-
效率
美国背调行业巨头Checkr裁减32%的员工以优化运营效率，估值50亿美元
Checkr是一家提供员工背景检查服务的初创公司，最近由于经济环境的影响，导致公司裁员32%，共382名员工。这家公司的最后一次估值为50亿美元。裁员涵盖了所有部门和各个级别，旨在提高运营效率并确保公司的长期健康。Checkr还向受影响的员工提供了至少10周的遣散费和健康保险，以及职业和心理健康支持。此外，Checkr在2021年的一轮融资中筹集了2.5亿美元，迄今为止共筹集了6.79亿美元。
在科技行业持续经历经济压力和成本削减的背景下，位于旧金山的背景审查平台Checkr宣布裁减382名员工，占其总员工数的32%。周二在全公司范围内进行了跨部门的人员裁减，并通过电子邮件确认了这一消息。此次裁员是该公司应对不确定经济环境，保证长远发展健康的策略调整。
自2014年成立以来，总部位于旧金山的Checkr已在背景审查市场占据了重要地位，服务客户包括Instacart、DoorDash和Lyft等美国主要的在线服务平台。Checkr的服务允许企业通过检查潜在雇员的驾驶和犯罪记录以及基本身份信息来通过API的形式进行背景审查。
近两年来，随着科技行业整体放缓和裁员浪潮的到来，Checkr亦感受到了市场的压力。公司此次裁员决定正值美国科技行业领导的大规模裁员潮中，根据职位调整公司Challenger, Gray & Christmas的报告，尽管今年迄今为止的裁员总数比去年同期下降了5%，但3月份的裁员公告数量却自去年1月以来首次出现大幅增长。
Checkr在声明中表示，此次裁员能够使公司“更加高效地运营，并确保业务的长期健康”。为了支持受影响的员工，Checkr提供了至少10周的遣散费和健康保险，并提供了职业和心理健康支持。
此外，尽管面临经济挑战，Checkr依然保持着强劲的资金支持背景，已累计筹集资金达6.79亿美元。最后一次融资是2021年9月的2.5亿美元，当时估值达到了50亿美元！在背景审查行业中，Checkr的技术和服务依然被视为行业标杆。
这次裁员事件不仅反映了Checkr应对市场变化的策略，也是科技行业广泛采取的成本控制措施的一部分。随着经济环境的不断变化，Checkr和其他科技公司将需要不断调整策略，以保持其市场地位和业务的稳定发展。
-
效率
埃森哲收购数据咨询公司Redkite，利用数据加速转型
埃森哲收购了英国伦敦的数据咨询公司 Redkite，公司专注于提供全栈数据专业知识，帮助企业利用数据驱动的智能和人工智能加速提升绩效。
此次收购将扩大埃森哲的数据能力，帮助客户利用现代数据平台加速转型，在整个企业释放人工智能的力量。
Redkite团队的230多名专业人员将加入埃森哲在英国的数据与人工智能业务部门。
Redkite成立于2018年，由董事总经理Jon Tippell领导，为成长型企业和家喻户晓的品牌提供服务，帮助他们推出新产品和服务，做出数据驱动的决策，并为客户创造个性化体验。公司在消费品和服务、零售和媒体行业拥有深厚的专业知识，能够提供从数据战略到架构和实施现代数据平台的全方位服务。
埃森哲数据与人工智能部门董事总经理 Kayur Rughani 说："人工智能是业务转型的重要催化剂和机遇。为了从实验走向规模化实施，我们的客户需要强大的数据和人工智能基础，他们需要以价值为导向，选择利用生成性人工智能重塑每项能力。埃森哲与Redkite在能力、专业知识和服务方面的强强联合将帮助客户快速、负责任地实现向人工智能投资规模的转变。
Redkite总经理Jon Tippell表示："我们都知道下一场技术革命已经到来，但数据准备是企业在推进人工智能应用过程中面临的首要挑战。企业要想抓住数据和人工智能带来的机遇，就需要在整个业务中建立强大的云数字基础。加入埃森哲意味着我们可以成为一支更强大的力量，帮助我们的客户启动数据战略，用智能为他们的组织提供动力。Redkite总经理Henry Crawford补充说："我们将共同为员工和客户创造更多机会--利用我们的数据能力和学院培训模式，开启人工智能之旅的下一个关键阶段。"
埃森哲最近宣布将在三年内投资30亿美元用于其数据与人工智能业务，以帮助各行各业的客户快速、负责任地推进和使用人工智能，从而实现更大的增长、效率和弹性。数据与人工智能部门将通过招聘、收购和培训等多种方式，将其人工智能人才增加一倍，达到80,000名专业人员。
Redkite也是埃森哲2021年在英国收购云计算和数字化转型咨询公司Infinity Works以及2020年收购分析和数据转型服务咨询公司Mudano的补充。
交易的财务条款未披露。
关于埃森哲
埃森哲是全球领先的专业服务公司，帮助世界领先的企业、政府和其他组织构建数字化核心，优化运营，加快收入增长，提升公民服务--以速度和规模创造有形价值。我们是一家以人才和创新为主导的公司，拥有约 733,000 名员工，为 120 多个国家的客户提供服务。技术是当今变革的核心，我们是帮助推动变革的全球领导者之一，拥有强大的生态系统关系。我们将技术优势以及在云、数据和人工智能领域的领先地位与无与伦比的行业经验、职能专长和全球交付能力相结合。由于我们在战略与咨询、技术、运营、行业 X 和 Song 方面拥有广泛的服务、解决方案和资产，因此我们在交付实际成果方面具有独一无二的能力。这些能力，加上我们共享成功的文化和创造 360° 价值的承诺，使我们能够帮助客户重塑并建立值得信赖的持久关系。我们通过为客户、彼此、股东、合作伙伴和社区创造 360° 价值来衡量我们的成功。
-
效率
2024年人力资源趋势预测值得关注
信不信由你，现在距离 2024 年只有几个月的时间了。
在年末的混乱中，从整理文件和文书工作到管理假期休息时间，人力资源部门为新的一年做准备的时间非常有限。因此，越早开始为 2024 年做计划越好。
为了帮助您保持领先地位，我们收集了 2024 年的人力资源趋势预测。
