为业务分析确定数据项优先级：框架和

2022-4-28 15:19:22

BI系统可以被视为进行商业分析的技术基础（Chiang等人，2012年，Lim等人，2012年）。Liberatore和Luo（2010）将商业分析定义为一组方法，通过生成组织决策的目标，将原始数据转化为行动。例如，了解到年轻女性更可能购买价格更高的某款产品，有助于营销人员正确定位广告。商业分析的一个广泛认可的代表观察到，组织从使用描述性定量数据分析来解释目前正在发生的事情，到预测分析来估计未来会发生什么，再到使用管理科学工具进行规范性分析，以帮助决定下一步要做什么（Delen&Demirkan 2013，Liberatore&Luo 2011，Lustig et al.2010）。所有现代BI系统都提供了高效的数据存储，允许使用聚合和分组命令使用描述性统计进行数据分解，并在有吸引力的管理仪表板上显示结果。此外，更先进的BI系统拥有现成的预测性数据挖掘工具。规定性分析通常需要BI系统的高度专业化附加组件（例如定价和库存管理工具）。运筹学技术以多种方式支持BI系统的开发（Mortenson等人，2015）。跟踪和可视化关键绩效指标（KPI）是BI系统的传统功能，运筹学已被用于开发和构建此类KPI（Fortuin 1988，Smith&Goddard 2002）。优化方法在数据挖掘中发挥着重要作用，而数据挖掘又常用于BI系统（Corne et al.2012，Olafsson et al.2008）“软”或已应用于新BI系统的设计（例如，Martínez等人，2013年，Sorensen等人。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-28 15:19:25

2010年），决策分析为BI系统的评估提供了依据（例如，林等人2009年，鲁哈尼等人2012年）。最后，在BI系统之上实施了运筹学方法，如预测、情景分析和模拟，以增强组织的业务分析能力（例如，Negash&Gray，2008年，Telhada等人，2013年）。*电邮：t。pape@surrey.ac.uk.2这项研究解决了业务功能应存储在其BI系统中以进行业务分析的数据项的决策问题。由于大多数BI数据都是内部创建的，因此扩展BI数据库会导致生成、清理和维护新数据项的管理成本较高，而数据存储成本通常要低得多——这与大数据系统在概念上有所不同。数据创建的高成本要求业务功能具有选择性。我们提出了一个基于多标准决策分析的规定性框架，以帮助业务职能部门做出选择决策，即帮助业务职能部门在分析策略中决定“下一步要做什么”，以使用上述分类的语言。为了证明该框架的有效性，我们将其应用于人力资源。人力资源分析仍处于起步阶段，主要关注描述性分析（如Infohrm 2010、Smith 2013）、预测分析的一些应用（如Cascio&Boudreau 2011、Fitz-enz 2010），而对规范性分析的研究很少（如Bordoloi&Matsuo 2001、Canós&Liern 2008）。然而，在过去几年中，许多人力资源部门对商业分析的兴趣大幅增长（Aral等人，2012年，Levenson 2011年）。Fusion、OrgVue、SuccessFactor和WorkDay等几个人力资源BI系统的推出反映了这一发展。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-28 15:19:28

本文的组织结构如下：第2节强调了基于文献综述和我们的经验对数据项进行优先排序的框架的实际相关性。第3节详细描述了该框架。第4节专门讨论该框架在人力资源方面的应用。第5节总结了本研究。2实际相关性选择应在BI系统中获取和管理的数据项以进行业务分析是一项重大挑战（例如，巴卢和塔伊1999年、基尔希和哈尼2006年、律师和乔杜里2004年、勒布等人1998年、马奇和赫夫纳2007年、米什拉等人2013年、萨海和兰扬2008年、森和森2005年、沃森等人2004年）。最终，任何BI系统的成功都依赖于可用数据（Ramakrishnan等人，2012年）。尽管对业务数据的无数分析（或度量）在专业和学术文献中流传，但业务职能部门应该在BI系统中定期收集的原始数据问题却出人意料地没有得到充分探讨。然而，由于四个原因，这个问题具有高度的实际意义。首先，并非所有数据项都同样有用。业务功能通常可以利用一些支持多种分析的多用途数据项，而其他数据项仅用于一种特定的分析。毫不奇怪，根据我们的经验，从业者往往会认为多用途数据项更具相关性，因此更频繁地收集（见第4.3节）。其次，从遗留系统和外部源清理数据项以将其传输到新BI系统的提取-转换-加载（ETL）过程通常占BI项目时间和成本的50%以上（Davenport et al.2001，Shen et al.2012，Wang et al.2012）。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-28 15:19:33

