为业务分析确定数据项优先级：框架和

与BI系统相比，大数据系统（如安德森（2008）、梅耶·舍恩伯格（Mayer Sch"onberger）和库克尔（Cukier）（2013）以及卡塔尔（Katal）等人（2013）所定义）在大型、逆向和非结构化数据集上使用机器学习来推断某些事件或关联的概率。在大数据系统中，是机器根据统计分析决定特定数据项的相关性——在访问数据后做出决定。为了提高效率，大数据系统需要大量廉价生成的数据项。这种廉价数据的来源可能包括组织的企业资源系统已经生成的数据、客户与web 1.0系统的交互（例如搜索词和点击流）、社交媒体和RFID芯片。在大数据系统中积累大量数据的主要限制是存储成本、计算能力和人力资本。3量化数据项价值的框架3.1链接模型我们将业务分析分解为四个层次：流程图、决策、分析和数据项。由此产生的自上而下链接模型将数据项连接到进程（见图1）。这里传统BI系统和大数据系统之间的区别类似于Chen等人（2012）的BI&A 1.0和BI&A 2.0/3.0之间的区别。根据Kart等人（2013年）的一项大型调查，只有8%的组织在其部分业务职能中提供了大数据解决方案。图1。链接模型。5链接模型的结构植根于企业信息系统文献中的三个常见概念。首先，将数据项分配给流程的模型可以在文献中的许多变体中找到（例如，Olson 2003，Scheer et al.2002），因为大多数数据项主要用于特定的业务流程，而不是与所有业务流程相关。

第二，管理者通常不知道他们需要什么样的数据项，如第2节所述。因此，建议不要询问管理者想要什么数据或分析，而是询问他们必须做出什么决定（埃克森2010年3月&赫夫纳2007年，韦瑟伯1991年）。遵循这一建议，重要的管理决策在自上而下的链接模型中充当分析和流程分析之间的桥梁。第三，过程/决策分析数据层次结构非常类似于企业信息系统中的知识信息数据范式（Tuomi 2000）。BI系统通常设计为面向流程的，以确保它们支持业务功能的所有核心活动，并达到令人满意的程度（Golfarelli et al.2004）。流程图借鉴了供应链管理，将业务功能划分为价值流，而价值流又进一步划分为单个流程。决策层捕获业务职能部门必须准备好提供答案的核心问题。将每个决策分配给一个流程可以确保决策列表考虑了所有相关的业务活动。分析层包括与特定业务功能相关的分析模型和指标。每个标准决策都由一组分析提供信息。数据项层包含进行分析所需的原始数字和定性数据。价值流到流程、流程到决策和决策到分析的链接被概念化为一对多关系，但多对多关系允许用于分析到数据项的链接，这意味着分析可能需要多个数据项，并且一个数据项可以输入多个分析。3.2重要性权重 在大多数情况下，假设组织对链接模型中的每个不同决策给予同等重视是不合理的。

例如，考虑以下两个营销决策：“我们应该如何为特定市场的产品定价？”以及“如何提高我们社交媒体文案的有效性？”第一个决策所需的数据通常被认为比第二个决策所需的数据更有价值。通过为决策分配不同的相对重要性权重，将这一观察结果纳入框架。使用的加权方法在两个小节中进行了详细解释：“分层加权”和“中性良好摆动加权”。3.2.1层级权重比较来自非常不同的业务流程的决策的重要性在认知上要求很高，通常会导致一些武断的判断（Saaty 1990）。财务决策“我们需要多少现金流？”与“我们需要干预我们的费用索赔政策吗？”可以作为一个例子。因此，分层加权用于分解挑战，以便只有来自同一流程的决策才能相互加权：o在价值流层面上，权重 价值流 相互之间的评级 .  o  在流程层面，权重 对于每个过程 在价值流中 相互之间的评价。过程权重 每个价值流必须总共1个，即。 .  o  在决策层面，权重 每一个决定 进程内 价值流分析 相互之间的评价。同样，这个决定很重要 每个过程必须总共1个，即。 .

