发布时间：2023-09-24 15:54:25
序言：写作是分享个人见解和探索未知领域的桥梁，我们为您精选了8篇的人工智能市场趋势样本，期待这些样本能够为您提供丰富的参考和启发，请尽情阅读。
伴随着1980年代传统客户/服务器试的网络构架兴起，数据库的引用，以及诸如PowerBuilder这样的可视化编程开发工作的出现，流程重组于1990年代流行起来。
到了1993年，百分之六十的世界五百强企业利用IT系统自动管理日常业务，比如保险申报流程，应收发票或者购买订单对账。这种技术决定商业转型的观点在Michael Hammer 1990年发表的著名HBR文章“消灭自动化”中也有表现。
20多年过去了，因为人工智能及其相关商业应用的出现，我们即将迎来一场新的转型。这次与以往不同的是，这场转型将由下自上波及到所有的工作人员，比以往的改变更具有颠覆性。那么什么是人工智能驱动下的应用呢？他们又会给商业模式带来怎么的重组呢？
人工智能驱动下的应用是能高质量完成任务，由一定教育程度的员工掌控的软件。在专注于解决特别任务的“办法”优化服务下，这类应用能帮你安排商务会议，回答顾客的基础问题，及时更新你的航班状态，让你在以为只剩五分钟的情况下告诉你航班延误了20分钟。
在IT权限范畴之外，不管他们是否意识到，员工，团队乃至整个部门都将参与和支持这场由人工智能应用引导的重组中来。每一个单项的应用能够简化消除一个任务，那么一个员工可以用不同的应用为其自动解决日常工作中堆积的常规任务。参与者会因此变得高效和具有更强竞争力，部门经理进而可以将技术攻坚和成本节约上升到一个新台阶。
AI驱动的App将会掀起企业淘金热
x.ai的“Amy”，也就是为你安排商务会议的AI，完全会让人上瘾。你只需要把邮件抄送她，她就会帮你与收件人接洽，找到合适的时间和最优的地点。我每天都会使用她，并且完全无法想象没有她的工作会怎样。目前她还在测试阶段，但其他测试者都告诉我，这是他们多年来使用过的最像“魔法”的东西。每个月收费5元还是10元好？其实都无所谓，如果Dropbox在企业间迅速崛起，只需要等着x.ai公开，那么繁忙的高管、咨询师、销售人员就会迅速购买Amy，并愿意花更多的钱。
Amy可能是目前让人眼前一亮的突破性应用，但是AI驱动的应用在其他领域也会有同样的效果。为了直观地展示聚焦于各个不同领域的创业公司，我们制作了下面这张图表：
我们对AI驱动的商业应用的定义是：用户体验由AI软件驱动。今天，这涵盖了语音(如苹果的Siri)，基于文字的交互(x.ai的Amy)或智能通知(如Google Now)。其他关于人工智能驱动的商业应用实例比如谷歌搜索的智能填充功能区别于它们工作流程中的不智能步骤。
我们在图中涵盖了开发者服务，因为他们将带来下一波AI驱动的商业app的大量涌现。在图表中，我们除了放入有成熟产品的公司，还涵盖了产品即将上市的公司(根据他们的产品路线图)。
再来看看Shivon Zilis制作的机器学习全景图：
排除每个类别的细微差别，值得注意的一些市场趋势有：
新行业将会在未来几年内涌现在我们对创业蓝图的初次分析中，发现有10种App类型携带AI处理功能。而这仅仅是个转折点。在未来两年内随着企业家们将新的商业活动自动化，创业行为也将激增。连线杂志的Kevin Kelly热情的说道：未来一万个创业商业计划都很容易预测：“X”理念和携带人工智能。期待企业软件类别中涌现出的AI驱动商业app将直抵用户终端。
令人着迷的用户体验使这些App获得“隐形软件”的称号。就基本形式来说，今天的AI驱动app将一个工作流自动化，就是在用户与软件界面的互动中提取出一个步骤。在未得到用户许可的情况下后台的AI程序*不能做出下一步要做什么的推测。而这一切将会改变。
像Amy一样的AI驱动App将进化成无用户界面的“隐形软件”，在一项复杂的业务流程中执行一系列连续步骤而不需要用户介入。Amy不仅能安排日程和会议时间，她将运用思维逻辑上的一次跃进来找到最佳的集会地点(而不是困扰你的那种偏好提示)。这种差别是至关重要的。通过串联独立“任务”的逻辑关系，软件将会概览全局并做出更高级别的决策。