第三，在一项对中小企业（SME）的研究中，20家中小企业中有13家提到，缺乏现有的商业分析数据项是其分析战略成功的主要障碍（Olszak&Ziemba 2012，另见Marx et al.2011）。这一观察结果与我们与实践者交谈或合作时的经验相符。然而，创建这些缺失的数据项比从现有数据库中清理和传输它们更加耗时和昂贵。第四，具有最新数据的BI系统的持续更新可能导致高重复成本（Choudhury&Sampler 1997、Eppler&Helfert 2004、Even等人2007、Gilad&Gilad 1985、Morrison 2015）。2015年8月，使用Google Scholar功能进行的系统文献搜索为本节的示例提供了信息。信息系统协会（2012年）列出的86种信息系统期刊被选为来源。这份名单还包括几本管理和管理科学期刊。全文搜索术语（“商业分析”或“商业智能”或“数据仓库”）和（“数据要求”或“信息要求”或“数据选择”或“数据优先化”或“数据优先化”）。所有讨论BI系统数据选择问题的理论和实践方面或在案例研究中解决该问题的出版物都会被考虑（纳入标准）。搜索确定了261份出版物，其中189份根据标题和摘要排除在外，54份经过全文审查。其余18份符合纳入标准的出版物在参考列表中用星号标出，并在本文第2节中引用。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

点击查看更多内容…

2022-4-28 15:19:36

通过使用谷歌学者（Google Scholar）进行非系统的文献搜索，并通过查阅选定论文的书目，进一步确定了相关出版物。3此类成本包括管理员监控数据输入是否最新的时间、收集客户意见的时间、专有市场数据的许可费、集中收集数据项的软件包的许可和培训费用，以及员工键入项目里程碑细节的时间。因此，在BI系统中加载数据可能会带来高昂的成本，因此业务功能必须明智地处理它们所包含的数据项。Drucker（1995）和March and Hevner（2007）指出，管理者应该能够从BI系统的数据中生成内部和外部信息。他们认为内部信息包括会计和财务指标、生产力指标、与组织核心能力和竞争优势相关的指标，以及与组织稀缺资源分配相关的指标。另一方面，他们认为外部信息包括对市场、客户、技术、全球金融数据和世界经济变化的分析。生成这种内部和外部信息所需的精确数据项通常来自简单的调查、非结构化访谈和定性需求模型。Beynon Davies（2004）、Gilad和Gilad（1985）、Kim和Gilbertson（2007）、Loeb等人（1998）、Loshin（2012）和Shanks和Darke（1999）在案例研究中使用调查和管理者访谈来了解用户的分析需求。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-28 15:19:39

定性数据需求模型旨在将现有数据源的选择集成到BI系统中（供应驱动方法），系统地探索用户的数据需求（需求驱动方法），或以有意义的方式将这两种方法结合起来。Dori等人（2008年）、Romero和Abelló（2010b）以及Takecian等人（2013年）开发了供应驱动的方法，从作战数据库的概念模型中导出数据项的初始选择。Prakash和Gosain（2008）构建了一个需求驱动的数据需求模型，将组织的目标分解为具体的决策，这些决策由简化的SQL查询提供信息（另见Romero&Abelló2010a）。Paim和Castro（2003）的需求驱动方法采用用例系统建模语言来探索最终用户可能如何与BI系统交互，从而得出所需数据项的列表。Giorgini et al.（2008）、Matéet al.（2014）和Mazón and Trujillo（2009）应用了广泛使用的方法* 系统建模语言，用于组织利益相关者（作为数据供应商）的行为和管理者（作为数据需求的用户）的目标导向决策的结构，允许获得BI系统潜在有用数据项的概述。Matéand Trujillo（2012年）和Mazón等人（2007年）也旨在通过使用高级建模语言，将现有数据库的数据供应与最终用户表示的数据需求联系起来。所有提到的模型都涉及（i）探索对BI系统可能有用的数据项，以及（ii）从BI系统体系结构的角度构建数据项。这些模型没有就如何系统地评估数据项的相关性提供指导。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-28 15:19:43

