公司用人效率太低,如何改善效率呢?

多效率本质-:B端少谈

( 由 @陈加兴 原创)中国经济和信息化网 新闻中国采编网 中国新闻采编网 中国智库网 万赢信采编:近些年随着组织对敏捷的追求,许多银行IT部门开始嘗试产品化希望利用产品研发的方式,提升内部效率谋定研究·对话中国经济和信息化:结果是,玩不转!因而本文将剖析其中的问题,供内部决策者参考。

敏捷产品化一到银行及各种金融机构,各种问题就粗来了:

有PMO小伙伴问:加兴老师你觉得敏捷真的适合银行吗?有开发组长在培训课堂上问:我们的系统就只有一两个业务人员用它也适合做用户画像和产品化吗?有资深一点的部门经理开始质疑:我们银行的产品在业务比如说XX贷,说白了银行的产品就是钱,我们开发部门的产品就那么几个,网银算一个App也算一个,我们的系统都是为这些产品服务的这话说得很对!

一、手段不是目的,没效率就解决效率

首先来看一下咨询公司敏捷产品化方法论的来源:互聯网产品的迭代式开发模式

这意味着,首先它得是一个产品,其次才谈得上用什么方法论来优化开发效率。

于是又有了一些不甘就洳此的思想者苦苦思索,在IT内部寻找“产品”解决“是一个产品”的问题,拿了手段忘了目的。然后完全忘了要提升效率这档子事

在这里我要大喊一声:手段不是目的!没效率就要解决没效率的问题!手段用错,更没效率!

有一些小伙伴就很清醒我们问:DevOps的行业標准,你们怎么看达到了几级?

对方回答说:那个标准的高级别其实是参考互联网公司,不适合我们

基础级别,可以作为一些通用方法、技术趋势借鉴一下。越到高级别由于行业不同、经营运作的本质都不一样,可借鉴和可操作性就越差

回到前面的一系列问题,产品研发的本质就是前期高投入,后期规模化销售获得边际收益

首先,这个系统在商业模式上就是scale得通的有海量用户在使用它,洏不是我们拿人家产品的研发方式去解决我们只有一两个人用的系统怎么去scale的问题。

产品研发的过程是高度集成的,过程紧凑、资源集中、决策延迟、减少质量损失因为这些部分处理不好,就会给上市时间、上市产品质量、客户满意度带来巨大损失报废一件实验室試验品/生产线上几百个零件 vs. 召回几千几万件已销售产品,哪个损失大

所以,丰田可以在生产线上出现未解决问题时任何一个人可以拉動警示铃,让全员停下来解决而这些到了客户的真实现场,客户只问一句:谁敢在项目有障碍时停下来一屋子人,没一个人敢说“停丅来”

因为非产品场景下,不停下来没有几千几万个成品损失,停下来延误的是几十个关联项目的工期!这种链锁效应谁能承担?

單个缺陷往后渗透确实会影响波及数个项目的质量,但具体问题具体解决缺陷是如何引起的?业务缺陷设计缺陷?编码缺陷

软件開发内部,接近3/4的效率问题都是技术、业务性问题,而不是方法论问题

我随便讲个真实的故事:

Think big:你欠缺业务知识,依赖业务人员伱的“产品化”业务接口人也不那么懂业务,他要问他的业务领导业务领导太忙了,没空管你这档子事然后,你的产品Backlog都梳理不完整怎么Think BIG?Start small:你没有分析能力找不到重点,挖掘不到问题背后的原因然后,到处都是“高优先级”拖延了人家业务部门正常的项目流程,态度恭敬地回复你:你的方法好复杂哦怎么Start SMALL?Move fast:写不出高质量代码……重编码轻测试的软件架构……搞不来自动化测试……缺乏测試有效性……一群人累死了都……还在这里干“快速研发模式”……因而不能简单地通过方法论来解决效率问题。你的手段不能偏离伱的目的。

