-
大数据
大数据与AI下的人力资源管理重构
文 | 兰青秀
来源 | CHO首席人才官
“后工业社会”时代的互联网属性进化
“后工业社会”是美国著名学者和思想家丹尼尔·贝尔提出的，其典型特点是：以理论知识为中轴，核心是人与人之间知识的竞争，科技精英将成为社会的统治人物。
在互联网出现之前，后工业社会的进化相对平缓，知识进步对社会发展的驱动是平稳上升的。
然而，互联网的出现和高速发展，就像是为后工业社会注入了催化剂，人类社会在短短二十年中，就发生了可以媲美甚至超过以前百年进化的巨大变化。
后工业社会，被打下了深深的互联网属性。
知识创造未来的同时，未来也在改变知识本身。
颠覆再造：大数据管理掀起知识革命浪潮
从结绳记事到发明文字，人类社会的每一次进化都伴随着以数据信息为核心的知识革命。数据与信息的载体，从甲骨、木简、布帛到纸张，经历了数千年的历史。然而，从纸张到电子，几乎是一步跨越，就颠覆了几千年来数据信息记录、传播、交流与存储的传统方式。
大数据管理同时革新了数据信息的入口端和出口端。
在数据信息入口，大数据管理提供了真实的、实时的、低费的、海量的数据输入。
比如我们想要使用电子地图和导航设施，就必须定位所在位置和要去的目的地，并且在途中用GPS（全球定位系统）时刻记录位置，这就是数据信息的真实性和实时性。
入口端通过提供一些免费的大众服务来获取大众的各种数据信息，这就是低费性和海量性。
在数据信息出口，大数据管理提供了丰富的数据信息、精准的信息分析、便捷的信息匹配、高效的信息应用等实用功能。
比如淘宝、京东等电子商务网络平台，作为生活购物的综合信息平台，会对消费者的消费数据信息进行记录、追踪、分析，洞悉并掌握消费者的消费习惯，从而进行针对性营销推荐，甚至衍生一系列的后续商业服务。
风雨欲来：势不可挡的人力资源管理革命
（1）不断变化中人力资源管理
大数据管理下的知识革命重新定义了“知识”，作为知识创造者、吸收者、利用者的人力资源管理者，势必会被赋予新的内涵和使命，而这些正在悄无声息地改变着人力资源管理的主体内容。
数据信息革命正在给人力资源管理带来全方位的变化：
大数据将为人力资源规划提供更为科学、全面的信息与数据基础；
基于人才数据库的招聘工作将在招聘信息发布、简历收集筛选、人才测评、人岗匹配等方面大大提高工作效率和效果；
知识数据库将培训资源和培训需求实时链接和高效匹配，更有利于培训目标的达成；
薪酬数据库使得外部薪酬调研高度便利化，市场薪酬的透明性又反过来推动了企业薪酬进一步体系化和公平化；
绩效数据库使得绩效数据统计分析更加客观和便捷，使得绩效管理从烦琐的数据分析中解脱出来；
员工信息数据库使得劳动关系管理更加科学和规范，更有利于防控用工风险、推进人本管理，提升员工的企业黏性。
（2）AI推动人力资源素质革命
人工智能（Artificial Intelligence，AI）是模拟、延伸和扩展人类智能研究的技术科学，包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
人工智能的本质是“基于算法”的智能，在大数据的基础上，基于计算机科学的高度发展，人工智能已经取得了一个个丰硕的成果。
2016年，为吸人眼球的“阿法狗大战李世石”，结局却让人大跌眼镜：李世石以1：4落败于阿法狗。从“深蓝”战胜国际象棋大师加里·卡斯帕罗夫，人工智能很快攻下了“被认为是最复杂的智力竞赛”的围棋大赛。
中投顾问发布的《2018——2022年中国人工智能行业深度调研及投资前景预测报告》认为，随着AI技术研究的逐步成熟，人工智能在无人驾驶领域、医疗图像分析、智能投资顾问、精准营销应用、新零售应用等领域的应用进程将进一步加快。
AI的高速发展启动了人力资源素质革命的加速器。简单机械的工作将被人工智能很快取代：
在制造行业，有很多企业已经引入工业机器人，替代了很多流水线工人，并且大大提高了工作效率，降低了生产浪费；
在零售领域，无人超市已经上线，传统的理货员、服务员、收银员等，已经处在风口浪尖；
无人驾驶正在快速发展，驾驶员将何去何从？
大数据信息公开且动态匹配，使得传统的靠信息提供与匹配生存的中介机构，甚至包括提供高端猎头服务的人力资源机构，都面临了前所未有的转型挑战。
人力资源开发目的就是提升人力资源价值增值部分。当人力资源的价值定义被改写，人力资源素质革命的大幕拉开了……
未来已来：大数据与AI下的人力资源管理重构
（1）“终身学习+立体能力”重构人力资源素质
“不是我不明白，这世界变化快”，就像这首歌里唱的，科技的高速发展使得现在的世界堪称“日新月异”。
人力资源素质革命使得知识和能力的迭代周期正在快速缩短。在教育领域，以前可以用15~20年的教育周期培养一个可以工作30-40年的人力资源个体，大多数受教育者也可以凭借所学养活自己一辈子。
