作为人力分析的拥趸和多年从业者，我认为算法应是人类判断的补充而非替代。例如，算法可以扩大候选者范围，为管理者提供更多选择。在BBI这个案例中，人力分析系统推荐了埃德这个意料之外的人选，因此似乎发挥了不错的作用。
但如果算法要代替阿丽雅做最终决策，就必须拿出非常有说服力的证据。在我看来，BBI的人力分析系统只参与过三项决策，还不足以证明其稳定性。涉及雇佣和晋升决策时，解释选择的原因尤其重要。阿丽雅想更了解系统的运作原理，这是对的。她不仅需要知道算法推荐哪位候选者，更需要知道推荐的依据。
所以我建议阿丽雅怎么做？她应该准确定义自己的需求（这是算法不了解的），然后以此为基础做决策。如果阿丽雅的目标是尽快找到一位有能力的营销总监，并让这个人立即全速投入工作，那么莫莉看起来更合适。如果阿丽雅更看重与其他部门的协作，那么人际网络更广的埃德似乎是更明智的选择。无论如何，阿丽雅一定要承担起决策责任，并解释清做选择的理由。
理想情况下，为客观、公正地做出雇佣决策，BBI应建立结构化的面试规范、评估流程、筛选标准，以及候选者能力分级制度。公司应公开发布所有职位信息，广泛吸引候选者。候选者评估应由多人完成，而最终决策应由其他人做出。数据分析可以用于建立规范、推荐潜在候选者，并跟踪决策对工作表现的影响。而BBI的案例情况不同：阿丽雅必须依据公司的既定流程、现有信息和自己的目标选择一位候选者。
在谷歌，管理者不会单方面做出雇佣和晋升决策。所有开放职位信息都在内部公开，任何人都可以申请。我们有独立的委员会，根据细化的职位要求来评估候选者。我们会分析这些流程的效果，如员工在新岗位上的表现，来保证人力决策的质量。
创建谷歌人力分析团队时，我们的目标是“让所有人力决策以数据和分析法为依据”。10年来，我们发现了数据驱动人力决策的一些短板。现在，我们的目标是为领导者提供数据和情境信息，让他们对决策更有信心，而不是削弱他们在人力决策流程中的话语权——“帮助所有人依据数据和分析法做决策”。
普拉萨德·塞蒂（Prasad Setty）是谷歌人力分析部门负责人。