People Analytics dan AI: Daripada Laporan HR kepada Ramalan

Oleh Kevin Kim · Dikemas kini 11 Oktober 2026

People analytics dengan AI ialah penggunaan model statistik dan pembelajaran mesin pada data tenaga kerja untuk membawa HR daripada melaporkan apa yang telah berlaku kepada meramal apa yang berkemungkinan berlaku dan mencadangkan apa yang perlu dilakukan. Papan pemuka jumlah kakitangan memberitahu anda pusing ganti ialah 14% suku tahun lalu. Model prediktif memberitahu anda pasukan mana yang berkemungkinan kehilangan orang suku tahun depan dan faktor apa yang mendorongnya. Lapisan preskriptif mencadangkan tindakan, seperti pelarasan gaji atau perbualan dengan pengurus, dan menganggarkan kesannya.

Panduan ini ditujukan kepada CHRO, pengarah sumber manusia dan pengurus sumber manusia yang sudah mempunyai papan pemuka dan ingin tahu apa yang sebenarnya terlibat dalam langkah seterusnya: peringkatnya, kemahirannya, tiga kes penggunaan yang konkrit, dan had yang menentukan sama ada ramalan selamat untuk dijadikan asas tindakan. Untuk gambaran yang lebih luas tentang AI merentasi HR, mulakan dengan panduan utama, AI dalam HR.

Fakta Utama

• Model kematangan people analytics yang paling terkenal, daripada Bersin di Deloitte Consulting (2017), mempunyai empat tahap. Pecahan organisasi yang dikaji yang dilaporkan ialah 14% pada Tahap 1, 69% pada Tahap 2, kira-kira 15% pada Tahap 3 dan 2% pada Tahap 4 (Lumen Learning, memetik People Analytics Maturity Model oleh Bersin/Deloitte).
• Tahap 4 dalam model itu ditakrifkan oleh alat masa nyata yang dibantu AI di mana people analytics menjadi sebahagian penting daripada keputusan perniagaan, HR dan pengurusan (sumber yang sama).
• Di bawah garis panduan pemilihan persekutuan AS, kadar pemilihan bagi mana-mana kumpulan kaum, jantina atau etnik di bawah empat perlima (80%) daripada kadar kumpulan tertinggi secara amnya dianggap sebagai bukti kesan buruk, dan data dengan angka kecil boleh menjadi tidak boleh dipercayai (29 CFR 1607.4).
• Di New York City, majikan yang menggunakan alat keputusan pekerjaan automatik memerlukan audit bias dalam tempoh satu tahun penggunaan, ringkasan keputusan secara terbuka, dan notis awal kepada calon serta pekerja (NYC DCWP).
• Pay Transparency Directive EU menghendaki penilaian gaji bersama apabila pelaporan menunjukkan jurang gaji purata sekurang-kurangnya 5% antara wanita dan lelaki dalam sesuatu kategori pekerja yang majikan tidak dapat justifikasikan berdasarkan kriteria objektif yang neutral jantina dan belum dibetulkan dalam tempoh enam bulan (Directive (EU) 2023/970, Article 10).

Empat Soalan yang Boleh Dijawab oleh Analitik

Setiap alat people analytics menjawab satu daripada empat soalan, dan AI mengubah soalan mana yang mampu anda tanyakan.

Kebanyakan pasukan HR kuat pada baris pertama dan lemah pada baris ketiga dan keempat. Itu bukan kegagalan bakat. Kerja prediktif memerlukan sejarah bersih merentasi sistem, dan kerja preskriptif memerlukan bukti tentang intervensi mana yang benar-benar mengubah hasil, yang kebanyakan organisasi tidak pernah rekodkan. Entri glosari tentang analitik ramalan merangkumi teknik asasnya; di sini kita menumpukan pada cara ia diterapkan pada data pekerja.

Apa yang AI Tambah kepada Kit Alat Analitik Lama

Penganalisis HR telah menjalankan regresi selama beberapa dekad. AI tidak menggantikan kerja itu. Ia memanjangkannya dalam empat cara.

Lebih banyak jenis data. Analisis klasik bergantung pada medan berstruktur: tempoh perkhidmatan, gred, gaji, penilaian. Model moden juga boleh menggunakan teks, seperti komen tinjauan penglibatan, nota temu duga keluar dan huraian tugas, dan boleh menukarnya kepada ciri yang boleh digunakan. Itu menjadikan maklum balas tidak berstruktur boleh dikira.

Lebih banyak pemboleh ubah serentak. Regresi logistik dengan sepuluh input mudah dijelaskan. Model gradient boosted boleh menimbang ratusan isyarat yang berinteraksi dan selalunya meramal dengan lebih baik, dengan harga lebih sukar ditafsirkan.

