo

a

particular

task

偏向功能領(lǐng)域

(functional

areas)theunderlyingcharacteristicswhich

allow

apersonto

performwell

inavarietyofsituation

behavioural

areasTrotterandEllison,

1997,p.36DelamareleDeist&Winterton，2005Competency8組織層次(organizationallevel)Prahalad&Hamel,1990O'Donoghue&Maguire,2005個體層次(individuallevel)David

C.McClelland,1973Lyle

M.Spencer&Signe

M.

Spencer,

1993910Gangani&

McLean

(2006)基礎(chǔ)職能專業(yè)職能個體職能Schoonver,StephenC.(1998)核心職能階層別職能角色別能Darrell&

Ellen

(1998)Cardy&Selvaeajan

(2006)核心職能模式:功能職能模式、:角色職能模式工作職能模式010203工作本位導(dǎo)向未來本位導(dǎo)向個體本位導(dǎo)向文化本位導(dǎo)向11040203專業(yè)職能數(shù)據(jù)分析設(shè)計與詮釋者

:

必須能運用分析技術(shù)影響決策

分析不僅是收集數(shù)據(jù),還需運用計分卡使用數(shù)據(jù)以改善

經(jīng)營決策。RBL集團與密西根大學(xué)共同主持的人力資源職能01核心職能管理職能12

(SHRM)13人才發(fā)展協(xié)會職能模型

(ATD)14ETA15考量到各項職務(wù)工作會隨著時空背景、科技與工具的進化，產(chǎn)生變化。RBL集團與美國人力資源管理協(xié)會的職能模型研究，縱然兩模型

都歷經(jīng)更迭優(yōu)化，但核心概念仍以個體式研究為主。人才發(fā)展協(xié)會的職能模型研究，相較于RBL集團與美國人力資源

管理協(xié)會側(cè)重個體演變來說，在2020年更新版本擴充了對組織

發(fā)展的影響說明。積木職能模型（blocks

model）能依據(jù)特定職務(wù)、工作團體、

組織、職業(yè)或產(chǎn)業(yè)去發(fā)展職能模型，彌補了其它職能模型的不

足，屬于一個較為完整且動態(tài)式的模型，故本研究選取此模型

為架構(gòu)主軸。-16Peter

Cappelli于《哈佛商業(yè)評論》（Harvard

Business

Review）發(fā)表「人力資源沒有大數(shù)據(jù)（There’s

No

Such

Thingas

Big

Data

in

HR）」，其核心觀點認為既有人力資源并不符合資料量大的特性，故毋需擁有技術(shù)高超的資料科學(xué)家JoshBersin在富比士（Forbes）雜志刊登研

究指出，已有百分之四的公司具有「預(yù)估性

分析」能力，意指能利用資料分析員工績效

的驅(qū)動力及留任的原因，藉由統(tǒng)計資料決定

僱用對象、根據(jù)數(shù)據(jù)給予客觀的績效敘薪等

且能善用巨量資料數(shù)據(jù)的公司績效能夠直接

反應(yīng)在成果上，其股票市值比起其他組織高出百分之卅，也更有辦法解決招募時碰到的

問題。17OCSO*NETUCAN18將重復(fù)者、類似者整合后從九十六項變成八十五項人力資源

26項任務(wù)

26項職能巨量資料分析師

16項任務(wù)70項職能19一設(shè)計調(diào)查或其他工具來搜集目標職務(wù)的相關(guān)資料，并應(yīng)用抽樣技術(shù)來確定調(diào)查物件或

使用完整的列舉方法，如人員資格、績效標準、工作任務(wù)二建置職能數(shù)據(jù)庫，比較模型所使用的統(tǒng)計性能指標，測試、驗證與重新制定模型以確

保準確預(yù)測感興趣的結(jié)果，并運用程序語言編寫新的函數(shù)或應(yīng)用程序進行分析三使用算法配合資料與模型，進行人力資源配置與規(guī)劃內(nèi)(外部人口結(jié)構(gòu)改變)，勞動

市場的供需與成本控制四利用數(shù)學(xué)理論和技術(shù)，并配合數(shù)據(jù)分析的結(jié)果，提升招募征選的精準度，A的I應(yīng)用；

