一、传统人力资源咨询过程及信息处理的挑战

“老三篇”是传统人力资源管理咨询的主要内容，也是企业HR管理体系的核心，其他HR管理活动，例如人才管理的招聘、培训和人才发展等，都必须基于这个基础。

“老三篇”指的是岗职、薪酬、绩效，具体来说内容和产出方法分别是：

岗职（Job System）：

人力资源管理包含两方面：一方面是组织相关的要素，可以称作“组织管理”，一方面是个人相关的要素，可以称作“人才管理”。就像是“一个萝卜一个坑”，组织管理是讲清楚坑长得啥样，大小深浅有啥要求，在地上是怎么布局的；人才管理则是讲清楚萝卜该怎么衡量好坏大小，放到坑里怎样养才能长得好。“岗职”就是组织的各个坑，把一组具有类似的工作职责和活动的组织单元定义为一个职位（或岗位，更深入的分析参见我的微信公众号7月27日文章《职位和岗位概念辨析及在HR管理中的应用》）；分析、定义岗职的过程叫“职位分析”，采用的方法是：

• 自下而上的分析：通过访谈、观察、工作日志分析（work log analysis）、问卷等方式，搜集比职位颗粒度更细的信息，即任务（Task）或责任，以及完成任务所需的能力、素质、知识、技能等，综合形成“职位”或“岗位”的定义；这个是一个从非结构化信息形成结构化信息的认知过程；学术上的“职位分析”就是指这类做法，理论上来说科学性比较强，但是工作量非常大，受限于人类的信息处理能力（综合、提炼、比对），在实践中很少会全面采用这种做法，而这恰恰是后文“认知计算”的强项；

• 自上而下的分析：把企业业务战略分解为价值链，再分解到组织架构，再详细分解为“部门-〉岗位”或“职能-〉职务”等，这是一种由粗的结构化信息推导到细的结构化信息的过程，信息处理量小，符合人类思考规律，是管理实践和咨询实践中最常采用的方法，但是依赖于人的概念判断，而非事实分析；

• 参考性标准：职位及其相关信息，在工业化高度发达的国家，形成了一些参考性标准，例如美国劳工部几十年前就发布了《职位名词词典》（Dictionary of occupation titles）,美国联邦政府有标准职位分类（Standard Occupation Classification），近年来美国劳工部还提供了职位和工作活动清单定义的互联网资源O*NET，制造业等成熟的行业协会也有行业职位分类标准，中国HR管理圈神话华为所为人称道的，在最初引进职位管理和任职资格体系时，为秘书序列引进的“NVQ”标准，其实也就是参考性的英国国家职业标准而已。这种方式是结构化信息的应用，由于信息量大，比对麻烦，很少有企业会直接全盘使用。

通过上述职位分析结合分类原则，形成“职位族、序列、职位、岗位”的层次分类体系；结合职业发展需求，可以将若干性质相同的序列组合为“职业通道”。按照职位在企业内的重要性，分为若干“职级”，从最底层操作工到最高领导，企业的职级层数一般从几级到十几级不等。为了薪酬对标方便，结合职位评估（岗位评估），怡安翰威特、美世等各家国际主流HR咨询公司都有其定义的十几级或几十级的“参考岗级体系”（Position Class/Position Level）。

薪酬（compensation）：

薪酬管理首先要回答的问题是一个职位在内部和外部的相对价值性，价值越高，付薪越高。对企业的职位价值进行内部排序和外部对标的过程称为“职位评估”（Job Evaluation）。

评估职位价值的方法可以把对职位作为整个对象进行分类及排序，这种做法相对来说是定性的、基于人为判断的，排序过程是把职位逐个两两对比，相当于计算机编程的“冒泡排序法”。

