许多公司会追踪员工的点击、日程安排及其他在线互动，以衡量绩效并收集员工活动信息。
但越来越多的人开始意识到被动式数据挖掘，并试图在未经同意的情况下保护其信息的使用。
数据实践必须赢得人们的信任，这意味着从纯粹的攫取转向更具合作性、以人为本且自愿提供的人员数据收集方式。
每个组织都希望获得更优质的人员数据。关于员工满意度和敬业度的这类信息，常被组织用来评估并改善企业文化。但我们收集人员数据的方式，会如何影响其对组织的最终价值？
在竞相应用人工智能（AI）的过程中，许多组织习惯性地秉持一种对数据的固有思维：先尽可能多地收集，之后再进行整理。然而，大多数美国人对企业如何使用其数据感到不安，并且认为自己已失去控制而无可奈何，据皮尤研究中心（Pew Research Center）的一项调查显示。而将近全球68%的消费者表示他们对自己的网络隐私或多或少或非常担忧。这类情绪具有危险性，因为当人们感到被监视而非被尊重时，信任便会消散殆尽。
从悄无声息的监控到基于推断的行为分析，被动式数据挖掘的兴起正引发一股反弹。一些人正在设定自己的界限，要求企业不要追踪其点击行为、挖掘其Slack或电子邮件内容，或在未经同意的情况下将其数据纳入公司的算法之中。
如果我们希望人们信任人工智能系统，或信任开发这些系统的组织，就需要从能够赢得这种信任的数据实践入手。这意味着从纯粹的攫取转向更具合作性、以人为本且自愿提供的方式。
什么才是优质数据？
并非所有数据都同等优质。获取优质数据，不仅要审视我们收集了哪些数据，还要审视这些数据如何进入系统以及其背后的意图是什么。
德勤的合乎伦理的数据处理五个P原则为何谓优质数据提供了指引：可追溯、有明确目的、尊重隐私、妥善保护并经过周密准备。与此同时，监管机构也已予以关注，《欧盟人工智能法案》和《加州隐私权法》等立法同样要求在数据收集中加强同意与透明度。
但合规只是起点。这些原则还必须立足于人的具体语境。每一个数据点背后，都是一个在权力与舒适之间权衡的人。自愿提供的数据，即在自由且知情的情况下主动分享的数据（也称为零方数据），与被推断、被抓取或基于默认同意而产生的数据有着本质区别。
为何多数人员数据存在不足
组织其实并不缺乏人员数据，但一旦依据这些伦理与实践标准加以审视，相当一部分数据若单独使用，显然存在问题。
例如，员工敬业度调查往往是匿名的，且多由上层强制推行。绩效考核虽出于善意，但也往往自上而下且带有偏见，是对贡献滞后的衡量指标。击键记录和行为追踪等监控工具给人以掌控的错觉，却鲜少能产生洞察——更常见的情况是，人们为规避审查而调整自己的行为，而非真实反映自身状况，从而形成“监控表演”。
即便是颇具前景的方法，例如组织网络分析，也依赖于数字化副产物（即数据痕迹），如电子邮件数量或日历元数据，这些数据是在线活动的附带产物——它们很少是自愿提供的，并且往往会引入偏见。
我们掌握的最具人性化的数据信号
然而，有一种数据来源能让我们更接近真相。
认可数据并非被提取或推断而来，而是主动给予的。当某人花时间公开肯定同事的贡献时，这种行为是自愿且有意为之的。它能告诉我们其他任何系统都无法告知的信息：在同事眼中，谁正在实时地带来改变。
仅此一点就改变了整个局面。大多数关于人的数据要么来自上层，要么是在幕后收集的。而认可则来自那些留意、关心并且值得信赖的同侪。员工的可能性高出2.5倍，相比于对首席执行官的信任，他们更愿意信任同事，这是据爱德曼信任度调查（Edelman's Trust Barometer）显示的结果。当人们相信信息来源时，他们也就相信了其中的故事。
而认可数据恰好符合德勤五个P伦理检查清单的每一个方面：
来源 清晰明确：您确切知道是谁在分享这一信号
目的一致：认可旨在庆祝、鼓舞并强化共同价值观
隐私与保护 明确无误：这些信息旨在公开分享于社交化、可见的平台，而非在暗处收集
可预先融入准备：咨询类软件可以帮助给予者组织其表达内容，以提供更多信息，并将赞扬与可被人与AI共同识别的实际行为相联系。例如，“在引导对话朝向目标方面做得很好”比“干得漂亮，你真棒”更具信息量。
认可也是一种备受青睐的零方数据形式。尽管人们可能不会明确表示：“请在您的绩效分析中使用此认可”，但被提供的数据与被夺取的数据之间仍存在显著差异。
认可通常是有意识地公开分享的，常见于社交化、可见的平台，其目的是公开赞扬出色的表现。这使其成为隐性同意的有力范例。人们选择分享这些信号，以自己的语言和自己的声音表达。因此，与被动收集的替代方式相比，认可数据既更具人性，也更合乎伦理。
关键在于，认可背后的意图几乎总是积极的——即庆祝、鼓励与感谢。这使其成为少数几类人的意图与组织用途自然相契合的数据类型，因为两者都专注于发掘并赞美出色的工作。
组织可以将认可与其他信号（如敬业度、技能或绩效）相结合，以提升其整个人员分析体系的伦理与分析标准。但认可依然独树一帜，是一种独具人性、极其可信的信号。
基于人们乐于分享的信号加以构建
数据背后的伦理如今与其所提供的洞察同等重要。如果我们希望获得更好的答案，就需要更好的输入。如果我们希望赢得信任，就必须使用值得信赖的数据。
未来的人员分析不会建立在点击或日历元数据之上。它将建立在人们自由提供的信号之上，因为他们希望被看见，并且信任看见他们的系统。
因此，认可值得借鉴。并非因为它柔和，而是因为它扎实可靠。并非因为它让人感觉良好，而是因为它使组织变得更加明智。
停止挖掘人员数据，开始倾听他们。
