曾国藩十六字箴言 曾国藩简介

人才算法现在时——数字化人力资源（DHR）方系列之三

作者简介：数字化人力资源（DHR）专家，“透明人才”领创人，大任智库总经理，南京市企业数字化转型研究会副会长兼秘书长，江苏省数字经济商会副秘书长，企业数字化转型教练营导师，《数志》主编，江苏省数字化人才联盟执行长，江苏省CDO俱乐部负责人。

一如大家所知，选对人比用对料更重要。生产可以智能化，那么用人呢？当人才被数据化，当HR全部上线，数字时代的用人大戏才刚刚开场，开场以后的重头戏是什么呢？

——用人智能化。

我们先来回顾一下，啥叫人工智能。人工智能简称AI，是在1956年由麦卡锡、明斯基等科学家在美国达特茅斯学院研讨“如何用机器模拟人的智能”时首次提出。该概念提出至今，其发展道路经历起步、反思、应用、低迷、稳步到如今的蓬勃发展，人工智能技术已经应用到各个领域，迎来了爆发式的增长高潮。人工智能的核心就是“数据+算法”，这一黄金组合已经在转化价值更高更快的领域（例如金融、制造、生物医药、交通、安全等）产生了深度应用。然后，回到企业用人领域，这一应用的发展就显得略微不够。

而此篇，就站在以“人工智能+人力资源场景应用”结合的视角来解析企业用人中的主要算法。

人才算法：数据透视下的才能与观念

一直以来，“识人之法”就像是武林秘籍之《易筋经》，企业对此趋之若鹜却求而不得，好在经过苦苦追求也略有所成，大抵可分为三代：

第一代，靠人的眼力和经验。参看曾国藩的《冰鉴》；

第二代，依赖人才测评模型。有了人才测评模型后，对人的识别开始有了理论的支撑、系统方的指引，构建了人的各种要素结构。主要是通过问卷测评和统计的方式，具有一定的参考性；

第三代，对人的识别评估依靠“数据+算法”。这才揭开了跨时代的先河。而对人的识和评可以从两个角度切入，一个是才，一个是德。“才”在这里对应的就是“能力算法”，“德”在此处对应的就是价值观算法。

1.能力算法

企业在用人角度做分工的时候，习惯性会选择“定岗”而不是“定能”。但是其实用人的逻辑，是基于公司战略目标体系，解构出业务体系，再推导出能力体系。能力体系的需求，再依次分解成能力单元直至最小的能力元素。以能力需求出发，找到具备相关能力特征的人，这就是“定能”。

定能选人时，需要通过建立能力分析模型，从而识别出不同“人”的倾向能力。不过之前企业中常用的胜任能力模型是基于岗位职责而设计的，是“岗位胜任力模型”，所以我们要做的，首先是开发出自己企业的“目标胜任力模型”，从实现不同目标任务的角度来解析出需要哪些能力要素。

抛开不同企业业务场景的差异性，我们可以简化出企业共性业务中的能力需求结构。随着数字化的变革影响逐步渗透，未来的组织逐步演变成大后台、小前端的方式（这将在下一篇组织平台化中会有详细说明）。而小前端的范式以华为的铁三角模式为最佳。铁三角表面是三种角色构成，本质是三种基础能力。

——AR（客户经理）要具备强化客户关系、提供解决方案、创造融资和回款条件、进行交付服务四个方面的营销能力，以及进行综合管理、经营和领导团队的能力。

——FR（交付经理）则要具备与客户进行有效沟通交付、提供服务解决方案、监控项目进度、进行问题预警以及对资源的获取配置等方面的能力。

——SR（技术方案）需要“一专多能”，能有效整合公司内部的不同专业领域，以便从解决方案的视角为客户创造价值、帮助客户成功。

我们可以设想用红、黄、蓝三色来表示这三类基础能力。对大多数企业来说，人才算法应用的第一步，就将全部员工分别粘上不同能力色的标签。为了做到这一点，要对这三种能力进行颗粒化解析，这些颗粒点的设计不同企业系统会略有不同，一般包括：知识、技艺、经验、体质、关系、资质、财富等组合而成。最后再建立这些维度的权重系数，构建人才能力特征的要素关系模型。

当人才能力标签相关颗粒数据获取（这是个动态、交互的过程），“人工智能”根据相应的人才算法通过对标签信息的读取、识别、筛选自动为对象“人”赋以对象“能力”，并结合具体的任务项进行推荐和匹配。

