-
算法
Google想出了一个决定人员晋升的算法，然后就没有然后了......
Prasad Setty 是 Google People Analytics 团队的副总裁。7 年前 Google 成立的这支团队的职责是收集和利用数据来支撑公司的管理实践。其使命很简单，即基于数据和分析做出所有的人事决定。在今年 10 月举行的Google re:Work大会上，Setty 介绍了这支团队用科学来进行人力资源管理的一些做法。其结论是，算法虽好，可不能滥用，人事决定终归要有人来决定。
Google 是一个由工程师成立的公司，目前也仍然由工程师统治。这家成千上万的大公司每年都要做出许多的人事决定：应该招谁？提拔谁？最好的人应该给多少薪水？通常 Google 会找 4、5 个资深工程师组成委员会，由每个委员会审查一堆提名，经过很多次的对话后做出决定。Google 的这个人员晋升评审流程相当复杂，要审查的材料和召开的会议太多，以至于连 Google 的会议室都不够用，所以要跑到附近的万豪酒店去开会。
因此，为了帮助减轻审查委员会的工作负担，早期时 People Analytics 团队开发出了一个算法来简化人员晋升的决策流程。这个算法是一个计算晋升可能性的公式，如下图所示，里面考虑了平均绩效、经理推荐以及个人推荐（Google 允许员工自我推荐）三方面的因素（各赋予不同的权重，平均绩效权重最，其次是经理推荐，最后是个人推荐）。
通过与最后的晋升结果比较发现，该算法相当可靠，后台的测试结果很好，经历过多周期后仍表现稳定，其中 30% 的提拔案例决策准确率达到了 90%。团队成员都很兴奋，以为自己因此能够节省委员会 1/3 的工作，让他们腾出时间专注于最困难的决定。
但是结果是那帮人根本不买账，不想用这个模型。因为他们不希望躲在黑箱背后，而是希望自己做出决定。因此这个算法从来都没有用来做过提拔决策。
Setty 得出的教训是人事决策必须由人来决定。不过 People Analytics 仍然可以发挥作用，即用更好的信息辅佐决策者（用模型来检验自己的决策过程），但是不能用算法来替他们做出决策。
而且，这一洞察还帮助推动了 Google 人力资源和管理的办法改进。People Analytics 在很多方面根本性的重塑了 Google 的招聘机制。比方说，现在 Google 已经不再强调 GPA（盖氏人格评估）与毕业学校，而是更看重一些软性的特质，如“谦逊”、“学习能力”等。
People Analytics 还通过数据分析总结出了伟大经理的 8 项特质：
1） 是一位好教练
2） 给团队授权，不做微观管理
3） 对团队成员的成功和个人幸福表达兴趣/担忧
4） 富有效率/结果导向
5） 好的沟通者—懂得倾听和分享
6） 帮助团队成员的职业生涯发展
7） 对团队有清晰的愿景/策略
8） 有重要的技术技能，可帮助团队提供建议
此外，Google 还在内部寻找志愿者开展长期研究，设立了许多数据点来跟踪其数十年的职业生涯中工作表现、态度、信仰、问题解决策略、面临的挑战与抗压性等。尽管尚未确定能有什么发现，但是收集数据研究肯定是利用科学方法来研究人力资源问题的第一步。
[消息来源：qz.com 文章：36氪]
-
算法
聘宝：用算法＋人工打造的一款推荐为导向的招聘工具
对于某些企业及其职位需求，如果无法获得足够的曝光，就难以获得足够多、匹配的简历（及人才）。另一方面，即便候选人没有投递行为，也很可能对某职位或公司很来电。
聘宝创立于 2013 年 9 月，据知，他们的目标是成为招聘领域最高效便捷的第三方推荐服务，更智能、高效地对接企业和人才。在美国，Jobr 与聘宝异曲同工——前者上线数月，就拿到了 200 万美金天使投资。
“我们做的是推荐型的招聘产品，而不是搜索。”
我觉得这像极了通用类知识引擎的发展思路。
