本周上新会员课程 👇

6月11日，我们邀请了DHR公会联合创始人、前腾讯eHR总监、HR数字化顾问/教练——张东超老师在直播间分享《对话即洞察，数据驱动HR决策新未来：AI数据决策助手来了》的话题，引起了学员们的热烈关注。以下是部分直播内容实录，供大家学习与思考。

AI决策助手产品演示

张东超老师在直播过程中详细介绍了一款名为"决策助手"的AI产品。这款基于本地电脑部署、通过浏览器访问的智能工具，以其独特的对话式交互方式重新定义了数据获取与分析的工作模式。

在产品演示环节中，张老师展示了产品从构想到落地的完整闭环。这款仅用一个月时间就构想变为现实的产品，其核心能力主要体现在三个方面：精准理解用户意图、智能指导数据获取与呈现、基于数据的深度分析洞察。

登录系统后，用户面对的是一个简洁的聊天窗口，无论是"上海有什么好吃的"这样的日常询问，还是"部门平均工资"这样的专业查询，系统都能通过本地部署的大模型给出恰当回应。

特别值得注意的是，系统能够根据用户权限自动匹配数据源，并支持"只查看技术部和财务部数据"这样的细化需求，展现了出色的场景适应能力。

在直播中，张老师重点剖析了系统处理"团队学历结构"查询的全过程。与简单查询相比，这类复杂指令的处理时间会适当延长，因为系统需要完成从意图分析、数据源确定到结果展示的完整链路。

这种设计并非效率不足，而是为了确保每个环节的准确性和可靠性。

在实际应用中，用户可以通过"哪个年份的员工最多"这样的追问获得更深入的洞察，系统不仅能提供具体数据，还能自动计算差异，揭示数据背后的业务逻辑。

在可视化方面，"决策助手"展现了强大的智能判断能力。当分析员工年龄结构时，系统会自动选择饼图等最合适的展示形式，并支持用户灵活切换分析维度。

这种设计不仅使数据呈现更加直观，更能帮助管理者发现诸如"不同年龄段员工晋升规律"这样的深层洞见。

此外，数据助手支持多维度分析，现场展示了招聘渠道、招聘职位、招聘成本三维度的数据分析，系统会自动生成综合分析报告，为人才战略制定提供数据支撑。

在分享过程中，张老师指出，这款产品的价值不仅在于技术实现，更在于它代表了一种趋势——未来的数字化工具将越来越注重以人为中心的交互设计，而驾驭这些工具的关键在于保持开放学习的心态和实践探索的勇气。

AI决策助手

重塑企业数据分析工作方式

在深入探讨数据探索的过程中，张东超老师特别强调"决策助手"如何重塑企业数据分析的工作方式。

传统的数据分析流程往往始于业务部门提出问题，分析师需要花费大量时间理解业务背景并寻找相应数据支撑，而"决策助手"通过将业务理解与数据分析深度融合，实现了从问题到洞察的智能化跃迁。

以"提升企业人才招聘质量"这一典型场景为例，系统不仅能够快速识别这是一个业务导向的议题，更能主动建议可衡量的关键指标，如招聘渠道效率、面试评估分数与员工培训满意度的关联性等，这种将业务思维与数据思维有机结合的能力，显著提升了分析工作的起点质量。

在具体的数据处理环节，"决策助手"展现了出色的场景适应能力。面对招聘相关数据的查询需求，系统能够自动识别并整合分散在不同系统的数据点，从招聘渠道效果到面试评估结果，再到入职后的培训反馈，形成完整的分析链条。

值得注意的是，系统具备智能判断数据可信度的能力，当发现数据量不足或质量存疑时，会明确提示分析结果的局限性，这种透明的数据态度有助于培养用户对系统的信任。

特别是在分析高评分候选人比例与招聘质量相关性时，系统不仅给出统计结论，更能指出数据样本的局限性，引导用户理性看待分析结果。

将应用场景拓展至销售领域后，"决策助手"再次证明了其跨职能的适应能力。

销售管理者通过系统可以直观比较不同团队的业绩表现，深入分析人均销售数据背后的驱动因素，这种从宏观到微观的穿透式分析，改变了传统销售管理依赖经验判断的局限。

更值得关注的是系统处理非结构化数据的能力，在人才画像分析场景中，系统能够从海量的员工评估、项目反馈等文本数据中提取关键特征，构建动态的能力标签体系，为人才发展提供数据支撑。

这种将定性信息定量化的能力，使得原本难以衡量的组织健康度、团队战斗力等软性指标变得可测量、可分析。

张东超老师特别介绍了产品的"自动数据洞察"功能，在该模式下，用户只需提出业务问题，系统就能自动完成从数据获取到洞察生成的全流程，大幅降低分析门槛。

但系统并非完全取代人工判断，而是通过智能化的数据预处理，如关键指标的预计算、数据质量的自动校验等，将分析师从繁琐的基础工作中解放出来，专注于更高价值的业务解读。

这种"机器处理数据，人类理解业务"的分工模式，既发挥了AI的处理效率优势，又保留了人类的管理智慧，为企业决策提供了最佳平衡点。

互动问答环节

在本次直播中，我们也收到了许多学员的在线提问。我们挑选了一部分问题整理成内容回顾，旨在为大家提供有价值的学习和建议。

Q：AI进行决策分析时，如何与数据源连接？源数据主要来自哪里？

张东超老师：连接方式：AI（大模型）不直接获取数据，而是通过理解元数据（数据含义）后，指导代码去数据源获取数据。例如，大模型先识别源数据对应的元数据，明确数据含义，再按指令维度进行分析。

数据来源：不限定单一系统，可来自EHR系统、数据中台、数据湖、数据仓库……

Q：AI如何简化数据洞察的技术实现？

张东超老师：传统方式需开发团队写代码实现，如今借助大模型能力（如意图理解、数据匹配、非结构化数据洞察等），个人可通过工具快速落地功能。例如，大模型能自动完成数据获取、多维度分析，减少对团队协作的依赖。

Q：数据洞察的结论来自大模型本身还是小模型训练？

张东超老师：目前主要依赖大模型能力，不建议训练小模型。原因包括：1.大模型能力已足够强，且迭代速度超过小模型训练节奏；2.模型微调需要准备高质量的数据集，成本高，而且HR领域能满足模型微调的数据集很少。通过智能体的代码能力、实现可控性地调用大模型，基本上都能满足生产需要，因此不建议在HR领域花精力研究模型的微调。

Q：如何控制AI的数据权限？

张东超老师：大模型不直接获取数据，而是通过代码调用接口获取数据。因此，可在代码层面添加权限控制（如行权限、列权限、组织维度权限等），灵活满足不同场景需求。

Q：数据量大时，如何保证报表展示效率？

张东超老师：通过大模型协助预建模、预计算，对原始指标进行二次或三次加工（如统计汇总），缩小数据量。例如，避免直接分析10万条明细数据，转而使用加工后的统计数据，解决上下文冲突和效率问题。

Q：未来AI大模型能否与BI工具连接？

张东超老师：传统BI依赖规则生成洞察，难以覆盖所有业务场景；而AI大模型可基于数据自动挖掘洞察，无需预设规则。未来BI可能需按AI驱动的方向改造，实现更灵活的洞察分析。