人才画像是借用电商领域的客户画像的概念，并进一步演化而来的。
就像电商领域获取用户年龄、性别、地域等各种基本信息，记录用户浏览、搜索、放入购物车、付款等行为，进而描画出用户画像，针对不同用户进行针对性的广告、优惠券等的投放，从而提升成单概率。
同样的，人才画像从产生的第一天起就是依赖于数据的，脱离了数据也就没有所谓的“人才画像”。很多人会反问，现实中有大量的脱离了数据的“人才画像”啊？比如猎头或内部招聘专员也会编制“人才画像”啊？
是的，那是一段文字描述，如果有人非要把它叫做人才画像，谁也拦不住。但这段文字描述除了能够在一定程度上增进和统一不同人员对用人需求的理解之外，没有更多意义。
而只有回到数据层面来看待人才画像，我们才能够盘活和深入应用员工在企业活动中所积累的大量数据，不仅限于各种基本信息，如年龄、性别、教育背景、专业等；更主要的是各种过程性数据，比如员工的任职履历（经历对一个人的塑造太重要了，该走的路必须要扎实地走完，因此也常被称为“关键历练”）、项目工作经历、海外工作经历、工作业绩、能力测评结果、个人发展计划（IPD）完成情况、考勤休假数据、薪酬数据，等等。前者相对稳定，而后者则具有不同程度的变动性，并随着员工在企业内的职业生涯周期而不断更新发展。企业正是要从这些大量数据中找到那些能够支撑企业发展、创造更高业绩的员工的特征。
对待数据的态度、数据应用的深度，是信息化和数字化的本质区别之一。信息化的主要着眼点在于将“线下”业务搬到“线上”去，在线上完成各种业务操作，如流程审批、业务协同等等；数据应用是辅助性的，比如信息查询、统计报表等。而数字化则是信息化基础上的升级，更加强调数据的全面获取和通过数据深度应用提升业务，用我们经常说的一句话来形容，就是“数据结构就是业务结构”。
谈人才画像，就必须谈到一个概念，叫做“人才标签”。简而言之，人才标签是将数据初次处理成信息。
首先要理解数据和信息之间的联系和区别。打个比方，数据就好比是一段摩尔斯电码，三短三长三短，“...---...”；而信息呢，则是这段摩尔斯电码背后的含义，这是“SOS”，国际通用的紧急呼救信号。
类似的，在电商领域，20到35岁、女性，这是消费需求非常旺盛的群体；如果再结合上职业、收入、所处城市等信息，将了解到其支付能力；如果再加上其消费习惯，则可以了解到其偏好，比如美妆、服饰、鞋靴、零食、旅游等等，可以进行非常精准的营销。前述各个数据就构成了一系列标签，推测建立“职场妈妈”“美妆偏好”“童装偏好”等用户画像。
同样的，在人力资源领域，也可以打上各种标签，比如根据毕业院校，打上“双一流”“985”“211”标签；根据留学经历赋予员工“留学”标签；根据是否有海外工作经历赋予“海外工作”标签；根据产品研发、运营经历和角色，打上“从0到1”“产品迭代”等标签。总之，通过打标签的过程，原来看似庞杂的信息也就完成了初步整理，变得更易读和理解。
当然，打标签的过程也必然具有某种倾向，换言之，是企业根据自身需要给数据赋予含义的过程，否则为什么要对毕业院校的等级进行区分，为什么要特别注意“留学”“海外工作”经历，等等。数据是没有倾向性的，是客观的；而信息则是有价值指向的，是结合了主观需要的。
我经常打一个比方，人才画像是最终的房子，而人才标签则是建筑构件，数据就是各种建筑材料，这三者是逐一递进的关系。
因此，通过上面的分析，我们是否可以对前面的问题作出判断，“手动赋予标签”是否可行？基本不可行。因为员工数量之大，数据之庞杂，足以让人为赋予标签这件事情没有可行性；另外，数据是随着业务不断变化的，因此标签也需要及时更新。大家可以估算一下，对于一个5000人规模的企业，各类标签初始化和随时更新的工作量有多大。换言之，这就不应该是靠人来干的事情，因为计算机根据一定规则去分析、整理数据是最擅长的。
但回旋镖来了，很可能是数据不行，无法满足计算机自动生成标签的需要。那么，应当去解决数据问题，进行数据治理，而不是用手工方式，而且手工方式也根本无法满足数据计算的需要。而如果一定要用手工方式进行人才标签生成的话，那么结果只有一个，人才标签严重滞后于数据更新，造成人才画像应用大打折扣或不可用。
企业内外部环境变化如此剧烈，企业内部组织调整、人员配置的频率更快，如果想让人才画像更好地支撑企业排兵布阵、点兵点将的话，一定基于数据和规则自动生成人才标签。