Penyegaran yang lebih pantas. Berbanding kajian tahunan, model boleh menskor semula tenaga kerja setiap bulan atau setiap minggu, supaya pengurus melihat risiko yang berubah sebelum surat peletakan jawatan tiba.

Akses bahasa semula jadi. Pengurus boleh bertanya dalam perkataan biasa dan mendapat carta, yang meluaskan siapa yang menggunakan data. Ini ialah lapisan generatif yang berada di atas lapisan prediktif, dan ia membawa risikonya sendiri iaitu jawapan yang yakin tetapi salah.

Dalam istilah ACE Framework, people analytics bergerak daripada Analyze (papan pemuka dan diagnostik) ke Predict (ramalan dan skor), dengan corak penskoran-dan-penghalaan yang menghantar kes yang betul kepada orang yang betul.

Model Kematangan yang Boleh Anda Petik

Rangka kerja yang paling banyak dipetik ialah model kematangan people analytics daripada Josh Bersin dan Deloitte Consulting, diterbitkan pada 2017. Empat tahapnya, dengan bahagian organisasi yang dikaji yang dilaporkan Bersin pada setiap tahap, diringkaskan di Lumen Learning. Populasi dan saiz sampel tidak diberikan di situ, jadi anggaplah peratusan itu sebagai gambaran kasar taburan dan bukannya penanda aras semasa.

Dua perkara berguna tentang model ini. Pertama, ia membingkai kematangan sebagai integrasi perniagaan, bukan sekadar kecanggihan teknikal. Pasukan Tahap 4 bukan pasukan dengan algoritma paling canggih. Ia pasukan yang analisisnya mengubah keputusan di luar HR. Kedua, ia meletakkan AI secara jelas pada anak tangga teratas, yang bermaksud asasnya (Tahap 2 dan 3) ialah prasyarat, bukan pemanasan pilihan.

Cara praktikal untuk meletakkan diri anda:

• Jika pemimpin anda masih meminta laporan yang sama setiap bulan dan tiada siapa bertindak atasnya, anda berada pada Tahap 2 tanpa mengira perisian yang anda miliki.
• Jika anda boleh menggabungkan data HR dengan data hasil, pelanggan atau operasi tanpa projek manual, anda sedang bergerak ke Tahap 3.
• Jika output model mengubah apa yang pengurus lakukan minggu ini, dan anda menjejaki sama ada ia berkesan, anda menghampiri Tahap 4.

Kualiti data di bawahnya menentukan setinggi mana anda boleh mendaki, itulah sebabnya panduan saudara tentang asas data HR untuk AI penting sebelum sebarang kerja model.

Tiga Contoh Kerja

Ini ialah senario ilustrasi. Angkanya direka untuk menunjukkan logik, bukan diambil daripada syarikat sebenar.

Contoh 1: Risiko pusing ganti

Matlamat. Cari di mana pusing ganti yang dikesali berkemungkinan berlaku dalam enam bulan akan datang, cukup awal untuk bertindak.

Data. Tempoh perkhidmatan, masa sejak kenaikan pangkat terakhir, kedudukan gaji berbanding band, pertukaran pengurus, skor tinjauan penglibatan, sejarah mobiliti dalaman, dan bagi sesetengah pasukan, penunjuk beban kerja.

Model. Pengelas yang dilatih pada mereka yang pernah keluar dan yang kekal mengeluarkan kebarangkalian risiko bagi setiap orang atau, dengan lebih selamat, bagi setiap pasukan. Output berguna yang pertama jarang skor itu sendiri. Ia ialah senarai pemacu, contohnya "pasukan dengan pertukaran pengurus dalam setahun lalu dan tiada kenaikan pangkat dalam 30 bulan menunjukkan kadar keluar tertinggi."

Apa yang perlu dilakukan dengannya. Gunakan risiko peringkat pasukan untuk mengutamakan perbualan dan bajet, bukan untuk melabel individu. Jika risiko model sesebuah pasukan tinggi, mesyuarat peringkat atasan dan semakan gaji bagi orang di bawah titik tengah band ialah langkah pertama yang munasabah. Kemudian ukur: adakah risiko atau pekeluaran sebenar menurun berbanding pasukan setara yang tidak menerima intervensi? Langkah terakhir itulah yang mengubah ramalan menjadi preskripsi.

Perkara yang perlu diawasi. Skor yang dikongsi dengan pengurus boleh menjadi ramalan yang menjadi kenyataan. Jika pengurus mendengar "risiko keluar tinggi," dia mungkin berhenti melabur dalam orang itu, yang menjadikan peletakan jawatan lebih berkemungkinan. Kekalkan skor individu dalam HR, atau agregatkannya.

Contoh 2: Corong pengambilan pekerja

Matlamat. Fahami di mana corong kehilangan calon yang baik dan ramalkan masa untuk mengisi jawatan.

