哈佛商业评论

“我们有表格和图表作依据，你XX滚远点。”几年前，谷歌人力分析部门的新员工开始收到印有这句标语的笔记本贴纸，大概前部门觉得有必要捍卫自己的工作。彼时，运用从员工数据中得来的统计学结论制定人才管理决策的人力分析学，仍然是颇为大胆的想法。

很多持怀疑态度的人认为，这会让公司把独立的个体简化为冷冰冰的数字。公司人力资源部门过去也搜集员工数据，但主动挖掘这些数据，理解和管理员工的想法仍属新颖，且令人怀疑。

如今超过70%的公司都将人力分析学视为重要议题，不必再用贴纸了。该领域甚至有了著名的案例分析，例如谷歌“氧气”项目——介绍谷歌最优秀的管理者实践，并在培训课程中，用其帮助低绩效者提升表现。此外，戴尔公司提升销售团队成功率的试验，也借助了人力分析的力量。

但实际的应用往往不如宣传炒作中那样超前。真相是，人力分析在过去十年里进展有限。塔塔咨询公司的一项调研发现，大数据投资中仅有5%拨给了人力资源部门，而人力资源往往是管理人力分析的部门。德勤近期的一项研究表明，尽管人力分析已成为主流，但只有9%的公司认为，他们真正理解提升本公司绩效的人才维度。

这是怎么回事儿？如果真如贴纸所言，人力分析团队有表格和图表为依据，为什么效果不佳？我们认为，原因是大多数人的数据分析方法太过单一：他们仅仅采集个人相关数据，但人与人之间的互动数据也很重要，或者更重要。

关系分析是正在兴起的一门学科，研究的重点是人与人之间的互动。企业将关系分析融入人力分析战略，可以更好地找出那些能在提升创新、影响力或效率上帮助企业实现目标的员工，还能发现哪些关键员工不容失去，以及企业中存在哪些孤岛。

幸运的是，关系分析的原始数据就存在于企业中。即员工邮件往来、聊天和文档分享的相关数据，也就是企业的数字化排放（digital exhaust）。通过挖掘这些数据，企业能够建立优秀的关系分析模型。

我们将在本文以数据和图表为依据，为您提供一种理解并应用关系分析的框架。

关系分析：更深度的定义

迄今为止，人力分析主要集中于搜集员工的属性数据，分两类：

特性：包括种族、性别、工作经历等不会改变的个人事实。

状态：包括年龄、受教育程度、公司任期、奖金额度、通勤距离和缺勤天数等不断改变的个人事实。

这两类数据聚合起来，往往定义了团队的特点，例如种族组成、性别多样性和平均薪酬。

属性分析虽有必要但还不够。将涉及多人的属性数据聚合分析看起来像是关系数据，实则不然。例如，关系数据会搜集不同部门两位员工某一天的沟通。简言之，关系分析学是人类社交网络的科学。

数十年的研究有确凿证据证明，员工彼此之间的关系，加上其个人属性，能够解释他们的职场表现。关键是找到“结构性特征”：和某种优秀（或糟糕）表现关联的数据模式。神经病学家能在人脑神经网络中找出预测躁郁症和精神分裂症的结构性特征，化学家可以通过液体的结构性特征预测其动力学柔韧性，机构领导者可以通过公司社交网络的结构性特征，预测出单个员工、团队或机构作为整体在创意和效率方面的表现。

关系分析的六个特征

我们从自己的研究、企业咨询工作以及其他学者的大量研究中，提取了应当作为关系分析战略基石的六个结构性特征。

构思能力

多数公司尝试通过分析员工教育背景、工作经验、性格和天资等属性，找出构思能力出色的人。这些信息虽然重要，但无法帮助我们了解这些人从外界获得信息的渠道，或者如何从多信息源获取信息，而这两点应该更重要。想法层出不穷的人往往能够将不同团队的信息综合起来，发展出新的产品概念；或者用一个部门的解决方案解决另一个部门的问题。换言之，他们在社交网络中的位置是“中间人”。

