建构人力资源巨量资料分析师积木职能模型之研究

建构人力资源巨量资料分析师

积木职能模型之研究•

研究实施流程与步骤•

研究方法•

研究工具•

问卷对象与限制•

资料检验标准•

职能概述•

职能模型•

人力资源巨量资料分

析师之任务与职能•

描述性统计分析•

因素分析•

T检定•

信度分析•

研究背景•

研究动机与目的•

重要名词解释•

研究结论•

管理意涵与建议05010302目

录0423巨量资料分析已蔚为当今显学，无论是透过数字或文本型式呈现，

若未能掌握此潮流就无法于竞争中生存(康雅菁，2015)互联网

巨量资料

人工智能全球化HRM4l《人资部门该分拆了》

(It'sTime

toSplitHR)l

希望企业人资长能如

同财务长般，成为董

事会很好的成员和值

得信赖的合作伙伴l凭借其能力将员工和

业务数据串起来，找

出企业的优势和劣势，

匹配员工与其职位l提供企业策略在人才

方面的建议。l《2005年快速公司封面故事:为什么我们

讨厌人力资源》(2005FastCompany

coverstoryWhy

We

Hate

HR)l过份侧重于行动而非结果，故有效地运用

与理解资料，能提出

以结果导向为建议的

决策方案的能力，将

成为利害关系人对人

力资源从业者核心竞

争力的期待之一l赞同Charan对于人力

资源工作者不能有效

支持业务的抱怨l认为有60的%人力资

源工作者不能驱动组

织，但将这种不足正

向地看作是优化的空

间。l

主张要教导而非辞退，

甚至对企业高层管理

者不给人力机会颇有

埋怨21世纪最性感的职业—资料科学家（Data

Scientist:

The

Sexiest

Job

of

the

21st

Century）l为何不把人力资源管

理部门炸掉算了?l

其认为人力资源管理

部门的存在毫无意义1996200520142014Thomas

A.Stewart

Keith

H.HammondsRam

Charan

Dave

Ulrich5运用动态的职能文献观点，产生人力资源

巨量资料分析师职能初稿依据多元资料分析方法与验证人力资源巨

量资料分析师职能模型，作为个体与组织

的应用参考6又称海量资料或大数据

由具有鹿大资料量、高速度、多檬性、變異性等特徵

、

-

家标准技术研究所(NIST)职能Competency指在各种职位或职务所需的能力。職能又包括

:

职位所需的基本职能(basiccompetencies)、能产生高绩效的差异化职能(differentiation

competencies)(

,

2013)职能模型Competency

Model系KSAO(知识、技能能力与其他特徵)

,

被视稳在特定的工作,

职业或角色

中获得成功的必要条件

。(Campion

et

al.,2011;Shippmann

et

al.,2000;Stevens,2012)积木职能模型

Blocks

Model•

基础职能

:

个人效能学术及工作场所•

产业相关

:

行业技术与产业部门技术•

职业相关

:

特定职业知识、技巧及管理職能美国劳工就业与训练局(Department

of

Labor's

Employment

and

Training

Administration,ETA)04020103巨量资料

Big

Data7Competence从事一特定工作之能力theabilitytodo

a

particular

task

偏向功能领域

(functional

areas)theunderlyingcharacteristicswhich

allow

apersonto

performwell

inavarietyofsituation

behavioural

areasTrotterandEllison,

1997,p.36DelamareleDeist&Winterton，2005Competency8组织层次(organizationallevel)Prahalad&Hamel,1990O'Donoghue&Maguire,2005个体层次(individuallevel)David

C.McClelland,1973Lyle

M.Spencer&Signe

M.