2.价值观算法

现有人才测评方法中对于价值观、性格测评，如大家熟知的九型人格、MBTI、PDP、大五等，往往基于心理学、统计学等学科的基础，有一定的科学价值和参考性。但是与数字时代解决问题的方法有两个关键差异：一是统计学与数据驱动两种方的较量。统计学在历史的发展中直至今天依然发挥着举足轻重的作用。但是用统计学取得的结果需要两个关键要素的促成——样本量的充足和数据的代表性，满足这两个要素非常不易，否则就不会发生盖洛普预测杜鲁门选举失败的案例了。二是以上几种测评其实侧重的是社会关系中的通用场景，而不是基于某类企业或者某个企业的具体情形，因此对于单个企业中的人也有相当的误差。

而“数据+算法”的底层逻辑，一是不依赖统计的小数据，依赖全范围的大数据；二是在数据的相关性中找答案，而不是用问卷测评的猜答案；三是基于全过程“发现”不是节点“读取”，不是特定几种行为，而是依赖人的行为全场景；四是可以大规模定制匹配，根据企业自身的特定价值观系统，通过算法，识别人才的价值观是合乎所期。

那么企业对员工的价值观识别如何智能化操作？答案仍是“数据+算法”的模式。首先企业需要先定义出自己独特的价值观，比如大任智库的核心价值观是正道成功、学人所长、全力以赴。这三条，需要进一步从场景行为中来定义，即每一条在面向客户、面向同事、面向公众时有哪些典型的、可识别的表现？典型是效度的要求，可识别是信度的要求。在这个逐层解析和定义的基础上，为每一个具体的价值观行为建立数据采集的方法。

要特别注意的是，价值观的体现是要全方位的观察和概括，绝不能简单套用“窥一斑而见全局”，而是要立体地采集数据，大致可以分为：经历－行为数据、成果－财富数据、评价－关系数据这三大类，而这些数据主要在企业内工作场合、工作系统中采集，也包括从员工的社交应用（抖音、微信等）获取，以便相对完整地找到这个人的全面表现。

这样，把场景与行为要素概括出来，描述出可识别的要素标签。根据行为、场景等要素形成一个简化的价值观符合度模型，再用参数进行修正，企业内部刚开始建立模型时数据量不够大，可以先用通用模型的数据进行修正，然后用数据驱动的方法建立几个简单的模型组而不是建立一个复杂精度模型，机器不断地学习进而进化出最适合企业自身的价值观算法模型。

分工算法：真正的任务导向和因才施用

在上篇《HR，请上线》中提到，企业用人的定位器就是分工。分工其实是对人力资源的一种分配，所以分好工就是将资源效用最大化。那么在线化后，组织趋向平台化、岗位趋向大类化、人才的露出也开始标签化，这时分工中最凸显的问题就是“任务”如何被准确定义和拆解，以及如何“分”给最合适的员工了。

下面先说第一步：对任务进行“画像”。

1.任务画像

在企业内的分工中，过去乃至现在一直依赖的机制，是静态（基于部门职责和岗位说明）和动态（通过周期计划和下达要求）的结合。这种分工模式与职能制或矩阵形的组织模式相对应，在工业时代是典型的分工协同方式。

⏩但它的问题也是明显的：一是易于出现本位主义，依职办事，而忘了目标与价值本身；二是因循守旧，不能灵活应变，更不会主动求变；三是对上司要求过高，既要能力覆盖，又要品行担当。

新的分工模式是怎样的？以勘察设计行业项目型公司为例，接到一个特定的项目后，可以将任务切分为：规划策划、项目生产、施工服务三个大的部分，任务所需要的能力需求大致可分为：团队合作、负荷能力、专业技能、文字功底、组织协调、应变情商、科研创新等一级分项，然后我们把任务的事项和所需要的能力分别设定好所需要的项和程度，可以用分数来表示，如下图所示：

这样的话，一个常用“任务画像”就出来了，然后智能分工系统就开始在企业内搜查最符合任务画像中需求能力的那个人，这样每项任务都可以找到最优匹配人。

值得注意的事，如果只从任务与能力匹配这个角度，可能会发生一件事就是，某类任务都会最优匹配某1-2个人，这样的话就永远轮不到第三名，当然这符合马太效应，但是在企业分工里还要顾及到全员的工作均衡度，因此还要加上任务本身的饱和度、时间排布等其他因素，才能更好地进行任务分配。