结果就是，屏幕时代将会逝去，而软件能够在后台自动工作。“隐形软件”是AI驱动app的巅峰成果，它有可能会甄别出各阶段中的赢家和输家。它同时也是最具破坏性的，因为它不仅是执行一项任务而已，而是自动化了一份职业。
AI驱动App领域中的下一突破将会是销售助手。销售的高管们总喜欢说“销售艺术”，但很多销售过程是重复的、可预测的，对AI自动化来说是时机成熟的。想象这样一种入门级销售职业发展服务吧：寻找LinkedIn上的领导，发送模板邮件询问是否需要介绍会议，跟踪邮件(重复性的)，安排会议，收集对方的情报，为销售主管准备文件等等，到此重新开始。
2021行车记录仪十大品牌排行榜 1. 惠普
2. 360
3. 小米
4. 盯盯拍
5. 凌度
6. 趴趴狗
7. 飞利浦
8. 联想
9. 海康威视
10. 小蚁
1. 惠普 发源地：美国
创立时间：1939年
惠普作为全球著名的信息科技公司，在信息产品和成像系统方面有着很高的声誉，主要专注于打印机、数码影像、计算机及软件等等，是大众信赖的2021激光打印机十大品牌。
2. 360 发源地：中国
创立时间：2015年
360本身就是一个大家非常熟悉的专注于信息安全的品牌，不少电脑和手机都安装了360的软件，所以在推出了360行车记录仪这个车联网软硬件一体产品之后，迅速得到了欢迎。
3. 小米 发源地：中国
创立时间：2010年
小米是知名的创新型科技公司，不论是智能手机、互联网电视还是智能家居生态方面，小米都在不断给人们惊喜，它的所有生活类用品和电器都有着一贯的黑科技和人性设计。
4. 盯盯拍 发源地：中国
创立时间：2013年
盯盯拍是专注于连接影像技术的一家高新技术企业，在车联网解决方案上也得到了很大的认可和用户的喜爱，它的智能行车记录仪产品以及定制可连接影像产品受到欢迎。
5. 凌度 发源地：中国
创立时间：2011年
凌度隶属东莞市卡卡电子科技有限公司，是国内颇具影响的行车记录仪品牌，有着业界一流的芯片研发和产品开发技术，还有行业内最大的生产线。
6. 趴趴狗 发源地：中国
创立时间：2001年
趴趴狗隶属上海研亚软件信息技术有限公司，专注于行车记录仪和导航软件的开发，软件产品有自主知识产权，并且公司的经营团队也都是非常有经验的人士。
7. 飞利浦 发源地：荷兰
创立时间：1891年
飞利浦作为一个久负盛名的电子品牌，在消费电子、家用电器、照明、医疗等领域都有很强的实力，尤其是医疗诊断影像、监护仪器以及芯片的开发上更是行业领先。
8. 联想 发源地：中国
创立时间：1984年
联想是全球知名的PC电脑制造商，也是智能电视和智能手机等产品的领先品牌，在信息产业内能够提供全球用户所需的技术类产品，是大家熟悉且信赖的品牌。
9. 海康威视 发源地：中国
创立时间：2001年
海康威视是监控安防领域的知名品牌，在视频处理技术和视频分析技术方面都是行业内领先的水平，在交通、金融、司法等不同领域都有齐全且优质的产品提供。
10. 小蚁 发源地：中国
创立时间：2014年
【关键词】仓储业，移动及语音，技术革命
2015年中国经济整体下滑但电子商务及物流一枝独秀，现代的仓库和分销中心管理者日益依赖于技术来实现电子设备的良好运行。
在“双十一”及“节假日”的物流仓储货物不堪重负，使得人手分拣工作量极大，货物爆仓的情况在各大快递公司更是头痛之事，人手分拣导致人工成本上升和作业出错率攀升，极大损害了物流仓储企业和消费者的利益。中国的仓储业迫切需要一场技术性的革命。
在美国近几年，语音和移动技术已成为管理者和员工利用的最有价值的两个工具，并因而融合成为日益发展的“可视化供应链”的一个分支。美国的克雷布斯先生认为“语音技术真正地把人手从分拣应用中解放出来了。”，作为V D CResearch公司负责企业移动与连接设备的副总裁，他始终在密切关注着语音和移动技术在库房和分销中心的应用。另一方面，在典型的分销中心，移动技术则无处不在。在仓库，可以通过移动设备、耐用的手提设备、w i f i以及网络等技术手段来保证“完美订单”（即正确且准时地完成订单履行、装载以及运送等）的实现，并减少时间的浪费。随着越来越多的库房承担起全方位销售的职能，即通过移动设备、电脑、实体店以及商品目录等各种方式进行销售，对于移动技术以及由此带来的可视化供应链的需求变得日益必要和突出了。“为了实现这一点，物流运作商需要进行包括语音、传统条形码、无线射频识别以及定位技术在内的大量数据和信息的采集。”。