根据Wetherbe（1991）的说法，根据决策分析和“软”或文献（如Phillips&Phillips 1993、Rosenhead&Mingers 2001），研讨会中对数据要求的讨论往往会带来更好的结果，因为知识基础更广，视野更广，尤其是有机会相互学习决策问题。Ormerod（1995年、1996年、1998年、2005年）关于混合“软”或技术以开发信息系统策略的工作，以及Checkland（1988年，Checkland&Holwell 1997年，Winter等人1995年）关于软系统方法和信息系统之间联系的工作，为参与车间设计提供了很好的例子；然而，这些研究人员并没有明确解决选择数据项的问题。此外，即使将研讨会作为一种独立的方法，无论是允许最终用户创建他们的愿望清单，还是给他们一份准备好的选择清单，通常也不会带来完全令人满意的结果。当允许最终用户创建他们希望的数据项列表时，许多BI系统最初无法满足管理者的期望，因为管理者通常不知道他们需要什么样的数据和分析（Jenkins等人，1984年，Lederer&Prasad 1993年，Romero4&Abelló2010b）。在之前推出的BI系统中添加经过清理和测试的缺失数据集通常会导致成本大幅上升（Wetherbe 1991），通常每个数据集需要三个月的时间（Eckerson 2005）。或者，当向管理者提供潜在分析和所需数据项的选择列表时，他们通常想要所有这些（Eckerson 2010，Judd et al.1981）。很明显，让经理参与讨论他们在BI系统中需要的数据项是必要的，但这还不够。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-28 15:19:46

为业务分析确定数据项优先级的决策模型将极大地为此类讨论提供信息。我们对年文献的系统搜索表明，迄今为止，似乎还没有发布一个正式的模型来对商业分析的数据项进行优先级排序。本研究解决了文献中的这一差距。最后，应该指出的是，本研究中描述的问题主要适用于传统的BI系统，而不是大数据系统。传统的BI系统是基于用户知道他们希望回答什么问题（或假设）以及进行什么样的分析的准digm。此类BI系统允许用户使用其业务背景知识，在结构良好的关系数据库上进行分析，并管理数据项。因此，由用户决定特定数据项的相关性，以回答特定问题——在访问数据之前做出决定。创建新数据通常与某种成本有关。在传统的BI系统中，组织通常是新数据的生产者（Chen等人，2012年），因此必须承担数据创建成本。虽然一些数据项的创建对于组织的运营至关重要（例如，财务账户、客户地址和交付状态），但还有许多其他数据项的创建是可选的。示例包括对交付货物质量的评级（采购）、调查费用索赔的原因（财务）、客户拜访的次数和时间（销售）、为单个客户电话提供的问题解决方案的类型（客户服务）以及由内部律师管理的案件组合（法律支持）。传统BI系统中积累大量数据的主要限制是内部数据创建（包括ETL）的高成本。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-28 15:19:49

