哈佛商业评论

关于数据隐私的讨论往往侧重于消费者和卖家间的动态。公司有权收集哪些个人信息，应该如何使用和关注这些信息？但另一种雇主和员工间的动态提出了更棘手的问题。

多年来，人力分析——使用数据管理员工的科学，从洞察力的绩效评估中吸取了有关年龄、性别、任期和评级的详细信息。但是那种微不足道的收获限制了它的实用性。

最近，传感器技术和实时数据收集已经为公司提供了丰富的员工信息。现在管理者可以获得对员工一举一动的逐秒反馈，并在某种程度上掌握他们的感受。来自电子邮件、聊天记录和日历系统的数据可以与传统HR数据一起进行分析。传感器可以收集非常具体的员工习惯数据：谁与谁交谈，有多少人互相打断，他们的时间都花在了哪里，甚至压力水平。随着员工证件和办公家具加入物联网，公司掌握的员工信息将以量级扩大。HR部门现在几乎可以了解员工的一切。

以正确和道德的部署为前提，新测量工具已经取得的积极影响十分可观。从铁路公司、金融业到快餐业，公司使用来自可穿戴传感器和数字通信的数据来量化和减少工作中的性别偏见，提高警觉性并减少疲劳，显著提升了工作表现，并减少了人员流失。而挖掘这些新技术的潜力才刚开始。

但对员工而言，所有这些数据收集的价值并不明确。高级人力分析甚至可能会妨碍员工自由支配时间和经验的能力。例如数字可能暗示，某种新工作方式效率不高，尽管长期看来有利于公司收益。更糟的是，分析工具会导致泰勒式过度监控，提高了滥用风险。

具有衡量某些事物的能力并不意味这样做是对的。员工支持者担心数据库监视会赋予雇主不合理的员工管理权，他们不确定公司可信，会不会丢失或滥用敏感个人信息。

毕竟，入侵公司系统事件时有发生。从监控员工的压力到使用医疗数据来预测病情，并采取先发制人的行动，距离并不太远。数据也能导致对有效性的错觉。也就是说，它可以让某些结论看起来正确，哪怕相左观点是合理的。例如，员工甲效率低，因为他的产量比别人少10％。但可能他的效率用在了其他方面，可能是减少错误或培训他人。

鉴于这一新现实，管理人员现在面临着一些具有挑战性的问题：他们应使用分析工具来检查员工的工作时间习惯，以评估他们的表现？公司可以访问哪些数据？他们应该与员工分享他们的分析吗？他们应该查看个人数据吗？如何使用数据来确定员工患精神疾病的风险？公司、立法者和监管机构已经开始努力解决在工作场所使用监控工具的规则。

与此同时，管理者需要指导，来有效运行符合道德准则的人力分析程序，避免员工产生强烈反感或严厉监管措施。通过我在麻省理工学院和桑迪·彭特兰（Sandy Pentland）的合作，以及为我自己的分析公司设计产品和服务，在使用监测技术上我已经发现了一些经过了科学检验的基本规则。我已经看到这些技术有效地缓和了潜在问题；也看到了如果不使用这些技术会出现的严重问题。

总之，人力分析技术成功上线需要四到六周时间。虽然在某些组织中可能可以更快地实施，但正确的执行才是关键。这将向员工表明，管理层正在考虑棘手的道德问题，并确保调查结果的有效性得到尊重。忽略这些步骤中的任何一个都会导致选择率直线下降，并功亏一篑。以下是道德、明智地使用员工数据的管理手册：

选择加入。从最简单和最古老的隐私准则开始：如果你发起了收集新类型数据的项目，必须给予员工选择加入的权利，不能收集不同意者的数据。严格来说，强迫人们在工作中放弃有关自己的数据可能在美国和其他一些国家合法，但全球情况并非如此。GDPR等法规虽未明确关注工作场所，但确实对跨国组织中收集数据设置了限制。

但即使在允许这样做的司法辖区，强制监督或要求员工选择退出（特别是在入职期间，选择因为隐藏在细则中而模棱两可）会引发许多道德和商业问题。首先，从纯粹的经济角度看，这样做可能得不偿失。哈佛商学院伊森·伯恩斯坦（Ethan Bernstein）的开创性研究表明，如果员工觉得他们所做的一切都完全透明，往往效率会降低。当人才竞争激烈时，员工可能会离开那些迫使他们放弃数据的公司。除此之外，公司还面临声誉风险。例如，亚马逊、特斯科和《每日电讯报》都曾因提出监测或监测不力，经历了数周的负面媒体报道，哪怕其中一些计划出于好意。《每日电讯报》目的是通过使用书桌传感器提高能源效率——很少有员工会反对这么做。但该媒体公司并未向员工提供足够信息就匆匆推出了项目。在内部遭到抵制后，《每日电讯报》不得不放弃该项目，而且遭到了媒体歪曲。