社会学家罗纳德·伯特（Ronald Burt）研究出衡量某人是否是中间人的指标。该指标叫约束值（constraint），研究的是某人在搜集某独特信息时的范围大小。他研究了包括银行家、律师、分析员、工程师、软件研发员等对象，发现低约束值的员工——也就是社交网络更广阔、范围更大的人，更有可能提出管理者认为新奇有用的想法。

在一项研究中，一家美国大型电子产品公司尝试利用关系分析法，找出公司600多名供应链管理者中，哪些人最有可能提出提升效率的好建议。公司高管使用调研搜集管理者的想法，并搜集他们的社交网络信息，然后根据新颖程度及潜在价值，为他们提交的建议打分。伯特追踪了这些高管的行为。

唯一稍具预测性的结果是员工在公司的资历，但相关性不强。但是借助体现构思能力的特性——低约束值，相关性则强得多。社交网络中，约束值低的供应链管理者提出好建议的可能性比高约束值的管理者大得多。

保罗在一家大型软件研发企业的研究也得出同样结论。公司研发部门就像生活在“山顶洞人”时代。尽管该部门有100多名工程师，但每人平均仅和5个人交流。这5个人往往只和彼此交流。他们和其他“洞穴”的交流很有限。

这样高约束值的社交网络在机构中十分常见，特别是在专业化行业中。但是低约束值的员工就藏身其中。在这家软件公司，关系分析显示，有几位关系网跨部门的工程师。管理层拟定计划，鼓励这些人的跨部门交流倾向，很快发现他们在产品改进方面的提议在质量和数量上都有显著增长。

影响力

提出好建议并不一定会被采纳。同样，高管推行变革，并不意味着员工就会执行。让好建议落地需要影响力。

但影响力的作用可能并非我们想象的那样。研究表明，公司中对员工想法影响（正面或负面）最大的并非高管层，而是一些相对没那么正式的角色。

如果是这样的话，高管应该找出公司最受欢迎的员工，让他们去说服同事支持新决议，是这样吗？错。

保罗合作的一家大型医疗设备制造商，在推出新的合规政策时，试过这一方法。变革管理团队希望树立积极形象，于是和员工票选出的最具影响力的人分享了新政策的优点。但六个月之后，员工仍然没有按照新制度工作。

原因是什么？关系分析做出的一个反直觉的看法是这样解释的：员工选出的最有影响力的人很多其实并不总是最有影响力。最具影响力的人其实是和他人拥有强关系的人，即使这种强关系只存在于几个人之间。而他们的强关系也和其他人有强关系，所以具有影响力的人思想能传播得更远。

影响力的结构性特征被称作聚合显著性（aggregateprominence），计算方法是测量一个人社交圈的关系紧密度，以及朋友之间的关系紧密度（搜索引擎在排列搜索结果时也使用类似逻辑）。

这家医疗设备制造商，通过关系分析法在9个部门中分别找出了聚合显著性最强的5名员工。公司询问了他们对新政策的想法，大约3/4的员工表示支持。公司将一些有助于缓解大家对变革恐惧感的政策告诉了这些员工，也告诉了反对这项政策的影响者，然后等待结果。

六个月后，这九个部门中超过75%的员工接受了新的合规政策。而在另外七个没有采用关系分析法的相关部门中，仅有15%的员工接受了这些规定。

效率

为团队选择工作效率高的员工看似简单，只需选择相关技能最强的员工即可。属性分析能帮助我们找到有能力的员工，但无法保证工作按时完成。因此，你需要依赖关系分析法评估团队成员间的化学反应，以及从外界获取信息和专业技能的能力。

