我们建立了机器学习算法模型，结合年龄、学历、职级、岗位履职、业绩成果、360打分等多方面信息，对全体基层员工进行了量化评价，比较准确地判断出哪些人可能是企业最认可的人才，并给出了综合评价得分。

但是，这一做法是基于既有事实的概率推断，在人才规划、开发、配置方面的应用仍存不足。例如，同时入企的一批员工，将来应该朝什么方向发展？哪些优势可以加强也应该加强，哪些短板无法弥补或者没必要弥补？什么样的团队能披荆斩棘且合作顺畅，什么样的团队会一事无成却矛盾重重？这些更需要对“冰山模型”下部的心理特征进行研究。

于是，我们开展了小范围试点，对HR团队实施CPI测验，其中95人的测验数据有效。从整体上看，39个个性特质与综合评价得分没有显著相关关系或弱相关。所以，我们将研究对象进一步聚焦到年龄、学历、业绩成果等各方面特点相对集中的32名青年骨干群体，得到以下认识。

认识一：尊重个性特质的多样性，看待人才要警惕“求全责备”。

即使每个特质只取高、中、低三个等级，39个个性特质的组合也将达到59319种。在样本数量有限时，很容易找到个性特质之间的一些规律，比如抱负性高的人，好胜性、理论性、批判性一般也比较高，而轻松性、民主性、规则性往往偏低；信任性高的人，乐观性、关怀性、轻松性一般也比较高，而批判性、创新性、好胜性较低。但这并不严谨，在更大的样本空间里，这种相关程度可能大幅弱化甚至消失。所以，不要在个性特质上对人才做过多过细的定义，因为这样做很可能误导组织沉迷于幻想而错过那些实际上非常合适的人才。

认识二：承认个性特质的功能性，评价人才要体现价值主张。

尊重多样性，并不意味着区分这些个性特质没有意义。不同个性特质支撑着不同的行为和结果，我们要做的，是识别出能对行动和结果产生影响的那一部分。结合实测数据，选取与综合评价得分显著相关的12个个性特质，作为HR的关键个性特质，如表1所示。随着人力资源管理转型，HR3.0时代的关键词已经从人事、流程、控制、成本转变为人才、创意、智能、赋能。在当前业务需求的情景下，理论性、抱负性、独立性等成为HR的关键个性特质，无可厚非。表1中给出了4名员工的数据，其中员工A1和员工A2的价值，一定要高于后二者。

认识三：重视个性特质的匹配性，使用人才要注意扬长避短。

从个人的角度，一定希望自己成为本行业、本领域的顶级人才，因为它的稀缺性，将给自己带来丰厚的回报；从组织的角度，也一定希望拥有顶级人才，因为他们决定了组织发展的高限。但是，顶级人才并不常见，现实的人才供给是由按“二八法则”高度分化的个体组成；而组织又是一个精密分工、高效运转的系统，它不可能只依靠顶级人才而存在。正如德鲁克所言，组织的目的，是“让平凡的人做不平凡的事”。

再回到表1中例举的4名员工的实例。员工A1、A2和B共同完成了甲项目，该项目独创性强，难度大，历时几年，虽然最终圆满达成预期，但该项目在运行过程中明显感觉在具体落实执行环节的力度欠缺。而A2、B和C还共同完成了乙项目，该项目涉及的利益面广，沟通难度大，过程繁琐，但运行顺畅，质量很高。从个体价值的总和上对比，甲项目较乙项目肯定是“高配”，但两个项目如果交换团队运行，可能两个项目都会失败。当然，这只是一个浅显的例子，作为人岗匹配分析、团队匹配分析的引子。

我持续在做的数据驱动型人才盘点里，始终是与冷冰冰的数字打交道，刻意不去依赖面对面盘点技术，结果自然会少了促膝长谈出来的那种“温度”。而引入个性特质测验，是一个重要而有效的补充。