中国仓储业面对的仓储技术革命，更有效的利用移动技术的覆盖功能和强大的语音执行指令及云计算，做好如下三点，才能走出一条适合自己创新之路：
1.移动技术成为主流平台选择。Capgemini公司负责库房管理系统的经理弗农认为，如今，已经很难找到一家不依赖于任何移动技术来进行接收、加工、储存、装载等操作的库房或者分销中心了。“不管从仓储行业的哪一个角度而言，移动技术都已经成为主流选择。” 现在的物流管理者在仓库、分销中心以及整个供应链运作方面面临着一系列重要的变化，设施增多和空间加大对于无处不在的高速移动通信提出了新的要求。对于可跟踪追溯的精确要求、制造业回流运动的影响以及无数其他来自电子商务和相关交通运输行业的挑战正在促使物流供应商采用更加高效的方式管理他们的分销中心。在中国移动信号覆盖面广，信号强可以作为仓储的信息及信号传递的平台。
2.语音控制技术成为主流控制选择。库房和分销中心的管理者还在实践中发现了语音技术的新用途。位于匹兹堡的语音技术解决方案供应商Vocollect公司负责产品的副总裁艾尔曼特就提出，类似于周期盘点、产品接收、承运、逆向物流以及审计功能等都可以经由语音处理。这些是对语音技术在分拣、选择工作流程以及加工处理等传统应用领域的扩充。“物流专业人士希望在分销中心的狭小范围内尽可能创造更多的价值，实现更多的改进，而途径之一就是将语音技术扩充使用到分销中心的非传统领域”。艾尔曼特这样认为。物流专业人士已经将语音和移动都视为资源之一。？语音技术应用随着科技飞速发展，每天市场上都会出现新的语音和技术创新。因而，产品和方案解决商必须把准承运商的脉搏，因为是他们在购买和使用自己的产品。基思。菲利普斯，Vox wa r e（一家语音分拣软件供应商）的总裁兼首席执行官介绍，他的团队看到了市场对库房语音应用的强大需求。菲利普斯估计语音技术已经渗透到20%的供应链系统。如果将市场细分为大、中、小三档企业，那么语音技术在大企业中的应用已经接近60%～70%之间。在中国人力成本上升和货物量爆仓、人手分拣工作量大和易出错及中国老龄化的现象日益加重，利用语音技术来进行仓储的分拣入库、在库、出库、运输、售后服务管理，语音技术的选择是必然的结果。
3.云计算的采用。在菲利普斯看来，中小规模企业应用语音技术受限在大多数情况下都是因为成本的原因，而且他认为这种情况在一定时间段内仍将存在。事实上，语音设备的零售价格已经持续高达2000～3000美元。为了抵消成本，软件公司已经开始提供基于云的模型，以帮助用户在不需要大的前期投入的情况下启用语音技术。“成效很明显，80%多的新用户正在使用云系统。”菲利普斯说道。在中国中小物流企业融资难，企业如何在不对称的实力下，中国政府应该出台语音云计算技术的支持和政策，云计算要建立中国各地方言库和物流标准语言库，使得全社会的物流成本下降和建设高效节能的社会。
结束语：预测移动与语音技术应用趋势前景光明
在对技术发展、承运商的技术需求以及承运市场趋势进行调研的基础上，克雷布斯认为，总体来说，“语音和移动技术在库房环境的利用正呈现出基本面越来越好的趋势。” 正如谷歌眼镜是语音应用的先驱者之一一样，克雷布斯注意到尽管产品并不是为了应用于库房，但是“可穿戴”以及“解放双手”的观念则可以应用于许多不同的行业。“在将来一段时间，库房工作者将会从这些有趣的观念中获益。 弗农则预测，语音和移动设备还将出现更多的创新产品，所有这些产品都是为了实现“在双手中驱动更多设备”这个目标。在技术创新日新月异的时代，对于那些希望在库房和分销中心应用更多的移动和语音设备产品，以及那些希望升级现有系统的物流运作商而言，对新产品进行仔细地挑选和研究是非常必要的。