与BI系统相比，大数据系统（如安德森（2008）、梅耶·舍恩伯格（Mayer Sch"onberger）和库克尔（Cukier）（2013）以及卡塔尔（Katal）等人（2013）所定义）在大型、逆向和非结构化数据集上使用机器学习来推断某些事件或关联的概率。在大数据系统中，是机器根据统计分析决定特定数据项的相关性——在访问数据后做出决定。为了提高效率，大数据系统需要大量廉价生成的数据项。这种廉价数据的来源可能包括组织的企业资源系统已经生成的数据、客户与web 1.0系统的交互（例如搜索词和点击流）、社交媒体和RFID芯片。在大数据系统中积累大量数据的主要限制是存储成本、计算能力和人力资本。3量化数据项价值的框架3.1链接模型我们将业务分析分解为四个层次：流程图、决策、分析和数据项。由此产生的自上而下链接模型将数据项连接到进程（见图1）。这里传统BI系统和大数据系统之间的区别类似于Chen等人（2012）的BI&A 1.0和BI&A 2.0/3.0之间的区别。根据Kart等人（2013年）的一项大型调查，只有8%的组织在其部分业务职能中提供了大数据解决方案。图1。链接模型。5链接模型的结构植根于企业信息系统文献中的三个常见概念。首先，将数据项分配给流程的模型可以在文献中的许多变体中找到（例如，Olson 2003，Scheer et al.2002），因为大多数数据项主要用于特定的业务流程，而不是与所有业务流程相关。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

nandehutu2022

2022-4-28 15:19:53

第二，管理者通常不知道他们需要什么样的数据项，如第2节所述。因此，建议不要询问管理者想要什么数据或分析，而是询问他们必须做出什么决定（埃克森2010年3月&赫夫纳2007年，韦瑟伯1991年）。遵循这一建议，重要的管理决策在自上而下的链接模型中充当分析和流程分析之间的桥梁。第三，过程/决策分析数据层次结构非常类似于企业信息系统中的知识信息数据范式（Tuomi 2000）。BI系统通常设计为面向流程的，以确保它们支持业务功能的所有核心活动，并达到令人满意的程度（Golfarelli et al.2004）。流程图借鉴了供应链管理，将业务功能划分为价值流，而价值流又进一步划分为单个流程。决策层捕获业务职能部门必须准备好提供答案的核心问题。将每个决策分配给一个流程可以确保决策列表考虑了所有相关的业务活动。分析层包括与特定业务功能相关的分析模型和指标。每个标准决策都由一组分析提供信息。数据项层包含进行分析所需的原始数字和定性数据。价值流到流程、流程到决策和决策到分析的链接被概念化为一对多关系，但多对多关系允许用于分析到数据项的链接，这意味着分析可能需要多个数据项，并且一个数据项可以输入多个分析。3.2重要性权重在大多数情况下，假设组织对链接模型中的每个不同决策给予同等重视是不合理的。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-28 15:19:58

例如，考虑以下两个营销决策：“我们应该如何为特定市场的产品定价？”以及“如何提高我们社交媒体文案的有效性？”第一个决策所需的数据通常被认为比第二个决策所需的数据更有价值。通过为决策分配不同的相对重要性权重，将这一观察结果纳入框架。使用的加权方法在两个小节中进行了详细解释：“分层加权”和“中性良好摆动加权”。3.2.1层级权重比较来自非常不同的业务流程的决策的重要性在认知上要求很高，通常会导致一些武断的判断（Saaty 1990）。财务决策“我们需要多少现金流？”与“我们需要干预我们的费用索赔政策吗？”可以作为一个例子。因此，分层加权用于分解挑战，以便只有来自同一流程的决策才能相互加权：o在价值流层面上，权重价值流相互之间的评级 . o 在流程层面，权重对于每个过程在价值流中相互之间的评价。过程权重每个价值流必须总共1个，即。 . o 在决策层面，权重每一个决定进程内价值流分析相互之间的评价。同样，这个决定很重要每个过程必须总共1个，即。 .