訊息與管道，計算機化適性測驗(Computerized

adaptive

testing)五將算法應(yīng)用于預(yù)測模型，融入教育訓(xùn)練與個人職涯發(fā)展分析與評估，數(shù)字化訓(xùn)練與

學(xué)習(xí)之偏好或VR應(yīng)用六藉由數(shù)據(jù)整合與分析提供績效指標與評估藉由數(shù)據(jù)整合與分析提供績效指標與評估，

向關(guān)鍵利害相關(guān)人、終端用戶或管理層，發(fā)掘內(nèi)部高潛人才七建立收集資料的模式與模型，進行薪酬福利的調(diào)查、職場壓力或員工滿意度敬/業(yè)度

調(diào)查，員工協(xié)助方案的評估。八將特征算法應(yīng)用于建立預(yù)測勞資爭議之種類與預(yù)防申(訴/建議諮/詢的)模型。20初篩主要職能為自信心、正直誠實、服

務(wù)導(dǎo)向

信息科技應(yīng)用與語文能力、專案管理能力

人力資源概論

法規(guī)與風險意識職業(yè)道德標準問題分析與危

機處理能力、抗壓性自我學(xué)習(xí)

自我

管理

主動積極

執(zhí)行力

適應(yīng)與彈

性、蓬慎細心、跨領(lǐng)域企圖心價值判

斷、成果導(dǎo)向、策略性思考

團隊意

識、薄通協(xié)調(diào)能力

財務(wù)管理暨成本效

益分析

資料分析工具

資料探勘基礎(chǔ)

知識、應(yīng)用統(tǒng)計學(xué)簡報技術(shù)資料視

覺化技術(shù)

決策支援系統(tǒng)、模型訓(xùn)練與

測試機制

作業(yè)研究與算法

,

計31

項

,人力資源巨量分析師之職能21l調(diào)整基本資料移除姓名與電子郵件增加問卷題達意愿與回收

;

增加年齡教育程

度、擔任主管職與否、從事人力資源工作內(nèi)容與日常工作使用大數(shù)據(jù)之估比

,

進一

步了解細部差異。l任務(wù)敘述調(diào)整,

將原本r建立收集資料的模式典模型

,

進行薪酬福利的調(diào)查職場

壓力或員工滿意度/敬業(yè)度調(diào)查員工協(xié)助方案的評估改為

r使用既有資料收

集的模式與模型進行薪酬福利的調(diào)查、職場壓力或員工滿意度/敬業(yè)度調(diào)查

,

員

工協(xié)助方案的評估

l

溝通各階層之職能放置合理性例如將產(chǎn)業(yè)相關(guān)職能中

,

產(chǎn)業(yè)通用技術(shù)職能之r應(yīng)用統(tǒng)計學(xué)」

或「人力資源概論置入基礎(chǔ)職能中的學(xué)術(shù)職能區(qū)塊。經(jīng)交互討論后

,

考量學(xué)術(shù)職能區(qū)塊

,

應(yīng)以各級學(xué)校通識類之課程或理論為佳故專項之課程

內(nèi)容

,

未必都能在學(xué)術(shù)環(huán)境習(xí)得故最終未做變更。l

強化或補充各階層職能內(nèi)容描述例如將基礎(chǔ)職能區(qū)塊r簡報技巧改為

r精熟

簡報技巧」

產(chǎn)業(yè)相關(guān)職能區(qū)塊r應(yīng)用統(tǒng)計學(xué)改為r具備完整統(tǒng)計分析概念」;

增加補充職業(yè)相關(guān)職能區(qū)塊r具備行業(yè)專屬知識」及「具備行業(yè)專屬技能J

O22文獻分析法（DocumentAnalysis）問卷調(diào)查法（SurveyMethod）23問卷對象屬同質(zhì)性較高本次問卷內(nèi)容并未調(diào)查任職公司規(guī)模人數(shù)及所屬產(chǎn)業(yè)別隨著時間推移

,

各機構(gòu)學(xué)者均陸續(xù)更新發(fā)表其研究發(fā)現(xiàn)或觀---

-

----

--

-

?調(diào)查時間03/23~03/27----

-.