迈入21世纪，数字技术迅速发展、互联网广泛普及逐步改变了人类的生产模式与生活方式，尤其是以大数据为核心的信息科学得到突飞猛进的发展与应用。从概念上来说，大数据指在一定时间范围内无法用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产，其结构包含理论、技术与实践（参见下图）。云计算、分布式处理技术、存储技术和感知技术是大数据从采集、处理、存储到形成结果这个过程中的几大关键数据。图大数据结构解析信息化时代，高度发达的市场经济使得企业需要处理来自各个方面各种类型的信息，信息源多、信息量大、信息更新快，这给企业管理提出了许多新要求、新挑战，如精细、智能、全面的企业管理需求开始出现。随着企业管理的精细化与智能化，掌握互联网、政府、企业、个人行为信息与习惯的大数据开始变得非常关键，IBM、惠普、Teradata、甲骨文等著名的大数据企业在企业管理咨询行业的迅猛发展势头就说明了大数据对于企业管理的重要性。本文重点讨论大数据应用视角下企业管理的价值重构与创新途径，以期促进企业管理的智能化、科学化、精细化。
二、大数据应用视角下企业管理的价值重构
大数据应用重构了企业管理的价值体系，其核心表现是提高企业管理分析的客观性、企业管理决策的科学性、企业管理评估的全面性。1.大数据应用提升企业管理分析的客观性如前所述，大数据指在一定时间范围内无法用常规软件工具进行捕捉、管理和处理的数据集合，在大数据出现前，企业管理在技术无法收集、分析的数据领域，往往采取定性分析的方法，这无疑增加了企业管理分析的主观性，尤其是分析者立场、情绪等因素对企业管理事务的分析产生极大非客观性影响。随着大数据应用的深化，通过大数据对某些特定数据集合进行处理，从而挖掘许多泛数据集合中的行为规律与偏好，甚至可以对个体化需求进行集合分类，这无疑提升了企业管理分析的客观性，避免谬误分析、低效管理。2.大数据应用提高企业管理决策的科学性企业管理决策关系到企业的生死存亡，因此要求及时性、经济性、系统性与灵活性，但缺乏大数据的支撑，通常企业管理及时性、系统性与灵活性都难以满足，最终容易造成管理决策失误，严重者甚至可能造成企业的破产。大数据应用能为企业管理决策提供有效依据，这是大数据应用提高企业管理决策科学性的关键所在，如大数据帮助企业提升营销的针对性，降低物流和库存的成本，评估投资的风险，以及帮助企业提升广告投放精准度等。3.大数据应用提升企业管理评估的全面性在企业管理中，有一个“无法量化，难以评估”的说法，但在实务中，传统的企业管理不仅不能做到科学、客观的非量化评估，即使在能量化的工作管理中，也存在评估不全面的问题。大数据的应用能全面提升企业管理评估，具体表现在：一方面，对于以前不能进行量化的领域，大数据可以进行归类分析，达到量化或者类量化的效果；另一方面，对于以前能够量化的领域，大数据通过云计算、分布式处理技术来完善量化结果，从而进一步优化企业管理评估，提高企业管理评估的全面性。
三、大数据应用视角下企业管理的创新途径探析
大数据应用视角下企业管理的创新途径主要从内容、执行、保障三个方面进行探索。
1.丰富内容，加强大数据在企业财务管理的应用分析
财务管理是企业管理的核心内容，是影响企业内部运营管理与外部业务拓展的关键。因此，大数据要真正在企业管理层面发挥作用就必须首先在企业财务管理层面得到应用，唯有如此才能真正丰富大数据应用的实用性、才能真正激发大数据应用的内在动力与外在需求，具体来说：第一，大数据可以根据财务数据来分析企业发展状态，如费用使用、营收状态、营销进度等情况，进而为企业发展制定科学的绩效考核与发展目标奠定基础；第二，大数据的应用应该要向人工智能方向发展，减少人的主观思维影响，如自动分析财务报表，提高财务分析的质量与科学性。第三，使审计人员和监管机构更容易发现大规模的欺诈情况，避免财务作假。
2.强化执行，明确大数据在企业管理战略的重要地位