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-28 15:20:01

这种结构遵循了多标准决策分析中成熟的价值树方法（Keeney&Raiffa 1976）。6 3.2.2中立的良好摇摆加权简单的直接重要性判断（例如，要求参与者在0[无关]和10[绝对关键]之间的范围内对每个价值流的优先级进行评分）通常会导致结果扭曲，为了两个儿子。首先，如果没有明确描述重要性量表的含义，参与者可能会对重要性量表做出完全不同的解释（例如，在0-10的量表中，5实际上意味着什么）（Belton&Stewart 2002）。其次，商业活动中增强决策的价值取决于由此产生的绩效差异对组织的重要性，而不是其绝对价值（Cascio&Boudreau 2011，Keeney 2002）。例如，人力资源流程“管理工资单”具有高度相关性，但通过更好的决策改进人力资源流程的价值对于大多数西方组织来说非常有限，因为它通常已经做得足够好了。为了避免这两个陷阱，我们使用了摆动加权（Edwards&Barron 1994，von Winterfeldt&Edwards 1986）和中性良好范围（Bana e Costa 1996，Bana e Costa et al.2002）。假设一个规模较大的“平均组织”，其在感兴趣的业务职能中做出决策的能力仅为平均水平（中位数），这意味着50%的其他组织在做出每个标准决策方面更好，50%更差。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-28 15:20:05

决定摇摆供决定进行中价值流分析定义为平均组织决策能力的提高从“平均水平”到“前10%”，其他都一样。通过使用秋千，所有参与者的重要性评估都基于一个充分共享的认知，即在每个ar ea中，平均组织的决策能力可以在多大程度上得到实际提高。使用经典的摆动加权，评估员首先被要求说出他们在流程中最重要的决定价值流分析, 说, （Bottomley&Doyle 2001）。这个秋千承受一个临时重量 %. 这样做可以建立一个参考量表。对于所有其他决定在这个过程中，评估员被要求估计摆动的价值相对于. 例如， % 和 % 这意味着和分别具有改进决策的三分之一和三分之二的价值. 但改善决策和同时也应该被认为和改进决策一样有价值由评估员谁提供一致的重要性判断（一致性检查）。临时重量之后，每名参与者的体重都正常化为以至于 . 然后，计算归一化权重的几何平均值从所有参与者中分配到. 几何平均数通常被决策分析人员在实际小组讨论中用作简单的一致性估计（例如Saaty 1990、Vaidya&Kumar 2006）。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-28 15:20:08

最后，所有决策权重再次正常化，以便 .一些参与者发现，与其比较提高某些决策、流程和价值流的决策能力的价值，不如想象一下在一个普通组织中，有多少事情会在现实中出错。图2。使用卡片摆动权重（例如6个值流）。7流程权重和价值流权重也可以通过让参与者比较成功决策过程中的平均表现与最佳表现之间的差异来得出结论和价值流, 分别地总重量每一个决策的核心是产品具有和分别指决策所依据的价值流和流程属于。注意 . 为了让参与者有动力深入思考摆动的相对价值，他们应该在对话中了解自己判断背后的原因（Keeney 1992）。还应进行加权一致性检查（French et al.2009），如最后但并非最不重要的段落中给出的示例。为了使偏好诱导更具互动性，可以要求参与者使用A3纸上的卡片进行摇摆加权，并给出加权方法的说明（见图2）。其他方法，如AHP（Saaty 1990）、MACEBTH（Bana e Costa&Vansnick 1994）、SMART（Edwards 1977、Edwards&Barron 1994）和权衡加权（Keeney&Raiffa 1976）等，从技术角度来看肯定同样适用（P"oyh"onen&H"am"ainen 2001）。我们选择swing weighting主要是因为它对成对比较的需求有限，而且对于非专家来说，它的技术透明度很高。根据Mau Crimmins等人的研究。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-28 15:20:12