但是现在似乎不一样了。原有所学的价值，正在变得模糊，或者飘忽不定，而且几乎没有办法预期这些价值会在什么时候就会突然消失殆尽。
“终身学习”变成了人力资源素质革命中能够给予大家安全感的“唯一法宝”。只有时刻关注快速发生变化的时代，不断更新并获取匹配时代发展的人力资源素质，才能不被快速发展中的社会淘汰。
另外，人力资源能力正在从线性变得“立体”，“斜杆青年”的状态将会从“时尚”逐渐变成“大众”。“终身学习+立体能力”将成为鲜红的旗帜，引领大家走上人力资源素质重构的革命道路。
（2）“泛平台化+劳务关系”重构人力资源管理
时代的快速变化使得传统组织的固化障碍正在变得越来越突出。新时代的管理呼唤灵活多变的组织，于是，“平台化”组织成为时尚，“合弄制”正在成为新时代组织再造的研究方向之一。
现在很多企业正在向平台化组织转型，以“人力资源能力”为核心组织能力的行业，比如法律、审计、咨询等行业的企业组织，是平台化转型的先锋队。
同时，人力资源素质重构提供了更加具有成长性和立体化的人力资源个体。新时代的人力资源个体希望实现跨组织的合作与成长，全方位“解锁”自身的人力资源能力。
当组织更加柔性，人力资源更加立体，传统的“基于雇佣关系的劳动关系”将会成为历史，“基于平台组织的劳务关系”将成为未来人力资源合作的主流模式。“泛平台化+劳务关系”将全面革新人力资源管理的基础和结构，重构人力资源管理的内容和形式。
综上，大数据管理使得“互联网+”从标签变成了烙印，深刻融入并驱动了社会发展，正在快速改变时代的面貌；具有互联网基因的AI技术与大数据紧密结合，成为重构商业运作形式的“利剑”。
大数据与AI下的人力资源管理重构，A面是“终身学习+立体能力”重构人力资源素质，B面是“泛平台化+劳务关系”重构人力资源管理。
A面与B面相互促进又制约，在对立统一的“矛盾”中共同发展，正在改写人力资源管理的未来。
-
大数据
《2018 HR 人工智能大数据使用调研报告》
大数据和人工智能是否改变了您所在组织的招聘方式？
64%受访者表示同意。
你认为人工智能会取代你的工作吗？
每十位受访者中只有一位认为他们的工作将会被人工智能取代。
78%受访者表示，他们乐于在将来与人工智能，有更加密切的合作。
大数据和人工智能使工作变得更困难的主要原因是什么？
14%受访者表示，人工智能加大了其工作难度，数据过于庞杂令他们不知所措。
组织将人工智能运用于以下哪些方面？
人才搜索 33%
追踪招聘流程 23%
在职培训及发展、背景调查、聘用候选人跟进 10%
大数据和人工智能让您的工作更轻松的主要原因是什么？
专家认为是提供有价值的见解 40%
认为人工智能为其节省了大量时间 34%
团队得以将更多的人力/创意专注于招聘 21%
51% 大数据和人工智能使得他们的工作变轻松
76%受访者认为人工智能已经成为搜寻高素质人才的工具。
数据来源：《光辉睿程2018年 HR 人工智能大数据使用调研报告》
2017年末，光辉睿程对全球范围内800位HR从业人员进行调研
-
大数据
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。
-
大数据
天天喊着大数据，人力资源SaaS服务商又该如何应对？
图片来自“123rf.com.cn”
来源：人力资源行业观察
作者：老猹
人力资源SaaS服务商天生就具有一个优势——大数据，例如大象人事掌握了人员流动情况、员工工作效率;2号人事部获得企业用户的员工规模、社保公积金缴纳、薪酬福利水平等数据……这一优势也是其必将对传统的人力资源行业产生变革的重要原因。我们都知道，大数据并不在“大”，而在于“有用”。价值含量、挖掘成本比数量更为重要。对于很多行业而言，利用这些大规模数据进行精准营销、服务转型以及市场预测，是赢得竞争的关键。
所以，如何将固定的数据资源常量操作化为可收益的业务变量，对于一家SaaS服务商能否规模化至关重要。
结合国内外大量人力资源SaaS服务商成功利用大数据案例以及对中国未来SaaS环境市场的了解，老猹认为，转换方向有几种。
渠道转换
SaaS服务商在自身行业掌握着其他行业大量的用户通道，于是将这一渠道优势转化为收益。例如Zenefits将其保险入口渠道作为获利接口，大量的用户资源，成为了它向保险公司收取费用的直接“点金手”，这一模式每年给Zenefits 增加约45亿美元的年收入;国内如点米社保通有着大量用户缴纳社保的通道入口，智联、51有着招聘的入口，这些都可以转换为收益，未来在行业、市场竞争能够牢牢站住脚，正反馈于通道的建设。当然渠道转换也有一定的劣势和风险，其他行业本就有自身渠道，当SaaS服务商占据这一通道使其不得不付费时，冲突就可能产生。例如，在美国犹他州， Zenefits 一度被判定为非法，保险经销商控诉称，由于Zenefits 是免费软件，这有不正当竞争的嫌疑。
