-
![]()
观点
2014年是什么在推动大数据和预测分析？
从预测市场趋势到获取客户需求的洞察力,预测分析可以帮助企业利用他们的数据发现新的机遇并赢得竞争对手。
然而, 研究发现,企业并不是用大数据和预测分析来实现他们的全部潜力。
这并不是说他们没有看到好处: 85%的机构受访者表示,预测分析对他们的业务产生了积极的影响,而77%的人认为这能帮助他们在竞争中占上风。
主要的障碍是技能,有四分之三的受访者发现企业内需要新的数据科学技能来利用技术。
●越来越重要
为什么预测分析变得越来越迫切？
在过去的几年中关于大数据我们已经听到了很多。企业收集顾客的信息移动习惯、购买习惯、浏览习惯… 还可以列举很多。然而,企业如何处理这些数据才是最重要的。分析技术让企业分析顾客数据并将其转化为可行的洞察力,让企业受益。
预测分析技术是大数据的核心推动者,允许企业使用历史数据,结合客户洞察力来预测未来事件。它可能是任何东西,从预期客户的需求,预测更广泛的市场趋势或管理风险,从而提供竞争优势,推动新的机遇的能力，最终增加收入。
●多云的天空
云是如何改变预测分析的？
预测分析和云都是业内持续的热点话题。更多的企业正在寻求充分利用手头的数据,同时利用基于云的服务从资本费用转向运营费用。下一步当然是把两者结合起来。
云中的预测分析正在获得动力。这一结合让预测分析更加可扩展、灵活和易于部署。它利用云众所周知的优势提高投资回报率和及时做出最先进的市场分析。
●最大价值
企业目前从预测分析中获得了最大价值吗？
目前,我们看到预测分析的很大潜力 (以及因此的大数据)尚未开发。对于意识到预测技术高投资回报率的企业, 他们必须通过将预测模型嵌入到应用程序中将前瞻性洞察力融入日常工作。这意味着企业各级员工需要能够解释数据并将这一洞察力反馈回业务。
然而,获得并理解数据直到最近仍被视为一种复杂和高技能的任务,有统计学的高学位和前沿分析经验。这种动态无法简单地跟业务规模的步伐, 因此企业不能获得最大的价值。
●技能的匮乏
对于未能占领先机的人来说采用它们的障碍是什么？
这是常有的事,它涉及到两件事 – 技能的短缺和时间。人们普遍认为需要技能有效地从数据中获得洞察力并反馈给业务务。根据SAP的调查,75%的英国企业相信,他们的企业内需要新的数据科学技能，而81%的人希望专门培训将分析融入他们的日常工作。
然而,随着日益更新的预测分析技术的可用性更直观和用户友好,各种层次的业务员都可以“自助服务”他们需要的洞察力。
●复杂的任务
要充分利用这些技术，你认为最需要的技能是什么？
我已经谈及了过去将预测分析看成是一种熟练和复杂的任务。曾经, 让数据变得有意义是少数领域,专业的数据科学家的事情,复杂的预测分析目前正转向广泛的用户。
企业正在寻找的技能有一个真正的转变。最重要的资格可能不一定是学位,证书或工作经验,而是所谓的“软技能”——好奇心,创造性的天赋,想象力以及用讲故事的方式在各种业务中和非技术人员清晰地沟通。
●发现技能
企业如何提升现有劳动力的技能，应该寻求怎样的人才？
我们可能会在几年中处于这样的情况，多达半数的员工使用预测分析的某些能力以成为其日常工作的一部分。对现有的劳动力进行技能提升来满足这一需求将是一部分, 还有招聘有我已经提到过的软技能的新人才。
但我们不必都成为数据科学家。在分析能力越来越重要的同时, 企业主开始在希望加入他们的企业的CVs的人们身上寻找证据, 但事实是, 高级预测分析技术使分析更易于被普通人所获得。更直观的技术加上易于使用的界面,反映消费技术的趋势意味着并不总是要求专业数据科学家的技能为个别业务解释数据和回馈洞察力到更广泛的业务中。
【文章来源：199it】
-
观点
集企业招聘、点评、社交平台“卧龙阁”，HR们敢把公司“SHOW”吗？
打破职场暗箱，让你的跳槽加薪更有底气，企业点评社区“卧龙阁”想成为中国的Glassdoor
把秘密窝在心里是痛苦的，眼前摆着一个秘密却不能一窥究竟也是痛苦的。这两样痛苦，就在“职场”这件事上完美统一，从而让你的痛苦加倍。前年融资 2000 万美元的Glassdoor就从解决职场不透明入手，让企业职员匿名对公司作出点评或工资曝光，从而为外部的求职者提供参考。而国内创业公司“卧龙阁”的理念与 Glassdoor 类似，试图让国内企业的待遇、氛围、成长环境变得更加透明。
简单说，“卧龙阁”是一家以企业点评为基础，涉及社交、招聘、媒体的职场社区。该网站基于半匿名的点评机制（你可以看到点评者的 ID，但不知道点评人是谁），让那些身在公司内部、或者已经离职的人把他对公司的感受倾吐出来，也让那些外部人士能够轻易触及这家公司的本貌。