2.派单机制

派单机制目前通用性很广，尤其在网约车和外卖行业已经相对成熟。以网约车为例，网约车的派单全部由系统完成，人工是无法接入的。影响派单的因素有路面距离、网络环境、账户状态、地区订单热度等。

不管是网约车或是外卖还是其他行业，派单的逻辑可以分为三类即能力胜任度、工作饱和度和关系融洽度。

（1）能力胜任度指的是具体完成一项任务需要哪些能力？哪些对象最具备这些能力？具体可参考前面能力算法中的能力标签的表述。

（2）工作饱和度指的能力符合的对象中，是否已经正在任务中或者任务量已经足够多。

（3）关系融洽度指的是该行业服务评价分，例如客户对你的态度是否满意，对你的路线精准度是否满意等，如果涉及到多人协作的，还要识别之前交互合作的融洽度评价等。

在前面提到特定项目中，如果你的能力符合其中要求的“团队融合、汇报表达、沟通协调”中的能力分值，本身的工作项目又可以胜任最新的项目周期，在以往的项目表现中无论是外部客户满意度还是内部团队的和谐度都评估较高，那么就很有可能被委派该单。

3.抢单机制

以网约车为例，看下派单与抢单流程的差别。

⏩抢单流程：乘客下单——后台系统分析——推送给司机端——司机抢单——系统筛选——交易开始。

⏩派单流程：乘客下单——后台系统撮合——指派给指定司机——交易开始。

本质区别在于交易形成的机制不同，派单是系统撮合，抢单是供给端主动选择需求。多了“多个服务者主动操作抢单”这一步，目的是：通过多人抢单，提高接单可能性；通过主动抢单的模式，避免因平台派单策略不当而产生的负面反馈。从某种意义上说，抢单是平台将自己该做的事情分摊给了服务者，订单分发，最终目标是派给最可能接单的人，这样既能保证接单率，也保证了服务者的利益。但是如果想达到这两个目标，平台就需要有基础保障：有成熟的服务者管控体系，主要涉及服务者状态管理、等级体系和奖惩策略，保证服务者能在平台规则内正常运转，抢单就显得更为有效了。

抢单机制里，算法的核心要素就是能力胜任度和优先程度。能力胜任度是基本要素，一个任务派出后，首先要评估抢单资格再推送给合适的“人”，再根据速度来确认分配给谁，此时完成任务与人的匹配，抢单完成。

企业内部，抢单机制不适合所有工作项，因为企业有大量的工作需要一个稳定的循序渐进的方式来运转，只有特别同质化或者需要提升效率的任务项才适合用抢单模式。

绩效算法：目标驱动下的过程可见和可控

1.OKR的过程化算法

我们已经知道，从数字化的组织模式来看，OKR是更加适合的绩效方式，因为工作的不确定增加了，需要面向目标自我驱动型的工作评价和反馈。

⏩OKR的过程化算法要有以下三个场景进行支撑：

（1）企业总体目标、部门目标、个人目标，三者之间需要关联，并自动导出最终的个人绩效目标。

（2）绩效目标中的实际业绩数据，开发建模后提取关键因子，实时进行智能化的总量、结构分析，根据需求实时展示。

（3）绩效目标中的关键行为数据，是依据于过程中的节点数据的，而这个节点不是人为变动的，而是通过算法识别出状态，采集当前状态下的完成值，实时生成绩效水平，形成动态的绩效算法。

总之，通过实现节点在线到全程在线，数据可以及时获取和读取，加上绩效算法模型支持，可以及时展示OKR体系中不同绩效主体的完成进度。

2.积分模式

用积分的模式来替代绩效的打分或者业绩表，最终的积分又可以转化为实际的激励，这样的模式存在已久，但都是存在于某个节点或者某个场景。从企业业务形态来说，如果是离散型，并且短周期业务的，例如滴滴打车、外卖、家政等，可以把积分用为主要绩效评估的方式。如果是需要集中作业、长周期行为的，例如制造业、研发业等，积分模式可以作为绩效体系的辅助手段。

