数据和知识健康度：企业转型的赋能关键

或者相反，或许更糟：我们推迟必要的举措，因为我们的数据仓库不够有序。“我们还没准备好”往往反映了数据完整性和资源准备度的问题。

单个举措和更大的转型项目需要数据和知识的适配性，而不是作为“以后”的事情，也不是作为勾选框、冲刺或表面仪表盘项目。即使为上线而清理干净，也并不意味着“完成”。

数据是适配性。知识是适配性。

而适配性永远不会一劳永逸。

如果你曾经为任何事情训练过——一场比赛、一次康复、一次重塑——你就知道：你不会毫无准备就上场并期望表现出色。你增强力量，培养习惯，并践行纪律。你注重细节，这样你的身体（或企业）在压力来临时才不会崩溃。

为什么数据和知识的适配性很重要？

工作世界日益数字化、分布式和全球化。无论你的企业是大是小，劳动力的期望比以往任何时候都高，并且不断发展——消费体验为无摩擦、直观的工作体验设定了高标准，个性化是基本要求，劳动力的代际转变意味着必须考虑不同的价值体系。

构建满足期望的系统和体验的机会不仅仅是服务利益相关者。人力资源共享服务的演进、AI优先和代理支持的工作流程，以及对员工服务的直接访问，意味着我们正在创造专注于战略工作的能力、同理心和更多关系互动。

数据和知识的适配性还可以通过确保所产生的内容、见解和决策——尤其是由AI产生的——基于准确、最新和上下文相关的信息，来降低企业和人员风险。没有它，你可能会面临错误信息、信任侵蚀以及放大偏见、不平等或法律风险的行为。

大多数高管都同意，他们最好的竞争和战略优势在于如何最大化并优化他们最有价值的资产：人是最重要的。例如，许多员工拥有企业的机构知识。

据估计，管理不善、冗余或琐碎、冲突或过时的知识平均会使企业损失年收入的25%，根据Bloomfire的《2025年企业智能价值报告》。将知识视为不断演进的、驱动收入的资产，可导致47%的目标和关键结果（OKR）实现率更高，39%的团队速度和效率提升，以及23%按人均收入衡量的生产力提升。

所以，是的，适配性有回报。

没有数据适配性的转型是表演

美世支持数千个转型和技术项目，所以我们知道：我们很少从成功所需的原材料开始。很容易将变革视为设计、技术、时间表、沟通和培训。但真正的基础是数据和知识的设计——它们如何收集、治理、使用，以及是否适合目的。

而现在，这个目的比以往任何时候都变化得更快。

我们正在重新思考工作如何完成。生产意味着什么。人类和机器如何共同创造。我们正在从僵化的层级结构转向动态的技能生态系统。从手动工作流转向自动化、AI增强的价值流。从通用体验转向个性化、有意义的体验。

AI驱动的人力资源和工作演变如何获得动力

• 结构化数据 使用严格格式（称为模式）的数据，由预定义的键值对组成。干净、正确的组织和人员数据驱动分析、报告、业务流程、工作流和自动化。
• 非结构化数据 具有松散或没有模式的数据，通常格式多样且不一致。准确、可访问的知识内容，如文档、图像、视频和音频，驱动信息收集、批判性思维和决策。

没有干净、连接、持续刷新的数据，这些都不会发生。

健身不是一次性的活动——一次锻炼。它是一种生活方式的改变，一组你为了保持健康和为未来做好准备而养成的习惯。你可以从了解更多关于你的身体、营养、不同的锻炼和锻炼方式开始，但在某个时刻，你需要直接开始。在合理的限度内开始锻炼，以防止意外拉伤肌肉或过度劳累。

然后，你可以调整你的日常，选择正确的锻炼和组数、次数以达到你的目标，或者调整你的饮食，根据你的目标，摄入更多或更少的卡路里，增加或减少宏量营养素，以实现最健康和最有效的目标。随着你的目标改变，你可以进一步优化所有这些——而随着你的前进，目标也会改变。

这是一个有趣的类比，因为在健身中，锻炼是令人兴奋的部分，是给你肾上腺素飙升或多巴胺激增、让你感觉良好的部分。另一方面，饮食是很多人挣扎的部分——计算卡路里可能有问题，调整宏量营养素感觉像工作，而所有这些都要在吃美味的食物时进行，似乎很难。但饮食占健身方程式的80%（或更多）。你摄入身体的东西对于为你想从身体中获得的能量加油至关重要。

当准备部署新技术或使用AI、设置仪表盘和工作流、构建自定义生成式预训练变换器（GPT）以及发布机器人时，这很像锻炼。你需要逐步提升，但它是最令人兴奋的部分，就像达到新的个人纪录（PR）一样。你分析和训练模型的数据，包括结构化和非结构化，更像是营养。