2024 年人力资源趋势
人力资源是一个不断变化的领域--过去几年的情况表明这一点比以往任何时候都更加正确。
从 COVID-19 和远程工作革命到让人工智能成为现实的技术进步，已经有很多变化让人力资源专业人士保持警惕--这些变化将持续到 2024 年。
前人力资源律师、Work Shield 公司创始人兼首席执行官Jared Pope认为，在您为今年的结束和明年的计划做准备时，以下是您应该关注的内容。
人工智能自动化和数据决策
毫无疑问，人工智能是过去几年中发展最快、最具革命性的变革之一--2023 年，人工智能的热潮预计将持续到新的一年。
"Pope 说："我希望企业将人工智能放在首位，同时在人类员工和人工智能技术之间找到平衡。"对于雇主来说，实现这种平衡至关重要，因为它将提高决策、效率、个性化、预测分析能力，并为全国乃至全球的雇主节约成本。"
随着自动化和决策效率的重要性与日俱增，Pope 还预测数据驱动型决策将受到更多关注。
"Pope 说："对于日常任务和重大决策而言，人员分析和数据都是必不可少的，它们将继续帮助雇主消除运营中的臆测，并了解组织内工作场所不当行为、骚扰和歧视等问题的严重程度。"因此，这使组织能够制定战略，旨在防止未来的不当行为发生，同时也能切实有效地解决当前的不当行为事件。"
数据也倾向于支持 Pope 的预测：根据 Gartner 的数据，81% 的人力资源领导者已经在其组织内探索或实施了人工智能解决方案，在 2023 年 6 月的一项调查中，52% 的人表示他们正在探索生成式人工智能的潜在用例和机会。
重返办公室
2023 年是员工之年。当雇主们争相吸引和留住最优秀的人才时，员工们也能利用竞争激烈的市场，争取远程办公和更好的福利等待遇。但是，当钟摆在 "大留守 "中向雇主摆回时，重返办公室（RTO）的浪潮是否即将到来？
"Pope 说："雇主将优先考虑回归基本面，企业鼓励员工重新加入办公环境，同时设计具有吸引力和适应性的工作场所。"大流行后，员工和雇主都认识到了这一点的重要性。人类需要人与人之间的互动才能茁壮成长，让员工亲临现场将大大提高协作性、专业性和工作效率。
根据 ResumeBuilder 最近的一项调查，90% 的公司预测到 2024 年他们将重返办公室，而大多数已经实施 RTO 的公司表示，它提高了收入、生产率和留任率等。
以人为本的文化
随着对 RTO 的进一步推动，雇主需要激发员工的积极性，让他们尽心尽力地工作。换句话说，他们需要一种以人为本的优秀文化。Pope 预测，加大力度创建这种文化将是 2024 年的首要趋势之一。
"Pope 说："我预计，以人为本的文化、员工与雇主的关系以及员工的整体体验将得到更多关注。"雇主们将优先考虑创造力、同理心、透明沟通和协作等方面，因为他们要解决工作场所的毒性问题，并再次创造员工真正愿意返回的工作场所。这是企业在 2024 年应关注的最重要趋势之一，因为它将为 2024 年及未来几年安全、健康的工作场所奠定基础。"
-
效率
【中智薪税】“智薪易”——好用的算薪工具，效率提高90%
每月的算薪时间 总会遇到烦人的问题
纷乱的考勤数据
众多的计算规则
复杂的计算表格
多样的分析数据
别急，智薪易依靠“聪明”的算薪引擎帮您把问题逐个击破，提高算薪效率。再通过智薪工资条安全、准确地把工资条发到每一位员工手中，简化发薪流程。
人事管理
构建员工职业全周期数字化档案，实时维护雇员基本信息、调薪历史、社保数据、专项附加扣除数据，将人事信息和薪酬计算紧密联动，实现数据自动传递，杜绝信息重复录入。薪酬核算关联人事、假勤管理数据，一键计算全公司员工应发、实发和税金。同步个税新政，内置几十套行业薪酬模板、上百个系统级薪资项、上千种薪酬算法，灵活处理多样算薪需求。
薪酬核算
关联人事、假勤管理数据，一键计算全公司员工应发、实发和税金。同步个税新政，内置几十套行业薪酬模板、上百个系统级薪资项、上千种薪酬算法，灵活处理多样算薪需求。
统计分析
丰富的管理者视角，多样的可视化分析，支持在线预览成本中心分析表、工资对比表、收入汇总表等，为薪酬策略提供直观依据。
智薪工资条
链接算薪结果，通过短信、邮件、微信小程序、企业微信等多种方式向员工提供薪酬明细，高效安全完成工资条发放和签收，降低用工风险，提升全员满意度。
识别下方二维码 轻松提高算薪效率
动动手指，免费试用
快速登陆 ：smartpay.ciiczx.com/zxy/
企业微信客服
服务热线：400 100 6621
-
效率
Wrike推出工作管理能力指数，为组织实现卓越的运营铺平道路
全球最通用的协同工作管理平台Wrike推出了工作管理能力指数，旨在找出阻碍组织提高工作管理能力的主要障碍。最初的调查结果表明，由于无法成功整合核心系统，大多数组织的工作管理成熟度都停滞不前。这不仅阻碍了跨职能协作，也阻碍了实现运营效率的努力，40%的首席信息官将其列为今年的首要业务重点。
Wrike创始人兼首席执行官安德鲁· 弗格夫说：“现在的公司正在错失杰出工作管理的一些最具影响力的好处，包括跨团队和系统高效协作的能力。” “我们编制此索引的目的是使各组织能够专注于阻碍其工作管理能力的关键实践领域，并为它们提供应对这些挑战的工具，从而为实现卓越的运营铺平道路。”
该指数采用标准化方法评估组织在七个领域的核心工作管理能力：领导力，所有权，整合，衡量，投资，效率和参与。Wrike的项目提供免费的评估和定制的行动计划，为组织有兴趣通过更高水平的工作管理能力加快他们的成果。
Wrike首席客户官Abhay Rajaram 表示，“像Wrike这样的协作式工作管理平台不仅从根本上改变了每天工作的方式 - 它们还可以极大地提高组织实现卓越运营的能力。” “Wrike从第一天起就致力于为高效团队提供支持，我们很高兴能够与高管和其他利益相关者合作，帮助他们的组织优化工作管理策略和执行，从而获得更好，更快的结果。我们的目标是通过可操作的指导为我们当前和未来的客户提供支持，以加快他们的工作管理熟练程度并提高效率，从而满足客户对后数字时代的按需个性化产品，服务和体验的期望。