樣本回收113/322；35%.

-

-

-

-

-

B

調(diào)查對象nonrandomsampling

目前實際從事本研究主題相關(guān)工作者2424信度

Reliability指對同一現(xiàn)象重復(fù)施測時所得到結(jié)果一致性的高低程度。Merchant(1985)認為最低可接受的系數(shù)標準為

0.5-0.6之間取樣適切性量數(shù)因素分析(KMO)量值介于0與1之間

,

數(shù)值愈靠近1

,

表示變項相關(guān)愈高

,愈適合進行因素分析

;

反之球形檢定

Bartlett’stestofSphericity此檢定法約略呈現(xiàn)卡方分飾(chi-square

distribution

,

χ

2)分飾

,

若變項間相關(guān)系數(shù)愈

高

,則所得χ

2

值將愈大

,

表示適合進行因素分析T檢定T-test主要用以檢驗兩組間之均值差翼

,

判定量值是否落在拒絕區(qū)域(p≤α),

一般p值<0.05

,

表示兩組有差異存在

ANOVA用來檢定三個或三個以上母體平均勤相等的假設(shè)010203040506IPA

重要性—績效分析法即可看出雨變項之間的關(guān)系主要是以重要性與績效急基礎(chǔ)的二維矩陣

。當分析數(shù)值座落于不同象限的標點位置點,25以女性填答者為主，占63.7%教育程度以碩士學(xué)位為大宗，占52.2%

年齡區(qū)段落在41到45歲，占23.8%人力資源年資超過十年，占55.7%

擔任主管職者，占53.9%日常數(shù)據(jù)使用占比為26%-50%，占40.7%2626-區(qū)塊內(nèi)容Cronbach's

Alpha

值基礎(chǔ)職能重要性0.856相關(guān)性0.882產(chǎn)業(yè)相關(guān)職能重要性0.878相關(guān)性0.884職業(yè)相關(guān)職能重要性0.862相關(guān)性0.864職能積木模型各階層之信度結(jié)果2727-Kaiser-Meyer-OlkinMeasureofSamplingAdequacy（取樣適切性量數(shù)）0.5160.383學(xué)術(shù)職能Bartlett’s

test

ofSphericity

Approx.Chi-Squre

（近似卡方分配）32.60553.611Df（自由度）66Sig（顯著性）00Kaiser-Meyer-OlkinMeasureofSamplingAdequacy（取樣適切性量數(shù)）0.6970.697職場職能Bartlett’s

test

ofSphericity

Approx.Chi-Squre

（近似卡方分配）99.09472.294Df（自由度）1010Sig（顯著性）00Kaiser-Meyer-OlkinMeasureofSamplingAdequacy（取樣適切性量數(shù)）0.5490.551產(chǎn)業(yè)通用技術(shù)職能Bartlett’s

test

ofSphericity

Approx.Chi-Squre

（近似卡方分配）93.65987.563Df（自由度）1010Sig（顯著性）00Kaiser-Meyer-OlkinMeasureofSamplingAdequacy（取樣適切性量數(shù)）0.8480.837產(chǎn)業(yè)專門技術(shù)職能Bartlett’s

test

ofSphericity

Approx.Chi-Squre

（近似卡方分配）454.254505.318Df（自由度）1515Sig（顯著性）00Kaiser-Meyer-OlkinMeasureofSamplingAdequacy（取樣適切性量數(shù)）0.5000.500職業(yè)特定要求Bartlett’s

test

ofSphericity

Approx.Chi-Squre

（近似卡方分配）70.9966.459Df（自由度）11Sig（顯著性）00Kaiser-Meyer-OlkinMeasureofSamplingAdequacy（取樣適切性量數(shù)）0.5000.500管理職能Bartlett’s