资源转换
SaaS服务商沉浸在自身行业掌握着大量的用户资料，这些资料能get到用户的基本特征，属性，将其变现，可以更精准化的进行其他的业务。例如北森做好企业人才测评服务后，掌握了大量的员工特征，开始做招聘。精准化需要技术力量，正确地处理大数据能起到颠覆式的作用，但错误的处理一样可能导致亏损，智联、51在获得大量求职者的数据之后，也开始为企业提供测评服务，但市场规模总难以做大，反而是为个人提供的测评服务更显优势一些，这种转换过程就是数据处理稍显不够的结果。
场景转换
SaaS服务商拥有了一个场景大数据以后，任何一个想要进入该场景的业务都要向其缴纳“场地费”。上一期老猹说到，由于消费者对某一市场中原有品牌的认同，会迫使新进入者不得不花费巨资来克服消费者的品牌忠诚度所带来的影响，场景化的SaaS服务商既对行业内部形成自身的护城河，同样的，在行业外部一样会构建一道壁垒，想要进入这个人力资源行业某一场景获得用户、完善产业链的企业，也不得不花费巨资来迎合消费者对于现有场景品牌的认可度，北森占据了企业测评的场景，大量面向教育行业做职业测评的机构首选的软件也是北森产品。
趋势转换
大数据最重要的一点，是能通过对这些数据的分析，预判未来行业发展的方向，提前布局。这些年来，“风口”一词用得可谓泛滥，每一位投资者、企业家都在凭借自己的经验、分析来判定行业的变化趋势，以求占领时代的高点。可是真正能判断正确的，万中无一，只有风口真正来了、过了，才意识到哪条路是正确。大数据可以大大提高这一判断的准确率，人力资源SaaS服务商可以通过大量的客户数据，进行产品布局、渠道建设、和顶层规划。
2017年，数百家人力资源SaaS服务商都在摸着石头过河，谁对谁错，暂无结论，但是，未来势必会出现一家占领这一领域的超级公司，到那个时候，相信每家曾经在这个行业留下脚印的SaaS服务商，回首起来，都会感慨万千。
总之，SaaS服务商势必将存在数据优势，真正能够利用好这些数据的企业才能把握住未来行业变化的趋势，占领高地。
-
大数据
通过大数据自动制定最合理的排班计划，Legion完成1050万美元A轮融资
【猎云网（微信号：ilieyun）】9月29日报道 （编译：冰摇柠檬茶）
近年来，我们不断讨论员工希望更灵活的工作时间安排的话题。而在Lyft和Uber等公司诞生后，我们离这一梦想的距离也更近了一步。但是，并不是所有人都实现了这个梦想，尤其是规定严格的小时工们。
为解决这个问题，Sanish Mondkar创办了创企Legion，利用大量数据，细致到一家商店旁边的天气，试图预测繁忙情况，给商店员工提个醒。同时，它也能够帮每一位员工制定最合理的排班，比方说这周想要每天同一时间工作，下周想要每天更换工作时间等。
日前，Legion完成1050万美元A轮融资，Norwest Venture Partners领投，后者的Sean Jacobsohn加入该公司董事会。早期投资人First Round Capital，XYZ Ventures，以及Webb Investment Network跟投。这轮资金让Legion能够进一步深入广阔的零工零售行业。
Legion未来的目标是准确预测店铺流量和所需员工数量，帮助每一位员工找到适合自己的排班，甚至生活方式。Mondkar认为，千里之行的第一步，就是让员工对工作和生活感觉更好，从而在工作的时候更开心，给客户提供优质的服务。
虽然不是没有人尝试过智能排班，但现在更多的还是依赖经理，花费数小时时间确保每个人的需求得到满足。
-
大数据
AI+大数据+简历筛选与职业规划，下一站「搜前途」要把简历大数据应用到哪里？
人工智能、大数据技术的行业应用逐步拓展开，而AI+教育也是多家机构作出预判下一个风口。教育本身虽然是一个个性化的问题，而职业规划、专业成长更是个人有个人的路要走，但是不代表个性化的问题背后，不能找到普遍性规律。
搜前途，正是试图利用AI+大数据处理技术，应用到简历筛选、人岗匹配、专业报考、职业规划等教育领域中的。
简历清理技术主要销售给B端类“应届生求职网”“猎聘网”等招聘服务公司，提供技术解决方案，通过简历智能筛选，提高人岗匹配度。而简历形成的大数据，通过脱敏处理，搜前途于上月中推出了自有产品“志愿360”，面向C端学生、职场新人提供职业测评、规划咨询等服务。
搜前途创始人刘勇告诉记者，经过近两年的技术积累和行业应用经验，最早推出的“简历清洗服务”，将用户在多个渠道（如，智联，51job等等）发布的职位及收取的简历快速整合到搜前途。