工作管理能力指数流程
关键能力指标（KPI）评估：Wrike的工作管理专家团队根据全球公司的反馈，观察和成功建立了七个关键的运营熟练度关键指标。
个性化报告卡创建：评估参与者会收到一份综合报告卡，对其KPI能力进行评级，并详细说明运营优势，劣势和机会领域。该报告卡作为性能基准，使Wrike能够直接与团队合作制定改进的游戏计划。
竞争性指数放置：根据评估分数，将组织置于四个工作管理能力指数阶段之一。他们还针对其行业中的类似公司以及指数中的其他匿名参与者进行基准测试，以帮助评估竞争差距和优势。新兴，稳定，创新和领导的四个阶段。
Prescriptive Insights Delivery：在分析组织的KPI评估和指数放置后，Wrike提供了一个规范的逐步行动计划，以将其工作管理绩效提升到新的水平。Wrike直接与主要利益相关方合作，制定基于成熟的工作管理手册和最佳实践的短期和长期运营目标。
行动计划实施： Wrike的工作管理专家团队通过具体的行动计划和定期的业务审查来确保关键利益相关者的责任和目标，从而有助于推动运营结果。Wrike的专业服务团队也可以为特定的改进计划提供实际帮助。
以上由AI翻译，仅供参考！
作者：Mayuri Chaudhary
来源：https://www.hrtechnologist.com/news/strategy/wrike-launches-work-management-proficiency-index/
-
效率
CHATBOTS如何帮助人力资源经理改善员工体验并降低联系成本
HRTechChina一个关键的观点：chatbot 是连接复杂系统和用户（包括HR和最终用户）之间的核心工具，值得相关童鞋重视起来！
想象一下，如果您的每位员工都能获得知识渊博且个性化的助手，而且无需进一步的资源成本，那么生产力就会飙升。
随着聊天机器人的扩散和高度采用，这不再是虚构，它是一个活生生的现实。人力资源经理能够体验到这个时代的理想愿景 - 实现数字，自助服务和员工驱动的环境，由代表组织人力资源职能的人员提供支持。聊天机器人通过交互式和会话界面实现了这一目标。
通过机器学习实现的聊天机器人比任何人都具有更陡峭和更快的学习曲线。特别是当需要更新知识库时，与人相比，它们不需要持续的培训。主要是在需要使用推拉功能的地方部署聊天机器人。
通过推送功能，聊天机器人通过发送公告和通知来加强内部通信。它还用于向员工的收件箱发送培训模块和更新。使用聊天机器人的其他领域是入职流程和员工敬业度。
聊天机器人使用拉动功能，在招聘，雇主品牌建设，培训，常见问题解答和虚拟助理等领域提供支持。用户可以使用机器人来提取信息，机器人也可以向用户推送个性化更新/异常/趋势。
选择人工智能路线的有远见的公司已经通过使用聊天机器人改善人力资源（HR）部门的不同功能，增强员工体验和降低每次联系成本（CPC）来获得成果。
CHATBOTS为人类添加功能
很容易识别聊天机器人蓬勃发展的子功能。除此之外，聊天机器人还增加了一些核心功能，增强了他们的技能。这些功能有助于增强员工体验，这对ROI有直接影响。
与其他部门软件巨头整合：
聊天机器人可能看起来很简单，但它们在后端拥有自己的大脑。除了HRM，它们还与ERP，CRM，分析，会计和内联网等跨职能管理解决方案集成。这些管理套件包含大量数据集，需要相互通信。聊天机器人成为整个组织中数据绑定的关键，并保持信息的凝聚力。
升级为以人为主导的等级制度：
80％的查询管理和响应由聊天机器人自己管理。但是，必要时，聊天机器人会自动升级需要人工代理注意的那些交互。聊天机器人能够进行基于技能的路由，这有助于向相关问题提示正确的人。
治理与保密：
不幸的是，对于人类来说，治理和保密性可能会受到损害。但是，聊天机器人被编程为遵守策略并保持组织和员工在交互中的机密性。基本安全协议支持结构良好的聊天机器人以避免保真度，例如 - 使用登录凭证进行身份认证，双因素身份验证，加密和自毁消息。
管理，提取和报告：
互动和对话是吸引人力资源协会提升员工体验的原因。然而，聊天机器人还通过履行行政操作，按需提取文档和信息以及根据从会话中收集的信息报告功能来支持人力资源经理。聊天机器人提供的输出是更多数据验证的，客观的而不是有偏见的，因为人类代理就是这种情况。
聊天机器人不仅仅是人力资源经理的技术干预。他们也影响了底线。
聊天机器人及其投资回报率
到2022年，聊天机器人预计将削减80亿美元的业务成本。聊天机器人对一些对人力资源经理至关重要的关键指标有直接影响。
波士顿咨询集团（BCG）的一项研究表明，员工体验能够将投资回报率提高1.8倍至3.5倍。
员工经验是文化，技术和物理空间的复合体。聊天机器人能够以不同的方式影响所有这三个方面。
每次联系费用：
虽然员工所接听的电话数量可以达到顶峰，但使用聊天机器人可以大大降低总运营成本。无论管理呼叫的资源有多高效，总是存在时间和性能的压力，这可能会在提高每次联系成本方面起反作用。
传统专家提出了一些有助于降低每次联系成本（CPC）的解决方案 - 利用基于技能的路由，交互式语音响应和IVR的回叫功能。聊天机器人在编程时足够智能，无需人工参与即可实现基于技能的路由。它使用层次结构和技能标签独立执行此任务。聊天机器人可以代表联营公司发送提醒和主动更新，而不是回调。
一个主要的成本节省来自更换聊天电话。Chatbots可以通过加快响应时间，释放代理商以应对更具挑战性的工作以及回答高达80％的常规问题来帮助企业节省成本。多年来，基于文本的消息传递优先于呼叫。
平均放弃时间（ABT）指标会影响CPC的降低。这很大程度上取决于员工每项技能的技能和程度。但是，使用聊天机器人时，放弃时间的问题可以忽略不计。造成这个问题的主要原因是人为错误受到本质的束缚和迫切需要。使用聊天机器人，情况并非如此。