⏩积分模式有两个核心要素，一是全维积分构成，二是积分转化应用。

（1）全维积分构成：消费积分、会员积分、管理积分、福利积分。以管理积分为例可再细分为业绩积分、文化积分、行为积分、创新积分、成长积分等。业绩积分里面可细分为：客户续单、月销售冠军、5S评比优胜等。成长积分可细分为：技能提升、培训学习、学历提升等。把每一个积分的维度颗粒化，在相对应的场景里采集数据，并且通过算法识别状态，自动采集，最终通过相应的赋值算出相应的积分。

（2）积分转化应用：积分的兑换和交易。在企业内部管理积分的兑换里有同事认可、团队表彰、员工关怀、节日祝福等。例如，员工想要自己的业绩积分兑换一些福利，系统里面就需要配置积分兑换流程，兑换规则、系统要设置对用户的识别、路径、最终实现兑换的过程，还要最终清算兑换后积分的余额等。而更大的突破，是不同企业系统，不同平台之间的积分互兑。在网络游戏中不同的游戏币，已经有多个平台支持互兑互换。而不同企业间，有些产业链联盟成员间也开始了相关内部积分的打通互用。这种趋势类似于一种扩圈的权益“通证”，如果加入区块链技术平台，则接近于积分版的ICO。

3.时间单元计划（TUP）

TUP—时间单位计划，即预先授予一个获取收益的权利，包括分红权和增值权，但收益需要在未来N年中逐步兑现，同样，其与所有权性质的股权没有关系，TUP的权利兑现后自动销毁，以五年一个周期。具体如下图:

⏩TUP如何智能化实现？需要以下几个步骤来实现：

（1）实时绩效数据看板。即每天可以见到自己的业绩进度，采集数据方法同上，不再赘述。

（2）与目标的距离差的计算。就是看自己目前的进度与可分配的下一阶段的业绩距离有多远。

（3）计算收益。设置计算算法，看目前所完成量可取得的收益。

关系算法：没有潜规则，只有显规则

1.开发企业的“棒球卡”

大任智库创始人卜安洵先生在2021年初的甦盛典上发表了《透明商业》这一震撼人心的数字时代新商业概念，其中隐含的核心价值观就是“透明”文化。作为致力于人才发展这一领域的人们，身处这一百年难遇的时代中，期待人才得到真正的公平展示和评价，而不需要顾及到“礼仪”“利益”甚至“办公室政治”等因素。而桥水基金的创始人达利欧先生在《原则》中给我们揭示了这一梦想的可能性，即“棒球卡”项目。这一款在线应用中，员工可以随时随地的给另外的同事贴标签，然后这些标签被预先设置好的模型通过算法进行计算，最终输出员工在同事中的“数字形象”。

⏩我们可以借鉴这一做法，延伸开发出一种企业内评议的随机算法，分成三个步骤：

（1）首先将企业文化标签化。如前文所述，文化和价值观需要具体化为不同的“行为”或“表现”。例如“三大纪律、八项注意”。为每个细节化的行为表现，赋予分值和标志。标志甚至可以更加游戏化，比如郭靖代表诚实，小蜜蜂代表勤劳，开发出一套企业独有的文化标签识别系统，每个标签对应的是一套文化解释。

（2）随时互评的场景设定。会议场景、工作汇报场景、客户对话场景、培训场景等，每个场景再进一步细化颗粒度，每个节点流程都需要连贯性。提供状态推荐，提醒员工此时可以对同事评价贴标签。这些设定里面要进一步细化，让大家更有兴趣对别人贴标签，例如提供标签词库，提供提示词“别人这样认为他”等等，或者给别人评价可以挣得企业内部积分等，鼓励这种文化的持续。

（3）综合评价后榜单输出。当员工们的数字画像生成后，设计出不同的榜单评比，根据评比的目标设置算法，系统自动输出名人榜单。这样一套完整的企业“棒球卡”项目就完成了，经过不断地数据输入，机器的深度学习，企业的内部人才画像会越来越准确，越来越符合企业特有的文化和人才要求，得出的结果也更公平，趋近透明。

2.升级企业的“荣誉墙”

企业在年终会上通常会颁发各种各样的奖项和荣誉，传统的做法是层层申报最终选出获奖者或者团队。每到年底，这一项盛事会耗费很多的财力物力去准备和计核。其实整个过程交给算法就可以。

⏩我们可以简化为三步。

（1）开发企业荣誉标签。比如全勤奖、销售冠军、最具关怀奖等，每个奖项的背后都有详细的行为描述和数据场景。

（2）民选+数据推选。奖项的维度可分为数据推选和推选，可以有三种不同的组合，即数据推选、推选、数据和有一定的权重。算法设置好后就可以根据后台的数据采集选出候选人了。