搜前途对这些简历进行自动解析、标准化处理并通过大数据Spider算法自动计算职位与简历的匹配度，人岗匹配算法精准度已超过80%，相当于中级HR的水准，相比于关键字匹配、语义分析方式，更加准确，匹配效率更高。能够有效分析出每个职位的人的成长路径、转行情况等。 提高了HR的工作绩效。
而简历是每一个人自就读高校、攻读专业开始的完整职业发展路径的集中结构化展示。而依托大量积累的简历数据，搜前途顺次推出简历大数据分析服务：“志愿360”。
目前，高考不再分文理科，根据高中所学学科，间接决定了高考后升学在高校拟修读的专业方向。因此，这就需要在高一就有初步的职业规划。志愿360通过分析上亿+真实简历，透视来自各类高校各类专业上亿毕业生过去5年职业发展情况，通过专业或职业角度进行纵向分析、横向对比，帮助高中生进行生涯规划的产品。
据创始人介绍，志愿360不仅具有生涯规划需要的基础功能(一是基于智能测评分析专业或职业潜力；二是基于分数和户口所在地，结合近年招生计划，推荐意向就读地区的合适学校及专业)，更依托海量高校毕业生简历展示的职业发展信息，通过查看任一专业过去5年中毕业的人才的职业发展现状。
如各专业的就业分布、平均薪资、专业对口率，以及各职业的专业分布、职业成长周期、转行率等，从而有效判断该专业毕业生在市场上的受欢迎程度。从而帮助专家、老师、家长、学生在2800余所高等院校(每个学校平均开设60个专业)中能够更有效选择适合自己又受市场欢迎的专业。
至于公司战略定位的问题，搜前途创始人刘勇告诉记者，其实我们可以说是一个基于人工智能技术的人才大数据服务商，招聘只是切入口。搜前途通过一个可以代替人类做简历筛选和匹配的智能机器人，并将它提供给招聘网站或服务商做业务加速来收集（脱敏的）人才大数据。
然后在人才成长各阶段提供大数据服务，比如针对高中生推出生涯规划产品，职业规划产品并帮助职教机构精准招生，毕业大学生精准推荐就业，逐步形成一个人才服务生态圈。当然，这些大数据的分析结果也可以服务于各地政府或企业，促进当地的教育改革、人才扶持、人才培训或招聘等。
目前，在人才大数据方向，搜前途高中生生涯规划产品-志愿360已完成线上和线下渠道的搭建，已通过合作伙伴与全国300个教育培训机构签约，覆盖3000所高中；预计在九月初高中开学之际开始全国推广，已完成一定规模预售。
盈利上，志愿360主要面向高中生、高中生家长提供服务，其中针对专业测评、智能推荐、大数据报告等收费。通过线上购买套餐以及线下渠道商推广VIP卡。而之前的招聘服务，也是目前的营收重点，主要有两方面收入来源：
通过为招聘网站、人力资源SaaS服务商、地方政府提供“精准人岗匹配引擎”合作分成；
为有招聘需求的机构提供精准简历推荐服务，按下载简历收费。
团队创始人刘勇是一位连续创业者，获得清华大学/美国加州大学Santa Cruz分校计算机硕士，专业都是ad-hoc网络路由算法研究。联合创始人兼CTO张志平是原立方网技术总监、北京泰克赛尔软件公司资深技术经理，有着十余年互联网/软件行业经验，资深技术及研发管理背景，擅长机器学习及数据分析，擅长大数据分布式计算。
此前，在2016年，搜前途曾获得来自云研资本的千万元级Pre-A轮融资。目前正筹备新一轮A轮融资。
来源：36氪，作者：瑞瑞恒@Ryan。转载或内容合作请联系zhuanzai@36kr.com；违规转载法律必究。
-
大数据
榜眼获100万人民币种子融资，用机器学习+大数据挖掘为学生打造安全精准的求职平台
今日，榜眼CEO董志成向记者独家透露，已于2016年底获个人种子轮投资100万。投资方为上海知名投资人，曾经投过纽约大董餐饮（米其林三星）等明星企业。本轮资金主要用于产品开发团队的扩充和校园合作协议的签订。
古时第一名称状元，第二三名都称为榜眼，意为立状元左右，如其两眼。董志成说，取名榜眼，既有金榜题名之意，又有自谦之心。榜眼是一个高校大数据及人力资源应用平台，于2016年底上线，希望解决中小企业及学生在招聘和求职中的问题。
董志成介绍到，互联网招聘的市场在几十个亿左右，但是猎头市场却是千亿级的。我们开发的是高校人力资源市场，建立人才数据库，帮助选择和定位人才。榜眼分为学生版和企业版，开发的千人千变功能会向学生推荐适合职位，向企业推荐适合人才。目前，注册企业有11276家，官方认证人才有50892人。
“要实现真正的精准匹配，就要实现对简历进行文本解析，能够利用大数据精准处理用户适合的行业、职位、技能标签，通过算法实现人才和职位的精准匹配。”董志成说，现在榜眼的数据库还不够大，希望数据达到百万级后，能够基于学生的数据来提供更多服务。
