企业背景
中国是博世全球第二大市场，是博世除德国以外拥有员工人数最多的国家，截至2018年12月31日，公司在华员工人数约为60,000名。汽车制造长期以来一直是博世的主营业务，其产业链遍布汽车生产所有的制造环节。近年来，汽车行业受到了外部经济环境的影响，为了更好地迎接挑战，博世的业务也逐步走向多元化，提升其抵御风险的能力。目前，博世在中国的主营业务包括销售汽车零配件和售后市场产品、工业传动和控制技术、包装技术、电动工具、博世家电、博世服务解决方案、安防和通讯系统以及热力技术等，是一家多元化的企业。
劳动力管理数字化契机点
博世当前所面临的关键业务需求主要有以下两点：
转型为IOT企业的业务战略：
近年来，博世内部面临业务转型，即从传统的工业企业转型为一家IOT（The Internet of Things，物联网）企业。IOT企业最大的特点便是其本质为一家软件公司，是物、网络和智能（芯片、软件）的结合，在这样的背景之下，劳动力管理方式需要随之做出调整。
外部业务环境的压力：
汽车业务遭遇“寒冬”，如何能够精简成本？在业务增长速度没有以前那么快的时候，如何保持一个较高的利润率？多年来，通过数字化的手段博世已经有效地提升了效率与服务质量，但是博世发现除了数字化的手段，流程本身对于业务效率的提升也有着决定性的影响。为此，博世中国的人力资源共享服务中心于2019年引入了精益管理的理念，其目标为捕捉、消除浪费，精简成本，更好地满足客户与员工。共享服务中心需要在其中借助数据与技术，更好地提供支持与服务。
人力资源共享服务中心对于浪费的捕捉与消除
“浪费”是精益管理中的核心思想，其存在形式多种多样。其中部分浪费是可以借助数字化手段在系统中被观测与捕捉的。在劳动力管理方面，同样存在一定的浪费，此时人力资源部门便需要针对不同的浪费进行识别，并提供优化的方案与手段。
考勤方面的浪费与消除
在这样的变革中，博世中国的人力资源共享服务中心一直处于“第一战线”，以服务为核心思想，与业务紧密地联系在一起。在精益管理理念的指导下，共享服务中心与工厂联合启动了相应的项目，以考勤为着手点，了解目前存在哪些浪费。结合考勤员的操作与系统的数据，博世发现发现并消除以下存在“浪费”：
✔ 博世现有近百名考勤员，通过数字化的手段可以减少考勤工作量，使更多人力集中于高价值的工作。
✔ 考勤数据存在大量的重复和错误，对于数据的清洗、修改花费了较多的时间，致使工资结算进度也受到了影响。
通过以上优化，博世的部分子公司节省了近50%的考勤员人数，人力成本大大减少，另外在考勤的质量、准确率、体验上都得到了大幅度的提高。
人员能力的浪费与消除
如何让每一个员工“人尽其才”是企业需要重点思考的问题，在工厂中原本具有较高潜力、可以从事高价值工作的员工如果仅从事重复性劳动，对于企业和员工本人而言，其本质也是一种浪费。由于涉及对人员能力的评估，因此，如何去观察、捕捉这样的浪费显得更加困难，博世的做法主要如下：
能力矩阵模型数据收集：博世的每条精益生产线都会有专属的矩阵能力模型（skill metrics），这一模型包含的内容为员工今年的状态、明年的状态、计划达成的状态。但以上大部分数据过去仅有书面记录，并未录入系统，人力资源部门便将这部分数据进行了收集，并进行人工智能分析，为后续人员的排班筹划（Mapping）打下基础。
工业4.0对劳动力管理带来的影响
对于劳动力管理的定义
传统看来，劳动力管理的定义可能是人力资源的招聘、劳动关系的管理、合同管理等。然而，劳动力管理在增加一些新的内容，即在工厂中，劳动力管理还会有关于劳动力技能的管理（如：适应市场和变化的能力，领导力的培养等）、意识和理念的管理等。
对劳动力管理带来的具体影响
✚ 劳动力需求的减少：过去的企业生产劳动密集程度高，现在随着自动化、智能化的普及，产品的更新换代，企业对劳动力的需求大幅减少。但同时也是劳动力角色的转换，就是企业会需要很多新的角色，如：增加维护保养机器的角色等。