这种结构遵循了多标准决策分析中成熟的价值树方法（Keeney&Raiffa 1976）。6 3.2.2中立的良好摇摆加权简单的直接重要性判断（例如，要求参与者在0[无关]和10[绝对关键]之间的范围内对每个价值流的优先级进行评分）通常会导致结果扭曲，为了两个儿子。首先，如果没有明确描述重要性量表的含义，参与者可能会对重要性量表做出完全不同的解释（例如，在0-10的量表中，5实际上意味着什么）（Belton&Stewart 2002）。其次，商业活动中增强决策的价值取决于由此产生的绩效差异对组织的重要性，而不是其绝对价值（Cascio&Boudreau 2011，Keeney 2002）。例如，人力资源流程“管理工资单”具有高度相关性，但通过更好的决策改进人力资源流程的价值对于大多数西方组织来说非常有限，因为它通常已经做得足够好了。为了避免这两个陷阱，我们使用了摆动加权（Edwards&Barron 1994，von Winterfeldt&Edwards 1986）和中性良好范围（Bana e Costa 1996，Bana e Costa et al.2002）。假设一个规模较大的“平均组织”，其在感兴趣的业务职能中做出决策的能力仅为平均水平（中位数），这意味着50%的其他组织在做出每个标准决策方面更好，50%更差。

决定摇摆 供决定 进行中 价值流分析 定义为平均组织决策能力的提高 从“平均水平”到“前10%”，其他都一样。通过使用秋千，所有参与者的重要性评估都基于一个充分共享的认知，即在每个ar ea中，平均组织的决策能力可以在多大程度上得到实际提高。使用经典的摆动加权，评估员 首先被要求说出他们在流程中最重要的决定 价值流分析, 说, （Bottomley&Doyle 2001）。这个秋千承受一个临时重量 %. 这样做可以建立一个参考量表。对于所有其他决定 在这个过程中，评估员被要求估计摆动的价值 相对于. 例如， % 和 % 这意味着 和 分别具有改进决策的三分之一和三分之二的价值. 但改善决策 和 同时也应该被认为和改进决策一样有价值 由评估员 谁提供一致的重要性判断（一致性检查）。临时重量 之后，每名参与者的体重都正常化为 以至于 . 然后，计算归一化权重的几何平均值 从所有参与者中分配到. 几何平均数通常被决策分析人员在实际小组讨论中用作简单的一致性估计（例如Saaty 1990、Vaidya&Kumar 2006）。

最后，所有决策权重 再次正常化，以便 .一些参与者发现，与其比较提高某些决策、流程和价值流的决策能力的价值，不如想象一下在一个普通组织中，有多少事情会在现实中出错。图2。使用卡片摆动权重（例如6个值流）。7流程权重 和价值流权重  也可以通过让参与者比较成功决策过程中的平均表现与最佳表现之间的差异来得出结论  和价值流, 分别地总重量 每一个决策的核心是产品 具有  和  分别指决策所依据的价值流和流程  属于。注意 . 为了让参与者有动力深入思考摆动的相对价值，他们应该在对话中了解自己判断背后的原因（Keeney 1992）。还应进行加权一致性检查（French et al.2009），如最后但并非最不重要的段落中给出的示例。为了使偏好诱导更具互动性，可以要求参与者使用A3纸上的卡片进行摇摆加权，并给出加权方法的说明（见图2）。其他方法，如AHP（Saaty 1990）、MACEBTH（Bana e Costa&Vansnick 1994）、SMART（Edwards 1977、Edwards&Barron 1994）和权衡加权（Keeney&Raiffa 1976）等，从技术角度来看肯定同样适用（P"oyh"onen&H"am"ainen 2001）。我们选择swing weighting主要是因为它对成对比较的需求有限，而且对于非专家来说，它的技术透明度很高。根据Mau Crimmins等人的研究。

（2005）和Schoemaker and Waid（1982），我们希望这种方法的简单性将促进从业者对其的接受和理解（另见Belton&Stewart 2002，Edwards et al.1988，Keeney&von Winterfeldt 2007）。3.3数据支持 对于决策而言，并非所有决策都能通过业务分析得到同样好的信息。长期战略决策（例如，“我们应该有多少不同的供应商？”）通常比重复的运营决策（例如，“我们是否需要干预供应商的交付绩效？”）更难用分析推理来支持。因此，我们提出的框架包含参数数据支持, 这表明决策在多大程度上应该由数据驱动。每一个决定, 要求具有强大分析背景的专业人士提供 在0-1的范围内。例如， 0.4表示决策应基于40%的定量思考和60%的定性思考（例如经验、常识、逻辑或观察）。与权重类似，并再次遵循“群体智慧”思维（Ariely et al.2000，Surowiecki 2005），参与者数据支持估计的几何平均值随后被分配到决策中。在对该框架的试验中，参与者认为，给目标分配精确的数字既困难又乏味. 为了使获取参数成为一项更令人愉快的任务，我们使用了一种对称的利克特式测量量表（Carifio&Rocco 2007，利克特1932），它有五个响应选项：几乎没有( %), 低的( %), 中等( %), 高的( %) 而且几乎足够了( %). 此外，响应选项“不可能提供数据支持”( 对于无法通过分析推理获得有意义支持的决策，包含0%。