（2005）和Schoemaker and Waid（1982），我们希望这种方法的简单性将促进从业者对其的接受和理解（另见Belton&Stewart 2002，Edwards et al.1988，Keeney&von Winterfeldt 2007）。3.3数据支持对于决策而言，并非所有决策都能通过业务分析得到同样好的信息。长期战略决策（例如，“我们应该有多少不同的供应商？”）通常比重复的运营决策（例如，“我们是否需要干预供应商的交付绩效？”）更难用分析推理来支持。因此，我们提出的框架包含参数数据支持, 这表明决策在多大程度上应该由数据驱动。每一个决定, 要求具有强大分析背景的专业人士提供在0-1的范围内。例如， 0.4表示决策应基于40%的定量思考和60%的定性思考（例如经验、常识、逻辑或观察）。与权重类似，并再次遵循“群体智慧”思维（Ariely et al.2000，Surowiecki 2005），参与者数据支持估计的几何平均值随后被分配到决策中。在对该框架的试验中，参与者认为，给目标分配精确的数字既困难又乏味. 为了使获取参数成为一项更令人愉快的任务，我们使用了一种对称的利克特式测量量表（Carifio&Rocco 2007，利克特1932），它有五个响应选项：几乎没有( %), 低的( %), 中等( %), 高的( %) 而且几乎足够了( %). 此外，响应选项“不可能提供数据支持”( 对于无法通过分析推理获得有意义支持的决策，包含0%。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-28 15:20:15

为了让调查变得更愉快，可以要求参与调查的专业人士将彩色圆形图放在屏幕上。3.获取数据支持带有0-1刻度和彩色标签（例如，一个流程有6个决策）。每个决策上有8个标签，以表明他们认为它属于六个可用数据支持类别中的哪一个。图3示出了该评估过程的示例。3.4优先权指数通过使用分析作为中间层，框架将数据项与决策联系起来。作为一个近似值，我们对所有数据项进行评估，认为它们在通知与其相关的决策方面同样有用。这种近似是必要的，以避免为每个分析和每个数据项引出一个权重参数；缺点是，它使决策中的数据项的值取决于与该决策相关联的其他数据项的数量。这种模拟可能会导致高估或低估数据项的贡献，从而为特定决策提供信息。我们还假设，即使决策者不具备某项分析所需的所有数据项，负责人仍可能从中得出一些结论。例如，有根据的猜测、行业调查、模拟或盈亏平衡分析可用于缺失的数据项（例如，Cascio&Boudreau 2011、Jackson 2007）。如果数据项与决策相关（通过至少一项分析）; 否则0。还有，让我们是数据项的数量影响决策. 此外，回想一下该产品是决策的总体权重和通过数据支持对决策的有用程度来调整权重。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-28 15:20:19

数据项的优先级索引定义为加法函数可以解释为对数据项的总体相对重要性的估计用于改进平均运行的业务功能。4人力资源应用本研究中提出的框架的开发由一家专门从事商业分析的中型咨询公司发起并提供资金。该咨询公司希望为其人力资源软件包的客户提供建议，告知他们应该存储哪些关于员工和人力资源活动的数据。该项目采用嵌入式研究模式（Marshall et al.2014，Wong 2009）进行，这是应用研究领域的一个新兴趋势，各组织雇佣和接待学者进行严格的内部研究，以满足接待组织和学术界的需求。图4。人力资源流程图。9.4.1链接模型流程图涵盖了人力资源部门的标准活动，如许多手册所述（例如，阿姆斯特朗和泰勒2014年、布拉顿和黄金2012年、米切尔和加姆2012年）。虽然章节（“价值流”）和子章节（“流程-es”）的分组在不同的书籍中有所不同，但对于人力资源中的主要活动存在普遍共识。图4所示的流程图反映了参与嵌入式研究项目的几个人力资源顾问和咨询客户对如何以有意义的方式对这些标准活动进行分组的意见。典型的人力资源决策包括“针对个别缺勤情况应采取什么行动？”以及“我们需要多少备用容量才能实现业务连续性？”通过查阅人力资源手册和采访人力资源专业人士，共确定了55项标准人力资源决策（见附录a）。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-28 15:20:23