使用聊天机器人对成本效率的其他积极影响将反映为员工生产力的提高，招聘时间的减少以及聊天机器人的同比上涨。
CHATBOTS已经在帮助人力资源经理的地方
Chatbots通过对话体验实现人力资源自动化。它最适用于可重复的任务。聊天机器人蓬勃发展的一些领域是：
常见问题和培训：
员工经常经历长时间的耗时培训课程和辅导机制。通常以24×7提供的聊天机器人允许员工以敏捷模式和全天候接受培训，为他们的工作生活增加灵活性。通过使用这些会话培训模块，以常见问题解答，迷你问卷和测试的形式。例如，为了解决IT空间中的查询和更新知识，IT Helpdesk BOT为整个组织的员工提供了访问知识的权限。培训机器人还负责管理方面，如发送提醒和修复教练预约。
员工敬业度：
它不仅涉及调查和SLA，还涉及了解员工并使他们在工作场所感到舒适。要想获得优秀的员工经验不仅仅是高级管理层的工作，从未有过任何参与。只有当每个员工都有权采取行动时 - 通过数字自助服务环境，这才会成为现实。这迫使参与工具具有与每个员工沟通并努力建立社区的能力。全方位的员工参与机器人致力于评估同行，创建忠诚度计划并让员工通过谈话参与，专为Slack而设。
雇主品牌：
建立雇主品牌是良好招聘的基础。Chatbots与不同平台上的潜在候选人社区进行交流，作为组织本身，以吸引人才。这听起来不像企业机器人，但实际上，他们的工作。他们可以在Facebook，Slack，Mobile等社交网络中找到。他们还具有在全球范围内建立雇主品牌的功能。Chatbots从内部网，CRM应用程序（如Salesforce和LOB应用程序）等多个系统中提取数据，并充当单点联系人。员工可以使用其LOB系统执行交易。如果请求的数据太复杂而无法在聊天窗口中进行描绘，则机器人会提供指向app / intranet中相应仪表板/页面的链接。
招聘：
从候选搜索引擎到申请人跟踪系统（ATS），有许多任务需要自动化。在使用ATS时，解析过程在提取信息方面起着重要作用。使用Chatbots，通过与候选人的对话，在不同频道上收集候选人信息。考生还可以向聊天机器人询问有关职位描述，公司文化和面试流程的问题。
在入职：
公司不仅可以使用入职聊天机器人提取必要的文件和信息，还可以让新员工询问有关工作，报告经理，土地规则，丢失笔记本电脑或身份证等的几个问题上。
SAP Success Factors有一个名为“Onboarding Buddy”的集成入职聊天机器人，可以在全球多个办事处同时为不同的新员工执行无缝入职。通过聊天机器人，员工不再需要在每个小问题上围绕人力资源部门徘徊。Chatbots可以为所有用户提供实时自助服务选项。这些服务可能包括休假申请和管理，员工入职，设置提醒等。
这些只是几个垂直的地方，聊天机器人正在利用他们的无所不在和会话能力。令人兴奋的是，他们对KPI也有一些积极的成本影响。
以上由AI翻译完成，仅供参考。
原文：HOW CHATBOTS HELP HR MANAGERS IMPROVE EMPLOYEE EXPERIENCE AND REDUCE COST PER CONTACT
作者：Jagan Jami
-
效率
AI 强势入侵人力招聘，还需要解决什么难题
文 | 颜璇
来源 | 智能相对论（ID：aixdlun）
金三银四，求职者们纷涌而来，各家企业的人才战役也已经打响。历经了简历初筛、笔试、面试、复试等一系列流程，求职者“不堪折磨”，想必HR们也累得够呛。在人力资源招聘上运用一些科技手段已经不是新鲜事儿了，最常见的比如在简历初筛这一环节中设置关键词，让机器自动剔除掉不符合条件的简历等。
近日，AI 招聘初创公司 Fetcher获得种子投资的新闻又把大家的视线拉回了AI招聘上，此次投资，该公司总计获得了250万美元的种子轮融资。而就在上个月，ATA（全美在线）也与中国演出行业协会达成了战略合作，为演出行业人才评价和人才队伍建设提供技术和服务。
AI强势入侵人力资源招聘领域，对HR和求职者们会是一个好消息吗？
一、AI招聘可以成为人类的好帮手
就智能相对论（ＩＤ：aixdlun）行业分析师颜璇来看，AI＋招聘并非想要挑战人类ＨＲ的“权威”，反而会在以下两个方面成为ＨＲ和求职者们的好帮手。
1.AI提高效率，从而提高准确率
对于HR来说，最为重要的就是要招到对的人。而如何招到企业想要的人才，一方面，这取决于HR“识人”的水准，另一方面，则看面试的轮数，也就是考验程度。一般来说，高水平的面试官再加上多轮面试，往往会提高这次招聘的准确率。但多轮面试所提升的准确率，却是以牺牲工作效率为代价的。
一般来说，一个大型企业的招聘周期往往比较长，从网申到最后录用可能要一个月之久。究其根本，还是企业在关卡考核上花费了太多时间，不仅使得招聘周期长，还极容易流失那些在漫长的等待中而躁动不安的人才。
图为某企业招聘流程
AI依赖于其强大的计算能力和大数据，能够进行自动化的人才甄选，包括自动化笔试、面试以及基于聊天机器人的甄选工具，这试图解决的正是人才甄选的效率问题。
如此，AI能够成倍地减少企业搜寻人才的时间，面试的效率将会得到大幅提升，使得HR们能用更多的精力取找到“对的人”。而这次融资的创业公司Fetcher也声称，相比内部 HR 招聘，AI 将节省 10 倍资源，相比猎头等招聘机构，将节省近 20 倍成本。
2.双向互动，盘活人才市场
我们看目前的招聘形态，对于大多数求职者而言，还是比较倾向在招聘网站搜索相关信息。因为这类网站的运作模式比较简单，就是将大量的企业招聘信息分门别类，然后罗列在网站上供求职者们搜索。但你会发现，这类网站是缺乏互动的，即使像BOSS直聘这样，职场BOSS虽然可以与求职者直接交流，但这也不是真正意义上的平等互动。本质上，这还是属于“求”职软件，平台会向供职者倾斜。
所以，企业在这些网站上并不能找到特别好的新形态公司的人才。那么，AI在其中可以起到什么作用呢？