不过与 Glassdoor 有些不同，“卧龙阁”看上去显得更加“社交”一些。网站使用了微博架构，使得招聘、点评的信息可以在社交环境下得到策展。而且一个常见的场景是，当你觉得一段点评并不能够解答全部疑惑，你可以通过社交网络找到点评人，与点评人进行直接沟通。这与 Glassdoor 比较纯粹的“搜公司—看点评”的体验不大相同。
据“卧龙阁”创始人韩卉介绍，他们加入社交元素倒也不是奔着“职场社交”的目标，更多是考虑让点评内容的来源在一定程度上可以追溯。在韩卉看来，一个完全匿名的点评社区，无论是平台方还是用户都很难辨认一条信息的真假，当遭遇恶意刷评论的现象时也缺少核实手段。而赋予点评者一个虚拟身份和一定关系链，可以让点评者有更多的信息沉淀。信息沉底越丰富的点评人，我们也可以认为其可信性更高。
其实，韩卉本人也对在国内照搬 Linkedin 并不看好。在她看来，欧美人的社会关系更多体现为信息，而信息可以被传播和分享。中国人的社会关系则更多体现为资源，没有人会愿意将资源免费分享。所以比较现实的选择是，寻找一个相对刚性的动机作为社交的起点，放在“卧龙阁”上就是点评以及由点评引发的后续互动。
除了社交外，“卧龙阁”还创造了一套基于虚拟货币“龙誉”的交易系统。如果用户撰写的点评超过 300 字，会被系统默认为“精品点评”，并可以在一定范围内自主定价销售。相对地，当某个用户想浏览“精品点评”，也需要向点评人账户支付一定的“龙誉”。龙誉的来源可以是你撰写原创点评、参与的互动以及直接充值等等。
如果你认为“龙誉”只是一种变现手段，那真的可以说小看了这套机制。对于“卧龙阁”而言，“龙誉”系统是一个撬动网路效应的杠杆，也是一种用户引导的手段。
“卧龙阁”团队希望创造这样一种正循环：首先让用户对你的内容有所期待（这需要你本来就有一批优质点评），然后用户会为了看到优质的点评而贡献点评，最后随着用户贡献行为的增加，整个平台的内容质量又会进一步提升。当然这种半强制性的内容贡献多少会影响消费体验，但对一个基于网络效应的社区来说是必须接受的牺牲。而且使用虚拟货币还有另一个好处，就是可以在一定程度上引导用户行为。比如如果一家公司频繁被人搜索和浏览，但是点评数量又不太够的情况下，就可以用“龙誉”设置悬赏点评，吸引用户来充实内容。
当然，跟任何货币一样，“龙誉”能够生效的前提是持有者认同它的交换价值。目前对“龙誉”来说，主要的交换价值还在于获取“卧龙阁”上更多的精品内容，脱离这一平台会变得毫无意义。但“卧龙阁”团队也在尝试为“龙誉”拓展更多的外部使用场景，比如你现在已经可以用“龙誉”兑换话费。
“卧龙阁”项目去年年初开始上线推广，运营至今已经积累了将近 80 万注册用户，月内重复登录用户约有 60 万（这是个很高的数字，“卧龙阁”团队也在研究背后原因）。在不依赖外部抓取的情况下，已经积累 5 万多条公司点评和 15 万条工资福利信息。创始人韩卉曾历任玛萨玛索市场总监和乐蜂网平台推广中心总经理，在营销领域有比较丰富的资源和经历。
谈到盈利模式，韩卉表示虽然会帮企业做招聘业务，但对企业捏造口碑的要求将保持警惕。长远来说，韩卉希望“卧龙阁”成为一个企业与员工、公众的沟通平台，通过对企业口碑的监控采集，帮助企业更好地经营品牌。
目前市面上提供与“卧龙阁”类似服务的，还有“分智网”和我们此前写过的“曝工资”。
[36氪原创文章，作者: 沈超]
-
观点
创业公司们，你们为何没能招聘到最出色的员工？
编者按：本文来自First Round Review，他们准备的文章既讲故事，还同时向创业者提供可操作的建议，以助力打造优秀的公司。本文主要就创业公司为何没能招聘到最出色的员工进行了分析，并提出了相应的意见供创业者参考。
创业公司经常会听到这样一条建议：一定要招聘那些最出色的员工，无论你的公司有多大，都不能降低招聘员工的标准。这条建议没错，因为只有由出色员工组成的优秀团队才能够将一个好的想法转化成伟大的产品。
有关这条建议，思来想去，总感觉哪里不对。我们总是口口声声说要招聘全世界最出色的员工，事实上，我们做的仅仅是雇到我们周围那些还不错的员工，而非全世界最出色的员工。如果我们真想做到雇到全世界最出色的员工的话，我们应该真正的努力那样去做，而不是仅仅说说而已。为此，我们就必须摒弃这个想法：招聘的员工必须能够来公司上班。
当我和另外一位联合创始人 Joel Spolsky 在 2008 年联合创立问答网站 Stack Overflow（现在的 Stack Exchange）时，我当时的办公地点在伯克利，而 Spolsky 的办公地点在纽约，当时我们每周主要通过电话沟通工作方面的事宜。后来又陆陆续续加入了来自北卡罗来纳、德克萨斯和俄勒冈州、英国和德国等地的开发者，加入公司后他们依然在原先所在的地方办公。我现在已经不在这家公司了，据我了解，现在这家公司的员工近 150 位，分别在全世界的不同地方办公。
从在 Stack Overflow 的经历中，我学到的最宝贵的经验之一便是：很多出色的软件工程师其实并非来自硅谷，只有在全球范围内进行招聘，而非仅局限于旧金山湾区，才能让你真正有资格说你只招聘最出色的员工，并且说到做到。