雷·里根（Ray Reagans）、以斯拉·朱克曼（EzraZuckerman）和比尔·麦克威利（Bill McEvily）进行了一项研究，分析美国一家大型合同研发公司的1500多个项目团队。研究者假设，搜集广泛信息、观点和资源的能力，可以提升团队绩效。他们比较了人口统计多样性和团队成员社交网络对结果的影响。团队多样性有两个实际变量：任期和职能（其他变量——种族、性别和教育合并入职能）。但结果说明这两个领域的多样性对绩效几乎没有影响。

关系数据给出了更好的解释。研究者发现，两个社交变量与更高的绩效相关。第一个是内部密度（internaldensity）——团队成员之间的互动数量及关联性。内部密度对构建信任、承担风险和达成共识等重要事项很关键。第二是团队成员外部联系人的范围（external range）。外部范围高的团队，每位成员接触到的专家都有别于其他成员。这样一来，团队能在截止日期前，更好地获取关键信息，确保信息来源。因此，高效团队的结构性特征就是，高内部密度加高外部范围。

在这家研发公司，拥有这些特征的团队在完成项目时，效率远高于其他团队。研究者估计，如果公司30%的项目团队，内部密度和外部范围比标准偏差的平均值高1个单位，17天内可以节省2200多个工时，相当于多完成200多个项目。

创新

具有效率特征的团队作为创新部门很可能会失败，因为后者的成功需要不同意见，或者说观念的冲突。

创新者的团队如果想成功还需要什么？你可能认为，将最高绩效员工放到一起就能产生最佳结果。但研究表明，这可能会给绩效带来负面影响。传统智慧认为，团队成员观点不同的时候，最具创造力。研究表明，人口统计的多样性并不能很好地预测团队的创新成果。根据我们的经验，即使创新团队的成员都很有想法，表现也往往赶不上平均水平。

但如果使用关系分析法，用测量团队效率的变量——内部密度和外部范围，可以打造出极富潜力的创新团队。只是配方有所不同：创新的特征是高外部范围和低内部密度。

也就是说，团队成员仍然需要拥有不重合的广阔社交圈（最好富有影响力），并从中获得多样化的想法和信息。但成员彼此之间不需要亲密无间。

为什么呢？团队成员内部互动的增加会导致思维同质化，不同观念会减少。这对提高效率有利，但无益于创新。最具创新性的团队保有分歧和讨论，有时甚至会发生冲突，产生创新摩擦，从而得出突破性解决方案。

高外部范围有助于员工获得新想法，也能帮助他获得外部支持和资本支持。创新团队必须要推销、完善自己的创意，并为其融资，因此，能拥有支持自己的外部联系人，对成功影响重大。

多年来，保罗一直和一家美国大型汽车企业合作，尝试改进产品研发流程。公司的每个全球产品研发中心都有专门负责解决这一问题的专家团队。项目管理者指出，“我们选人非常慎重。我们挑选具有合适专业、一直从事创新工作的人，同时确保团队成员的背景、年龄差异化。”换言之，这些中心在挑选团队时参考的是个人属性。

但是，印度分公司一家新中心的管理者无法组建出人口统计多样化的团队，所有工程师年龄都差不多，背景也类似，在公司的级别也基本相同。管理者因此选择了在不同地区中心、不同办公室完成项目工作的工程师，打造了一支具备天然高外部范围的团队。

这样的团队也因此具备了低内部密度。成员可以自由辩论，通过测试解决分歧。一旦找到新流程，他们会寻找各自的外部联系人，让他们以影响者身份说服其他人验证他们的工作。

三年后，这家印度中心的团队比其他团队创造出更多流程创新。五年后，他们的创新量几乎是其他所有团队总和的两倍。随后，公司开始用关系分析法取代属性分析法，重新组建其他地区的创新团队。