曾经，罗永浩在社交平台上发布了一篇煽情的帖子，凭借本人的IP效应招到了大量的人。这类社会化招聘或许可以让劳资双方走得很近，但一篇帖子，一个朋友圈或者是一条微博的力量还是太微薄了。
这就给了我们一个思路——AI招聘或许会是社会化招聘的高阶版。社会化招聘的本质是通过社交关系的互推来获得职位机会，社交里的关系链都会对这个人作出相对真实的评价，好比入职前，HR会联系求职者就职过的公司里的同事，打探这个人之前的口碑。而AI介入后，HR可能就不用那么麻烦了。
基于社交网络的构建、UGC内容的产出、以及ChatBot和匹配算法的开发，我们或许可以通过人工智能激活被动的求职者，AI可以作为猎头，影响并转化被动求职者这一群体，而这也意味着，劳资双方的信息可以平等交换。
被招聘的人可以通过AI打造的社交平台清楚地了解企业信息，而求职者的社交信息、内容产出也会变成一份个人档案，企业可以更加立体、真实和动态地了解求职者的特长和兴趣。
二、AI招聘还有哪些难题要过
即便AI招聘对于企业和求职者来说算是一个好消息，但是，人们也不能高兴得太早，凡事有利有弊，在看到好处的同时，我们也要观察到它需要改进的一面。
1.以子之矛攻子之盾，AI试不出真人才
根据50个省市政府所属人才服务机构数据统计，2012年以来大中城市人才供求比在2:1左右,即求职总人数约为提供岗位数量的2倍。而根据智联招聘统计，2014-2015年全国人才供需指数维持在30以上，即平均一个职位收到简历数量均在30份以上。我国在快速发展的进程中，就业市场竞争加剧趋势十分显著。
图源：中国产业信息网
就业竞争激烈，企业人才短缺，职业教育培训有着巨大的需求潜力与市场空间。根据百度及搜狗搜索数据，2014年，职业教育培训的关注度在各细分教育子类中名列前茅。
今年的公务员考试热潮刚刚冷却，但了解的人也知道，此类公务员的笔试、面试的报班培训的成本只高不低。如果AI成了面试官，求职者们“上有政策，下有对策”，会去寻求更佳的面试培训，而有市场就有需求，以大数据为优势的AI面试恐怕也会被AI＋培训所攻破。
智能HR的客观评分机制反而成了清晰可见的“套路”，然后被智能培训老师“反套路”，两者”斗智斗勇“，倒显得掺杂在中间的求职者像一枚棋子，毫无自主意识，如此选拔出来的人会是真正的人才吗？
而人类HR的优点正是在于其自主性，相信上过培训课的同学们都知道，培训老师都会强调面试时不要准备模板，因为模板会造成同质化，面试官因为长期积累的经验通常能敏锐地察觉到模板的痕迹，从而影响面试者的成绩。
2.“算法弥补偏见”不可信
Fetcher曾表示，产品的筛选机制将消除任何潜在的人类偏见，使其完成符合平等就业机会委员会的规定，年龄、性别、种族、宗教、残疾等都不会成为算法的参考标准。也就是说，算法可以弥补招聘中的偏见。
这类论调不禁让人想起了张一鸣的”算法没有价值观“。前几日，一名被银行拟录取的面试者，却在准备入职时被智能检测平台Say No，究竟是可能出错的“人工智能”掌握了否决权,还是丁是丁卯是卯的“人工智能”为某些人为标签背了黑锅？
现实生活中，招聘求职者可能会存在很多文本之外的“潜规则“，比如招聘信息上的“某某条件优先”或许只是某些企业灵活运用的话术而已。算法本身是客观的，但因为其需要人工标签，掌握这个算法的人群才是招聘中的关键。盖上“算法”的面纱，那些成见反而更加若隐若现。
3.逃不过的数据难关
数据一直是AI的大难题。但在面对AI招聘时，数据的模型化显得十分困难，即使打造出模型，普适性也难以预见。
目前的AI匹配技术仅仅能在少数一些职位上达成足够高的可用性，比如说卡车司机，因为卡车司机在美国是一个庞大群体，且其能力和要求较容易被模型化。
当一家公司运用这个系统来面试求职者时，无限的机器学习过程或许可以筛选出一个优秀的销售人才，但这种筛选算法也无法在不经过新的训练过程的情况下，简单地推广到其他职位，比如人力，市场等岗位。而这仅仅是一家公司里存在不同岗位所要面对的问题。
如果不同的公司来使用这套系统，AI的数据需要更加垂直化。但问题是，某个领域的某家公司真的有这么多的人才数据可以提供给机器来学习吗？
AI+确实能成为一个工种的助力，但并不能解决一切问题。各家企业应该明白，围绕人才招聘，企业想要得到真正的人才，绝不能仅仅依靠人工智能这一技术领域的创新。真正的突破点在于，企业将自身建设的越强，对优质人才的吸引力才会越强。
【完】
智能相对论（微信id:aixdlun）：深挖人工智能这口井，评出咸淡，讲出黑白，道出vb深浅。重点关注领域：AI+医疗、机器人、智能驾驶、AI+硬件、物联网、AI+金融、AI+安全、AR/VR、开发者以及背后的芯片、算法、人机交互等。
-
效率
卖引擎而非整车，「麦穗」想用人工智能、大数据帮招聘网站提高效率，英格玛HRTECH基金投资
在麦穗联合创始人王露颐看来，招聘主要有3个步骤，其一是为企业找到足够数量的候选人，因为基数大了，才能确保质量；其二是找准人，最后才是人岗匹配合不合适的问题。
按照王露颐的说法，麦穗并不是卖整车，而是给一些大型招聘网站、企业开发引擎，目前主要提供3大产品。其一是帮助招聘网站快速定位候选人，公司合作客户均具有较大体量，一般在内部都有着丰富简历。通过匹配求职人员简历和职位描述为企业找人。如果客户简历数量不够，公司也会从外部为其定制一定数量的简历。
首先会分析企业的基本情况、发展阶段、过往入职人选等特征来对需求方用人偏好形成一个完整画像。还会精细化分析和标注处理整段职位描述，并分析所处行业特征和标的企业的用人状况。麦穗会运用智能语义解析，切分并提取候选人简历的核心内容，形成150多个维度，来匹配企业的用人画像。这150多个维度包括候选人的期望薪资、期望的工作地点、到岗时间、简历新鲜度（候选人更新简历的频繁程度是和换工作的意愿成正比的）、学历状况、专业技能、工作经历等。