“我们和学校签订了一个数据通道的协议，经过学生本人授权，认证学生身份后即可将学校内的数据一键导入。”目前，已和浙江省内43所大学签署独家数据库合作协议。榜眼也为校方开放了一个后台SaaS系统，能够实时监控学生的求职动态。数据导入成功之后，榜眼会向学生提供匹配行业职位的平均薪资和职位缺口。
另外，榜眼参考国际知名的职业能力测试题研发了两套Hexagon职业倾向测试题和职业性格测试题，有助于学生进行自我职业认知。“学生在找工作的时候大多数是迷茫的，我希望榜眼的这些数据能够给他们一点建议和帮助。”
提到对招聘企业的选择，董志成说：企业入驻不是自主注册，而是通过双重认证。第一重是与学校的就业处合作引流。学校会审核企业的营业执照等资料，验证成功之后，才能进入榜眼系统。接着我们会通过天眼查、企查查这些第三方平台，对企业资质做一个详细的审查。如果有不良记录，该企业将不能入驻平台。
今年9月，榜眼线上线下将都会有新功能推出。线下，榜眼将推出校招2.0版本的“招贤榜”，现场将分为展示区和面试区，学生可以直接通过扫二维码投递简历，在app上进行电话面试和视频面试。目前，已和300家企业达成合作，将在杭州的三个大学城举办活动。
线下，榜眼将在9月推出社交类功能“人脉”。用户可以直接在app上加同专业的师哥师姐或是同专业不同学校的同学为好友，共同来分享经验和资源。“因为招聘是非频发需求，推出这一功能的主要原因是为了激发活跃用户量，能够增强我们的用户粘性。”
团队创始人董志成是英国帝国理工大学市场战略专业硕士，曾任英国汇丰银行项目分析师，回国后担任米高蒲志中国高级分析师，熟悉人力资源行业核心竞争力及运作模式。COO王珏是纽约大学斯特恩商学院学士，曾供职于纽约Sumi Trust Bank，回国后负责某新能源汽车海外业务的市场拓展。CTO向泽平是西安理工大学NIIT软件专业学士，拥有十年互联网开发经验，曾参与“相格”、“美丽光影”等项目。公司大数据首席科学家顾问郭毅可，是英国帝国理工学院终身教授、数据科学研究所所长，负责为“榜眼”建立大数据及人工智能模型，挖掘及匹配各项数据信息并作商业化导流及应用。
据悉，榜眼正在寻求天使轮融资，预计出让10%的股份来换取500万元人民币投资。
【猎云网（微信：ilieyun）武汉】8月23日报道（文/钱佳信）
-
大数据
71%的销售线索被浪费？云客想用AI和大数据解决获客难题
自从Salesforce、Workday等SaaS企业在美国先后崛起，打破传统软件市场格局以后，SaaS创业在国内外逐渐风靡。根据Synergy的最新报告，2016年企业SaaS市场同比增长32％，第四季度收入达到130亿美元。IDC预计，到2020年云服务市场将达到1561亿美元。
快速增长的SaaS市场吸引众多玩家入局，尤其在CRM这条赛道上，国内已经跑出了几家头部企业，并且很多SaaS厂商发布智能CRM，推动销售管理流程智能化。但后入场的云客创始人艾云鹤认为，在销售SaaS领域还有创业机遇：“目前的CRM以回忆录的方式记录客户数据，是以提升管理效率的方式倒逼业绩；另一方面当前的智能CRM主要在销售管理流程上下功夫，而我们认为智能销售平台是将销售前置，侧重点在如何更智能地获取销售线索上。”
在创业前，艾云鹤历任某SaaS公司的销售和产品总监。所以他的实际经验总结是销售流程管理并非不重要，但是很多企业的生存需求大于发展需求，更难以解决的是销售线索获取，也即如何获客。而在如何获客上，艾云鹤认为国内厂商普遍存在以下3个难题：
第一、获取销售线索难
目前很多商务销售的KPI考核中都有搜集名片数量一项考核，其实最终目的是积累客户资源、获取销售线索，这是比较繁琐和低效的获客方式。所以云客一开始的产品是效仿美国Data.com（现被Salesforce收购）的名片共享平台，但运营一段时候后，艾云鹤发现这是低频、难以盈利的项目。
2016年EverString进入国内并在北京成立办事处 。EverString利用AI和大数据帮助企业做客户画像挖掘潜客，它第一个客户是微软。但EverString在国内发展的并不顺利，当时面临企业转型的艾云鹤认为，EverString挖掘潜客这个方向是对的，失败的原因是美国有健壮和强大的数据库，而在国内除了大型企业，很多企业没有足够的数据，所以这款产品的冷启动过程很艰难。
看到机遇的云客决定效仿EverString转型，但EverString走过的坑如何避免？此时云客的联合创始人，计算神经学博士，曾在Quora、HULU、微软Bing等团队负责过机器学习相关研发的奇峰发挥了重要作用。云客利用自主研发的分布式爬虫全网集企业的公开信息，包括工商资料、投资关系、网络新闻等信息；然后主动挖掘、筛选、补全企业信息建立大数据储备。接着利用机器学习模块对企业销售行为进行分析，并自动建立量化目标客户模型，形成企业相似度对比模型；最后利用自主研发的推荐引擎给予企业及销售推荐客户线索。云客认为在中国，找企业要数据，不如给企业数据，以观察他们的选择。这样可以初步弥补EverString缺乏数据源进行冷启动的问题。