如果你不计算卡路里、不监控宏量营养素——就像在组织和人员数据中拥有正确的字段和有效输入，并确保你的知识内容是最新、准确且有用的——那么你无法达到个人纪录（PR），甚至可能在尝试中受伤。

它们共同推动参与度、释放产能和关键能力，并在劳动力和技术投资上带来可观的ROI。

坏数据 = 大风险

事情是这样的：当数据被事后考虑时，下游一切都受影响。AI模型会产生幻觉。自动化触发错误的工作流程。薪酬决策错失公平目标。人才战略在错误假设下崩溃。员工因实际体验与我们的承诺不符而疏离。

这不仅仅关乎效率——它关乎信任、伦理和风险缓解。一个不相信系统能准确“看见”他们的员工队伍永远不会全力以赴。一个基于过时、不准确或有偏见数据运作的系统永远不会公平。一个无法信任其洞察的企业永远无法快速行动以参与竞争。

垃圾进，垃圾出

• 内网或HR门户的用户体验欠佳
• 对不准确或不相关信息感到沮丧
• 大量常规咨询和0级工单
• 服务交付不一致且效率低下
• 报告、分析、定向和个性化的能力有限

数据和知识是数字成功的基础

任何形式的自动化，包括代理型AI，都由你的数据架构和完整性——结构化数据驱动。GenAI由知识内容——非结构化数据驱动。如果没有这两者，部署HR或劳动力技术和AI将面临重大风险。这会导致能力受限、产生误导或不准确信息的可能性，以及低采用率。

这一基础对数字部署至关重要。具有正确结构和属性的面向未来的数据架构支撑着有用、可用的体验，并可直接访问信息和服务。

它们共同推动参与度、释放产能和关键能力，并在劳动力和技术投资上带来可观的ROI。

像对待花园一样对待内容，为成果而收获

这不仅仅是为了清洁而清洁。而是设计和维护能够跟上现代工作速度和复杂性的数据系统。

那么，你如何将真正的数据和知识适应性融入你的转型议程？

治理需要嵌入你的运营模式，而不是作为补救措施附加。要具备数据即产品的思维：始终可用、始终演进、始终与业务实际运行方式保持一致。

• 谁拥有数据？
• 谁维护它？
• 谁基于它做决策——以及他们如何知道它仍然有效？

企业往往过度关注结构化数据——如职位代码、薪资区间和能力框架——因为它们更容易控制。但如今最有价值的洞察往往存在于混乱的中间地带：

• 绩效反馈
• 项目总结
• 政策、计划和程序
• 协作信号
• 来自聊天、电子邮件和调查的自然语言
• 音频、视频和情绪线索

员工每天都在产生信号。如果你忽略非结构化数据，你只看到了部分图景。

实用提示：

• 使用AI/ML驱动的工具分析非结构化内容，以获取技能、参与度和新兴需求。
• 将其与结构化记录系统配对，以确保一致性和可追溯性。
• 构建连接器——不要强制将所有内容整合到一个系统中。灵活性是适应性的一部分。

适应性不是一次大的排毒，而是日常的重复。以同样的方式对待你的数据。

• 在工作流程中构建验证（不仅仅是事后审计）。
• 让人们轻松更新自己的信息——尤其是技能、偏好和目标。
• 使用反馈循环持续改进（和纠正）你所依赖的数据。

将其视为“数据在行动”，而不是“设置后就不管”。鲜活的数据，与人们实际的工作和发展方式同步流动。

数据有价值不是因为准确，知识有价值不是因为最新。它们有价值是因为能够推动更好的结果。

• 清晰的技能数据能解锁什么？更智能的流动性和内部人才管道。
• 准确的薪酬数据能促成什么？公平分析和负责任的薪酬透明度。
• 当反馈循环及时且真实时会发生什么？信任建立，AI输出改进，员工体验变得更清晰。

如果没有与价值的清晰联系，没有人会优先考虑数据和知识管理。让影响可见且可重复。

你可以投资市场上最好的工具——自动映射、技能本体论、实时分析——但如果你的员工不关心输入的质量，你就错过了重点。

适应性是一种生活方式。将习惯融入工作流程：

• 奖励贡献和准确性。
• 设计使更新数据变得简单、直观甚至愉悦的界面。
• 建立对良好数据和知识如何带来更好决策、更公平结果和更快进展的共同理解。

数据和知识适应性不是后台卫生任务——它是转型的推动者。

如果你的组织认真考虑扩展AI、提供个性化、重新设计工作或在快速变化的环境中建立信任，你的数据和知识不能仅仅是可用——还必须准确、敏捷并具有生命力。像对待肌肉一样对待它：构建它、训练它并保持健康。