九卦| “Q型方法论”破解银行业人才数据治理难题?

九卦| “Q型方法论”破解银行业人才数据治理难题?
2022年10月30日 09:47 九卦金融圈

作者 | 不是阿Q(九卦金融圈专栏作家)

来源| 九卦金融圈

编辑 | 武文 张云迪

美编 | 杨文华

人才数据治理

是基于组织确定的数据治理规则由DHR(数据型人力资源管理者)利用数字化工具来持续获取人才信息数据并有效应用的一项工作。

一、银行业人才工作的

重要性和必要性

我们在讨论银行业人才数据治理之前,应先明确一下持续做好银行业人才工作的重要性和必要性,这是我们为什么开展人才数据治理的根本前提。

“人才是衡量一个国家综合国力的重要指标、人才是自主创新的关键、国家发展靠人才,民族振兴靠人才”,从2021年9月召开的中央人才工作会议中提到的内容可以看出,人才工作已经上升为国家级战略,重要性不言而喻。

另一方面,会议也指出“我国人才工作同新形式新任务相比还有很多不适应的地方。人才队伍结构矛盾突出,人才政策精准化程度不高,人才发展体制机制改革还存在‘最后一公里’不畅通的问题,人才评价唯论文、唯职称、唯学历、唯奖项“四唯”问题仍然比较突出”,由此可见,当下如何解决人才工作中还存在的问题,做好人才工作,是非常必要的。

因此,作为国家金融稳定的主力军,人才需求的大行业,银行的人力资源管理者应该顺势而为主动承担起做好银行业人才工作的重任,这样做一方面可以为银行自身业绩增长持续提供人才支持,另一方面也是为国家金融稳定发展提供人才储备和人才供应链,意义非凡。

二、人才数据治理是

银行业做好人才工作的起点

银行业人才工作是一项体系化的管理工程,这个工程的地基就是要摸清楚、看清楚、辩清楚银行人才,而人才数据治理就是为地基建设提供信息原料,帮助管理者在“选用育留”四大环节中对人才进行管理,是基础工作中的基础,也是做好银行业人才工作的起点。

三、什么是人才数据治理

人才数据治理

是基于组织确定的数据治理规则由DHR利用数字化工具来持续获取人才信息数据并有效应用的一项工作。

根据目前行业调研,自2019年开始,国有大行、商业银行及外资银行都在推进内部的人力资源数字化转型,虽然银行业都通过自建或采购方式实现了各具特色的人力资源数字化服务,但这种“功能层面的数字化转型”在没有人才数据信息支撑的情况下,根本无法助力管理者对人才进行“选用育留”,推动人才工作向精细化管理转型,而形成这种局面的原因就是银行业缺乏对人才数据治理工作的正确理解和方法论指导。

基于上文给出的人才数据治理定义,在人才数据治理工作中有四个关键点可以帮助银行业更好的理解什么是人才数据治理。

1

Talent data

第一,人才数据治理要有明确的组织数据治理规则;

2

Talent data

第二,人才数据治理要由DHR队伍来专业负责;

3

Talent data

第三,人才数据治理要使用数字化工具软件来实现;

4

Talent data

第四,人才数据治理要有能力持续获取人才信息数据并有效应用。银行业的人力资源管理者要通过以上四点去理解、设计、布局人才数据治理工作,避免单纯误判人才数据治理就是简单的“数据查改补缺”,进而将组织带入数据治理的工作量陷阱,导致无法产生数据价值并获得内部认可。

四、银行业人才数据治理难点

根据笔者多年从业经验,银行业人才数据治理难点主要是由银行业的公司组织特殊性导致,具体如下:

第一,无法有效设计人才选用数据模型。银行业是典型的智慧密集型公司组织,从业人员一般都具有本科及以上的较高学历和金融经济领域丰富的专业工作经验,人员综合素质较高。在这样的人群中去统计分析选出人才,需要各银行从自身选人用人目标出发,深度调研、细心划分才能设计出有效的选用人才数据模型,再基于模型所需字段数据,从工作中分场景进行采集处理,最终为领导层选人用人提供支持。

但在实际操作过程中,由于银行从业人群综合素质平均水平较高,且银行业内部在人才种类划分上缺乏统一标准和行业规则,故在设计选用人才数据模型上很多银行都会遇到模型设计不合理或不知道如何设计的困难,最终导致组织对人才数据需求不清晰,无法成体系有效治理数据。

第二,银行内部组织管理多样性导致治理规则不统一。银行业内部一般都设有各级分支行、理财子公司及特别权限单位,在人才数据治理过程中,银行总部通过行政命令去要求各级单位按统一规则进行数据治理时,经常会遇到下级组织反馈实际治理规则和其组织实际管理情况不符的情况,进而导致下级组织无法有效维护数据,导致这个困难的原因一方面是银行组织机构庞大复杂;另一方面是银行下级组织拥有不同的经营权限和人事权限,有自己的管理逻辑。