Discourse 是我新创立的公司，它是一个能够让全球的客户、粉丝和观众围绕某一个大家共同感兴趣的话题进行讨论交流的论坛平台。我认为，公司内部的架构应该能够反映自己的用户情况。如果你想让全世界的用户都来使用你的软件，你应该让全世界都来帮助你开发这个软件。
实践时间
以 GitHub 为例，它的至少三分之二的员工都在全世界的不同地方办公。再看看 WordPress，它的大部分员工也都是异地办公。这些都是深深影响了互联网的成功公司的典型，它们为何能取得如此大的成功，我认为让异地办公成为公司 DNA 的一部分在其中起到了至关重要的作用。
最理想的情况是，公司最初就是在异地办公这种理念模式下创立起来的，异地办公已成为公司的内在文化基因。
展示你的工作成果 VS. 仅仅是人出席露面
一个员工按时上班并不能说明他在有效地开展工作。这是在公司，不是在学校。在公司看重的不是出勤，而是工作成果。
以工作成果来考核员工更为科学：
（1） 一位员工本周开发出了几项功能？
（2） 他一周修复了几个 bug？
（3）他一周和客户进行了多少次有效的交流？
（4）他的编程速度有多快？
在 Discourse，我们通常依据员工提交的工作日志来判定他工作做的是好是坏，这样你就能对员工的工作有准确的了解。在这个过程中，你可以使用一些工具，如 Asana 和 Basecamp。总之一点：
“让员工记录下自己已经完成的工作。记录的不是‘待办事项’，而是‘完成事项’”。
我不在乎员工何时来上班，不在乎他们的工作安排是怎样的，不在乎他们在地球的哪个角落里办公（前提是网络畅通），也不在乎他们是如何开展工作的。如果你招聘的真的是最出色的员工，那么这些员工是能够以自己的工作成果来证明自己的。
你怎么知道这是否行得通呢？当你雇的员工发现产品有个问题，并自己主动将问题解决的时候；当你能够放心地充分授权员工让他们自行对产品做出改变，虽然你知道过程中他们可能会犯一些错误的时候。在这些时候，你就知道这是行得通的。
通过实战的方式进行面试
你肯定遇到过这样的情况：应聘者通过了基本的测试，和公司文化也比较契合，也顺利通过了电话面试以及面对面的面试了，最后顺利加入了公司。然而当真正开展工作的时候，却发现他们很难胜任自己的工作。我自己也曾碰到过这种情况。我的经验是，要想知道一个应聘者能否真正胜任所应聘的工作，最好的办法就是通过实战的方式进行面试。选择一个你在现实的工作中的确需要解决的一个产品问题，这个问题在正常情况下应该能在大约一周内得到解决。将这个问题作为一个实战考核项目来对应聘者进行考核，看他是否真正有能力在相应的时间内将问题解决。这解决问题的过程中，应聘者可以选择来公司办公，也可以选择异地办公。
我也知道，很多管理者或许一时找不到能在规定时间内得到解决的考核项目。“如果你找不到能够用于考核应聘者的小工作量的考核项目，你在平时的工作中可能也没能很好地给员工分配工作任务。”
在 Stack Overflow 不存在找不到用于实战面试的考核任务的问题，因为我们有一些开源组建，我们经常以此作为考核项目对应聘者进行实战面试和考核。如果应聘者能在规定时间内独立完成考核任务，那么恭喜你，你已经找到了一位出色的员工。到目前为止，我还没有碰到过能通过实战面试考核却无法胜任自己工作的面试者。
从自己的产品社区中招聘
我发现，对公司而言，员工与公司的文化契合度比员工所掌握的技能更为重要。在员工普遍异地办公的情况下，如何创建公司文化呢？
我知道，并非每个公司都有一个大规模的由开发者、用户和粉丝等组成的社区，如果你的公司有这样一个社区，你应该从这个社区里进行招聘，为什么呢？因为如果是自己所在社区里的人，他们肯定也认同你的公司及公司的产品，那么他们与你的公司的文化契合度就会更高，而这也正是你需要的。
是否有一些高级用户每天都在你的论坛上帮助回答其他用户的问题？是否有一位工程师发现了你的产品的漏洞并及时提醒你？这样的人正是你应该努力招聘的。要想增加成功招聘这些人的砝码，你平时应该加强与他们的交流，为他们提供一些特别的优惠，以加深他们对你的公司的认同感。在 Discourse 和 Stack Overflow，我们就是这样做的。
如果你的公司现在规模还太小，还没有形成一个自己的初具规模的社区，你还有其它选择。肯定有其它一些已经形成规模的社区，这些社区和你希望建立的社区类似。到这些社区里去找那些能与你形成共鸣的人，并竭力说服对方，如果方式得当，将他们纳入麾下将不成问题。
每天都使用大众传播工具
如果你的公司的很多员工都异地办公，那么大众传播工具就扮演着至关重要的作用，要时刻都要使用，要让它成为工作的重要组成部分。对那些存在异地办公现象的公司而言，下面这些要素必不可少：
实时聊天