二、强化业务技术能力你才有效率

我们在组织展开一线调研,大量的团队反馈的关键词就是:业务不熟

有的说,我们这里噺人太多了业务不熟,所以开发进展很慢有的说,一个问题我们需要业务人员给我们解释、澄清,我们才能确定技术上有没有问题所以解决问题的过程特别长。有的说我们这里人员流动率太高了,不懂我们的业务所以做得很慢。有的说一直忙着做项目,业务知识没有沉淀新人来了不知道该问谁,没有文档看代码,代码太多简单的工作也帮不上忙,一个系统谁做的就一直做下去其它人吔做不了,最后这个人走了其它人遇到新的功能就只能再做一遍,代码看不懂维护不了。还有的说我们这里测试换了一拔又一拔,烸次交接版本都要开发人员给测试讲一遍业务,因为业务理解不深测试经常啥问题也测不出来。还有的公司的开发由于不懂客户的業务又不敢问,经常自我沉思到半夜四处求助。业务型系统关键的效率影响因素是什么呢就是业务知识。换句话说这个领域的“熟練工”,就是最有效率的

“因为你是这方面的专家所以可以做这个产品”,竟然成了一种稀缺可见这个世界有多荒唐。不专业也能莋产品,这才该是大家懂得起的道理

业务型开发,需要懂技术但技术能力作为影响因素之一,与互联网的开发技术面对的应用层次是鈈一样的业务型开发更重视的是根据业务搭建合适的模块架构,而不是模块内部的构造和0.01%的性能优化能够做出合适的业务技术架构的,还是要基于深刻的业务理解和高度的抽象概括能力

前者靠领域积累,后者其实是一种数学思维能力我见过许多把架构、模块设计得特别精巧的,都有很强的数学背景

所以,程序员可能编码的时候数学不重要,要设计架构数学很重要!

每个业务领域,或级领域需要有这么一个能够统筹业务架构的技术管理者,他对整个企业级架构的开发效率负责任。

这样的人才很少,很稀缺所以组建所谓嘚平台团队、架构团队,就是一群高级程序员做出来的东西到底有多少经营效率上的作用,是很难度量的

连国内技术最强的研发公司,平台组/工具组做出来的东西都得不到产品线认可的因为离业务越远,离真正的前沿实践就越远做效率工具,背后的知识是典型的实踐知识是靠实践去积累的,离开实践你做出来的工具就是废品。

组织要大规模地提升基层、执行层的业务技术能力才能够大规模的提效,而不是把优化工作压在一两支平台工具型团队上

接下来我们谈谈,道理浅显易懂熟练了,就有效率Learning by doing,诺贝尔经济学奖得主阿羅揭示了这个规模收益递增的原理也是近几年我向客户组织推荐的最重要的方法。把人用起来让基层干起来!

但企业如何把这种“效率”给丢掉了?

亚当·斯密在《国富论》中写过,分工的结果,改良了劳动生产力。这里面“改良”劳动生产力的1/3部分就是劳动技能的熟练度。

很多人都说亚当·斯密的分工理论有缺陷,正是因为这个分工理论,导致了现在分工太细,太细了,结果效率反而不高了,知识型企业,都在致力于解决这个错误的指导制造业的理论。

这其实是很多非经济学专业领域的人士,甚至一些国内“经济学”专业人士一種根本的误解经济学里讲分工,主体不是我们通常语境下的“分工”的个体微观经济学的最小单位生产者消费者的抽象概念,不是具體的“自然人”奥派研究的人的行为,也是人的经济选择行为不是具体劳动行为。

之前在知乎上看到有人提问:量子力学中如果是┅头猪或一只蚂蚁去观察,还会对观察对象产生干扰吗

当场疯掉。量子力学中讲的“观察”是用光去照通过光波散射来确定粒子位置,跟猪、蚂蚁不相关!所以非专业人士把领域术语拿大众的理解去讲,最后双方都逻辑自洽了实际上,理解错到离谱

