人資數據的進階分析已成為近來數據分析最熱門的潮流，如何應用人才管理方面的新技術與新思維已逐漸成為主流。

　這樣的趨勢對企業影響甚鉅，因為人才管理在許多行業仍是以傳統的個人關係或經驗為決策基礎，而非深入分析，至於風險規避與法律合規等問題更是不常被提起。其實，先進的分析技術就是人資專家的一項利器，可以協助他們進行以事實為基礎的分析，成為公司高層的策略夥伴，利用頂尖的技巧招募與留住優秀經理人與創新人才，進而為公司創造不凡價值。

　據我們所知，有些領先企業已開始在某些領域運用人資分析技術進行人才管理，並獲致良好成效。例如一家領先醫療公司就利用分析技術省下一億多美元的成本，同時又提高員工的向心力。該公司發現薪資水平的高低差異與不平等是員工一大困擾，也是造成離職率居高不下的原因。在透過數據分析找出最適合的薪資上下限之後，該醫療集團成功提高員工整體的向心力與生產力，員工離職率與總薪資支出也因此雙雙降低。

　我們所知的另一家公司也因為採用了行為預測分析工具，得以減少發放2,000萬美元的留任獎金，員工離職率也降低一半。在經過人資數據分析之後，該公司發現，對管理階層與員工教育訓練的投資不足，以及未能適當表揚優秀人員，才是員工離職的主要原因，和公司原本的假設完全相反。而過去公司在情急之下付出的高額留任獎金效果其實十分有限，充其量只是個花錢卻只能暫時止血的手段。

　許多公司利用員工離職的機會進行深度訪談（所謂的出口訪談），來試圖了解並解決員工留任的議題。相較於出口訪談的傳統做法，新分析技術的一大優點，就是可以透過分析進行預測，而不僅是被動反應。這樣的分析所產出的資訊較一對一討論得出的質化（qualitative） 結果更為客觀。

　為此，麥肯錫自己發展出一套留才方式：為了偵測以前沒觀察到的行為模式，我們結合各種不同的數據來源與機器學習演算法則。作法是先透過研討會與訪談激發想法、形成假設，然後將逐步收集的數百筆數據進行測試，接著套用不同的演算公式，歸納出組織層面的洞見，進而辨識出特殊的員工群體，並進行個人行為預測。最後，透過研討會與焦點座談來驗證模型導出的洞見，據以擬定一系列具體的行動。

　模型產出的洞見往往出人意表，有時甚至與常理相悖。例如，我們原本以為個人考績評等或薪資是留不住人才的主因，但數據分析結果卻顯示資深人員的帶領與指導（mentoring and coaching）不足，以及欠缺與志趣相投同事的 「連結」，才是離職的主因。更進一步分析，我們發現當員工對資深同仁的帶領與指導感到滿意時，全公司的「跳槽風險」可以降低20％～40％。

　麥肯錫在北美地區的顧問如果有特定的職能歸屬，或參與營運、行銷與銷售、或企業金融等領域的能力養成計畫，他們留在本公司的機會要比沒有選擇這麼做的同事高出三倍。而選擇這麼做的顧問不但獲得了專業培訓，還能享受與志同道合的同事交流的園地，更有機會與高階領導階層互動。

　最後，我們利用收集到的數據設計新的方案來監督與進一步強化輔導與師徒關係，針對年輕同仁，我們主動採取行動，留下有「出走風險」的人。由於麥肯錫每半年考核一次績效，專案周期通常也很短，因此我們的人才預測／挽留演算法每六個月更新一次。

　關於數據分析如何提升人事決策，我們仍在累積相關知識，但這些新技術除了用於留才之外，我們也應用在從人才獲取到績效管理、人才多元性等各個層面。

　麥肯錫的研究顯示，尖端技術能力雖然重要，卻不是唯一良方。用對人才──不管是風險、行銷、或行為經濟學專家──來解讀分析數據並採取行動，也同樣重要，而領導團隊的參與及共識同樣不可或缺。

　此外，人資數據分析工具終究無法取代與員工的面對面溝通，以實際了解員工真正的想法、挑戰與需求。但人資分析做得好，我們就可以針對不同部門產出數據導向的洞見，讓公司高層與人資專家做出更有策略意義的人事決策。