（3）荣誉自动发布。最后一步就是设置发布的规则，一类荣誉是直接数据算出就可以设定出计算后就自动发布；一类荣誉是需要各种流程的审核、审议、审定，也可以根据流程通过后自动发布；一类荣誉是不仅需要数据、流程审核，还需要公告期，这也可以添加公示期的规则设定，无异议后自动发布。

如此一来，我们的荣誉榜既公开公正又及时动态了。

成长算法：数据驱动的职业生涯

在成长这个话题里，相信每一位关注人才发展的人士都有自己的长年累月地摸索。但都应该有一个统一的愿景，就是是否能够根据自己个人或者企业的发展特质，有一条索引，只要按图索骥就能找到快速学习的通路，加速成长。或许，这一天到来了，算法能够帮助我们把梦想照进现实。

1.知识图谱

算法时代来临的一个恐慌就是——经验无用。而新的解药可能就是“知识图谱”。因为在编制知识图谱的过程中，没有专业或者经验是无法达成的。知识图谱是什么呢，“知识图谱本质上是语义网络（Semantic Network）的知识库”。但这有点抽象，所以换个角度，从实际应用的角度出发其实可以简单地把知识图谱理解成多关系图（Multi-relational Graph）。

（1）知识图谱的表示，也就是定义具体的业务问题。在知识图谱里，我们通常用“实体（Entity）”来表达图里的节点、用“关系（Relation）”来表达图里的“边”。实体指的是现实世界中的事物比如人、地名、概念、药物、公司等，关系则用来表达不同实体之间的某种联系，比如人－“居住在”－北京、张三和李四是“朋友”、逻辑回归是深度学习的“先导知识”等等。

（2）知识图谱的设计。图谱设计是一门艺术，从企业内部成长的图谱为例，我们首先要确认实体、关系和属性，其中哪些属性可以作为实体，哪些实体可以作为属性，哪些信息不需要放在知识图谱中。其中的原则就是业务原则、分析原则、效率原则、冗余原则。顾名思义，就是围绕企业内部成长这条线，分析出跟成长有关的实体和关系是哪些，分析中用的频次较多的放在图谱里，用的频次较低的就放在传统数据库里就可以了，然后多余的重复的可去掉。

（3）知识图谱的知识抽取。知识的抽取分为两个渠道，一个是公司内部的结构化数据，一个是外部的开源性的非结构化数据。技术上分为实体命名识别、关系抽取、实体统一、指代消解等，这里不做描述。需要关注的是公司内部数据完整性，尤其是内部的一些知识成果，尽可能被数据化，而且也要通过结构化可持续的抽取。把数据存入知识图谱时，一般应用两种方式，一是RDF，一是基于图数据库的存储，根据不同的需要进行选择。

具体应用在企业员工的成长领域里，就要结合所在企业业务特点和管理机制，设计好企业内部的成长知识图谱，牵涉到的实体就会有人、业务、项目、职位、培训、考试、书目、经验等，关系就会有上下级、师傅徒弟、校友、校外导师等。一方面，是尽可能全面和动态地采集企业内相关数据，另一方面面向产业链或相关资源生态，开放性采集外部相关数据，形成丰沛而鲜活的结构化知识生态场。

这一过程中，知识图谱的系统架构、应用开发及盗用评估和迭代升级需要持续进行。其中算法登场成为知识图谱的价值核心。

⏩知识图谱算法有两个主要的应用场景：一是基于规则的；另外一种是基于概率的。

鉴于目前AI技术的现状，基于规则的方还是在垂直领域的应用中占据主导地位，但随着数据量的增加以及方的提升，基于概率的模型也会逐步带来更大的价值。基于规则的应用主要是不一致性验证、基于规则的特征提取、基于模式的判断。比如说，两个不同的员工填写了同一个家庭地址，而另外一个明显不住这里，这就不一致。再比说某些企业不允许用关联员工，校友或者亲戚，在二度关系里找到后就可以把这些人找到。再比如说，找到一些共同的晋升路线图，来寻找一批优秀基层干部，就可以根据这些模式找到这群人。总之，凡是设计到关系的，知识图谱这个工具非常好用，尤其在用人的领域更是涉及到方方面面，会帮我们提升管理效率。