设置选择加入项目在短期内富有挑战性，时间也很紧迫。该计划还必须包括对选择不参加员工的强有力保护，以免他们感到被胁迫或受到惩罚。保护的主要措施是数据聚合，以防止个人行为被识别。但我也建议采取进一步的预防措施，例如同意书和从收集源头进行数据匿名化，避免热情过度、好奇心太强的管理者窥探员工每分每秒的活动。

为了设计清晰和简明易懂的选择同意书，公司可以参考大学内部审查委员会（IRB），这些委员会对研究者如何与人类受试者进行互动有严格的流程规定。在IRB表格中，研究人员必须明确说明收集哪些数据以及如何使用这些数据。员工还应获得附录，说明所填充数据库表的详情，以便他们能准确查看存储的信息类型。最后，公司还需要签署表格，与员工签订具有法律约束力的合同。（实例详见我们公司使用的同意书。）

沟通和透明度。盲目地向所有员工发送同意书，希望获得高选择率不是明智之举。符合道德标准的人力分析涉及大量沟通和保持透明。我采取的流程如下：

●第一周：发送电子邮件介绍拟定分析程序的承诺，提供公司方法和目标摘要，以及类似程序的新闻链接。

●第二周：经理参加有关该技术的宣讲会，会议留出提问和表达疑虑的时间。随后他们与自己的团队见面介绍项目，并回答下属提出的任何问题。

●第三周：CEO召开员工大会，会上公司向全体员工提供给经理的材料，鼓励每个人发言，自由表达关切和提问。

在某些情况下，公司选择补偿参与分析项目的员工，补偿形式要么是少量金钱，要么是亚马逊礼品卡或公司T恤等奖品。但根据我的经验，这样做会出问题，效果也不好。首先，它为雇主提供了具体谁参加的信息。但是这些激励措施通常不会显著提高积极度。员工似乎觉得收了钱，意味着他们签字画押，出卖隐私，会产生更多的负面反应。员工的心理活动可能是：如果我参加能收钱，他们从中赚的钱肯定更多，谁知道他们在做什么呢？

对于所有计划，管理者都应该为副作用做好准备。即使是善意的监控，引发情绪反应、棘手的问题和指责也很常见。你不能指望取得普遍支持，因为员工不仅需要确切了解正在发生什么，而且必须相信管理者对公司诚实和开放的保证。在信任缺失或士气低落的文化中，这是巨大的障碍。仅仅告诉员工你会负责行动远远不够；你必须向他们展示完全透明的项目运营。

当我了解其他组织中的人力分析计划时，往往发现公司故意向员工隐瞒收集的数据内容和原因。公司天真地认为员工不会发现这些做法，实则不然。合法但不道德的行为往往会引起强烈反对。市场上有很多类似例子，从事不道德监控行为的公司在内部和外部都会遭遇不良后果。

聚合。公司通常认为，去掉名字，数据就匿名化了——并没有。因为人类行为是独一无二的，在没有名字的情况下也能够识别数据的主人，通信网络数据尤其如此。

试想安娜有一件私人办公室，她的工作证上有蓝牙信标，可以随时跟踪她在办公室中的准确位置。安娜是个工作狂。如果我们能在不泄露任何人名的情况下，显示每个员工在办公室里如何打发时间的数据，可能会看到有一个人在办公室里的时间比其他任何人都多，那就是安娜。毫无疑问，她和每个与她合作的人都知道这点。这只是一个涉及单一类型数据的简化例子。事实上，哪怕不太明显的数据，也能通过个人数据分析和机器学习对号入座。例如，通过他们的定位规律识别某人非常容易，并且语义分析通过识别作者的语言习惯，确定文本作者的几率也很高。

公司发放的手机通常用于位置跟踪，但也存在问题。如果仅收集与办公室相关的数据，电话的效用相当于ID标签。但在实践中，它也可以记录和收集员工在办公室外的行踪信息。这些数据在业务上的应用非常有限，而且还非常敏感，应该避免使用。避开这些陷阱并不困难，而且实际上十分有益。