Spencer,

1993910Gangani&

McLean

(2006)基础职能专业职能个体职能Schoonver,StephenC.(1998)核心职能阶层别职能角色别能Darrell&

Ellen

(1998)Cardy&Selvaeajan

(2006)核心职能模式:功能职能模式、:角色職能模式工作職能模式010203工作本位导向未来本位导向個體本位導向文化本位导向11040203专业职能数据分析设计与诠释者

:

必须能运用分析技术影响决策

分析不仅是收集数据,还需运用计分卡使用数据以改善

经营决策。RBL集团与密西根大学共同主持的人力资源职能01核心职能管理职能12

(SHRM)13人才发展协会职能模型

(ATD)14ETA15考量到各项职务工作会随着时空背景、科技与工具的进化，产生变化。RBL集团与美国人力资源管理协会的职能模型研究，纵然两模型

都历经更迭优化，但核心概念仍以个体式研究为主。人才发展协会的职能模型研究，相较于RBL集团与美国人力资源

管理协会侧重个体演变来说，在2020年更新版本扩充了对组织

发展的影响说明。积木职能模型（blocks

model）能依据特定职务、工作团体、

组织、职业或产业去发展职能模型，弥补了其它职能模型的不

足，属于一个较为完整且动态式的模型，故本研究选取此模型

为架构主轴。-16Peter

Cappelli于《哈佛商业评论》（Harvard

Business

Review）发表「人力资源没有大数据（There’s

No

Such

Thingas

Big

Data

in

HR）」，其核心观点认为既有人力资源并不符合资料量大的特性，故毋需拥有技术高超的资料科学家JoshBersin在富比士（Forbes）杂志刊登研

究指出，已有百分之四的公司具有「预估性

分析」能力，意指能利用资料分析员工绩效

的驱动力及留任的原因，藉由统计资料决定

僱用对象、根据数据给予客观的绩效叙薪等

且能善用巨量资料数据的公司绩效能够直接

反应在成果上，其股票市值比起其他组织高出百分之卅，也更有办法解决招募时碰到的

问题。17OCSO*NETUCAN18将重复者、类似者整合后从九十六项变成八十五项人力资源

26项任务

26项职能巨量资料分析师

16项任务70项职能19一设计调查或其他工具来搜集目标职务的相关资料，并应用抽样技术来确定调查物件或

使用完整的列举方法，如人员资格、绩效标准、工作任务二建置职能数据库，比较模型所使用的统计性能指标，测试、验证与重新制定模型以确

保准确预测感兴趣的结果，并运用程序语言编写新的函数或应用程序进行分析三使用算法配合资料与模型，进行人力资源配置与规划内(外部人口结构改变)，劳动

市场的供需与成本控制四利用数学理论和技术，并配合数据分析的结果，提升招募征选的精准度，A的I应用；

讯息与管道，计算机化适性测验(Computerized

adaptive

testing)五将算法应用于预测模型，融入教育训练与个人职涯发展分析与评估，数字化训练与

学习之偏好或VR应用六藉由数据整合与分析提供绩效指标与评估藉由数据整合与分析提供绩效指标与评估，

向关键利害相关人、终端用户或管理层，发掘内部高潜人才七建立收集资料的模式与模型，进行薪酬福利的调查、职场压力或员工满意度敬/业度

调查，员工协助方案的评估。八将特征算法应用于建立预测劳资争议之种类与预防申(诉/建议谘/询的)模型。20初筛主要职能为自信心、正直诚实、服

务导向

信息科技应用与语文能力、专案管理能力

人力资源概论

法规与风险意识职业道德标准问题分析与危

机处理能力、抗压性自我学习

自我

管理

主动积极

执行力

适应与弹

性、蓬慎细心、跨领域企图心价值判

断、成果导向、策略性思考

团队意

识、薄通协调能力

财务管理暨成本效

益分析

资料分析工具

资料探勘基础

知识、应用统计学简报技术资料视

觉化技术

决策支援系统、模型训练与

测试机制

作业研究与算法

,

计31

项

,人力资源巨量分析师之职能21l调整基本资料移除姓名与电子邮件增加问卷题达意愿与回收

;