✚ 对于劳动力技能的要求发生变化：员工需要去掌握新的技术。过去工程师可能只需要进行机器维修维护，但现在，工程师还需进行数据分析及生产系统的维护和配置等。对蓝领工人企业过去只是要求操作，但是现在企业还要求工人要懂机器基本的维护。
对劳动力管理的理解
对于劳动力管理的理解，我认为的确是“一千个读者会有一千个哈姆雷特”，大家的理解都是会基于自己的业务环境有一些差异。就博世的业务而言，对于劳动力管理的理解有一个比较好的切入点便是精益生产管理的思想，以这样一种思想切入可以把劳动力管理里面碎片化的要点都有效串联起来。
作为制造企业，提升生产效率是一个永恒的话题。从传统的角度看，大家会比较多地聚焦于某个部门或业务条线，使其提升效率。但实际上，组织架构更多时候是一个“矩阵”，提升生产效率是多个部门与业务条线协同“作战”的结果。虽然大家对于“提升效率”这一目标有共识，但当企业内存在多个部门时，难免存在组织壁垒，出现各自为政的情况。因此借助精益管理的思想，更多是对企业内的价值流进行梳理与合并，让价值流本身成为一个具体的产品，让大家都为这一个产品的产出齐心协力。当价值一致后，我们便可以更好地谈劳动力管理。
以能力的浪费为例，原本大家各自为政的情况下，即使我们发现某个员工的潜力可以胜任更有价值的工作，但他可以移动的岗位可能仅限于自己的生产线或部门内部。但是，通过精益生产管理的重新梳理，这名员工可以转岗至价值链上的任何环节，只要最终的结果上是减少浪费的。
总而言之，我认为劳动力管理最核心的要点在于人尽其才，即打破组织壁垒，释放每一个人的潜力。要实现所谓的“人尽其才”需要有多种因素的辅助，如：对于高级员工在考勤上能否有更好的支持？对于这些人员的薪酬是否可以设置更高的付薪范围等。在这个过程中，你可以辅之以人工智能技术，但人工智能技术也仅仅是在价值链统一的基础之上的一种辅助手段，并不是说用了人工智能就一定会成功。因此在内部流程尚未厘清时便盲目跟风地应用所谓的新技术，反而有可能会造成大量的浪费。劳动力管理的一方面是管理流程，另一方面是管理人，只有从组织架构出发，以用户为导向，技术才会成为很好的“加速器”，更快更稳地推动组织变革，产生最大化的价值。
人工智能在工厂中可能会应用的场景
人工智能的切入点一定是来源于业务的痛点和聚焦点。就工厂来说，我们原本的关注点更多在于提升生产效率，在做了大量工业4.0的应用后，我们也开始思考人工智能更多的应用方向，如：人员的管理。就我看来，人工智能可能在以下具体场景可以有较多的应用：
✔ 员工能力模型的搭建；
✔ 自动排班；
✔ 工伤高风险岗位的及时预测与提醒；
✔ 生产异常报警；
✔ 机器人根据不同物料的运输路径按时按点进行物料的传送。
工厂进行劳动力管理智能化的前提条件
所有智能化最大的前提便是数据，如果企业本身没有数据的积累，也没有对数据做过任何的治理，一切大数据分析、智能化都是无从谈起的。因此收集好、利用好数据是至关重要的。
对于工厂来说，企业需要明确在系统里设置哪些数据。如：通过观察，确定整个生产流程中应该设置哪些观测点，这些观测点的特质是与最后交付、成本、质量之间有强关联。然后企业通过对这些观测点上数据的采集，形成基本的数据架构，经过5-10年的数据积累，才有可能实现智能分析。
与工厂数据整合所遇到的问题
智能化最大的挑战在于没有数据，所谓“巧妇难为无米之炊”。很多企业不愿意做这样的改变就是没有数据或者数据混乱的情况已经持续了很多年，一下子要开始进行数据梳理和治理需要花费大量的人力、精力，并且这一工作的初始阶段回报微乎其微，很多企业便会望而却步。
在工厂中，很多企业的人力资源部门无法整合工厂端的数据往往在于双方视角不同，目标不一致，难以对现有问题达成共识，信息流也是不清晰的。因此“没数据”、“有了数据也不知道怎么搭”是目前数字化进程中的“两座大山”。
作为人力资源部门，在这样的进程中并不是完全没有着手点的，我们更应该找到一种动力驱动工厂端、业务端的员工克服抗拒变化的心态。这种动力往往来自与企业战略、业务情景、外部的经济环境，比如行业寒冬，企业需要压缩成本就是一个较好的契机点。