test

ofSphericity

Approx.Chi-Squre

（近似卡方分配）38.85118.73Df（自由度）128Sig（顯著性）00若KMO數(shù)值<0.500代表不適合

用因素分析。而Bartlett球形檢

定的統(tǒng)計數(shù)是相關(guān)矩陣的行列

式（determinant），經(jīng)過卡方（Chi-square,X2）轉(zhuǎn)換而得，若該數(shù)值越大考驗P值則越低，

表示母群各變項間相關(guān)越不可

能為零。若考驗結(jié)果統(tǒng)計數(shù)很

小則觀察值就很大（若>0.05），就無法拒絕母群相關(guān)矩陣為同

位矩陣之虛無假設(shè)。透過表右

檢定結(jié)果得知，除學(xué)術(shù)職能之

相關(guān)性外均適合進行因素分析。個人效能職能Bartlett’stestofSphericityApprox.Chi-Squre

（近似卡方分配）Df（自由度）Sig（顯著性）257.954360348.057360

-

KMO&

BARTLETTKaiser-Meyer-OlkinMeasureofSamplingAdequacy（取樣適切性量數(shù)）KMO與Bartlett檢定重要性相關(guān)性0.7700.837區(qū)塊281T檢定性別擔任主管職與否變異數(shù)分析教育程度年齡層從業(yè)年資日常數(shù)據(jù)運用比例2929按李克特五點量表之中間值區(qū)分，其調(diào)查結(jié)果顯示人力資源巨量資料分析師33項職能的重要性為4.11，相

關(guān)性為4.09，均高于量表中間值3，表示各填答者均

認為本研究之各階層職能要素內(nèi)容屬重要且相關(guān)，應(yīng)繼續(xù)保持。

-

IPA

3030l依性別或不同年齡段對人力資源巨量資料分析師的職能重要性，

看法沒有顯著不同l擔任主管職者認為基礎(chǔ)職能職-場職能的重要性明顯大于非主管職l碩博士生認為基礎(chǔ)職能個-人效能職能的重要性明顯大于大學(xué)學(xué)歷

填答者l

年資尚淺的人力資源伙伴認為基礎(chǔ)職能個-人效能職能的重要性遠

遠不及資深的人力資源老兵l日常使用數(shù)據(jù)約占工作量一半的人，認為基礎(chǔ)職能職-場職能的重

要性明顯大于日常使用數(shù)據(jù)約占工作量百分之二十五的人。-

3131第五階層—產(chǎn)業(yè)專門技術(shù)職能精熟作業(yè)研究與算法│精熟模型訓(xùn)練與測試機制│善用決策支援系統(tǒng)│精熟資料視覺化技術(shù)│精熟資料探勘基礎(chǔ)知識│善用資料分析工具第四階層—產(chǎn)業(yè)通用技術(shù)職能具備完整統(tǒng)計分析概念│具有財務(wù)管理暨成本效益分析技術(shù)│具有跨領(lǐng)域企圖心具有法規(guī)與風險意識│具備良好人力資源管理與發(fā)展概第三階層—

職場職能具備團隊意識│具備問題分析與危機處理能力│具備職業(yè)道德標準│具備項目管理能力│具備服務(wù)導(dǎo)向做事態(tài)度第二階層—學(xué)術(shù)職能精熟簡報技巧│

具備溝通協(xié)調(diào)能力│

具備正確價值判斷能力│信息科技應(yīng)用與語文能力第一階層—

個人效能職能謹慎細心│適應(yīng)與彈性│執(zhí)行力│

主動積極│自我管理│自我學(xué)習(xí)│抗壓性│正直誠實│自信心管理職能

職業(yè)特定要求具備策略性思考以成果導(dǎo)向進行管理具備行業(yè)專屬知識

具備行業(yè)專屬技能32區(qū)塊

階層職能項目

重要性個人效能職能

謹慎細心

4.53基礎(chǔ)職能

學(xué)術(shù)職能

具備溝通協(xié)調(diào)能力4.64職場職能具備職業(yè)道德標準4.53產(chǎn)業(yè)相關(guān)職能產(chǎn)業(yè)通用技術(shù)職能產(chǎn)業(yè)專門技術(shù)職能具有法規(guī)與風險意識精熟資料分析技術(shù)4.203.83職業(yè)相關(guān)職能職業(yè)特定要求管理職能具備行業(yè)專屬知識具備策略性思考4.154.18區(qū)塊

階層

職能項目相關(guān)性基礎(chǔ)職能個人效能職能學(xué)術(shù)職能

職場職能謹慎細心具備溝通協(xié)調(diào)能力具備