孤岛

每个人都讨厌孤岛，但孤岛的存在不可避免。随着企业对专业技能的深度开发，各个岗位、部门和分公司都不可避免地失去继续协作的可能。大家的技术语言和目标不再相同。

我们通过测量模块性（modularity）评估企业孤岛的程度。简单地说，模块性是团队内部沟通和外部沟通的比率。当该比值超过5:1，团队则陷入不利的孤岛境地。

我们遇到过的最显著的孤岛机构之一，是一家小型非营利消费者权益保护团体，他们想要弄清楚为什么网站的流量在降低。该机构总部位于芝加哥，有60名雇员，分处4个部门：业务拓展、运营、营销和公共关系以及财务。机构的部门是典型的孤岛，对公司所处情况看法各不相同。

研究显示，四个部门的内部和外部联系人比率超过5:1。运营部门最极端，比率为13:1。运营部门的工作主要是监控访问网站消费者的所有行为。他们掌握了很多数据，包含消费者访问网站的时间和原因，抱怨或称赞的内容。

其他部门甚至不知道运营部门搜集了这些数据。运营部也不知道其他部门也许能用到这些数据。

为了解决这一问题，机构在各部门指定员工作为联络人。他们安排了每周一次的例会，请各部门管理者聚在一起谈论各自的工作。每次会议都有主题，负责相关主题的低层级员工也要参会。

简言之，这家非营利公司人为提高了员工的外部范围。之后，运营部门知道了营销和公关部门能够从一些信息中获益，例如针对某行业不断增长的负面评价与一定的气候模式和季节有关，运营部门因此开始用新的方式分析他们的数据。

脆弱性

公司有专人负责在不同部门间传递信息和洞见虽然是件好事，但过度依赖这类员工会让公司面临风险。

以一名叫阿尔温德的员工为例。他是一家全球顶级消费品公司的包装部门经理，是不同部门之间的桥梁。他和全球范围的同事及供应商频繁沟通，但在组织结构图中，他默默无闻：仅仅是一名表现不错的中层。如果企业没有明确的属性体现出这类员工的重要性，就要承担失去他们的风险，在他们离开后才知道自己损失了什么。

没有阿尔温德，包装部门将缺乏稳健性。公司只有在失去节点（雇员）后，仍然能够维系关系的情况下，才拥有足够稳健的网络。在这家公司，如果阿尔温德离开了，一些部门将失去所有和其他部门及供应商的关系。

阿尔温德并非不可取代，而是没有接班人。公司并不知道除了他没有人负责这些必要的关系网连接工作。这让公司陷入脆弱境地。如果阿尔温德请病假或休假，相关工作就会被拖延。如果阿尔温德不喜欢某个供应商，不再和他们联系，工作也会被拖延。如果阿尔温德工作太多，无法维持这么多关系，工作也会被拖延。

当努希尔来到这家公司，告诉他们包装部门的脆弱性时，公司会议室堆满了蛋糕和甜品。一位高管开心地告诉他，公司正在为阿尔温德举办欢送会，他要退休了。努希尔惊呆了。欢送会继续，但在得知阿尔温德的重要性后，公司拟定了一个协议，让他再多工作几年，并采用关系分析法制定了继任计划，让更多人来分担他的角色。

利用公司数字化排放

一旦你知道了组成关系分析法的六项基本结构性特征，利用他们得出的洞见来指导行动就相对容易了。一般来说，解决方法并不复杂，包括制定跨部门会议，赋权有影响力的员工，留住你们公司的“阿尔温德”。

那么，为什么多数公司不用关系分析法来管理绩效呢？原因有二。首先，很多网络分析公司提供的分析报告只是充满了节点和连线的精美图表。他们无法提供能够预测绩效的模式。

第二，多数机构没有获取关系数据的信息系统。但所有公司都有数字化排放，它是隐藏的关键资源——日志、电子踪迹、日常数字活动的内容。

每次员工通过Outlook发送给彼此的邮件，在Slack上互相发送的信息，在Facebook Workplace帖子上的点赞，使用Microsoft Teams组队，或在Trello上给员工分配项目时间表，平台都会记录下这些互动。公司可以利用这些信息构建关于员工、团队和机构网络的洞见，从中找出我们讨论过的结构性特征。

