隨著人力資源在企業內部的日益受重視，人力資源部門嘗試著用多種量化、質化的方式來了解人力資源相關議題。當調查的主題跟人的心理、行為涉及越深，各種調查結果的解讀嚴謹性就越加重要，當我們越來越習慣用量化數據作為各種判斷的支持論證時，我們很容易憑一些與我們預期相符合的數字輕率下結論；或是為那些與預期相左的結果感到不知所措。在人力資源議題所處的複雜關係中，數字有時反而成為扭曲真相的幫兇，當然，我們並不否定量化調查方法在這個領域的貢獻，相反的我們更期望這樣的科學方式，能對解決問題更有幫助。這篇文章要強調的點只有一個「對任何數據請多少都抱持懷疑，多想一些數據的來源與代表的意涵」，接下來，我們透過幾個案例來幫助分析人員，學會「多想一些」的技巧。
一、到底真相是什麼？－數據的對等比較
某公司的人力資源部門，為了使每個員工的工作績效評價更為全面化，除了一慣性由上級主管評價所屬員工之外，亦讓每個主管同時也受到其所屬員工的匿名評價，而同時，每個從業人員也可以進行自我評價。這個做法主要目的，是要找出中階管理主管的管理績效；因為該公司組織扁平，中階主管擁有對員工大部分工作授權與績效評價的權利，是影響員工表現的關鍵因素。
在這個機制下，每個中階主管會得到3個分數；分別1.來自於5-10名部屬的平均分數、2.來自於自我的評價分數與3.來自於1名直屬主管的評價分數；分析者就這三個分數的相互比較來做解讀。例如：中階主管的自評分數，比上級長官以及部屬的評分都來的高，表示這個中階主管自我認知太好，應令其自我檢討。這樣的評分設計看起來相當符合組織的實際狀況，而且中階主管也因為某部分績效來自於員工，所以中階主管對員工的評價將更為客觀。但我們仔細思考這些分數的構成；來自於部屬的分數，是由平均數構成，而來自於上級主管的分數卻只有1個。當然，在此可以反駁說：「實際狀況就是如此，部屬眾多而主管只有一個」，但中階主管的表現就只有其上司可以看見嗎？其他業務上合作過的同階主管或其他高階主管，是否也能評價其表現？拿平均分與單一評價比較，是否正確？
上面所提的思考方式，只是純粹就數據來源的「對等」來做反思，那更進一步的，我們要為各種評分背後隱藏的「填答者權力」來進行深度思考。在上面的例子中，當基層員工與中階主管的上司評價一致時，這樣的結果可能沒有什麼爭議性，因為基層員工和中階主管的上司間無權利義務隸屬關係，認知不會相互影響，是一種相對客觀的狀態。但是當中階主管與其他任一者的評價相近，卻又與另外一者評價相差甚遠時，有爭議的解讀方式就產生了。舉例來說：「中階主管自評與其上司評價相近，但部屬的分數卻明顯低很多」，這種情況下，是該說「部屬無法體認上級（包含中階主管與高層）做法與目標，導致評價差異產生」還是認為「中階主管雖然有達到上級目標，但對下屬關心不足」？而實際狀況也可能是「中階主管的目標是上司給的，因為設定了不對的目標或執行了錯誤的上級指示，導致下屬心生不滿」，以上任何一者都有可能。
但我們若把「權力」這個因素納入考量，就可能有個新的推論：「『中階主管自評與其上司評價相近，但部屬的分數卻明顯低很多』這個數據結果並非不正常」，調查方法本身的假設，是彼此都知道對方的工作內容，所以可以客觀的進行相互評價，但在實務運作上，上級可以了解下屬在做些什麼，但公司的階層結構，卻讓下級是沒有權力知道上級在做些什麼。所以主管間的認同可能趨於一致，而兩者和下屬之間的認知差異，可能就是一種「正常狀態」，而不一定是主管表現不好。這樣的一個觀察角度，在於提醒分析者在理性的制度外，更要去思考看不見的影響因素。
二、講不通的道理？－未被發現的其他因素與因果關係
在很多調查展開的前期，我們會進行各種假設，再期望由數字來驗證我們的推論，但當數據結果違反我們的假設，甚至違反一般常理認知，而數據與調查方法本身又沒有什麼嚴重的瑕疵時，往往會很難解釋這樣的數字結果，下面我們來看兩個例子：
1.留職意願的高低，常常被當成檢視一個企業人力資源的重要指標，而諸多研究也將之與「員工滿意度」作關聯，A公司某年度的調查出現了一個意料之外的結果，某個部門出現「員工滿意度最高，留職意願最低」的顯著性數據統計結果，人力資源部門苦於找出「高員工滿意度，卻無法提升留職意願」的原因。
2.溝通行為是當下中高階主管必修的管理學課程，許多高層主管也相向有效的溝通，有助於提升組織員工對組織的向心力，B公司某年的員工滿意度調查，也出現了一個令老闆疑惑的結果，「公司員工覺得與老闆的溝通越良好，滿意度越低」呈現了統計上的顯著負相關，該公司老闆百思不得其解，為啥溝通良好員工還不滿意。
在上面兩個例子中，我們要小心的第一件事情，就是「有顯著相關性」這件事情在統計學上，只說明了兩件事情「有關係」，但是沒有說明這兩件事情是「誰影響了誰」，在第一個例子中分析人員的假設是「滿意度，造成了員工留職意願的變動」；第二個例子中則呈現「溝通的好壞程度，影響了員工工作滿意度變動」的假設，但事實上，這兩個假設的因果關係可能與假設完全相反。從心理學的認知協調觀點，員工可能是願意留在這家公司，而對這家公司有較高的滿意度，以避免自我內在衝突；而在另一個狀況中，員工亦可能因為對組織感到滿意，而比較願意跟上級溝通。當然上述的所有假設，都需要進一步的驗證措施。