执行是企业管理的生命线，大数据应用要在企业管理分析、决策、评估中起到关键作用，企业管理层必须要重视大数据在企业各个领域的应用，强化大数据在各个管理岗位的关注度与使用情况，必要情况下还必须对各个管理岗位的大数据使用情况进行定期考核、收集使用反馈，不断改进大数据的实际运用，最终提升大数据的效果。与此同时，分享是互联网时代的重要特征与精神内涵，大数据在企业管理中不仅仅是内在布局，大数据的应用还应该多涉足对外的交流管理，如企业管理应该与政府、行业及合作伙伴建立大数据共享机制，实现数据分析的共享互通，继而推动自身与行业的共同发展。
3.完善保障，注重大数据应用人才团队的构建与发展
完善保障是大数据在企业管理中实现可持续应用的重要步骤与关键环节。目前，许多企业虽然具备大数据的思维，但是对于大数据的实际应用并不清晰，其原因在于缺乏大数据的团队运作。通常来说，大型企业具备一定的规模与实力，既有数据的积累，也能接受大数据运用的成本，但是大数据并不在专门的分析部门，而是依附在信息技术部门或者电脑部门，这无疑抑制了其作用的发挥；而对于小型企业来说，基本就没有大数据的管理应用了。因此，大型企业应该在大数据人才、技术及部门地位三个方面入手，完善大数据在企业管理应用中的保障，小型企业就应该注重对于大数据人才的积累与培育，可以先用简单的大数据工具来实现自我管理的优化。
四、总结
随着市场竞争日趋激烈、市场信息日益丰富、市场趋势日渐多变，企业对于智能、科学、及时、高效的管理有着极强的需求，而要实现这一需求必须依托大数据这一有效工具，因为大数据通过技术测算能实现分析更客观、决策更科学、评估更全面。面对迅速发展的大数据，企业应该注重对大数据内容的丰富，应该将其纳入到财务管理中去；应该强化大数据应用的管理推动力，提升企业对大数据的重视程度；应该完善保障，注重大数据人才、技术及部门地位的保障。诚然，大数据在信息化时代起着非常重要的作用，但是也要明白大数据在数据安全、公众隐私、监管安全方面的负面作用，因此在发展大数据的同时必须注重相关法律制度的完善，这得依靠政府、行业、企业及公众的共同努力来实现。
作者:李翎玮 单位:东北林业大学经济管理学院
参考文献：
[1]冯芷艳,郭迅华,曾大军,陈煜波,陈国青.大数据背景下商务管理研究若干前沿课题[J].管理科学学报，2013(01).
[2]陈国营.大数据在企业管理中的应用[J].财经界(学术版)，2015(11).
[3]奉梅.大数据时代下企业管理所面临的挑战与创新[J].现代企业，2014(11).
[4]徐宗本,冯芷艳,郭迅华,曾大军,陈国青.大数据驱动的管理与决策前沿课题[J].管理世界，2014(11).
图2 HR-BI数据流
图3 人力资源信息化整体蓝图
越来越多的CEO们认识到当今企业竞争力的核心是人力资源,人力资源职能面临着新的、更具有战略性衡量标准的挑战。CEO们经常期盼HR有能力为企业提供所有员工的数据和分析，从而提高企业商业决策的准确度和企业竞争力。人力资源管理与企业效益之间关系的研究是当今人力资源管理领域的重要课题，但到现在为止还未有得到大家认同的测评测算方法。人力资源商业智能(Human Resource Business Intelligence，HR-BI)将为此提供新的解决方案。
在以知识和技术为根本的经济环境中，人力资源在企业竞争中占据绝对重要的位置。为实现保持并不断提升企业竞争力的目标，人力资源(HR)经理需要敏锐的洞察力、有效的工具并充分利用企业资金。HR经理需要在管理层的理解和帮助下将人力资源部门工作和企业整体战略相结合。
新挑战呼唤HR-BI
以往，HR经理们很难向高层清楚地表达他们创造的价值。或者，在企业绩效评估中，他们的价值不值一提。许多CEO都会公开表示员工是企业最重要的资源。可是，HR部门总被认为是一个只有开销的部门。在企业高层讨论预算、规划目标的会议中，也几乎看不到HR部门的参加。总之，HR部门经常因为工作内容和开销方面的压力而死气沉沉。
为了能在高层会议桌上占有一席之地，将部门从一个支出部门变成一个价值导向部门，HR经理必须使用CEO能够理解的语言讲述他们如何创造价值。要实现这一目标，HR经理面临着新的挑战。