第二、大量线索被浪费
根据哈佛商业评论的一项调查显示，在营销行业里，71% 的有效线索没有被及时跟进，其中被跟进的销售线索，平均每一个只得到了1.3次接触。艾云鹤介绍，在一次完整销售的过程中，需要通过电话、邮件、短信等方式多次沟通，这样最终销售漏斗才能剩下更多有用信息。
云客帮助企业从海量数据中挖掘出潜在的销售机会后，会以程序化的方式对销售线索管理。比如智能推荐客户和寻找附近客户，产品可以直接推荐潜在客户；对于已进行陌拜、二次回访的客户分类管理，并且电销人员可以添加备注或者跟进时间轴，云客提供比较细致的销售线索管理。最后通过轻量级的CRM系统确认意向，解决中小企业最亟待解决的找客户、确认意向的难题。
第三、无法最大化利用销售管理工具
当前企业客户数据都要录入CRM，但艾云鹤不认为这些数据可以产生多大效果：“比如一个销售在CRM中写道与客户谈判进展，但是他成单的可能是近期突然加上的一个客户。”另一方面企业要求销售员工一天打很多电话，但企业主其实需要的不是多少个电话，而是带来多少有效销售线索。
所以云客比较特殊的地方在于提供人+平台的模式，即企业购买的包括云客派遣的人力服务和SaaS服务。艾云鹤解释如此部署的逻辑是，其实企业更多的是愿意享受结果，这样做企业是否购买云客的决策心里就由采购SaaS变成了采购服务。“我一直认为百度是最厉害的SaaS公司，52万家企业一年贡献数百亿元推广费用 ，大家都认为买的是推广服务，其实百度给我们的只是一个产品，甚至为了用好这个产品我们还要额外雇佣专业人才或去找第三方公司购买额外的服务，这说明企业愿意为购买服务付费，而对工具付费，企业则要谨慎的多。”
云客帮助企业创建电话销售团队，云客有辐射全国的电话销售座席。通过企业筛选培训、模拟试呼，云客会派遣这些运营人员帮助企业进行电话销售工作。一般在百度推广的主动咨询，只有那些强意向线索才会进入企业的跟进列表；云客是主动收集所有可能的潜在线索，在云客系统中进行多维度标记，为企业储备客户线索，提供企业后续营销对应客户。
推广米勒漏斗指导销售行为
艾云鹤承认获取销售线索是最有价值也是最难的部分，所以云客采取的模式也多有不同。比如发现很多CRM产品都遵循销售漏斗原则设计，并不适合中国销售的使用习惯。于是云客根据米勒漏斗建立了一个对人不对事的漏斗来指导销售行为。
不同于销售漏斗根据销售流程建立管理流程，云客根据米勒漏斗的全部区域、漏斗上、漏斗中、最优少量建立流程划分。全部区域是云客通过数据挖掘、筛选、清洗、补全建立一个实时动态线索数据库。漏斗上是系统主动学习企业的兴趣特征、销售行为轨迹等信息，建立企业客户画像，为企业推荐潜在客户线索。漏洞下是企业销售通过云客系统，通过电话、短信、邮件等多种通讯方式联络客户，云客平台同步完成销售过程记录与分析，同时这些销售行为数据会进一步反馈给云客数据库，对数据进行优化反馈，帮助企业销售完成找客户和选客户的工作，最终获得销售线索的最优少量解。
目前云客获得隆领投资和磐谷的500万元天使轮融资，正在寻找Pre-A轮融资。艾云鹤介绍，云客获得蔡文胜（隆领投资）的天使轮融资也很幸运。2015年蔡文胜到北京出差，艾云鹤获得15分钟演讲PPT机会。当时蔡文胜认为：“寻找销售线索一定是个长期的刚需，当一个产品能够解决这个难题时，每个商务会形成重度依赖，这个产品靠口碑传播就能做起来，”但蔡文胜也认为这个项目比较难做。因为真的就只交流了15分钟，出门时艾云鹤认为几乎不会获得融资了，但第二天蔡文胜的投资经理找到云客，确定下了天使轮投资。
传统CRM的数据最终成功转化率在3—5%，艾云鹤提到云客的转化率在8%左右。云客今年成为阿里云生态企业，艾云鹤认为阿里云市场线上流量比较大，阿里也在开展线下活动获取更多的企业用户，都对云客的进一步发展有帮助。另外近期云客计划入驻阿里钉钉，钉钉给企业提供了很多很好的管理工具，艾云鹤希望云客与钉钉数据层面打通，为钉钉的用户提供开源获客服务。关于未来发展，艾云鹤认为，目前市场上有很多好的CRM产品，在销售管理流程上已经很成熟，云客的发力点不是在完善轻量级CRM，而是在销售线索获取上更智能，所以未来希望与更多国内CRM厂商合作。
本文作者杨晓鹤，来源：亿欧
-
大数据
魔方招聘B轮获6500万元，继续用大数据落地企业招聘服务
魔方招聘在今天正式对外宣布，公司已获得由天成资本领投，考拉基金、协立投资跟投的6500万人民币B轮融资，资金已于今年3月全部到账。创始人郝耘琦表示，本轮融资将主要用于扩充大数据技术团队，以及企业服务端口和SaaS产品的优化。