因为，除了创造隐私风险之外，就方法论而言，分析个人行为或挑出一个人进行跟踪是一种较差的数据分析方法。为什么？

情境差异。由于他/她的独特性，某人可能会有特定的行事方式。例如，在寻找卓越员工特征时，公司可能会关注一位明星员工，并注意到数据显示他在午餐时工作。这是否意味着高绩效员工更有可能在午餐时工作？仅凭一个人无法断言！也许这名员工在午餐时必须和很多人见面，因为他需要10个人来批准决定，这是其他人可以见面批准的唯一时间。如果其他决策任务不具有这种结构，工作午餐一项不太可能是高绩效的原因。

侵犯隐私。不可否认的是，微观分析个人行为会产生“老大哥”的问题。即使这样的分析产生了益处，也会被员工不可避免而且合理的负面反应所抹杀。尽管营业额可能增加，但随之而来的员工表现下降和公司负面公关形象可能导致得不偿失。

公司应该要求分析团队汇报群体平均值或相关性等聚合数据，而非单个数据。鉴于公司应该关注行为分布而非个人模式，这种做法也很适合组织的需要。

超越数字。无论公司收集的数据多么细致，如果衡量的事情不正确，那也没有用。例如，虽然认为通信内容比通信模式更重要是顺理成章的，但并不等于是正确的。在我们作为咨询顾问的一家公司中，我和我的团队发现，高管每月与某部门沟通的时间不到五个小时。该部门拥有1万多名员工，负责该公司10％以上的收入。可想而知，该部门一直表现不佳，而且没有与该组织在战略上保持一致。对话太少并不是最重要的，更大的问题是管理层很少与该部门的员工交谈。我们可以自信地预测，如果管理层增加与他们的沟通，就将提升部门的绩效。

同样重要的是要记住，无论多么完整、先进的算法或数据集都无法捕获工作的整体复杂性。你不应该试图建立这样的算法，或者更糟糕的是，相信做出类似承诺的顾问。组织内的人员已经了解工作的完整范畴，弃之不顾而盲从算法会导致许多愚蠢的决定。背景和定性信息能帮助组织了解如何对量化指标加权。

我记得一个例子。某工程类公司希望使用行为数据来提高团队绩效。在这种情况下，凝聚力之类的指标（从聊天和传感器数据中收集的群体强度）经常与更高绩效相关。一名飞行员表示，增加凝聚力能帮助团队达到关键绩效指标并按时交付。如果只看这些结果，管理层会认为应该推进增加所有团队凝聚力的策略，但可能会出错。毕竟，有些团队正在积极打造新产品。管理层应该预判，他们比其他团队更难完成绩效目标，因为创新时间表变数更多。对他们而言凝聚力算法不是最优选项。其他行为，例如探索（与其他团队进行更多互动），可以更好地预测他们的成功。因此如果公司盲目地制定计划来增加所有团队的凝聚力，就会降低专注于创新团队的绩效。

我和我的同事一直遇到这个问题。正因如此，我们确保与内部利益相关者合作，来了解为什么某小组的数据分析并不总适用于其他小组。深层背景知识提醒了我们，某个数据收集分析对应哪一组织特定部分产生影响。

人力分析改善决策的潜力令人震惊。它可以帮助员工更好地工作，挣更多钱，花更多时间与家人在一起。例如，在日本监测技术开始被用于减少过劳带来的巨大人力成本。过去公司可能的做法是，实施减少工作量计划。如果一年之后没有人自杀，说明计划成功。今天他们能够立即看到工作量是否真的减少了。他们可以快速发现改善工作环境的因素并进行调整，而不是继续做一些无效的事情。这实际上是在挽救生命。

但是，公司有责任避免屈从于让员工产生不适的分析工具。企业需要立即开始实施保护措施。否则反应过激的立法将会对他们构成打击；你甚至可以在GDPR中看到闪烁预警。这可能会永久抹杀人力分析的巨大潜力。因此分析产业和公司对强有力的保护具有义不容辞的责任，其中利害巨大，不容忽视。

本·瓦贝尔是组织分析公司Humanyze的总裁兼CEO，著有《人力分析：社会感应技术如何改变商业和告知我们工作未来》（People Analytics：Social Sensing How Social Sensing Technology Will Transform Business and What It Tells Us About the Future of Work）。