人才库盘活是近年来一个活跃话题，理想场景是当 HR 向外发布职位时，系统可以自动提示她自有人才库里已经有很多合适的候选人了。但是据欧美市场最大的求职网站 Indeed.com 的总裁 Chris Hyams 介绍，由于不同行业、不同工种之前存在许多“潜规则”，且很多职位的 JD 还是不能标准化、模型化，该技术的实际应用还是存在一定问题。
仅仅通过职位 JD 和候选人简历去匹配供需双方，这个显然是不够的，因为很多时候职位与职位间的描述是比较相似的，并不能精确匹配，利用简历数据所做的只能是一个“冷启动模型”，后续还要通过不断添加数据维度来精细化该模型。麦穗的第二个业务是为该模型添加了类似电商的用户行为数据分析。
具体来说，麦穗会分析企业的职位发布者在招聘网站上的历史行为数据，比如关注了哪些候选人、拉黑了哪些候选人、搜索查看过哪些候选人，付费买过哪些候选人的联系方式。通过在推荐模型中添加用户行为数据，匹配的维度自然会更多。使用越多，产生的数据越多，匹配自然也就更加精准。
以上两款产品均是重大数据，轻 AI 的产品。麦穗在今年试点性地推出了一款视频面试类产品，据王露颐介绍，该款产品集成了机器学习和深度探测模型来探测候选人的软性素质，方法是通过探测候选人在面试时的肢体动作和面部表情，来对候选人打分。比方说团队会通过一套数据模型，从中产生6000多个维度，来定义什么是“领导能力”。在匹配候选人面试时的表现，挑选出“领导力”强的候选人。
据悉麦穗是由英格玛HRTECH基金投资。
来源：36氪，作者：徐宇。
-
效率
BOSS直聘投资人：垂直化、提高效率、职业成长，人力资源未来3大方向
本文取材于华映资本投资人章高男的分享，作为BOSS直聘C1轮领投方投资人，章高男拥有4年的风险投资经验，专注于企业服务等领域的投资。除了BOSS直聘，他还投出了冠勇科技、爱拼机、地推吧、聚财村等优秀toB公司。
文章来自B2B圈，供业内人士参考。
投企业服务的逻辑
我重点关注企业服务两大方向，一是人力资源，二是数据。不管任何行业，这两个方向都是高频刚需。
企业服务包括很多领域，如果从场景的应用角度划分，包括企业内部培训、财务、法律、协同、差旅等。判断场景式的项目，我会分析它是广而浅，还是窄而深。广而浅用户基数大，但粘度和忠诚度相对较弱。窄而深往往跟垂直行业相关，用户规模有一定天花板，但用户粘度和使用时长较高。
另外从应用的角度划分，分为帮企业赚钱和帮企业省钱的。
帮企业赚钱的公司，肯定和企业的经营业务相关，相对垂直、门槛更高。看这种标的，第一，我会看创始人对企业业务懂不懂，是不是这个领域的行家。往往这种标的客户不会太多，因为真正赚钱的企业有头部效应，属于窄而深的公司类型。
第二，我会看企业是否有门槛，这些公司往往都有门槛，如果没有门槛谁都能赚钱，说明可能根本就赚不了钱；能够真正赚到钱的，说明钱不容易赚，但是回报率会很高。
图为华映资本投资布局
帮企业省钱的公司，提供的是所有企业都适用的服务，比如节税、社保等。
帮企业赚钱的逻辑是：企业赚越多的钱，你就赚越多的钱。因为你帮他赚了钱，他愿意跟你分钱。而帮企业省钱逻辑则又不同：每个企业的天花板是固定的，要帮企业按量去省。由于这类公司并不与企业核心业务结合，替代成本较低，所以做这样的服务千万不能只拿几十单，这肯定养活不了公司。另外，产品标准化程度一定要够，如果有上万家客户，你能不能伺候得过来？总体上帮企业省钱的公司，需要服务好，提供服务的效率高，标准化能力强，产能也要跟得上。
“简历不是这个时代的稀缺因子”
华映资本投企业服务之初，我们想对人力资源做基本面的布局，于是便投了具备入口级属性的BOSS直聘。当时，我研究了一天BOSS直聘后，就决定投资。因为它是一个刚需产品，并且做的是未来的事。
BOSS直聘的产品好就好在，它做的是信息沟通、人员筛选的工作，不赚中介和撮合的钱。
招聘是双向选择，BOSS直聘站在了一个相对公平的位置，让双方都能够产生价值，并且在线上就能够达成很多共识。
另外，BOSS直聘有一个几十人组成的算法团队，在精准匹配方面做得不错：对求职者来讲，给你推荐职位；对企业来讲，给他推荐候选人。
毋庸置疑的是，卖简历的时代已经过去了，简历不是这个时代的稀缺因子。招聘服务的本质要求是提高筛选效率，简化中间环节。
在我看来，大部分已经成为平台的人力资源公司，都在取巧、在找最简单的赚钱方式。难道不应该敢于做点苦活，敢于做真正有挑战的事情吗？能不能把面试速度提升一个档次，做到面试2、3个人，就能达成一个deal？这对双方来讲，才是好事。
人力资源未来3大方向
人力资源的核心，一是提高效率，二是职业成长，这是未来的方向，谁能做到这两点，谁就有机会。另外，现在切入平台会很难，垂直领域机会更大。下面我分别谈谈：
第一、提高效率
在我看来，面试效率急需提高，谁能真正提高面试效率，谁就有机会走出来。
今天的招聘方式真的很浪费时间，未来绝对有提升的机会。未来的招聘方式，肯定会更好、更有效、更精准地匹配，要想做到这点，有很多挑战，比如求职者的能力如何在面试之前就让面试者有客观的判断？做到这点核心是供求双方匹配的精准度，这是技术挑战。另外产品和运营的服务能力也很重要，要了解不同企业和候选人背后的心理，针对不同的需求提供各种针对性的服务。
第二、职业成长
职业成长市场很大，假如每个C端用户向平台付1000元，轻轻松松就有几十个亿。仔细看一下LinkedIn的财报，职业成长这块的收入每年环比增长都超过100%。
一个不容忽视的事实是，每个人都想未来有发展，但怎么发展，很多人却不清楚。找人和培养人，未来的结构会越来越紧密。因为找人是意象万千的行为，但人还要职业成长，需要有人对你进行关怀。
那么，怎么能通过职业成长赚钱呢？举个例子，假如你刚入职两年，没有那么清晰的目标规划， 如果平台主动告诉你跟你年龄和起点差不多，两年之后发展比你好的人在做什么，你肯定会有兴趣看，认为这是一种关怀。因为平台在告诉你一个可以够得着的目标，并且别人这么做成功了。如果你对这个目标有兴趣，平台能够再进一步告诉你跟目标的差距，这块的机会就更多了。