有效量化HR的工具选择
众所周知，人力资源管理能给组织带来效益和效率。但是，如何才能进行测量呢？不管是人力资源管理的收益还是为此而付出的支出，都难以得出准确的计算值。这说明运用简单的比值法去评估组织人力资源管理效益的做法并不现实可行，还需要研究和开发适用的能够反映企业人力资源管理绩效的其他测评方法。
对人力资源管理进行评估，是美国等发达国家最近20年来发展较快的人力资源管理研究领域。我国学术界在人力资源管理评估这方面的研究起步虽晚，但也相继出现了一些逐渐成熟的评估方法。
然而，无论是目前在一些管理实践中已经逐步应用的人力资源指数问卷调查、人力资源会计、人力资源效用指数、人力资源指数，还是投入产出分析等各种人力资源管理评估方法，都无一不倾向于通过数量化来实现对人力资源管理绩效的直观评估，也必然都涉及到各种相关数据的收集、加工、统计和分析。
那么，通过什么工具来实现对这些数据的有效处理，将是决定评估能否成功的关键，这也是目前阻碍人力资源评估进一步发展的绊脚石。
数据的集合、审查与总结
在HR日常的管理过程中，会产生大量的相关数据。在这个庞大的数据流中，HR经理需要具备识别数据有效性的能力，以此来判断提取哪些数据将帮助我们实现对人力资源管理的量化评估。例如，借助人力资源效用指数的评估方法，根据企业具体情况，HR经理需要从人力资本能力、HR运作能力和战略实施交通等几个方面来提取具体可衡量本企业人力资源管理效用的各项指标，并且定义每项指标的数据来源。事实上，许多HR部门陷于大量不同的申请表格和毫无联系的报表当中，苦于无法制作整合的数据。
一些HR部门使用来自内部和外部的信息资源，每一种资源中都包含大量的重要信息，如一个员工的绩效表现和他在企业中的地位和角色。可是，这样的信息只是整体的一部分，大量非有效的、非系统化的数据，将挑战HR经理的专业识别能力。
如何处理、分析数据
无能力优化指标，评估过于分散，无法将现有指标和具体业务相匹配，指标不足或者指标应用失效等，都是造成数据处理、分析困难的原因。即使企业在其他部门使用各种指标，在某种程度上，HR指标对他们来说也是全新的概念。
职业HR顾问也承认，很少有专业的HR绩效评估方法存在。结果很明显，对HR的总体知识和认知是不均衡的。许多HR部门只做他们有能力做的分析，一些报告只是输入一些数字，还有一些也许能够计算出雇用成本，可是无法找到成本与质量间的关系。有些虽有较为复杂的分析(一个地区加班的雇佣成本)，可是仍然无法找出这些数据同企业战略之间的关系。只有少数企业能成功地把HR指标和企业总体目标有效地联系起来。与之相对的，越来越多的企业依赖BI来做监督，分析和制作评估报告。越来越多的企业把BI当作梳理内部流程和提高企业效率的工具。
伴随着商业智能的出现及广泛应用，如何积极应用BI工具，充分利用BI强大的数据处理和分析能力来实现量化评估人力资源管理，将是一种必然趋势。当HR管理应用BI来处理数据HR数据并为决策提供支持时，我们称之 HR-BI，可理解为人力资源决策分析系统(如图1)。
HR-BI在eHR中的定位
为什么eHR实施三五年老是见不到效果？因为eHR系统总是在人力资源管理战略价值链的中间环节运作，没有形成一个闭环管理的系统。HR的效能其实是整个人力资源管理的一种产出，同时又是人力资源管理优化的反馈的因子，可以从人才、士气、成本和效率四个纬度进行评价。人力资源运作系统加上人力资源测评系统的完善，形成一个循环、一个完整的体系。
而接下来eHR系统优化的方向一个是如何利用eHR系统的这种流程去优化管理，第二是怎么样应用现有的数据去实现跟企业经营战略的对接。这就需要有效利用HR-BI来进行分析、优化。
人力资源决策分析系统中的HR数据主要包括：人力资源管理业务数据、企业内部与人力资本相关的经营数据、竞争对HR职能数据和企业外部环境相关人力资源数据等几种类型，并将主要来源于两个方面。其中内部主要包括工资申请表、法律系统、员工调查表、ERP系统、各种报表和财务系统等，外部来源于行业标准、劳务市场趋势、劳工法、集体合同和外来的信息资源等(如图2)。