该清单包括具有重复性的运营决策和战略性一次性决策。典型的人力资源分析包括绩效得分与薪酬之间的相关性、预计离开公司的员工人数预测、填补空缺的时间、员工数量以及角色绩效差异的估计货币价值。我们收集了298份描述性和预测性人力资源分析，并将其分配给适当的决策。共有202篇选自学术和专业文献（如Bassi等人2010年、Becker等人2001年、Boudreau 2010年、Cascio&Boudreau 2011年、Davenport等人2010年、Fitz enz 2010年、Fitz enz&Davison 2001年、Infohrm 2010年、Kavanagh&Thite 2009年、SilkRoad 2012年、Smith 2013年），以及过去咨询项目中的其他内容，以及为此接受采访的人力资源分析师提供的建议研究图5统计属于每个HR流程的分析数量。从这个气球图可以看出，在过去几十年中，一些人力资源流程（如招聘和人力资源规划）受到了学者和人力资源分析专业人士的广泛关注，而其他流程（如灵活的工作和组织设计）则没有得到太多的关注。人力资源数据项的示例包括能力评估、出生日期、纪律处分日期、员工之间的电子邮件流量、已收到特定人力资源沟通信息、工作板使用数据、参与工作与生活平衡计划、薪资基准、角色的战略重要性、充分发挥生产力的时间以及用户对在线申请流程的反馈。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

可人4

2022-4-28 15:20:27

本案例研究中使用的人力资源分析集需要126个数据表1类别的人力资源数据项。缺勤申请信息员工合同信息能力员工纪律和申诉成本员工沟通健康与安全、良好雇佣和入职动机其他个人信息绩效和潜在角色信息终止培训图。5.按流程划分的人力资源分析数量。10个ta项目分为16类（见表1）。4.2决策模型为了得出该框架决策分析部分所需的参数，对来自15个组织的24名人力资源专业人员进行了概述，这些组织的规模、所有权和行业各不相同（见表2）。平均而言，志愿者需要10分钟来权衡价值流，25分钟来权衡流程，30分钟来权衡决策，40分钟来评估决策的数据支持。大多数参与者在采访后都提到，他们觉得在物理上“玩”纸牌和圆形贴纸（而不是在桌子上填充数字）很有趣，而且在偏好诱导阶段他们并不感到无聊。整个人力资源流程的权重如图8所示。附录A中提供了决策权重和数据支持判断。总结了总体加权数据支持（即。，), 人们可能会得出结论，加强数据收集和数据使用可以贡献36%的努力，使一个普通人力资源部门在其所有活动中成为最佳绩效部门——研究参与者认为这个数字是合理的。根据建议的框架得出的前30个人力资源数据项如图6所示。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

nandehutu2022

2022-4-28 15:20:30

因为许多人力资源分析可以按地点、角色、职能/部门和表2按角色和调查活动分组的参与人力资源专业人员进行维度化。人力资源主管高级人力资源经理人力资源顾问加权价值流程加权决策数据支持图。6.按优先权指数排名前30位的人力资源数据项。图7。在20个被调查的人力资源部门中，按可用性百分比排列的前30个人力资源数据项。图8。改进25个人力资源流程中每个流程的相对重要性。11经理ID，这四项不可避免地获得了最高分数。特别是出现了较不常见的数据项，即充分发挥生产力的时间和用于入职/入职培训的时间，因为它们会影响组织的流动成本，而流动成本对于计算许多人力资源活动的投资回报非常重要。4.3与当前实践的比较为了将框架关于最有价值的人力资源数据项的建议与当前实践进行比较，来自16个不同国家的20个人力资源部门被要求分享他们收集的有关其员工的数据项。调查结果如图7所示。前30名中总共有23个项目，尽管顺序完全不同。然而，很明显，除了企业资源规划软件中可用的数据外，许多被调查公司几乎没有收集任何用于业务分析的人力资源数据，尽管在被调查的20个人力资源部门中，有18个表示他们已经执行了某种形式的人力资源分析。4.4结果解释如图6所示，前30个小时的数据项不会对传统BI系统的技术能力造成任何困难。更一般、移动缓慢、相互关联的“人员数据”是人力资源分析（Slinger&Morrison 2014）的核心，即。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-28 15:20:34