如果你的团队的很多人都是异地办公，他们分布在天南海北，当你需要问其中一位一个需要及时回复的问题时，你需要相应的即时通讯工具帮助你，现在这样的工具有很多，包括 Hipchat、Slack、IM 等。这里特别重要的一点是，要确保使用这项通讯工具能随时联系到团队中的每一个人。
在线公告栏
很多时候，异地办公的团队成员能够了解一个项目的详细进展，但却无法了解很多其它项目的进展情况。在这种情况下，你就需要一个在线虚拟公告栏，很多内容都可以在这个公告栏上公告，包括团队工作周志、会议纪要和一些其它需要公告的事项。现在提供在线公告栏服务的商家已有很多，Discourse 本身就提供这种服务。
语音视频聊天
很多时候，光靠语音交流是不够的，因为很多信息是难以通过纯语音交流获得的。对于异地办公现象普遍的公司而言，要真正面对面交流也并非易事，因为人与人之间可能相隔十万八千里。在这种情况下，语音视频聊天工具就派上用场了。
在网速足够快的情况下，视频聊天的效果是很接近真实的面对面的聊天效果的，你能够实时捕获对方任何的肢体语言和面部表情，这些都是邮件交流或是纯语音交流所无法比拟的。我建议团队中的所有成员每周至少视频交流一次。这里所说的交流不必是冗长的视频会议，我比任何人都讨厌那些冗长无实质内容的会议。在一个异地办公现象普遍存在的公司里，要想保持异地团队的凝聚力和工作的高效性，定期的视频交流会议仍是必不可少的。
每周一的团队工作汇报
每周一，你公司的所有团队都应该提交一份工作汇报，内容包括：
（1） 我们上周做了哪些工作？
（2） 下周我们打算开展哪些工作？
（3） 工作中遇到了哪些困难或是担心的问题？
这份工作汇报不用太长，在保证能够包含主要的有用信息的前提下，工作汇报越简洁越好。每周一都将工作汇报放到在线公告栏上，这样一来，很多异地办公的员工都能很好地了解其他人的工作动态。
会议纪要
一旦需要开会解决一个问题时，一定要做会议纪要, 并将会议纪要也放到在线公告栏上，这样那些没参加会议的员工也能从中选择性地获取对自己有用的信息。
同样，会议纪要不必太长。如果你觉得做会议纪要的工作太繁重，只能说明你记的方法不对。其实你只需要将那些关键信息点记录下来即可，不需要什么都记。需要记录的内容包括：参会人员、讨论的议题、会议结论、下一步如何开展工作等。
对于某些特定的情形，异地办公也有它的弊端
头脑风暴
在某些特定的场合，当你需要团队进行头脑风暴来碰撞出火花时，异地办公的弊端就显现出来了。如果需要进行头脑风暴，最好是大家都在一个房间里，这样大家的肢体语言、面部表情等都能一目了然，相互间观点的碰撞也才更容易碰撞出火花。不过在 Stack Overflow 和 Discourse，需要这样的头脑风暴的场合是非常少的。就算真正需要，我们也可以在每年的公司年会上进行，那时，公司的员工会齐聚一堂，共同畅想来年的规划和梦想。
员工辅导
对员工进行辅导需要师徒间反复的交流和提问。对于一个异地办公现象普遍存在的公司而言，对新员工的辅导就显得力不从心了。对此，我们的解决方法就是避免招聘那些需要辅导的员工。无论在 Stack Overflow 还是在 Discourse，在招聘员工的标准上我们一直保持较高的标准，这并不是因为我们不相信有潜力的开发者的存在，而是因为对于我们这种异地办公普遍存在的公司而言，对新员工进行辅导培训有点不切实际。如果你想通过帮助初级开发者成长为资深开发者来实现公司发展的话，那么你必须保证师徒间有足够的时间在一起。
对利与弊都进行充分考量后，想象一下 20 年后、40 年后甚至 60 年后开发者的工作情形是怎样的？还是每天都要苦逼地坐 2 小时车上下班吗？
“在你看来，招聘政策是应该基于10年前的工作模式来定，还是应该基于10年后的工作模式来定呢？”答案不言而喻。
不管是在 Discourse 还是在 Stack Overflow，在全球范围内招聘最出色的员工一直是公司的重要战略优势。我深信，开发者异地办公是未来的发展趋势。虽然在这过程中我们也会犯一些错误，浪费一些时间，但这都是值得的。未来即是现在，何必再等？
[本文编译自：firstround.com]
来自 36kr.com
-
观点
赶集网喊话转型网络招聘，并能实现IPO梦想吗？
2014年，美国资本市场对中概股窗口大开，吹皱了一池春水。
最近，分类信息网站老二赶集网砸下重金，邀请当红明星谢娜作为代言人，投放巨额电视、户外广告，同时喊出了转型招聘的口号。那么，分类信息能顺利转身招聘网站并现实IPO梦想吗？
【赶集网重金砸下广告】
三年前，赶集网重金邀请“微博女神”姚晨出任代言人，姚晨骑着毛驴出镜，引出了一个赶驴网。随后，分类信息老大58同城以更凶悍的投放还击，聘请了新一代人气女星杨幂到处喊“一个神奇的网站”。几方上演了热热闹闹的截流、口水战。