经过多年研究，我们开发出从这些平台实时记录数字化排放的仪表盘，并使用关系分析帮助管理者找到完成任务的合适人选，组建高效团队和创新团队，帮助企业辨别出孤岛领域以及高风险的离职岗位。下面是我们在这一过程中的发现。

被动的信息搜集对员工来说更容易。企业为搜集关系数据，一般会询问员工和谁互动。问卷调查需要时间，答案准确度不定（一些员工纯凭猜测回答）。而关系数据想要有效，必须来自所有员工，不能只针对几个人。一家大型金融服务公司的高管告诉我们，“如果我让公司1.5万名员工进行一项半小时的问卷调查，我们将损失100万美元的生产力。”如果他们的关系一个月后发生改变，我们是否要重新做一次价值100万美元工时的调研？

而公司搜集的关系数据也会带来新挑战。尽管多数雇佣合同赋予公司记录和监控员工在公司系统活动的权利，一些员工仍然觉得被动搜集关系数据是对隐私的侵犯。这种担心合情合理。公司需要在搜集和分析数字化排放的问题上，有清晰的人力资源政策，帮助员工理解并适应这件事。（参见边栏“员工隐私问题怎么办？”）

行为数据更接近现实。我们发现，数字化排放比通过问卷调查搜集的数据更客观。例如，人们也许会在调研中列举一些自认为应该互动的人，而不是实际上互动的人。因为每位雇员至少会使用几个沟通平台，企业可以绘制全体员工的网络图，确保分析更准确。

而且并非所有行为都同等重要。在网上点赞和在一个团队合作两年是不同的。抄送邮件给某人，并不意味着关系紧密。如何权衡和结合这些个人行为很重要。在这些领域，机器学习算法和模拟模式可以发挥作用。只要知道一些技术知识（了解哪些结构性特征能预测绩效结果），建立这些系统并非难事。

保持更新。人与人的关系是动态的。员工和项目在不断流动。关系数据想要有效必须及时更新。在关系分析中使用的数字化排放要满足这一要求。

另外，长期搜集关系数据会给分析师更多选择。例如，如果一名员工请了几个月产假，分析师可以将这段时期的数据剔除，或搜集更多数据。如果企业某年被收购，分析师可以对比收购前后的关系数据，从而分析出公司脆弱性的变化。

决策者随时可以得到分析报告。多数公司把搜集人才及绩效管理相关洞见的工作交给了数据科学家，这会制造瓶颈，因为人数不足，数据科学家无法按时解决所有管理问题。而且，数据科学家并不了解进行数据分析的员工，无法将结果应用到实践中。

仪表盘很关键。如果公司有一个系统，能发现并视觉化体现出结构性特征，就能更快让管理者得到这些洞见。正如一家半导体芯片公司的高管说的，“我希望管理者在决定如何更好地利用优秀员工时，能拥有所需要的数据，而且是在决策时拥有，不是之后。”

人力分析学是管理者做出基于实证的决定，用以改进机构效能的新方法。但在早期，多数企业一直关注个人属性，而不是雇员之间的关系。属性作用有限，但如果公司能够利用关系分析法，可以估计出一个雇员、一个团队，或者整个机构完成绩效目标的可能性。他们也能使用算法，为员工定制工作任务，或变革社交网络，或满足某个具体的管理需求。当然，最优秀的企业会利用关系分析法强化决策标准，构建更健康、更愉快、更有生产力的企业。

保罗·莱奥纳尔迪是圣巴巴拉市加利福尼亚大学技术管理学Duca家族教席教授，他也在应当如何利用社交网络数据与新技术提高绩效和改善员工福利方面，为企业提供咨询服务。努希尔·肯克特是西北大学行为学Jane S.和William J.White教席教授，指导社区社交网络学。