更精细的做法是，定义构成一个职位有哪些“付酬因子”（compensable factors），这些因子包括技能、责任、工作环境等，对每个要素进行评分（每个要素的刻度不一定相同，有些五级，有些可以是十级），并且加权平均，从而得出这个职位的价值高低。基于要素评分的标准职位评估方法历史悠久，例如从上世纪30年代开始，美国两个有影响的行业委员会“全国电气制造协会”（NEMA）和“全国金属贸易协会”（NMTA）就推出了相应的规范，并被美国工业界企业在做薪酬设计时广泛使用。

上世纪五十年代，“合益方法”开始出现，从该模型的各个要素的字面上就很容易看出来，这些要素类型主要是面向管理者、行政官理、技术人员等白领工作（支持这种方法的HR专业人员经常声称这种方法也同样适用于蓝领工作或操作性工作，我个人对此持保留意见），给出了一个权重和打分方法：

又例如，美世职位评估模型是四个因素，分别划分成10个维度，其中：影响包含了“组织规模、影响属性、贡献”3个维度，沟通包含了“沟通属性、框架”2个维度，创新包含了“创新、复杂性”2个维度，知识包含了“知识属性、团队以及宽广度”3个维度，每个维度的刻度不一定相同，一共63个刻度。在我来看，当前流行的各大HR咨询公司的职位评估方式虽然名词提法不同，和合益方法的基本思路大同小异，都属于“要素计点法”。

通常认为要素计点法的问题(这些问题在人工智能下将不是问题）是：

1、费时费力：评分法需要对每个工作（职位）进行深入研究，在评定每个因素时，经常要经过两三个评定人员的个别评定，之后还要进行汇总。

2、评价体系应用理解：评价因素及其等级定义，要求评定人员具有相当技能。

3、客观性：因素的定义、等级的确定及因素权重不可避免地带有主观色彩。

为了避免这些问题，在管理以及咨询实践中，一般不会将企业全部已定义的职位来进行逐一估值排序，而是选取部分典型职位进行要素计点法评估，得出结果后作为“锚点”，然后将其他职位用前述的“排序法”或者“比较法”方式列入排序序列里，类似于计算机编程时的“插值法”排序。

咨询公司按照自己的职位评估模型，按照职位得分高低，可以拉出一个通行的“标准职级表”，例如美世分为从40到87，共37级；一家采用同样职位评估方式将公司内的职位进行排序后，可以将自己的职级对照转换到一个“标准职级表”之上，这样就可以利用咨询公司通过薪酬调研提供的，按照“标准职级表”列出各标准职级的薪酬水平，跟其他公司进行薪酬水平对标。咨询公司在薪酬调研中，将调研对象的职位转换到自己的“标准职级表”上，或者企业进行薪酬对标时，将自己的职位匹配到“标准职级表”的某一个职位（职级&序列）时，这个过程称为“职位匹配”（Job Matching）。以翰威特职位匹配方法为例，方法既包含一定的要素打分因素，也包含了一定的文本识别因素：

通过职位匹配，把企业各个职级的基准职位的市场付薪水平（中值、高值、低值）的中值连起来，就形成了企业薪酬的“市场线”，企业根据自身业务需要，把自己这个职位的中值设为这个职位市场水平的中值（50分位值）或者高值（例如75分位值或90分位值），就形成了“政策线”：

围绕每个中位值设定这个职级上的薪酬范围，若干个岗位落在这个薪酬范围里，就构成了下图所示的企业“薪酬结构”。一个企业可以有一套薪酬结构，也可以不同序列、不同部门，或序列/部门等组织单元的组合，应用不同的薪酬结构。

绩效（Performance）：

传统的“绩效”是指在一个职位/岗位上的工作标准，例如经理人如果要求下属“尽自己最大努力工作”，可能难以评价下属的工作好坏，而工作的产出数量、效率、成本、质量等定量的指标有助于评价员工在职位上的表现，亦即关键绩效指标（KPI）。传统HR的职位分析，通常包含职位的KPI设计。近年来，关于绩效管理的理念发生了较大的变化，绩效管理不再关注KPI达成的绝对值或者目标完成率，而是将KPI作为目标设定的牵引，不仅关注结果，鼓励设定更高的目标，也关注达成结果所展现的关键素质。