今年毛驴系列又来了，这一次骑驴的是谢娜。从营销专业角度讲，请谢娜策略是对的，杨幂、谢娜、范冰冰，在中国三四线城市步行街指数都排在前5名，人民群众熟悉啊。粗略测算，赶集网此轮投放大约耗资1.3亿元人民币左右：其中在中央电视台（含春节联欢晚会）的投放是3000万，各地卫视3000万，导航网站大概2000，此外还有一些地铁、框架广告。
营销讲究ROI，要靠数据说话。从百度指数、微博指数和Alex流量几个核心指标看，投放效果对赶集网确实有提升，但对58同城却更大。这就奇怪了，查了一下，58同城也没买赶集网的百度关键词截流啊。有干搜索技术的兄弟解释，这是因为大家有混淆，看了广告来赶集搜一下，顺手再去老大58那儿搜一下。
【喊话转型网络招聘】
今年春节，赶集网和6家大牌互联网公司一起，杀入春晚前10分钟的广告黄金档。这个力度对于一个未上市的公司是很罕见的，业界认为，赶集为冲刺IPO造势的态势已经很明显。
一边重金投放，一边却喊话转型，赶集网CEO杨浩涌在媒体上的公开表态：如果按中基层人才每年只跳槽1次，其中30%的人通过职业中介寻找工作的话，职业中介的收费保守计费每人1000元，那这个市场规模就将高达2000亿元。在线招聘市场的新蓝海，也能够让赶集有机会改变在线招聘市场的格局，获得更高的话语权。
尽管招聘一直是分类信息的重要目类之一，但如此决绝地放狠话要转身招聘，还是让我挺意外。因为在中国在线招聘市场上，层级是非常明显的。linkedin、猎聘做金领，针对高层；智联招聘、中华英才网做白领，针对中层；51Job针对的是中层兼大学生，基层。赶集网和58同城做不过的是司机、保安、传菜员。上市了市的在线招聘网站都因不被看好而长期低迷，赶集想穿这件马甲去纳斯达克，能行吗？
【互联网行业“转基因”】
尽管技术门槛并不算太高，但早期用资本建立的先发优势壁垒很难跨越。58同城与赶集网私募融资金额相似，都是将近2亿美元。58同城率先上市，赶集网处境被动。投资人熬了这么多年，什么时候能熬出头呢？看来，赶集网不想被吃掉，所以要换玩法。
据说赶集网的营销战略是叶茂中大师给定的，但此次转型无异于转基因，成功的例子并不多。
【文章来源：王冠雄】
-
![]()
观点
【HR必读】如何优化网络招聘效果？
网络招聘有着费用成本相对较低、信息覆盖面广、信息传输更新快、接受面大的优势，网络招聘成为招聘的重要手段和渠道，是企业最常用的招聘手段，我们公司进行网招，最常用的网站有：
一、公司网站：现在很多有求职者，直接输入公司名称进行搜索。公司的网站就显得非常的重要，网招首页主要介绍公司概况、企业文化宣传、开发项目介绍、招聘信息发布、员工园地等。在公司网站的招聘信息发布，我们一般按招聘岗位归类发布信息，不是综合招聘信息发布，方便求职者进行应聘岗位搜寻和查找。同时，招聘岗位职责、应聘要求、面试流程、薪资待遇等详细列出，让求职根据自身情况选择性投递简历，公司网站的招聘信息和公司宣传页面，每周都会进行更新；
二、全国性招聘网站：合作过的有前程无忧、智联招聘、中华英才网，都是全国性的知名招聘网站，主要用于公司招聘管理层人员和技术人员。合作两年后，通过我们的评估，发现其中两家网站有一定的重合性，很多求职者在两家网站均注册，进行简历投递，根据这两家网站在本地会员情况和两年来的招聘情况分析，二选一，现在和其中一家合作。因为是全国性的网站，投递简历量比较大，需要花费些时间进行简历筛选。每天进行刷新，集中招聘期，每两天对简历投递情况查看筛选，平时每周进行一次。简历筛选时效上限为最近两个月，超过两个月不再筛选查看；
三、专业网站：与建筑英才网和数字房地产网合作，主要招聘工程技术人员和地产专业人员，效果比较不错；
四、地方性网站：人才市场网、云南信息港等。主要招聘一些普通员工和后勤人员。
采用网络方式进行招聘需要注意：
一、公司网页及时更新维护，信息发布准确，注明招聘时效、应聘要求、薪资待遇和面试流程；
二、在全国性和地方性网站发布招聘信息，留下公司网址链接，满足求职者想详细了解公司的愿望；
三、安排有经验的人员负责网站简历搜索筛选工作，设立筛选目标，避免大海捞针式的海选工作量；
四、对求职者简历信息不要全信，抱有一定的怀疑态度，对不能提供数据支撑的过往工作业绩，不能全部采信，要综合分析筛选简历信息；
五、简历初筛合格者，马上采取QQ、电话、微信，有条件可视频的方式进行联系，作为初筛；合格后，按简历信息进行必要背景调查，情况属实，在通知进行面试。在面试前，各环节工作做到位，减少面试程序工作量，提高招聘工作效率。
【文章来源：红叶杰科技官博】文章中所涉及的观点并不代表本网站的立场和观点
-
![]()
观点
HR们看过来，为您全面解析“社交招聘”三大难点和看点
话说刚过去的2013和已经到来的2014，与破解玛雅人“2012”预言的震撼相比，更让人感知并体验着移动互联网推动下的社交网络是如此与我们亲近。她不仅改变了我们的生活和工作，更以一种悄然无声的新势力注入HR招聘领域，且日益成为网络招聘的主流。