员工与角色、经理、能力要求和招聘成本等直接或间接相关。因此，在大多数情况下，人力资源数据集在容量、速度和多样性方面没有特别高的要求，无法回忆大数据的原始定义（De Mauro et al.2015）。另一方面，许多人力资源部门仍会发现收集这些数据项具有挑战性，原因有三。首先，为了确保以有效、一致和合法的方式测量数据项，可能有必要投入资源，开发收集某些数据项的新方法和政策（例如，经验证的员工调查和估算充分生产时间的工具包）。第二，首次收集一个组织中所有员工/角色的一些数据项可能非常耗时（例如，能力评估和继任者信息），保持这些人力资源数据项最新的管理时间要求也不总是可以忽略的（Morrison 2015）。第三，集中收集一些数据项可能需要购买新的软件包/扩展并进行培训，以管理数据（例如，培训和缺勤管理），这可能是一项巨大的投资，需要有令人信服的商业案例。考虑到没有外部数据来源（如毕业生统计数据、就业委员会数据、薪酬基准数据、社交媒体存在）使其进入前30名，这反映了人力资源分析的现状：仍然是内向型的，并且刚刚开始探索分析的机会（德勤2014、格林2014、雅各布斯2014）。事实上，在从文献和人力资源专业人员收集的298项人力资源指标中，只有很少一项需要创建或获取员工手动输入的数据项。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-28 15:20:37

几年后再次应用该框架可能会产生不同的前30名名单。当研究金融（如Bragg 2014、Lee et al.2009）、营销（如Grigsby 2015、Venkatesan et al.2014）和采购（如Feigin 2011、Pandit&Marmanis 2008）等其他业务功能的分析文献时，人们会认为，在数量和速度方面，数据项会稍微复杂一些，在前30名列表中也会有一定程度的多样性。构建一个现有的数据列表，而不是一个已经提到的潜在数据列表。链接模型还提供了一种系统化的方法，可以更好地了解不同人力资源活动领域可能进行的人力资源分析，以及组织可以收集的人力资源数据项。请注意，纯粹的管理数据项（如员工ID、税号或电子邮件地址）被排除在列表之外，因为它们通常与业务分析无关。12.4.5框架的定制图6中的30个数据项现在与一些管理数据项一起形成标准数据项，如商业人力资源软件包的税务ID。利用新的框架，当前研究的持续性也开始为客户提供更多定制的支持，帮助他们收集关于员工的人力资源数据项。客户通过对每个价值流、流程和决策的改进价值从“业务职能现在的位置”到“业务职能想要的位置”进行加权，来确定人力资源数据的优先级。5结论本研究提出了一个基于多标准决策分析的框架，以评估数据项的价值，从而进行商业分析，从而为文献做出贡献。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

何人来此

2022-4-28 15:20:40

新框架可以为讨论提供信息，讨论业务职能部门应该定期收集的数据项，以分析其活动。作为一家咨询公司的“嵌入式研究人员”，我们确定了这种框架的实际需求，系统的文献检索表明，迄今为止，学术文献中尚未解决商业分析数据项优先级的问题。我们通过人力资源应用程序验证了该框架，并列出了人力资源分析的前30个数据项。进一步的研究可能集中在寻找克服我们提出的框架局限性的方法上。首先，构建链接模型的过程是不系统的，因为它没有规定应如何查阅文献或应如何征求专家意见。系统建模语言，如* 框架、软系统方法和用例之前已被用于提供管理者分析需求的更丰富视角。系统建模语言和决策分析的混合似乎是有效探索业务功能的数据需求并确定其优先级的一种很有前途的方法。其次，该框架没有考虑收集和维护不同数据项的成本。因此，扩展该框架，例如，使用投资组合决策分析（Phillips&Bana e Costa 2007，Salo et al.2011），将成本纳入优先排序工作，将是可取的。第三，该框架仅适用于使用常规BI系统的标准业务分析。大数据分析（Big data analytics，即机器在一大组潜在的弱相关数据项之间搜索相关性）需要一种根本不同的方法来优先获取数据集。第四，到目前为止，该框架仅适用于人力资源。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