Data. Sumber, cap masa peringkat, perekrut, jurang penjadualan temu duga, hasil tawaran, dan maklum balas pengurus pengambilan.

Model. Analisis deskriptif selalunya menemui kemenangan besar dengan sendirinya: peringkat di mana calon menunggu sembilan hari untuk slot penjadualan. Model prediktif kemudian meramal masa untuk mengisi jawatan mengikut peranan dan lokasi, atau menganggar permintaan jawatan mana yang berkemungkinan tersekat. Itu membolehkan anda menarik pencarian calon lebih awal bagi yang perlahan.

Apa yang perlu dilakukan dengannya. Baiki peringkat yang tersekat, seimbangkan semula beban perekrut, dan rancang masa kakitangan bersama kewangan menggunakan julat ramalan dan bukannya tarikh tunggal.

Perkara yang perlu diawasi. Jika anda menggunakan model untuk menyusun kedudukan atau menskor calon, anda telah memasuki wilayah yang dikawal selia. Ambil garis panduan empat perlima AS sebagai semakan asas: bandingkan kadar pemilihan merentasi kumpulan pada setiap peringkat. Katakan 40% satu kumpulan maju dan 25% kumpulan lain. Nisbahnya 0.625, jauh di bawah 0.8, iaitu isyarat untuk menyiasat, walaupun panduan persekutuan juga menyatakan keputusan berasaskan angka kecil mungkin tidak boleh dipercayai (29 CFR 1607.4). Di New York City, alat automatik yang digunakan untuk keputusan pengambilan atau kenaikan pangkat memerlukan audit bias, ringkasan awam dan notis awal (NYC DCWP).

Contoh 3: Kesaksamaan gaji

Matlamat. Cari perbezaan gaji yang tidak dijelaskan oleh peranan, tahap, lokasi, prestasi atau tempoh perkhidmatan.

Data. Gaji pokok, bonus, gred, keluarga jawatan, lokasi, tempoh perkhidmatan, penilaian prestasi, dan medan demografi jika dipegang secara sah.

Model. Regresi meramal gaji daripada faktor yang sah, kemudian melihat baki mengikut kumpulan. Jika wanita dalam keluarga jawatan, tahap dan lokasi yang sama dibayar purata beberapa peratus di bawah apa yang diramalkan model, baki itu ialah jurang tidak dapat dijelaskan anda. Pembelajaran mesin boleh menambah nilai dengan menemui interaksi yang terlepas oleh model ringkas, seperti jurang yang hanya muncul di satu wilayah selepas penyusunan semula.

Apa yang perlu dilakukan dengannya. Analisis preskriptif ialah langkah seterusnya yang semula jadi: modelkan kos menutup jurang yang ditandakan di bawah peraturan berbeza (ke titik tengah band, ke ramalan model, dalam dua kitaran) dan pilih satu bersama kewangan.

Perkara yang perlu diawasi. Peraturan sedang menggerakkan ini daripada amalan baik kepada kewajipan. Di EU, majikan mesti melaporkan jurang gaji jantina mengikut jadual yang ditetapkan oleh saiz, dan jurang sekurang-kurangnya 5% dalam kategori pekerja yang tidak dijustifikasikan dan tidak dibetulkan dalam tempoh enam bulan mencetuskan penilaian gaji bersama (Directive (EU) 2023/970). Kategori pekerja mesti ditakrifkan dengan teliti. Model yang secara senyap menggunakan input yang berat sebelah, seperti gaji terdahulu, akan menghasilkan semula jurang yang sepatutnya ditemuinya.

Had yang Paling Penting

Ramalan dalam HR membawa lebih banyak risiko berbanding ramalan tentang mesin atau inventori, kerana unit yang diskor ialah seorang manusia.

Sampel kecil. Syarikat dengan 400 pekerja mungkin mempunyai 40 orang yang keluar setahun. Pecahkan itu mengikut jabatan, tahap dan sebab dan anda mempunyai segelintir kes bagi setiap sel. Model yang dilatih pada sampel kecil melampau suai dan menghasilkan hingar yang yakin. Garis panduan pemilihan persekutuan membuat perkara yang sama tentang ujian kesan buruk: perbezaan berasaskan angka kecil mungkin tidak bermakna secara statistik (29 CFR 1607.4). Pembaikan praktikal ialah menggabungkan beberapa tahun, meramal pada peringkat pasukan atau segmen, melaporkan julat, dan sanggup berkata "data tidak mencukupi."

Proksi bagi ciri yang dilindungi. Membuang jantina, kaum atau umur daripada data tidak membuangnya daripada model. Poskod boleh mewakili etnik, jurang kerjaya mewakili jantina atau tanggungjawab penjagaan, tahun graduasi mewakili umur. Uji output mengikut kumpulan walaupun medan tersebut dikecualikan daripada latihan, dan simpan rekod apa yang anda uji. Konsep ini dibincangkan dalam bias dalam AI.