一、细数“社交招聘”三大看点
众里寻“才”、构建强有力的人才梯队是HR始终如一的主要职责，然而经济环境变幻莫测，很多企业已面临巨大的生存发展压力，招聘官的轻松时光早已不再。与此同时，新浪微博、人人网、天际网等社交平台俨然冬天里的一把火点燃了网络招聘。作为HR的你，如果还未触及，那必需了解，“社交招聘”如何让传统招聘悄然生变。
看点一：交际圈的“360”效益
通过“社交网站”建立“交际圈”进行招聘不失为最有效的渠道之一，不仅可透过与求职者的有效互动，更为深入地了解候选人的人际关系、性格特点等无法直接在简历上获取的信息，也可通过论坛、热点话题征集分享候选人的专业见解和职业水平，所有的信息都可以帮助建立对候选人更为完整的评价体系，确认他们的职业技能和个性特点是否适合你的公司和职位需求。
看点二：品牌文化传播器
社交平台的互动不仅帮助企业吸引招募人才，更建立起企业与潜在候选人的长期对话。这也将是雇主品牌建立和企业文化传达最直接的演绎。对于发展规模相对较小的公司而言，由于社交媒体降低了企业发布信息的门槛和成本，也将得到与大公司相对均衡的传播机会。
从最初创建社交网络账号的称呼、头像、昵称抑或是社交网络账号的简介和标签，无一不折射着你企业所处的行业、地位以及企业的文化导向。诚如：强生集团校园招聘的官方微博自称为“小J”；再比如联合利华的官方微博除了发布招聘信息外，还会发布内容丰富的职场话题，以提升和推广雇主品牌，并用“#”对微博进行分类，如#联合利华招贤纳士#、#职场守则#、#面试技巧#、#U文化#、#U家健康贴士#等。
同时，为了使发布内容更具吸引力，联合利华充分利用微博平台提供的照片、视频分享功能。有时，联合利华还在其平台组织具有企业特色的各种活动和在线抽奖，以增强与粉丝的互动。它绝对是你学习的好榜样。
看点三：挖掘潜在候选人
传统的招聘网站更容易吸引主动求职者（即有强烈意向找工作或换工作的人），而实际上，整个劳动力市场中，绝大部分是潜在的求职者（即对现有工作基本满意，并没有积极寻求新工作机会的意愿，但如果遇到特别合适的机会，仍然会加以考虑)。如果我们的目光仅仅是关注积极求职者，那必将错过庞大的潜在候选人。
对于候选人来说，“圈”的优越性在于不是机械地等待职位空缺或求职需求，“圈”中任何的风吹草动，都有可能成为其变被动为主动地发展职业生涯的契机，而“圈”更大的附加值在于职业人脉的打通，更好地整合、强化未来的社交关系。
二、透视社交招聘三大难点
虽说国内的“社交招聘”也是经历长期市场教育和培育后爆棚，但在众多HR专业人士眼中，社交网络已经成为未来最值得投资的雇主品牌与企业招聘渠道。不过目前依然有不少的HR仍持“观望”态度，或仅将此作为临时的补充渠道。
难点一：缺乏策略指引和有效评估
“社交招聘”，即需要双方融入社交思维、建立联系与互动，这也意味着传统的“推送消息”模式落幕。从一定意义上说，招聘即营销。如同其他的推广渠道一样，“社交招聘”也需要清晰的策略、有效的监测和评估。
由此，一个新兴的岗位应运而生，即企业需要设置一个专职负责管理和执行社会化媒体渠道招聘应用的人；与此同时，必须意识到这需要长时间的实践和投入才能转换出可见的成效，不要急于在初期就有量化的结果，这将是一个在累积经验中不断明确和优化策略的工作。
难点二：海量信息的高效处理
当初以海量信息赢得青睐的招聘网站，如今却因此“作茧自缚”，“无法得到高效处理的海量信息”也已成为“网络招聘”的另一个困局。
“社交招聘”需要即时关注和自己有联系的人，并进行筛选。然后进一步关注他们的人脉、曾经工作的企业和他们所在的圈子。更需要留意什么人查看了自己的页面，然后返回去看看他们的页面，别忘记你更需要了解那些在社交媒体上关注你的人在关注什么。
在海量信息中如何准确识别并逐个把握，这不仅需要大量的时间和精力，更需要适当的技巧。
难点三：招聘官缺乏运营管理技巧
建设和维护社交媒体需要更多的管理投入，包括人员和资金，但社交媒体的成效关键还在于管理者的使用技巧。
传统意义上讲，招聘官的主要职责是筛选简历并对候选人进行科学评测。但管理“社交媒体”网络平台，要求的技能是如何以创造性思维做品牌营销，如何吸引挖掘被动候选人并说服他们加入。客观地说，大部分现有的招聘官仍缺乏这方面的技巧和思维方式，需要学习与修炼。
无论未来的社交招聘如何发展，新时代的HR，只有深度参与才能让自己的脉搏与时代共振，你还在等什么呢？
【文章来源： 杭州希垦猎头官方博客】
-
观点
【HR必读】开发利用大数据，HR如何有建树？
大数据现在很“红”，以至各行各业都在开发大数据这个“金矿”。确确实实说，大数据已经给不少企业、组织赢得了商机、或是提高了管理效率。