公开资料显示，魔方网聘（北京）科技有限公司成立于2015年3月，创始人郝耘琦具有10年的网络招聘行业经验；团队成员来自于BAT、京东等企业。
公司曾于成立之初获得过三行资本的近千万元天使轮融资；去年初获得由考拉基金领投，三行资本、1898创投基金跟投的4000万元A轮融资；去年年底完成5000万元A+融资，由协立投资，上海联创领投，拉卡拉创投，黑马基金跟投。
记者了解到，现在企业在招聘过程中，75%的时间需要花费在简历筛选、电话邀约、面试确认等前期工作中。由于需要HR人工操作，所以工作效率很低，平均每邀约一次面试，成本大约为几十到几百元不等。
而魔方招聘通过全网收集简历的形式，利用大数据技术，将求职简历与企业所需招聘岗位进行匹配，直接为企业推荐求职者到场面试，并按结果付费。这不仅提高了面试邀约效率，还降低了企业在简历筛选、电话邀约等前期事务性工作中的成本投入。
在商业模式上，魔方招聘目前沿用着“线上服务免费，线下服务收费”的方式。线上服务即在线IM沟通、电话、在线面试等；而收费则来自于实际到企业现场参加面试的人员。企业需要按岗位和人数支付费用。
郝耘琦介绍，魔方招聘使用M币作为自身的结算体系，M币可存可取。价格根据面试候选人职位高低、工作年限、技术水平等不同而有所差异，约为几十到1000元。企业选择行业、职位等限制条件后，可以看到候选人价格，按自身情况邀约。
需要指出的是，魔方招聘为企业推荐的面试候选人，其主要面对年薪在35万元以下的中基层人员，不做高管推荐。
据了解，魔方招聘目前正保持着较高的增长势头，团队也从去年底的200人扩充到如今的500多人。自去年底开始正式提供企业招聘服务后，目前魔方招聘已有3000家付费客户，包括百度、今日头条、美团等。
魔方招聘官网
值得一提的是，魔方招聘的To C端产品已于今年3月正式更名为“魔方面面”。郝耘琦表示，此次更名仅为产品名称变化。无论是魔方面面（To C）还是魔方小聘（To B），都是为公司整体招聘核心业务服务。
郝耘琦透露，魔方招聘今年将重点在企业端市场推广方面发力，同时继续加大自身产品技术和服务上的优化投入。
-
大数据
世行专家：大数据征信不靠谱！那我们的大数据个人背调怎么办？
当然这个主要是针对金融来谈的，我们抛砖下，另外个人征信的8家试运行机构都没过关。。也就是个人征信牌照还是hold着在。。。
近年在中国，个人征信业务备受新兴互联网公司追捧，并创造出 “大数据征信” 的概念，比如供应链征信、小贷征信、互联网征信等名称五花八门。4月21日，在“个人信息保护与征信管理”国际研讨会上，多位外国征信行业的资深专家对此表示，“在国际上，并没有大数据征信这个概念，比如知名美国信用评分公司Fico在美国不会称自己是一家征信公司，更不会说是大数据征信公司，而是一家数据分析和风险管理服务公司；目前也没有任何人使用大数据用于征信。” 世界银行集团旗下国际金融公司（IFC）东亚及太平洋区金融基础设施技术援助负责人赖金昌对此强调。
欧洲个人信用信息服务商协会（ACCIS））主席Neil Munroe亦对此表示，目前协会的会员虽然对大数据也很关注，但尚无一家提供大数据的征信产品，“因为要确保这些大数据的准确性，以及是否符合征信行业的基本原则。”
“坦白说，世界上只有在中国才看到利用大数据来开发信用评分的这种现象，”世界银行集团全球金融基础设施建设技术援助负责人Tony Lythgoe表示，利用大数据来开发信用评分产品前提是，首先要确保这个数据的准确性，包括数据模型的准确性以及这个模型运作的准确性，“但是从社交网络采集的这些信息是由个人提供的，很难保证数据是客观准确的。” Tony Lythgo 强调。
目前世界银行已帮助包括中国在内的全球几十个国家了建立征信体系，积累了丰富经验，同时也持续追踪或者参股一些具有创新技术的前沿公司。
Tony Lythgo同时指出，传统的征信机构有明确规范哪些数据可以使用，并适用于什么样用途。比如在美国，性别、宗教、血型等信息是不可以征集的，你也可以检查到它的确没有征集到这些信息。“但是大数据是一个黑箱操作，你不知道它到底征集的那些信息，你很难检查到它征集的哪些数据不能用。”
“请谨慎使用 ‘征信’ 这个字眼，” 赖金昌在前述场合对此呼吁，“并不是大数据里面的数据都不能用于征信，只有少部分符合国务院的《征信业管理条例》的数据可以用，其基本要求是数据来源明确、客观、准确。”
征信信息使用范围有限
赖金昌介绍说，对征信市场的认识涉及两个基本框架，第一个框架是商业数据信息的使用范围。
这可以分成三个层次：第一个层次是最广的范围，是普通商用数据；其中包涵用于金融服务的数据，特别是用于信贷方面，这是第二个层次；第三个层次是征信数据，也是其中最窄的范围。