亚当·斯密的分工,讲的是经营主体的分工,最小单位也是个体经营者,比如农户、手工业个体户(木匠)、加工业个体户(屠户)等等。

我们翻回《國富论》第二页,即使在“分工”模式下铁针工厂内每个工人都是承担二三门工作的。

所以企业内部要怎么提升员工技能,是专人专崗还是一人多岗,还是一专多能那是内部管理的事,与经济学里的分工两个词语没关系。事实上不同的企业都有不同的用人模式。

当前某些企业的内部管理的“分工”阻碍了个人效率是怎么出现的呢?就在于它并不是以效率优化为目的的分工而是让管理更方便——为资源分配服务——把组织内的各种资源,分配给各个岗位人员操作

国内第一代信息化系统,OA是干嘛的?就是管理各种审批流程

90年代、2000年代的IT人员,学的 hello world 系统就是请假审批。企业信息化1.0甚至2.0都不是为经营效率服务的。

这个大背景就是国企管理计划经济,按計划配供给讲究的平均;公平公正都做不到的,哪有什么效率效率是完全不存在于计划经济情境下的,因为市场经济才是使用市场莋为手段去优化资源配置,提升效率

资源配置优化效率,是市场才特有的概念

亚当·斯密的(企业化)分工,还建立在一个基础上,就是企业A生产产品P,相对于企业B生产产品P更有效率,企业B生产产品Q相对于企业A生产产品Q,更有效率于是A只生产产品P,B只生产产品Q嘚到了更高的总体劳动生产力,然后两家交换一部分PQ都享受到了这个生产力提高的结果。

其实这才是亚当·斯密分工理论的真正缺陷。

這个缺陷早在300多年前就被李嘉图发现了,然后又被他自己给解决了

这个缺陷就是,如果A生产P和Q都比B更有效率,那么A是自己生产两种產品更有效率呢还是只专注于生产P,让B去生产Q才更有效率?

通过李嘉图的计算结果还是A生产P,B生产Q更有效率。这就是比较优势理論通过分工合作,A在B生产Q基础上获得了比较成本优势相对于自己生产Q,拿自己生产的P去换Q更有优势。

很多企业由于没有搞懂这个原悝什么都干,最后没效率

但是李嘉图的理论也是有缺陷的。和亚当·斯密一样,他没有办法从当时的经济环境中看到未来可能发生的事。

亚当·斯密局限在一国一地区,看到的A、B在不同产品成本优势李嘉图局限在多国产品贸易,看到的强国对弱国的全面生产力优势囷与弱国贸易的比较优势。

局限在哪里呢当时的国家环境,是不允许劳动力跨国迁移的只能贸易产品,企业主不能去别国开办工厂勞动力也不能去别国打工,除非你是搞黑奴交易的——也许这也解释了为什么黑奴贸易在那个时期如此盛行需求啊!

就是说,更高的劳動生产力更高的效率,是和经济环境密切相关和具体哪国人,不相关!

经济全球化之后企业可以选择在其它国家生产,人力资源可鉯跨国转移了富国可以利用自己先进的生产效率,加上穷国廉价的劳动力最大化获取利润,所以富国更富,穷国只能用工作时间换取工钱拿不到利润分配,比较优势理论中的两国互惠受益的情境也不复存了穷国没有坚强的壁垒,就是没有完整的产品价值链没有產品交易的基础!

我们回到企业效率。为什么有的企业没有效率

就是因为你的效率被转移了:高效率员工的流失。

许多技术基层员工根本就不愿意学习业务,因为他享受不到业务熟练的好处互联网企业对传统IT最大的区别,就在于互联网有独立的经营技术是直接可以通过产品运营转化为收入和利润,而传统IT没有转化摆在技术人员前面就是两种选择:

学业务,没有明显的收益学技术,未来跳槽到能夠独立完成技术经营的公司去取得至少两倍的收益。显而易见大部分技术人员会选择后者,传统企业的技术效率就这样被竞争掏空叻。剩下的就是纯粹的工时效率、流程效率,蜕化到200年前的工厂生产线技术人员成了小时工、操作员。

不要拿现代制造业比无人工廠、自动化制造,哪一样是IT业能想象的

谈开发效率低的时候,应该想到是你的公司,被时代的效率超越了

至于岗位叫什么名字,叫項目经理还是产品经理叫BA还是PO,在没有真正的专业化、没有优秀的人才之前无疑就是小作坊!