推荐与搜索类的招聘产品，有着相似的出发点：更快地找到信息。区别呢？搜索的场景 ＝ 你明确知道一个要求，用该要求进行信息筛检。 与此相比，推荐的场景 ＝ 你只知道需求范围，得阅读相关信息进一步明确需求。同时，推荐与个性化几乎是天生一体。相同的需求输入，不同用户获得的推荐结果不尽相同。
聘宝调研后发现：招聘方在 Po 出某些岗位时，其实很难决定，嗯，这个工作需要你有 “三年以上” 或者 “两年以上” 的相关经验——2.5 年的你要还是不要呢？或者在某些公司（比如：BAT）有从业背景——在某知名创业公司工作过的，你觉得会不会输给 BAT 出来的呢？当筛选条件过于严苛（而死板），企业就很可能错失优质的候选人。求职者方面，则往往难以确定适合的行业——是电商、PM、还是运营？
而据聘宝方面介绍，他们的推荐系统则在了解招聘需求的同时，根据用户行为不断修正推荐结果。推荐会愈发接近使用者偏好，同时提供探索性内容。
具体怎么做？
企业登录聘宝，进行简单的勾选，就能完成招聘需求录入
聘宝收到招聘需求后进行解析、匹配，并将算法认为匹配的候选人推荐给该企业的某条招聘需求
每次仅推荐 3～5 份候选人简历，以确保推荐准确
企业收到推荐时，可选直接下载联系，或发送求职意向确认
候选人收到企业的意向邀请邮件时，可选择“感兴趣，愿意进一步接触” 或 “不感兴趣”
同时，聘宝会记录用户行为、分析用户喜好，以便下次推荐更符合用户需求（HRTECH编编认为，通过将信息解析，匹配后推荐候选人或者推荐企业的方法的确会给我们用户带来方便，省去了时间。据小编所知，有几家招聘网站也有类似的过程，但匹配度总是差强人意，所以要做好这一步非常不容易，如果做得好，无疑直接会增强用户的体验感。）
聘宝的原始数据来自于自身的 IT 猎头团队，同时还创造了“人才伙伴”的独立角色——上传闲置人才，推荐成功则获得其他简历的下载额度。
为了更快地切入 C 端，聘宝预计 12 月上线微信版本。求职者能匿名录入部分信息、获得工作推荐。当对某一份工作确认求职意向时，再录入完整信息。（HRTECH编编认为，虽然这样的创意不错，如果求职者想跳槽，匿名也一定程度上避免了让熟悉的人看到，毕竟很多人在想要跳槽的初期并不想让太多的人知道；但是问题来了，如何确保求职者在求职初期匿名的时候填写的信息是真实的？HRTECH编编认为这是要需要解决的）
同时，我们得知聘宝方面也在考虑对接第三方语音录入接口，尽可能简化移动端用户的信息录入。”
谈谈聘宝的技术
聘宝的算法 ＝ 大数据＋人工优化——人工中的招聘经验和知识体系是基础：
首先，建立行业招聘的 “人工智慧”。
每开通一个行业，会先邀请这个行业有猎头经验或 HR 经验的顾问，来共同讨论、建立原始模型和知识库。聘宝团队内部还全职招募了 2 名前 IT 行业猎头。
其次，算法设计比较深入、全面。更好的“理解”需求和文本简历是机器算法的基础——聘宝的匹配算法不仅是纯文本的包含关系匹配，还扩展到知识体系、薪资测算等数十个环节。
再次，聘宝算法的目标是做到 “大规模定制化”。当用户行为数量足够多时，算法能更快了解用户偏好——从而做到同样的招聘需求文案，不同招聘方得到的推荐结果会依据偏好差异而不同。
（对于一个刚上线不久的产品来说，目标还是值得赞的！希望聘宝能早日实现目标）
聘宝将自己不光定义成是一样互联网产品，也是一项服务
作为一项“服务”，聘宝希望无论用户处于何种场景，都能便捷地获得人才或工作推荐。
想象一下这样的使用场景：当 HR 工作时，收到一份业务部门发送的招聘要求。接下来，HR 只要将招聘要求邮件转发给聘宝，后者就会迅速开始匹配人才，再回复邮件将匹配结果发给 HR。另一方面，求职者能通过微信方便地获得匹配的工作推荐。
聘宝内测版已于去年 12 月上线，邀请了少量用户参与体验。今年 6 月正式对外发布，据聘宝方面告诉记者，不到半年已获得 1500 名企业用户。
扫一扫 加微信
hrtechchina