BI是数据的挖掘性、数据的深入分析系统，它区别于一般性的、面向业务过程的报表系统的一个平台。我们经常会利用人力资源软件中的报表工具生成各种月报、季报、年报，但是它们在BI的整个架构里面是属于操作性的结果，不是用来做分析的。BI的真正价值体现在对HR相关数据的深入挖掘和多维的分析上，实现人力资源和企业经营者的连接。
一般来讲，HR-BI是独立于eHR系统之外单独部署的一个系统，因为BI系统的数据查询量非常大，如果它跟eHR系统集成在一起的话，可能在它进行数据分析的时候极大地影响到eHR系统正常的操作性能。
HR-BI作为一个相对独立的系统，它在人力资源信息化体系里是怎样的定位？其实人力资源信息化的整个蓝图可以从两个纬度来看。纵向纬度是指人力资源系统要分为主要的三个层次，软件基础架构平台、人力资源基础数据平台、业务职能的模块，如图3所示。
软件基础架构平台的目的是为了实现eHR系统随需应变的应用。目前，国外的几大系统软件基础架构平台非常清晰，国内软件也在朝这方面努力，目的就是为了让系统变得更灵活，不断适应需求变化。
第二个层面的人力资源基础数据平台和业务平台是脱离开的，在未来的eHR系统规划里面，业务平台和软件基础数据平台之间会有一个技术基础平台，它包括4个库：人员信息数据库、职位库、能力素质库和KPI库。有很多企业可能对这个基础数据的定义只定义到人员信息库而忽视了职位库、能力素质库和KPI库，这样，将来再跟其他系统做连接时，可能会使拓展性受到限制。在这个人力资源数据平台之上，是各个业务职能的模块。这三个层面形成平常概念中的eHR。
eHR中e的含义很广泛，它是这个人力资源信息化的统称。真正的人力资源信息化不能只是完成业务处理的工作，在两端还要设计有机结构。比如人力资源门户其实是要把所有的业务模块和所有的用户决策统一到一个界面上，解决的是一个入口的问题。人力资源决策分析平台解决的是输出的问题，是要把中间这个e化平台产生的数据价值充分挖掘出来，形成一个入口、处理和输出的有机整体，人力资源信息化才能够充分发挥它的价值。HR-BI在整个人力资源信息化中的地位非常重要，因为输出部分需要通过BI平台来实现，而不只是通过报表工具来实现。
六步建立HR Metrics
BI帮助HR经理通过多种方法查看数据，包括多层次的分析表把数据经不同的标准(成本、地域、机构和人群)进行快速简洁地分析；可视性分析报告用直观的图例形式表现；报告程序为用户量身打造，无须通过IT部门；计分卡整合来自不同资源的指标，协助有效决策。
因此，区别于一般性仅展现业务结果的报表系统，HR-BI可以通过建立一系列HR指标分析模型(HR Metrics)，对HR相关数据的深入挖掘与多维分析，达到HR与企业经营的连接，实现HR对企业经营战略的支持。
事实上，人力资源的关键指标是三个层面的。第一个层面是操作性指标，是面向HR专业管理人员，他们用到的比如招聘，招聘效能的评测等，是通过一些操作性的指标(包括一些过程性报表、一些过程性的统计分析)来实现的；第二个层面是人力资源规划专家实现的HR部门运营指标，从人力资源部门整体的运作效能去评估；第三个层面是最高层面，叫做HR的决策指标，它是面向经营决策层的，层面越高可提取的指标越有限。
人力资源的BI数据模型其实是一个多维数据库平台。它与关系型数据库的区别在于，多维数据库里面数据之间的关系是经过提取和抽象的，所以在多维数据库里会存有非常多的HR-BI指标里面的半成品――立方体。
为什么要在多维数据库里面存一些半成品呢？由于BI的数据分析量是非常大的，如果直接在原始数据库里面做分析，速度会非常慢。BI系统用多维数据库就是要把这种数据量很多的计算，利用平时的时间先做成半成品，然后放到多维数据库里面，在使用BI展现工具的时候效率就会高很多倍。
对于大企业来讲，BI系统一般不会作为eHR的主要部分去建立。BI平台不能直接跟eHR数据库连接，会极大地影响其运作效率。因为，从BI的体系结构来看，其数据源既有eHR系统，也会包括其他系统，多数据源的数据集成到BI数据库里面去形成一个数据仓库，再以图形和报表两种方式输出分析结果。因此，指标分析系统不只是把数据提取出来，关键更是在于分析，难就难在指标模型的建立。