增加年龄教育程

度、担任主管职与否、从事人力资源工作内容与日常工作使用大数据之估比

,

进一

步了解细部差异。l任务叙述调整,

将原本r建立收集资料的模式典模型

,

进行薪酬福利的调查职场

压力或员工满意度/敬业度调查员工协助方案的评估改为

r使用既有资料收

集的模式与模型进行薪酬福利的调查、职场压力或员工满意度/敬业度调查

,

员

工协助方案的评估

l

沟通各阶层之职能放置合理性例如将产业相关职能中

,

产业通用技术职能之r应用统计学」

或「人力资源概论置入基础职能中的学术职能区块。经交互讨论后

,

考量学术职能区块

,

应以各级学校通识类之课程或理论为佳故专项之课程

内容

,

未必都能在学术环境习得故最终未做变更。l

强化或补充各阶层职能内容描述例如将基础职能区块r简报技巧改为

r精熟

简报技巧」

产业相关职能区块r应用统计学改为r具备完整统计分析概念」;

增加补充职业相关职能区块r具备行业专属知识」及「具备行业专属技能J

O22文献分析法（DocumentAnalysis）问卷调查法（SurveyMethod）23问卷对象属同质性较高本次问卷内容并未调查任职公司规模人数及所属产业别随着时间推移

,

各机构学者均陆续更新发表其研究发现或观---

-

----

--

-

⃞调查时间03/23~03/27----

-.

样本回收113/322；35%.

-

-

-

-

-

B

调查对象nonrandomsampling

目前实际从事本研究主题相关工作者2424信度

Reliability指对同一现象重复施测时所得到结果一致性的高低程度。Merchant(1985)认为最低可接受的系数标准为

0.5-0.6之间取样适切性量数因素分析(KMO)量值介于0与1之间

,

数值愈靠近1

,

表示变项相关愈高

,愈适合进行因素分析

;

反之球形检定

Bartlett’stestofSphericity此检定法约略呈现卡方分饰(chi-square

distribution

,

χ

2)分饰

,

若变项间相关系数愈

高

,则所得χ

2

值将愈大

,

表示适合进行因素分析T检定T-test主要用以检验两组间之均值差翼

,

判定量值是否落在拒绝区域(p≤α),

一般p值<0.05

,

表示两组有差异存在

ANOVA用来检定三个或三个以上母体平均勤相等的假设010203040506IPA

重要性—绩效分析法即可看出雨变项之间的关系主要是以重要性与绩效急基础的二维矩阵

。当分析数值座落于不同象限的标点位置点,25以女性填答者为主，占63.7%教育程度以硕士学位为大宗，占52.2%

年龄区段落在41到45岁，占23.8%人力资源年资超过十年，占55.7%

担任主管职者，占53.9%日常数据使用占比为26%-50%，占40.7%2626-区块内容Cronbach's

Alpha

值基础职能重要性0.856相关性0.882产业相关职能重要性0.878相关性0.884职业相关职能重要性0.862相关性0.864职能积木模型各阶层之信度结果2727-Kaiser-Meyer-OlkinMeasureofSamplingAdequacy（取样适切性量数）0.5160.383学术职能Bartlett’s

test

ofSphericity

Approx.Chi-Squre

（近似卡方分配）32.60553.611Df（自由度）66Sig（显著性）00Kaiser-Meyer-OlkinMeasureofSamplingAdequacy（取样适切性量数）0.6970.697职场职能Bartlett’s

test

ofSphericity

Approx.Chi-Squre

（近似卡方分配）99.09472.294Df（自由度）1010Sig（显著性）00Kaiser-Meyer-OlkinMeasureofSamplingAdequacy（取样适切性量数）0.5490.551产业通用技术职能Bartlett’s

test

ofSphericity

Approx.Chi-Squre

（近似卡方分配）93.65987.563Df（自由度）1010Sig（显著性）00Kaiser-Meyer-OlkinMeasureofSamplingAdequacy（取样适切性量数）0.8480.837产业专门技术职能Bartlett’s