应用上，职位、薪酬、绩效是HR的结构性框架，亦即前面所说的“坑”，需要将人，即“萝卜”按照适配性放入对应的坑中，实现“人-〉岗-〉职-〉绩-〉薪”的匹配，开展HR管理的系列活动。

综上所述，“老三篇”管理实际上是一系列基于事实（非结构化信息）、数据和标准（结构化信息）的分析过程（打分、判断、推理、匹配、归类、总结）。管理咨询顾问运用框架模板、历史数据和经验，从一系列非结构化信息来形成职位、薪酬等结构化信息。

二、什么是认知计算

“认知计算”是IBM最近提出的转型方向，类似于前些年IBM把物联网和大数据包装为“智慧地球”，“认知计算”是把“大数据”和“人工智能”进行市场化包装。我个人认为，“认知计算”就是用电脑模拟人脑的功能，即观察（信息获取）- 翻译（信息理解）- 条件（假设和选项）- 决策（评估和优化）的过程；IBM认知计算产品Watson，我理解，包含了四个主要功能：

• 海量非结构化信息管理

• 自然语言的语义识别

• 机器学习，自动优化算法，甚至发明新算法

• 专家推理

人工智能不是IBM的首创，但是通过公司的商业化包装，使人们逐渐看到其大规模应用的前景。关于Watson的认知计算的官方解释，推荐看视频：

以认知计算重要应用领域的医疗为例，最近新闻报道，http://news.hangzhou.com.cn/gnxw/content/2016-08/12/content_6268889.htm
，有二十一家中国医院引进Watson辅助癌症诊疗，新闻稿描述是：“具有处理海量知识和自我学习的能力，目前已具备阅读和理解自然语言的能力。这意味着Watson肿瘤解决方案能够“学习”海量信息，包括300多份医学期刊、200余种教科书以及近1500万页的文字，然后就药物选择及用药方案方面提供建议。同时，它还能够链接至权威研究和临床指南，并且可以随着时间的推移而不断地学习。”这个过程跟我们做HR的组织和薪酬分析很相似。

三、认知计算颠覆传统HR管理咨询的可能

据说现在IBM对Watson这个具有人脑功能的电脑具有哪些商业化用途也还在摸索中，既然连癌症都能诊断，本文第一部分描述的“老三篇”设计过程，非常符合认知计算的应用方向。

另一方面，HR管理领域也在发生变化，例如，随着现代组织柔性化、扁平化的发展趋势，员工的职业发展出现多种形式，从传统的爬梯子式职业路径，向“网格状”或“水平状”职业路径变化，工业化时代的封闭式、层级式信息结构，向信息化时代的开放式、网络式信息结构转化。职位分析、薪酬设计将超越传统的程序化范式，也在改变人们的思维方式。

今天，跟“老三篇”相关的结构化信息和非结构化信息越来越多，不仅包含行业职位分类标准、咨询公司的参考职级体系及薪酬数据，还可以通过爬虫程序等方式，汇聚内部和外部有关的非结构化信息。

最近，我的同事们已经在用统计学方式，结合算法优化（俗称“大数据分析”），来进行前述的“职位匹配”工作。例如其中“职责分析”，传统需要人工将企业的岗位描述与怡安翰威特的标准岗位描述进行比较，从而确定企业的某个具体岗位跟哪个怡安翰威特的标准岗位代码能对应上；用户把企业的岗位描述文本输入系统后，通过文本分析计算，自动匹配到一个标准岗位代码上。经过一段时间的人工校验和机器学习，现在自动匹配的准确率已经和原来人工匹配的准确率相当，而效率却大大提高。类似地，我们可以设想运用“认知计算”来做职位评估：

这种方式与其说是颠覆了传统HR管理咨询模式，不如说是传统HR管理模式的革新。可以设想一下在认知计算环境下的职位薪酬管理的一些场景，例如：

切磋人力资源管理的数字化转型，请关注微信号