第三、垂直化
如果现在有创业者想做人力资源方向的创业，我个人认为横向做成平台的机会难度很大了； 往垂直领域纵向走，比如做兼职招聘、外包人员招聘，机会可能更大。
做垂直领域的招聘平台，有两点需要注意的：一是必须落地，利用线上线下的手段去提高效率，如果不落地，就没有什么大的机会；二是必须要能成交。解决企业招聘的痛点就是解决批量化或解决及时性的问题。数据和供应量如果都能满足，就有机会。当然这里指在某一个行业的机会，全行业都满足这个事太难。所以，从垂直行业切入， 利用这个行业的竞争优势，再加上跟平台深入合作，线上线下结合可能是更好的方式。
BOSS直聘本身具有平台属性，如果能发现一些跟平台相配合的人力资源项目，我会认真考虑。例如海外招聘，如果有人了解海外的用户，线上线下有各种各样的活动，知道这帮用户的精准需求，BOSS直聘可以精准挑选出来他的场景和用户人群，这样就可以驾驭一个很大的市场。
人力资源是企业服务最大的细分子类，去年全球14%的企业服务投资跟人力资源相关，相信未来一定会涌现出更好的项目。
-
效率
如何用机器学习手段提高HR甄别简历的效率
如何用机器学习手段提高HR甄别简历的效率引言“假设简历库中有10000份名为“软件工程师”的简历。 一位HR在搜索“Android工程师”时仅关注名称为“Android工程师”的简历，她将遗漏912份有可能匹配的简历；如果这位HR愿意花时间从头到尾通读每一份“软件工程师”的简历，将其中真正从事Android研发的简历筛选出来，那么她需要多阅读9088份无效的软件工程师简历。假设阅览一份简历需要15秒，这项工作将占据她38小时。“
一、低区分度的简历——隐藏的招聘雷区
搜索和阅读简历占据了招聘的大部分时间。在HR搜索或阅读简历时，需要根据简历名称或工作内容对简历类别进行判断，简历类别的“区分度”越高，HR越容易通过搜索定位到对应的简历，也越容易甄别出简历与空缺岗位的匹配度。
例如，HR在招聘一名“Android工程师”时，非常喜欢那些在职位名称为“Android工程师”的简历，因为可以很方便地搜索和识别。这部分简历可以定义为高区分度简历。
可令人头疼的是，许多候选人的简历并未照顾到招聘者的使用体验。例如一名软件工程师在他的简历中提到了多项编程技能，并将简历名称定为“软件工程师”，给系统搜索定位到这份简历造成了极大的难度。这就意味着：由于JD的编写方式与候选人编写简历方式的天然差异，大量履历匹配的简历在搜索时被遗漏，许多工作内容里包含这些关键字的简历（比如招聘专员）实际却又毫不相关。
二、大量的低区分度简历增加了甄别难度
我们从简历库中抽样了1479818份互联网行业中包含“工程师”的简历数据，按简历名称进行统计，从高到低排序后截取Top15展示如下：
<图1-高频职位名称统计数据>
由统计数据可以看出，类别区分度低的简历在整体简历数据中占比较大。例如互联网行业中包含大量“软件工程师”、“高级软件工程师”、“软件研发工程师”、“研发工程师”简历，占抽样总数的25.7%，但这部分简历却无法轻易判断候选人对应的技术方向。
实际上，Java工程师、PHP工程师、后端开发工程师等均可称为软件工程师。有众多Title为“软件工程师”的简历，需要根据职位或工作描述进一步判断具体类别。
例如对简历进行搜索时，输入“Python工程师”，简历名称中含Python的简历可能较少，导致搜索结果数量丰富度不高。但如果通过模型可以判断简历名称为软件工程的具体角色，增强简历的区分度，则可在软件工程师的简历中筛选属于Python工程师的简历，进一步提高搜索的丰富度。
三、通过机器学习方法提高角色识别的准确度
1、建立合理的职位理解
增强简历的区分度，可以理解为“如何更准确地理解职位，包括职位的不同表达方式，以及与该职位相关的技能模型”——这件事可以基于一张专业词表完成。
例如我们定义一个简单的词表——“软件工程师”为一级类别，其下属二级技能类别分为Java、C++、PHP、.NET、Python、Delphi、Perl等。这张词表定义了明确的职位/技能关系，当词表在“阅读”一份名为“软件工程师”的简历时，它实际阅读的是上述技能。
聘宝的知识图谱更为复杂，除技能分支外，还包含行业、公司等众多维度。
<图2-聘宝的职位技能知识图谱节选>
2、如何进行高效的角色分类识别计算
深度学习方法近期在文本处理领域大受欢迎，但需要注意的是它们的训练以及测试过程十分缓慢，以至于工程应用时门槛颇高。
在进行了一系列的技术方案调研与比较后，我们尝试对比分析了三种机器学习的文本分类算法： TextGrocery，fastText，Naive Bayes。
· TextGrocery—是一个基于LibShortText和结巴分词的短文本分类工具，基于线性核SVM分类器，使用二元分词（Bigram），不去停顿词，不做词性过滤同时支持中文和英文语料，让文本分类变得简单。
· fastText—由FAIR（Facebook AI）开发的一款快速文本分类器，提供简单而高效的文本分类和表征学习的方法，出自Word2Vec作者Mikolov的论文《Bag of Tricks for Efficient Text Classification》
fastText适合大型数据+高效的训练速度，能够训练模型“在使用标准多核CPU的情况下10分钟内处理超过10亿个词汇”，与深度模型对比，fastText能将训练时间由数天缩短到几秒钟。FastText的性能要比时下流行的word2vec工具明显好上不少，也比其他目前最先进的词态词汇表征要好。
<图3-fastText分类器模型示意图>
<图4-fastText模型架构>
· Naive Bayes——由贝叶斯定理延伸而来的概率模型，它根据每个特征的概率确定一个对象属于某一类别的概率。该方法假设所有特征需要相互独立，即任一特征的值和其他特征的值没有关联关系。