赖金昌用打车APP举例称，比如王小二从国贸到明珠饭店，该打车APP收集乘车人乘车习惯的数据，用来研究市民的日常行为，这属于普通的商用数据；事后王小二针对司机的行为表现，在打车App上给司机打了一个好评，该打车APP所在公司号称打造了一个出行司机的内部共享信用系统，用于该打车软件公司的内部监测与奖惩司机的依据，“但这个信用系统不是征信系统，是用于企业内部管理；这类信息也属于普通商用信息，即前述第一个范围的信息。”
此打车软件是从A移动通讯公司入网的，是先使用后付费，这是类信贷行为，因为这个移动公司是给了消费者一个先使用后付费的商业信用；A收集这些信息后，会把这些信息卖给一些小贷公司，后者可以根据该乘客的打车频率、用的是哪一种车等，以此推测借款人收入水平，这属于前述第二个层次的数据，是用于信贷的数据。“该数据收集行为是否合法，是另一问题，目前中国还没有数据保护法。”
移动公司也是征信体系的会员，有权利查询其客户的信息，它也须按照征信规则进行查询，查询目的是用来审核那些先使用后付费客户的入网申请，类似于查询一个信贷申请。那么A通信公司作为信贷机构，按照征信系统的要求，将通讯支付信息上传给征信机构，“不是上传所有的信息，只是按照统一的数据模板上传；这类数据就是属于征信数据，属于前述第三个层次。” 赖金昌强调。
谈到征信信息的适用范围，赖金昌表示，征信领域的信息即前述第三类信息的管理是最严格的，由于涉及金融领域的违约率，涉及钱的损失，所以对数据保护的要求更高。“所以征信收集的数据范围是非常有限的，其目的也是很有限的，它提供的服务仅限于征信系统的会员。”
“征信机构的信息也是债务催收公司的第一大数据来源；第二个来源是从社会合法渠道购买。 ” 赖金昌介绍说，在国际上，这些催收公司属于高技术公司，债务催收可联系到的客户比例是20%到30%，所以必须有其他的数据来源，这还需要有一个正常的数据保护框架，以便于其合法取得其他的信息来源。”
征信机构有限
第二个框架是数据信息的适用规制。
赖金昌介绍说，征信机构提供大数据服务时也要遵循一系列法律，比如《合同法》、涉及金融业领域或医疗领域等要遵循数据保护方面的法律；还涉及个人数据保护、公平性等，“比如是否存在歧视你的数据主体？不该收集的东西你是不是收集了？。”
第一类信息即普通商用信息适用一般合同法，这也涉及隐私问题和数据安全问题，其专门法律是《个人数据保护法》。
第二类信息用于信贷类的金融服务，要遵守的规则除了前述条法，还涉及专门的金融消费者保护方面的规则，其监管机构可能是普通的隐私保护机构，也可能是金融监管机关。“从性质上来说，金融业的数据比大部分的普通商用数据要重要、严谨得多，因为金融机构要依赖这些数据提供金融服务，还有保护存款人利益的外部性因素、金融稳定因素等。”
赖金昌表示，根据国际经验，中国将来的征信市场可能分为A、B、C三类结构。A类是综合性全面征信机构，这类机构不可能存在太多，估计也就3家左右，包括人民银行征信中心。比如菲律宾的发征信市场，从最初的6家征信机构到目前剩下4家，预计将来还会整合成三家或两家。“征信行业主要是数据的汇合和整理，强调数据的全面性和准确性，市场规模有限。”
富国银行负责数据风险管理和中小企业信贷的高级副总裁王强曾称，目前美国的三大征信局Experian（益百利）、 Equifax（艾可菲）、 TransUnion（全联）加上FICO评分公司的总市值是约365亿美元。如果今天中国征信信息覆盖的人口像美国一样接近80%，通过征信使金融业务审查批准过程减少三个小时人工，据此推算，中国征信机构的市场价格应该是美国的一半左右。“即使和美国的市场价值一样，中国征信机构的市场价值也只有约350亿美元，不足一家手机服务商小米手机的市场估值。”
B类机构是专业征信机构，专业征信机构从第一类全面的征信机构那里取得数据，再加上专业征信机构自身的专长数据，再加工之后卖给客户。专业征信机构指在某些领域有专长，比如保险领域、信用卡领域、零售信贷信贷等，实际上是帮助分销全面征信机构的数据产品。
C类机构是数据服务公司或风险管理服务商，C类机构客观上是帮助分销A和B类机构的产品，这种类型的数据公司可以有n多种，没有数量限制，他们应该符合相关法律要求。目前来中国还没有《个人数据保护法》或者《个人信息保护法》，对这一类机构也没有任何监管。
“用大数据来帮助放贷是没有问题的，但并非是大数据征信的概念；在美国的征信机构，有正常的征信业务，但除此之外也提供很多市场营销服务，为客户画像提供数据，帮助零售商能够更低成本的找到客户，但这并不是征信业务。” 赖金昌强调。
作者：张宇哲
来源：财新网
扫一扫 加微信
hrtechchina