Kebolehjelasan. Pemimpin HR mungkin perlu menjelaskan kepada pekerja, majlis kerja atau pengawal selia mengapa seseorang ditandakan. "Model yang kata begitu" tidak boleh dipertahankan. Utamakan model dan alat yang boleh menunjukkan faktor mana yang mendorong skor, dan dokumentasikan apa yang skor itu boleh dan tidak boleh digunakan. Glosari tentang AI yang boleh dijelaskan menerangkan pilihan yang ada.

Pengelasan peraturan. Di bawah EU AI Act, sistem AI yang bertujuan untuk pengambilan atau pemilihan, dan untuk mengurus hubungan berkaitan kerja, disenaraikan dalam Annex III sebagai berisiko tinggi. AI Act Service Desk Suruhanjaya memberi alat padanan dan penyusunan kedudukan kerja sebagai contoh dan menyatakan sistem yang melakukan pemprofilan tidak boleh bergantung pada pengecualian Article 6(3) (EU AI Act Service Desk). Papan pemuka yang hanya mengira pekeluaran ialah perkara berbeza daripada model yang menyusun kedudukan orang untuk kenaikan pangkat. Ketahui yang mana satu sedang anda jalankan.

Gelung maklum balas. Jika model belajar daripada kenaikan pangkat lalu yang itu sendiri berat sebelah, ia akan mencadangkan lebih banyak yang sama. Semak label latihan, bukan hanya kod model.

Keputusan yang memerlukan manusia. Skor ialah input. Pastikan seorang manusia bertanggungjawab ke atas sebarang keputusan yang menjejaskan gaji, peranan atau pekerjaan seseorang, dan rekodkan penaakulannya. Coraknya diterangkan dalam human-in-the-loop, dan AI Risk Management Framework NIST, dikeluarkan pada 26 Januari 2023, menawarkan struktur sukarela (Govern, Map, Measure, Manage) untuk mengurus risiko ini (NIST AI RMF). Pemilikan dasar berada di bawah tadbir urus AI.

Kemahiran yang Diperlukan oleh Pasukan People Analytics

Anda tidak memerlukan makmal sains data untuk bermula, tetapi anda memerlukan gabungan.

Baris terakhir ialah yang dilangkau oleh organisasi. Pengurus yang tidak dapat membezakan antara kebarangkalian dan ramalan akan menyalahgunakan kedua-duanya. Membina literasi AI untuk rakan kongsi perniagaan HR dan pengurus orang sama pentingnya dengan mengambil seorang penganalisis.

Laluan Munasabah daripada Laporan kepada Ramalan

1. Baiki lapisan deskriptif dahulu. Satu takrifan jumlah kakitangan, pusing ganti dan masa untuk mengisi jawatan, dipersetujui merentasi HR, kewangan dan perniagaan. Ramalan yang dibina atas takrifan yang tidak konsisten menguatkan ketidakkonsistenan itu.
2. Pilih satu soalan bernilai tinggi dan berisiko rendah. Pemacu pusing ganti peringkat pasukan dan masa corong pengambilan pekerja ialah permulaan yang baik. Elakkan keputusan peringkat individu yang mempunyai akibat undang-undang sehingga tadbir urus tersedia.
3. Mulakan dengan ringkas. Model telus yang difahami pengurus mengatasi kotak hitam yang mereka abaikan. Tambah kerumitan hanya apabila ia membawa peningkatan yang boleh diukur.
4. Uji keadilan sebelum pelancaran. Bandingkan hasil merentasi kumpulan, semak proksi, dan rekodkan keputusannya.
5. Putuskan tindakan sebelum anda membina skor. Jika tiada siapa akan melakukan sesuatu secara berbeza apabila skor berubah, jangan bina.
6. Ukur kesan. Bandingkan kumpulan yang dirawat dan tidak dirawat, dan jejak hasil perniagaan, bukan ketepatan model semata-mata.
7. Semak mengikut jadual. Model menyimpang apabila tenaga kerja, pasaran buruh atau dasar anda berubah.

Kesilapan Lazim

• Membeli alat ramalan sebelum membersihkan data. Model itu akan petah dan salah.
• Menskor individu apabila pasukan sudah memadai. Pengagregatan lebih tepat pada sampel kecil dan lebih selamat.
• Menganggap korelasi sebagai tuas. Jika pekerja jauh kurang keluar, itu tidak bermakna memaksa kerja jauh mengurangkan pekeluaran.
• Melangkau rakan kongsi perniagaan. Analisis yang HR sukai dan perniagaan abaikan ialah kerja Tahap 2 dalam pakaian Tahap 4.
• Melupakan bahawa pekerja ialah subjeknya. Jelaskan data apa yang anda gunakan, mengapa, dan berapa lama anda menyimpannya.