第三,人员数量庞大导致数据治理工作量增加。在人才数据治理工作中有一个判断是否需要治理的标准,即组织人员数量少于200人时可以选择性治理或不治理,这是因为在人员较少时管理者可以快捷有效的直面每一名员工,进而通过直接接触来掌握人员信息。

但对于银行业来说,目前主流的中大型银行的从业人员基本上人员规模都在千人级到万人级,而国有大行的从业人员则能达到十万级以上。面对这样的人员规模,银行现有的人力资源工作者很难按时、按质完成数据治理任务,需要银行业从数据治理人员队伍建设上去思考解决之道。

第四,银行业缺乏以人力资源驱动业务发展的意识,没有认识到人才数据治理是为了业务发展。银行业在过去的时间里本质上都是依靠资源型人才驱动业务发展,但在当前金融市场银行数量趋于饱和的状态下,资源型人才所带来的价值可以作为存量基数,但很难帮助银行形成增量价值,取而代之的则是能够懂数字化运营、懂金融科技、懂综合服务方案的专业化人才更受欢迎,这些人才可以帮助银行通过精细化运作实现存量用户价值提升和精准化获客,一个人才甚至抵过几十个资源型人才。

在这种新的人才需求下,人力资源可以获得更多空间通过人才的“选用育留”来驱动业务发展,比如在人才数据治理过程中新出现的DHR,该岗位可以在传统的HRBP生成的业务分析上融入人才数据分析帮助组织OD对组织中的人力资源分配、选用及团队搭建提供决策建议,有效提升人力资源的精细化管理,进而帮助业务快速找到所需人才,甚至推动一项创新业务从无到有的诞生。所以,当前银行业需要先树立人力资源驱动业务发展的意识,才能从内部环境中培育或外部引入能够胜任人才数据治理工作的人。

第五,银行业缺乏专业化的管理类数据治理机构。在银行业的数字化转型过程中,一些银行的科技部、网金部主要会承担一些业务领域数字化转型的重任并成立相应的业务数据管理机构,但是几乎没有银行去成立内部的管理类数据治理机构对内部OA、会议、审批、人员档案等场景产生的数据进行统一分析应用,在这种情况下,单纯的去开展人才数据治理是比较脆弱且难以从人力资源角度获取人才在工作场景的全量数据,进而全面客观的评价人才。

通过观察,导致银行不主动对管理类数据进行治理的原因一方面是长期形成的管理习惯导致,另一方面是银行对管理数字化缺乏内部统一意识和转型创新精神。

五、银行业人才数据治理方法浅论

笔者根据自身经验,创设出一套银行业人才数据治理方法浅论来引导银行业或其他行业进行自身人才数据治理方案设计,将其命名为“Q型方法论”,下面具体分享给大家:

“Q型方法论”主要是通过创设3个基本问题+N个不固定问题来引导人才数据治理人员进行方案设计。

3个基本问题是:组织为什么要进行数据治理、组织该如何治理、组织的治理由谁来负责。这3个基本问题可以引导设计人员快速理清数据治理的应用目标、数据治理规则、数据治理队伍三大数据治理关键问题,帮助企业以终为始、自上而下、系统全面地设计出属于自己的人才数据治理框架。

此外,还有N个问题是要帮助企业在框架内进行补全和丰富细节的,这N个问题需要遵循一个原则去搜集,即所有人才数据治理过程中的干系人都要提出在做人才数据治理过程中自己认为可能存在的问题,最终形成属于该企业组织的N个问题。

在3+N个问题解答过程中,“Q型方法论”建议按企业组织架构自上而下进行转型访谈、调研及不记名问卷调查,该项工作应由人力资源负责人主导并获得组织高层支持。

在设计人员完成“Q型方法论”3+N个问题的解答后,可以参照“Q型方法论”总结出的一般数据治理工程模型分步骤细化自身的数据治理方案,具体模型如下:

数据治理工程依次可分为如下子工程

一项数据治理的系统化工程必定包含上述子工程。同时数据治理系统化工程还存在两个协作工程,即:系统产品建设工程(用于实现数据治理产品功能需求)、组织制度设计工程(用于扫清数据治理中组织不确定的制度规则)。其中系统产品建设是数据治理的载体,制度设计工程决定系统产品建设方向和数据治理的规则。

通过“Q型方法论”,银行业的人力资源数据治理者可以快速设计形成适合自身的人才数据治理框架方案,并按照建议步骤基于问题调研的实际情况最终设计出符合自身组织实际需求的人才数据治理方案

笔者也欢迎更多的人力资源从业者和数据治理专家对本文提出批评建议,让我们共同为该领域的发展贡献智慧力量。

财经自媒体联盟更多自媒体作者

新浪首页 语音播报 相关新闻 返回顶部