而延續上一段所談的驗證措施，就會引導出本段第二個議題，「未被發現中介因素」，量化結果需要的是「質化」方式的輔助，而一談到質化方式，「訪談」這個字眼幾乎是反射性的出現在大部分人心中，但其實對人力資源這種涉及敏感性議題的質化議題，「觀察」有時候是比「訪談」可以得到更客觀資料的方法，試想一下，當人力資源部門的人來問你對公司不滿意的原因時，你有多大的可能會說實話？另一方面，觀察也不是說完全不能有互動；觀察的意義在於「減少涉入」，減少被觀察者意識到自身在被觀察，而作出虛假反應的可能。非正式的午餐約會，空閒時間的閒話家常，其實都是收集資訊的好方式。找出隱藏原因的關鍵在於更細心的檢視細節，並且「小心求證」，求證階段可配合訪談來進行分析者對其假設的驗證，當然，避免直接性的敏感問法，依然是執行的重要技巧。
三、真的有加薪這麼多？－絕對與相對的關聯
前些日子小陳被告知他升任小組長了，他很開心的想著自己將可能來個大幅加薪。因為他還記得去年人力資源調查報告中說，公司的職位和薪資關聯性很高；而他看著他新上級的裝扮就知道他的薪資有多誘人。但是當正式通知下來之後，薪資調整的幅度，讓他一點都高興不起來，他心裡想著，「又是一份假的報告」。
在人力資源的相關調查中，「職位」常被拿來作為一個自變項，檢視它和其他因素的關係，而我們常常以「關聯性」的角度去看這些結果，例如：職位的高低和滿意度成現正向關聯性、職位的高低與薪水有關聯性…，這樣的論述乍看之下也與現實結果相符合，但這樣的數據結果，可能會被解讀成「當職位上升一個階級時，薪水（或滿意度）跟著上升多少」，而且這個結果，往往會高於實際情形，尤其是對低階員工的升遷。
這一個解讀的問題在於把「職位提升一個程度」和「提升多少錢」作關聯。薪水的變化，是一種「絕對差異」， 100元和101元之間的差異，與101元和102元之間的差異是一樣的；但職位提升一個程度所代表的意涵（或說難度），就不像是薪資一般有絕對差異，是一種「相對差異」；例如：組長和員工的差異，不等同於組長與經理（組長的上一級）的差異；而關聯性解讀是把每個職位等級提升與薪資提升都等位化，但事實上，每個職位上升，薪資提升的幅度是不一樣的。 所以這種狀況，應該用「差異分析」，先說明不同職位間的薪資差距有顯著差異，再看各級距的平均數來比較差異大小，才可以為「職位與薪資」之關聯下定義。另一種方式，是將薪資提升也變成如職位一般的「級距」，再作關聯分析，但此時就是「職位級距」與「薪資級距」的關聯性，不能說是「職位與薪資」之關聯性。類似的錯誤解讀，也很容易產生在「年級、排名、等第..」等人為排序的變項上，分析者解讀時要小心此類陷阱。
四、會不會秋後算帳？－消除填答者的疑慮
接下來這個故事和解讀比較沒有關係，但是，它告訴我們數據的可信度，有時候在解讀之前就已經被決定。我曾承接一家400人規模公司的年度滿意度調查，因為這一家企業把調查結果視為主管營運績效的一部分，各主管對於調查結果相當重視，因此員工填答時會格外有壓力。考量到員工對於這種類型調查的敏感性，特別設計了一系列「匿名化」措施，如:問卷不記名、用網路問卷（避免查字跡）、不用在公司內回答（免得因為網路位址來源查到員工編號）、資料庫獨立於公司資料庫之外…等作為，還特地對員工說明這些措施，讓其最大限度的可以表現真實意見，而不會有被秋後算帳的疑慮。
但當我正因做了這些措施而自滿時，一個員工過來表達他的疑慮，他說：「你雖然提了很多對填答人的保護措施，但是我的組裡面就我一個人比較資深，而且是男性，只要一看性別與年資這兩題的資料，立刻就可以知道是我填的」，當時，我並沒有比較好的方式可以解決他的疑慮，但這件事提醒了我，我想得還不夠周全，畢竟我還是以「整體」的概念來想像填答情境，沒有進到員工個體的情境中。
我可以想像，那個員工應該還是會填出一份中規中矩，但卻不是他真正心意的問卷。當我們想到數據調查的信度與效度時，腦中會浮現的是許多統計學方法，而真實的狀況往往比較像上述的案例，在調查展開之前，影響信度效度的因子已經開始悄然運作。要確保信度效度，不是在數字上作文章，而是要設身處地的為每個填答人想像，從調查設計；從題項的設計；從用字遣詞，越貼近填答者，越能得到真實的資料。
小結：調查解讀要放到真實情境中去
上面的很多有問題的解讀例子，都是來自於把數據或結果獨立出來看待，沒有考量這些數據或是觀察所得事實所處的社會脈落。身為一個稱職的分析人員，要在調查的所有流程中，想像調查資料來源、分析過程與結果推論是否有脫離現實的瑕疵，再小心的求證，當解讀人員能更細緻的想像所有調查假設情境的社會環境細節，就更能反映出「真實」。數據只呈現了事實或問題的一小部份，分析人員需小心的從數據周邊找線索，挖掘出真相，而這個過程中，最需要的是分析人員對數據相關情境的「親身經驗」或是「設身處地」的想像，數據分析者要走入調查情境，只在象牙塔裡是找不出事實的。