要做HR-BI体系的第一步是关键指标的识别。比如，做一个保险项目，要给人力资源部门提取多个人力资源的关键指标，可以分成状态指标和经营指标，状态指标是eHR系统完全可以提取的，比如说总量及分布、人员类型分布、增员情况、离职情况及培训情况等。而人力资源的经营指标是和业务关联在一起的，营业收入、利润、市场占有率其他指标，但是这些指标都和人又关联在一起。让系统用户(很可能不是人力资源管理人员，而是每个机构的老总)去填，然后提取大家都感兴趣的一些关键指标做到系统里面，当然还包括一些不会在这个系统实现的指标。这就是第一步叫指标识别，相对来讲比较容易，因为对这个指标的定义只是一个比较粗浅的框架性的定义。
第二步是要对指标的详细内容进行定义。比如说总人数，这个指标看起来很简单，但实际上，不同机构对总人数的定义可能差别会很大，要在一个企业里形成某一项指标的统计口径、统计纬度的规范和标准。另外，指标里面涉及到的一些参数的数据来源都要提前定义清楚。不把数据源定义清楚，IT根本没法实现。
还有一些细节，要先对指标进行类型划分，类型划分完后它的展现形式自然就定义出来了。不同类型的指标有不同的表现形式，总量型的指标可能是一张表，趋势性的指标可能是一个趋势，结构性的指标可能是饼图等。
另外，每一个指标都要定义它的关联指标。因为，单一指标不能反映问题的全貌，一组指标才有分析的价值。指标定义需要企业内反复的讨论、研究哪一组指标放在一起能够反映什么问题。
接下来就是指标的基准定义。以离职率为例，离职率为5%，只是一个数字，对决策者而言能说明什么？对于企业来说，对每个决策指标都给出定义基准非常重要。这个基准的定义往往基于两方面，一是参考外部标杆，二是分析内部经营状况。一般来讲，在建立基准的时候不是一个基准，按照惯例往往是3个基准，一个叫做低分位值，一个叫中分位值，一个叫高分位值，分别代表着这个指标略差、平均和较好的情况将表现出是怎样的数值。这3个值定义好后就产生4个区间。有这4个区间之后，看企业通过BI提取的指标的绝对值落在哪个区间，就能得出其代表什么含义。这有点像我们在医院做B超的时候，医生在检查者身上扫一圈，然后那个电脑上就自动出现一段话说这个检查者有什么毛病。虽然，这种决策支持、人工智能还是有些人工干涉，但是已经省了很多事，因为它已经定义好落在不同的区间代表什么含义，已经有相应的分析来描述。
另外还有结果预能分析、易化指标和设计及开发三个步骤来实现建立HR Metrics。前三步是核心，但过去不管是做报表还是做BI分析时大家都忽视了这几步，直接把指标选取完之后就让开发商去做，最后得出一个绝对值。但是领导不感兴趣，因为这不能支持他的决策。只有完成了这六个步骤才有分析的价值和意义，才是一个完整的人力资源指标分析模型建立过程。
一般来说，BI系统实施的时间应该主要放在前面步骤，如果说实施时间主要放在开发上就说明分析工作没有做透，最后得出的结果是不具有分析意义的。
另外，建议企业如果要做BI分析的话，不要从头去开发一个指标分析系统，现在有很多成熟的平台可以使用，速度非常快。
链接:HR-BI的价值
完善战略人力资源管理体系
借助HR-BI，企业可以对已有数据进行深入挖掘与分析，通过建立必要的数据分析模型，一方面量化评估HR的整体效能和各项业务绩效，从而衡量出HR对企业战略实现的真正价值所在；另一方面，利用BI工具为不同层面的用户尤其是决策层用户提供不同的人力资源分析指标，为系统的下一个环节提供反馈信息，以实现HR决策支持与HR业务效能的分析，使企业eHR系统形成一个能良性自激励的循环管理系统。
提升HR的战略伙伴地位
有了BI，CHO会更加积极地扮演好其战略伙伴角色。通过深入分析HR重要数据，发现不同指标间的关联度，通过有形的图标结果，分析、梳理本部门的运作情况，从而巩固HR部门在企业中的地位。BI帮助CHO预测未来员工发展趋势、员工发展对薪酬的影响以及员工发展对企业业绩的作用。