test

ofSphericity

Approx.Chi-Squre

（近似卡方分配）454.254505.318Df（自由度）1515Sig（显著性）00Kaiser-Meyer-OlkinMeasureofSamplingAdequacy（取样适切性量数）0.5000.500职业特定要求Bartlett’s

test

ofSphericity

Approx.Chi-Squre

（近似卡方分配）70.9966.459Df（自由度）11Sig（显著性）00Kaiser-Meyer-OlkinMeasureofSamplingAdequacy（取样适切性量数）0.5000.500管理职能Bartlett’s

test

ofSphericity

Approx.Chi-Squre

（近似卡方分配）38.85118.73Df（自由度）128Sig（显著性）00若KMO数值<0.500代表不适合

用因素分析。而Bartlett球形检

定的统计数是相关矩阵的行列

式（determinant），经过卡方（Chi-square,X2）转换而得，若该数值越大考验P值则越低，

表示母群各变项间相关越不可

能为零。若考验结果统计数很

小则观察值就很大（若>0.05），就无法拒绝母群相关矩阵为同

位矩阵之虚无假设。透过表右

检定结果得知，除学术职能之

相关性外均适合进行因素分析。个人效能职能Bartlett’stestofSphericityApprox.Chi-Squre

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

-

KMO&

BARTLETTKaiser-Meyer-OlkinMeasureofSamplingAdequacy（取样适切性量数）KMO与Bartlett检定重要性相关性0.7700.837区块281T检定性别担任主管职与否变异数分析教育程度年龄层从业年资日常数据运用比例2929按李克特五点量表之中间值区分，其调查结果显示人力资源巨量资料分析师33项职能的重要性为4.11，相

关性为4.09，均高于量表中间值3，表示各填答者均

认为本研究之各阶层职能要素内容属重要且相关，应继续保持。

-

IPA

3030l依性别或不同年龄段对人力资源巨量资料分析师的职能重要性，

看法没有显著不同l担任主管职者认为基础职能职-场职能的重要性明显大于非主管职l硕博士生认为基础职能个-人效能职能的重要性明显大于大学学历

填答者l

年资尚浅的人力资源伙伴认为基础职能个-人效能职能的重要性远

远不及资深的人力资源老兵l日常使用数据约占工作量一半的人，认为基础职能职-场职能的重

要性明显大于日常使用数据约占工作量百分之二十五的人。-

3131第五阶层—產業專門技術職能精熟作业研究与算法│精熟模型训练与测试机制│善用决策支援系统│精熟资料视觉化技术│精熟资料探勘基础知识│善用资料分析工具第四阶层—產業通用技術職能具备完整统计分析概念│具有财务管理暨成本效益分析技术│具有跨領域企圖心具有法規與風險意識│具备良好人力資源管理與發展概第三阶层—

职场职能具备团队意识│具备问题分析与危机处理能力│具备职业道德标准│具备项目管理能力│具备服务导向做事态度第二阶层—學術職能精熟简报技巧│

具备沟通协调能力│

具备正确价值判断能力│信息科技应用与语文能力第一阶层—

个人效能职能谨慎细心│适应与弹性│執行力│

主动积极│自我管理│自我学习│抗壓性│正直誠實│自信心管理职能

职业特定要求具备策略性思考以成果导向进行管理具备行业专属知识

具备行业专属技能32区块

阶层职能項目

重要性个人效能职能

谨慎细心

4.53基础职能

学术职能

具备沟通协调能力4.64职场职能具备职業道德標準4.53产业相关职能产业通用技术职能产业专门技术职能具有法规与风险意识精熟资料分析技术4.203.83职业相关职能职业特定要求管理职能具备行业专属知识具备策略性思考4.154.18区块

阶层

职能项目相关性基础职能个人效能职能学术职能

职场职能谨慎细心具备沟通协调能力具备