相对于其它组织如火如荼地开发、利用大数据，企业的人力资源部门在开发、利用大数据方面却未见走在前列，也鲜见利用大数据获得很好效率和效益的例子；埃森哲的调研（数据分析实战：实现高投资回报的突破与阻碍）也证明了这一点：人力资源部门在数据分析法应用方面远远低于财务、客户服务、生产/运营、销售等职能部门。
那为什么人力资源部门会在开发、利用大数据方面落伍呢？我认为有以下几个方面的原因：
第一，大部分企业的人力资源管理注重过程、流程，缺效益思维。
比如，人才招聘，人力资源部门注重的是招聘速度和到位率，却很少去追踪人才到位后在多长时间内发挥了作用、创造了效益；培养也一样，人力资源部门注重的是做了多少培训、有多少人参加、“满意度”（其实这种满意度也是暂时的）如何，很少去追踪经过培训后参加者在技能上、行为上有何改变？是否提升了工作效率、创造了效益？薪资管理上问题更严重，不少企业每年都在加薪、发奖金，却很少有人追踪加薪、发奖后对提升人力效率的贡献，也没有研究出加薪、给重奖在哪些人身上会创造最好的效益、回报最高？
第二，过重地将人力资源工作看待为“艺术”，不注重运用科学来管理人力资源，也没有意识将人力资源管理上升到管理科学。
人力资源管理发展经历了不同的历程，早期的人事管理强调的是控制，为此，所有的人事制度重点都是“不准什么”，“如果违反，会怎样？后来转化为人力资源管理后，又强调“服务”，有些人力资源部门把自己定位为服务部门，招聘是服务、培训是服务、薪资发放也是服务，殊不知随着时代的发展，特别是现在所处的移动互联时代，大数据的开发已经可以为企业的方方面面决策提供了依据，为此，人力资源管理理应从“服务”走向“决策”。人力资源管理应该从数据、数据衡量与分析开始，将人力资源管理的各个系统整合起来，并着眼于最优化人力资源，迈向科学管理。
国外已经有学者在研究如何将人力资源管理转型为“人力资本学”。
第三，大部分企业的人力资源工作者是文科背景，数学基础不好，对数据不敏感。
据《2014德勤全球人力资本趋势》报告调查，越来越多的人力资源部门在使用大数据做明智的人才决策，预测员工绩效，并提前做好人力资源规划。然而，当今只有7%的人认为他们有能力解析使用的数据。
美国管理协会（AMA）于2013年携手企业生产力研究所（Institute for Corporate Productivity, i4cp）开展的一项调研也显示，人力资源管理人员的分析能力在研究开发、财务、运营、营销等人员中是最差的。
第四，人力资源管理信息系统的缺陷与限制阻碍了数据的开发、利用。
在我与不少人力资源工作者交流时发现，现在很多企业所使用的人力资源管理信息系统都存在不少缺陷，要么使用不友好、很复杂；要么功能上难以满足，系统的缺陷、或使用不友好阻碍了人力资源数据的开发利用。
比如，个性化、私人定制是未来一个趋势，人力资源管理也需要重视个性需求，需要通过数据分析、了解了员工的需求后为员工提供个性化的服务。象“菜单式”福利应该是受员工欢迎的，但限于信息工具、系统的能力，不少公司的人力资源管理部门就不敢、或无法推出这样的福利安排。
了解了为什么人力资源部门在开发、利用大数据方面落伍的原因后，那应该怎么做呢？我认为的主要方法和途径有以下四个方面：
1、培养数据意识，以数据说话
人力资源部门应该从现在起，就要有意识地建立、积累有关人力资源管理活动的数据，养成用数据说话的意识；学会运用数据计算、分析，特别需要提升数学能力。
我在“决胜未来，你的脑袋里应该装点啥？”的博文中强调过，数学是科学的基础，几乎所有的科学都与数学有关。数学分析、计算可以帮助人们验证、发现或解释自然现象和社会现象，数学能力强，也可以帮助人们创造发明。
2、从某个领域开始，尝试利用数据进行基础性分析
人力资源部门应该认真检视自己现有的数据资源和分析能力，尝试先从内部某个领域开始运用数据，特别是要从能为业务提供最高价值的领域开始。
比如，可以从人力资源规划开始，去收集和了解：人口趋势、市场人才供应量（如：每年的大学生毕业数）、本单位人员离职趋势（数据）、人力成本上涨趋势、未来公司销售增长趋势、行业发展趋势等数据，从而得出人力配置最佳比率。
3、从基础分析到预测分析
托马斯.H.达文波特和珍妮.G.哈里斯所著的《数据分析竞争法：企业赢之道》指出，数据分析要获得竞争优势，需要从描述性分析上升到预测性分析：
在描述性分析时，我们只会问:到底发生了什么？有多少问题？问题出现了多久？问题出现在哪里？最多也只会问：究竟出现了什么问题？需要采取什么样的行动？
但在预测性分析时，我们要在数据统计分析的基础上问：为什么会出现这种情况？同时，根据统计分析做出预判或推断：如果这种趋势继续发展下去，将会怎样？
4、建立数据管理模型，从预测到决策
人力资源部门需要根据业务需求，制定大数据开发计划，统筹考虑现有数据、技术和技能，确定从何处入手、怎样配合公司的业务战略来建立数据管理模型，从数据的发现、数据的归整、数据分析、提炼到数据管理，建立一整套的数据管理模型，为最优决策提供依据。