当然，这就需要算法、算力的支撑，高效、准确且及时更新，不要试图“人肉替代”，这个想法从一开始就不要有，这是“马拉火车”的逻辑。
数据有了，标签有了，那么怎样构建人才画像呢？
为了容易理解，仍然打一个比方。大家知道，刑侦中的画像技术，最初就是将各种脸型、发型、鼻子、眼睛、耳朵等根据人体测量学分类做成一个模型库，根据目击者描述特征拼合到一起，再由专业人员进行肖像素描、修正，使之更加接近嫌疑人样貌；后来实现了电子化，不再需要实体的模型，可以在电脑上拖拽、搭配五官，由电脑依靠算法进行优化。
可见标签就是前面各种面部器官，而画像则是按照一定规则进行组合。其实人才画像的逻辑与此基本相似，只不过人才画像描述的不是人的外在样貌，而是内在特征。
就像刑事画像技术是以人类测量学和分类为基础的，人才画像也必然需要以企业对所需人才建立深刻洞察为基础。当然这种洞察有必要的技术手段支持，比如将企业内销售人员中的绩优人员和一般人员进行比较，通过数学方法得到他们在哪些方面存在显著性差异，很显然，存在显著性差异的这些方面就是造成绩效差异的因素，这是可以通过数学方法得出的，当然这种方法得到的结果还需要管理者的理性判断。
当然，还需要管理者根据自身经验，从未来业务需要的角度提出要求。因为基于数据的计算是归纳法，是“向后看”；但是，环境变化太快，还要向前看，因此还需要管理者判断，这是演绎法。前者是基础，后者则辅助，两者相辅相成。
很显然，人才画像构建过程是企业各层面特别是高层管理者对企业内各类关键岗位人才特征做深入讨论、凝聚共识的良机，进一步通过结构化、数量化的方式明确、稳定地表述出来。这种共识非常重要，让各层面能够在人员选拔、配置、激励中的取向和行动保持相对一致。当然，人才画像必须根据企业发展需要不断检讨、调整。
对底层逻辑的总结
人才画像是企业人才认知与数据的连接点。因此，人才画像这种方式，相对于其他选人工具具有如下鲜明特征：
1.基于数据。相对于以往各种人才评估工具，人才画像最根本的特征就是基于数据。
比如与素质模型相比，素质模型通过选择样本、BEI访谈以及编码解码过程，确定能力指标和行为描述，这是素质模型规范的研究方法；然后再进行360度评估，得到评估结果。
而人才画像的逻辑根本变了，就是通过一系列及时更新的数据，特别是员工大量的动态行为数据，对员工的能力、未来业绩乃至行为进行预测。
两种方法各有侧重、优长，但基于数据的人才画像的革新性价值在于用数据说话，且可以看到一个员工各种数据的变化和驱动综合匹配度的发展趋势，还可以与其他员工的趋势进行对比。
2.更加综合。以往的各种人才评估工具，往往是单一性的，需要人为地完成综合。而人才画像则是从数据层面将各种因素进行了综合，并得到综合结果。
比如前面所举的人才画像的例子，一个有良好专业背景的技术人员，经历了产品研发从0到1的过程，在其中担任了主研人角色，个人握有多项职务发明，并且有较强的经营意识和学习能力，这样的人从事相关新产品研发的成功率一定是更高的。
人才画像可以将上述多项因素都数量化并给出综合评估结果，且可以对多个候选人进行综合比较和专项比较。这就为人才选拔和配置提供了更深入的支撑，当然最终管理者决策中“艺术”的部分是其他任何工具也无法取代的。
顺带解释一下为什么人才画像的结果一定表现为“匹配度”。就是因为多种因素按照一定结构的综合计算，而一个候选人可能在各种因素上程度不一，最终综合计算结果必然表现为一个“匹配度”数值。所以，有些人将多条件组合查询称为人才画像，而只能得到查询命中/未命中，这种方式足见一些人理解之谬误、“鱼目混珠”。
3.快速调准。所谓快速调整，其实也是基于数据来说的。企业可以根据人才画像的效度和信度对已经积累下来的数据的配比进行调整，从而使之更能够反映客观真实，或者说效度更高。这个过程在人才画像上可以快速、低成本实现，只需要调整参数、基于算力即可完成。
大家一定能够理解，这个调准过程用到素质模型、心理测验或其他工具上，工作量本身对这个工具都将是颠覆性的。
4.动态跟踪。前面也已经提到，员工各项数据是不断变动、持续更新的，因此人才标签数值、人才画像匹配度也是不断变化的，从而形成某种发展趋势。我经常会说，发展趋势比单个绝对值更具价值，因为发展趋势对未来更具预测性。