在自然语言处理领域，处理的的数据可以看做是在文本文档中标注数据，这些数据可以作为训练数据集来使用机器学习算法进行训练。
在训练样本时，构建可以表征文本的特征向量(词汇表)，并根据这个特征向量将训练集表征出来，计算各个类别的频率作为该类的先验概率，和在每个类别条件下各个特征属性的条件概率，分类时，根据贝叶斯公式计算待分类句子在每一类别的后验概率，取最大值作为其分类。
<图5-Naïve Bayes模型架构>
四、一个简单的分类识别实验
为更好地分析不同技术手段在增强简历区分度上的效果，我们进行了一项简单的比较实验，来展现算法是如何把低区分度的简历如“软件工程师”进行具体的技能方向分类的。
1、实验数据集的准备：
选取680731份根据职位名称判断属于二级类别的工程师简历数据，随机抽样取80%的数据做训练数据，剩余20%份作测试数据。
<图6-实验数据集的分布>
2、实验效果表现：
通过实验我们发现，通过机器学习方法，我们能够快速识别低区分度简历并进行准确的分类，从而能够极大的降低人工搜索与阅读的时间。
<图7-各个类别预测准确率的分布>
对比上面模型结果， fastText模型基于词袋的针对英文的文本分类方法，组成英文句子的单词是有间隔的；而中文文本是连续的，因此对中文文本，则需分词去标点转化为模型所需要的数据格式，但分类效果一般，尤其是类别间区分度不是很大的情况下。另外参数调优对模型结果影响较大，但模型优势在于训练时间很短。所以fastText模型更适合做类别区分度更大且讲究分类效率的应用场景，比如将一则新闻自动划归到财经、军事、社会、娱乐等板块。
TextGrocery模型是专门针对短文本的分类模型，直接输入文本，无需做特征向量化的预处理，不去停顿词，不做词性过滤，优雅的API接口，但模型准确率和模型训练时间在此角色预测模型中不是太突出。
Naive Bayes为传统的文本分类模型，特征向量化的预处理相对繁琐、训练时间较长，但在分类类别多文本区分度不大的情况下，分类效果相比其他两种算法更为优秀。这个实验结果侧面说明，在产品实现时勿过度追求“时髦”的技术。对某一项特定业务来说，有助于业务实现更优效果的技术就是最好的技术。
聘宝在面对低区分度简历时的角色识别算法，吸收结合了上述各类算法的特点，面对不同场景条件时搭配应用，实现了更优的分类效果，在TMT行业主要职位类型上的识别准确率高于75%。
以“软件工程师”为例子，在聘宝中输入属于软件工程师的职位描述，预测出可能的角色，效果如下图：
<图8-聘宝角色识别效果示例>
对于其他行业低区分度的简历，同样可以训练出对应的模型。如果单个行业预测类别不用过细的话，可以将众多行业数据混合一起训练模型进行预测。
基于该实验的样本数据，假设简历库中有1万份名为“软件工程师”的简历。 一位HR在搜索“Android工程师”时仅关注简历名称为“Android工程师”的简历，她将遗漏912份有可能匹配的简历——这些简历均被冠以“软件工程师”的职位名称；如果这位HR愿意花时间从头到尾通读每一份“软件工程师”的简历，将其中真正从事Android研发工作的简历筛选出来，那么她需要多阅读9088份无效的软件工程师简历，假设阅览一份简历需要15秒，这项工作将占据她38小时。
角色识别除了在简历检索方面的应用，在其他方面也有广泛的应用空间。 如薪资预测， 根据工作描述预测角色作为特征变量，将有助于提高预测薪资的准确性。
又例如简历解析， 将简历详情页的各个区块作为文本，预测各区块所属的信息类型（如工作经验、教育经历等）后再使用对应的解析程序对区块进行解析，将大大提高简历详情页面的解析效率。
我们始终相信技术可以提高工作效率，也正因此我们在简历的分析与匹配工作上持续深耕三年，相信在机器学习技术的帮助下，HR的招聘工作将变得更加省时高效。
来源：聘宝
参考文献:
[1] 超快的 fastText[EB/OL].https://sanwen8.cn/p/4744TBs.html, 2017-04-10/2017-04-24.
[2] Library for fast text representation and classification.[EB/OL].https://github.com/facebookresearch/fastText, 2017-04-10/2017-04-24.
[3] TEXTGROCERY，更好用的文本分类PYTHON库[EB/OL].http://blog.chedushi.com/archives/11383?utm_source=tuicool&utm_medium=referral, 2017-04-10/2017-04-24.
[4] LibShortText简要入门[EB/OL].http://guoze.me/2014/09/25/libshorttext-introduction/, 2017-04-10/2017-04-24.
[5] NLP系列(2)_用Naive Bayes进行文本分类(上)[EB/OL].http://blog.csdn.net/longxinchen_ml/article/details/50597149, 2017-04-10/2017-04-24.
[6] 从Naive Bayes到N-gram语言模型[EB/OL]. http://blog.csdn.net/longxinchen_ml/article/details/50646528, 2017-04-10/2017-04-24.
[7] Bag of Tricks for Efficient Text Classification[EB/OL]. https://wenku.baidu.com/view/32db1350777f5acfa1c7aa00b52acfc789eb9fba.html, 2017-04-10/2017-04-24.
扫一扫 加微信
hrtechchina