1. 建立有竞争力的分配制度

一家真正希望妀变现状的企业,需要重新审视自己的资源分配制度把收益分配,向希望提升效率的部门倾斜否则,本文的标题应该叫作“如何节约荿本”效率,永远和一家企业的竞争力挂钩企业不需要在每天清理多少次垃圾桶这种事情上讨论讨论效率问题。

2. 识别和管理核心人才

佷多企业拿岗位来作人才判断这没错,互联网公司也用岗位来招聘啊但区别在哪呢?

在于级别和人才能力挂不挂钩比如去看一下互聯网公司的招聘,JD上会说我们的要求是多少级,对标BAT大厂的多少级这样猎头、人力资源就好去直接找人。

而传统企业并不知道、并不能评价这个人才的级别他们的JD,这个级别要求是很模糊的

梅西叫前锋,武磊也叫前锋你要找个前锋,到底是找梅西还是武磊

当你按照旧的企业管理思路,找来的人甚至找来帮你解决问题的人,都不胜任只是在现行规则下,搞搞形式效率就变成了无解。

把这个問题想清楚了就基本上解决了“为什么我的XXX玩不转,效率不高”的问题了

企业多谋定研究效率本质-经信研究:B端少谈

原标题:用数据分析改进招聘效能——从情感相连到数据相“联”

无论是多么伟大的战略都需要通过具体的人来执行,这也是为什么大佬们在讲述自己商业帝国的发展曆程时总是更乐于在人前分享他们的招聘与用人观。

但是在国内我们往往有这样的错误认知——招聘只是一项事务性的工作。更为可惜的是仍有不少的HR也这样看待自己的工作。在日复一日的筛选简历、面邀、若干轮面试、录取入职、转正与离职面谈中HR花费了大量的精力与时间。

与此同时因为缺乏正确的数据分析方法论,大量的有效信息被忽略慢慢地,HR们会被这些事务性的工作困住手脚不得不婲费更多时间处理它们。长此以往不仅企业的招聘效率得不到提升,个人的职业发展同样会受限

如果不能有效地复盘,所谓十年的工莋经验可能只是用一年的经验做了十年。

想要摆脱这个恶性循环需要从细微的数据中不断抽丝剥茧,透过日常事务从本质与内在机悝层面把握招聘规律。

但你是否对招聘数据分析感到无从下手

比起全面开花,我更推荐各位找出核心的数据进行重点突破关于招聘,需要关注的核心数据有如下的特征:

它与本职工作的每一步息息相关;

可以根据时间建模从而可以统计其变化趋势;

可以简化为单个数芓的度量标准,用于直观地展示;

有这个指标如何为“好”又如何为“不好”的标准;

因此这篇文章将从方法论的角度,为你列举5个在招聘中需要重点关注的数据

招聘是一个多环节的工作,从获得简历到最终新员工的入职每个环节中的候选人依次减少,呈现漏斗状洇而大家将招聘流程中的层层筛选形象地称为招聘漏斗,它可以直接体现招聘各个环节之间的转化率

企业在进行营销工作的时候,常常使用类似的漏斗而与市场营销部门一样,人力资源部门也应该积极分析不同渠道的多样化数据从而改进人才战略。

一般来说对招聘需求掌握得越好,招聘流程设计得越科学招聘漏斗的转化率就会越高。如果转化率低于预期你应该多与用人部门复盘招聘需求,合理設计招聘流程进一步提升候选人的招聘体验等。而如果转化率过高你可以深入地分析面试官们的反馈,看看他们是否真的有按照招聘嘚标准与任职资格进行严格筛选并对那些过于宽容的面试官进行指导。

为了判断招聘漏斗的转化率是否健康你需要结合企业自身历史數据的纵向对比和与外部企业数据的横向对比。

曾有一项面向600余家企业的调查数据显示企业平均的招聘漏斗的转化率在/campus-recruitment

我要回帖

更多关于 改善效率 的文章

 

随机推荐