为了让调查变得更愉快，可以要求参与调查的专业人士将彩色圆形图放在屏幕上。3.获取数据支持  带有0-1刻度和彩色标签（例如，一个流程有6个决策）。每个决策上有8个标签，以表明他们认为它属于六个可用数据支持类别中的哪一个。图3示出了该评估过程的示例。3.4优先权指数 通过使用分析作为中间层，框架将数据项与决策联系起来。作为一个近似值，我们对所有数据项进行评估，认为它们在通知与其相关的决策方面同样有用。这种近似是必要的，以避免为每个分析和每个数据项引出一个权重参数；缺点是，它使决策中的数据项的值取决于与该决策相关联的其他数据项的数量。这种模拟可能会导致高估或低估数据项的贡献，从而为特定决策提供信息。我们还假设，即使决策者不具备某项分析所需的所有数据项，负责人仍可能从中得出一些结论。例如，有根据的猜测、行业调查、模拟或盈亏平衡分析可用于缺失的数据项（例如，Cascio&Boudreau 2011、Jackson 2007）。  如果数据项 与决策相关（通过至少一项分析）; 否则0。还有，让我们 是数据项的数量 影响决策. 此外，回想一下该产品 是决策的总体权重 和 通过数据支持对决策的有用程度来调整权重。

数据项的优先级索引 定义为加法函数   可以解释为对数据项的总体相对重要性的估计 用于改进平均运行的业务功能。4人力资源应用本研究中提出的框架的开发由一家专门从事商业分析的中型咨询公司发起并提供资金。该咨询公司希望为其人力资源软件包的客户提供建议，告知他们应该存储哪些关于员工和人力资源活动的数据。该项目采用嵌入式研究模式（Marshall et al.2014，Wong 2009）进行，这是应用研究领域的一个新兴趋势，各组织雇佣和接待学者进行严格的内部研究，以满足接待组织和学术界的需求。图4。人力资源流程图。9.4.1链接模型流程图涵盖了人力资源部门的标准活动，如许多手册所述（例如，阿姆斯特朗和泰勒2014年、布拉顿和黄金2012年、米切尔和加姆2012年）。虽然章节（“价值流”）和子章节（“流程-es”）的分组在不同的书籍中有所不同，但对于人力资源中的主要活动存在普遍共识。图4所示的流程图反映了参与嵌入式研究项目的几个人力资源顾问和咨询客户对如何以有意义的方式对这些标准活动进行分组的意见。典型的人力资源决策包括“针对个别缺勤情况应采取什么行动？”以及“我们需要多少备用容量才能实现业务连续性？”通过查阅人力资源手册和采访人力资源专业人士，共确定了55项标准人力资源决策（见附录a）。

该清单包括具有重复性的运营决策和战略性一次性决策。典型的人力资源分析包括绩效得分与薪酬之间的相关性、预计离开公司的员工人数预测、填补空缺的时间、员工数量以及角色绩效差异的估计货币价值。我们收集了298份描述性和预测性人力资源分析，并将其分配给适当的决策。共有202篇选自学术和专业文献（如Bassi等人2010年、Becker等人2001年、Boudreau 2010年、Cascio&Boudreau 2011年、Davenport等人2010年、Fitz enz 2010年、Fitz enz&Davison 2001年、Infohrm 2010年、Kavanagh&Thite 2009年、SilkRoad 2012年、Smith 2013年），以及过去咨询项目中的其他内容，以及为此接受采访的人力资源分析师提供的建议研究图5统计属于每个HR流程的分析数量。从这个气球图可以看出，在过去几十年中，一些人力资源流程（如招聘和人力资源规划）受到了学者和人力资源分析专业人士的广泛关注，而其他流程（如灵活的工作和组织设计）则没有得到太多的关注。人力资源数据项的示例包括能力评估、出生日期、纪律处分日期、员工之间的电子邮件流量、已收到特定人力资源沟通信息、工作板使用数据、参与工作与生活平衡计划、薪资基准、角色的战略重要性、充分发挥生产力的时间以及用户对在线申请流程的反馈。