2.问题管理

所有的行动都是为了解决问题，人才培养更要从确定问题开始。在企业内部经常流传着一句话“提出问题的人很多，解决问题的人很少”，其实这句话有一定误差。企业在人才引进的时候常常是为了解决企业某类问题而产生的需求，例如业绩不佳，管理出错等，但是引进人后却发现没有达到预期效果，往往会归咎于某个人，其实不然。这里就需要介绍一下，由大任智库研发的QUSS系统，是结合行动学习，包括问题管理、研发团建、解决方案挖掘和知识共享等一体化的企业知识生产和共享平台。

第一步，问题管理。大任智库经大量的咨询实践，分析发现企业中的大部分问题，往往来源于三个领域：目标差距、运营障碍和外部竞争。必须激活员工在工作中发现和提出问题，为此设计了问题管理模块，在系统中设置窗口，员工可以自由提交问题，也可以加入周期考核，形成固定的流程。问题发现就是事先建好模型，发现某类项目超期或某些事项明显异常，系统总结后发现并提交。

第二步，研发团建，提出的问题会在公司平台的共享问题区公示，其中有公司标注为高价值的问题，同时附有“悬赏金”。员工可以自由申请领取该问题的解决任务。复杂问题需要组团来申领，这就是研发团建。课题小组由职责、专业相关的成员，构成一个“细胞体”小组，经组织审核后确认建立。

第三步，解决方案。这部分是整体QUSS的核心，课题小组群策群力，按照背景、现状、目标、原因、对策和验证、标准化七个步骤，从问题研判开始，一步步找到可行方法，形成解决方案。每个步骤中集成了传统的精益管理和六西格玛等改善工具，以及后来加入的数据模型。

第四步，知识共享。将被验证的解决方案标准化，形成新的标准或工艺流程，成为集体知识。在系统里同步设置一键分享到组、群、事业部、公司、集团，并可以不断复制、孵化、应用。

3.成长导航

我在上一篇《HR们，请上线》中提到，在线学习的进化级，是基于公司业务地图和员工职业生涯而设计成学习导航和内容站点，加上不同阶段、不同模块的学习成效在线评测。而在线学习的智能进化级就是学习导航，根据员工的能力进行评测，然后用算法推荐出一套适合员工个性化定制的成长地图并导航实施。

第一步，能力评测。根据公司通用的能力图谱，根据员工自身的行为数据分析，评测出员工的能力结构和能力特征。要注意能力的结构和特征是指向性的，随着业务类型和分工角色的变化，能力评价度量会发生变化，所以能力评测是动态的，附带组织假设的。

第二步，价值地图。引导员工在公司事业版图中建立成长目标，基于价值增值的成长目标由不同的维度组成。如职位晋升维、绩效收益维、能力提升维或关系完善维等。根据自身价值倾向和企业价值分布，提供个人的价值发现和价值指引地图。

第三步，学习导航。有了价值地图后，根据职责或任务需求和当前员工的能力结构，导出相应的学习路标。在个性化的学习导航里，会分为培训、研创、展示、对标、试任几种任务类型，每个类型会对应设置内容、资质、对象等，以应对不同的学习需求。这些都是根据算法自动生成，是员工成长的智能助理。

第四步：成长阶梯。如果你不要成长，任何人也代替不了你，所以最终决定人的高度还是自己，人生贵在复盘，每日三省吾身是国学留给我们的最高智慧。大任智库研发了成长阶梯循环系统，即“人生校准日+FLAG+行为方阵+复盘室”。人生校准日就是每个人选择一个特殊的日期（生日、入职日或其他），当日进行一次多向度的成长评价。人生校准的评查方式就是通过“家人眼中的我”、“同事眼中的我”、“自我眼中的我”三种视角的分析对照，发现自己真实的一面，寻找优点，建立信心。然后建立新的目标（FLAG），再后进入“行为方阵”（目标值与现实量的交互中个体努力与群体协作的相互作用）。最后是阶段性的复盘（复盘可以是真实物理空间，也可以是虚拟的一个小程序，用来检查反思的）。

最后让我总结一下：今天企业的用人已进入算法时代，经验资深的HR固然重要，但无论人才识别、任务分工还是绩效评价和培训发展，请相信“数据+算法”有更大、更可靠的力量。而在人才侧，我们也要习惯于以数据征信来展示自己的知识和技能，以算法辅助来助力我们的能力提升和职业发展。

--THE END--