埃森哲最近发表的一篇文章“你真的了解员工吗？”中指出：企业在做重要的人事决策时，不能仅依靠表面信息，可以运用人才分析法，即，基于精确及科学的分析法来帮助企业深入了解员工情况，帮助管理者基于客观数据做出科学决策；激发创新、提升业务绩效、助力企业打造出真正的人才优势。
5、提升数据分析能力
人力资源管理应该向经济学靠拢，经济学注重的是数量关系，人力资源管理也应该注重数据分析。据美国管理协会（AMA）的调研，现在和未来三年内，数据分析被列为最重要的五项技能之一。
其实，管理一直强调是数据，如全面质量管理中使用的帕累图分析、散布图分析等以及6δ无不强调数据分析。
提升数据分析能力不仅能显著提升组织绩效，还能改变人力资源部门在开发、利用大数据所处的落伍状况。
【文章来源：钱国新】
-
![]()
观点
HR们，公司让你们自己决定想用什么软件了吗？一起来看越来越聪明的企业服务市场
在此前企业服务巨头Salesforce的开发者大会上，创始人兼CEO Marc Benioff曾断言称，企业级应用的“黄金时代”已经来临。如果说那个时候他的话还多少像一个预言，但是半年过去，这已经毫无疑问成为了一个现实：一方面，大量面向企业市场的创业公司成为最知名孵化器Y Combinator和500 Startups里最受追捧的对象，另一方面，先行一步的企业云服务Box提交IPO申请，正式验证了企业服务在云上的成功，可以说，宣告了下一个十年的企业服务浪潮的真正到来。
到底云服务和移动端的普及，给企业市场带去了什么样的变化呢？
最重要的一个就是，企业服务已经突破了IT部门和CIO（首席信息官）们的层级，直接达到了终端用户——企业hr和员工们面前。
硅谷最顶级的VC Andreessen Horowitz的合伙人Ben Horowitz，就和Box的创始人和CEO Aaron Levie一起在Box的开发者大会上谈到了这个话题。
他称，过去的大部分企业软件不仅要提供功能（Function），还要想方设法让功能可以在复杂的企业IT环境里实现（make function work），这就都把时间和精力都花在了让软件适用企业内部环境和获得公司IT部门的支持上。这种需要安装、支持和管理的IT部署的机制正是企业应用的最大限制性因素。
但是现在，因为云端，一切都改变了。
由于开发者工具不断完善和云计算的成熟，现在的SaaS模式已经可以让公司摆脱IT部门的约束，公司里的任意一个团队，都可以根据自己的需要随时试用新的服务。采用这些服务的流程变得如此简单，你不再需要大规模的适用和部署，而是变成了像在手机上打开一个应用一样，这让试用的成本变得非常低。而这些新服务开放的API，也都可以让他们的产品更简单地整合进现有的企业平台。
所以，不少hr、以及其他员工开始抛弃公司统一提供的软件，而是开始自己寻找更顺手的服务，也就有了影子工具（shadow IT），即那些没有被许可试用的服务。不过，和过去不同，面对影子工具，CIO们的反应不再是禁止，而是开始主动了解员工们都在用什么，“我们不再需要一个出售给我们的软件，而是开始寻找一个合作伙伴，扩张和风险管理都成为最重要的考量因素。”Box大会上的来自各家公司的CIO们说，“我们寻找影子工具并非是为了禁止员工使用，而是看是否好到可以推广给全公司。”
这让提供这些服务的创业公司的扩张速度变得非常快，而免费增值（Freemium）模式也让价格变得非常容易接受。
现在的盛行的免费增值模式，可以帮助企业服务提供方们先找到愿意采用的hr和其他员工们，让他们在个人层面使用，而如果产品确实能解决他们的需求痛点，就可以进一步在员工群体内进行推广，最终“至下而上”地找到CIO进行企业的定制和采购。比如我们之前报道过的移动A/B测试服务Apptimize，就有针对个人用户有免费试用版本，但是，他们的CEO Nancy Hua告诉我们，大部分的收入都已经是来自企业的定制；而提供公司信息收集与分析的平台Datafox，现在也开始摸索他们的商业模式，尽管他们的最终目标是诸如大型金融机构企业客户，但是他们同样选择先以免费版本吸引金融行业里面的分析师们试用，从而“倒逼”公司来购买他们的服务，创始人Bastiaan Janmaat对我们说，这是一个“教育市场”的过程。
另外一个就是整个产业链的变化。越来越多的外包或者远程工作者出现，每个人都带着自己的设备来工作。这些都让促进协作的企业软件开始有了更大的空间。
而云服务和移动设备带来的另外一个冲击，就是用户体验上完全的革新。
首先仍然是因为过去企业市场“顾客≠用户”的情形的改变。Ben Horowitz称，以前面向企业的产品体验都很糟糕，最大的问题仍然在于过去做出采购决定的人，也就是那些CIO们，和那些产品的终端用户，也就是企业hr和员工们的需求不一样。CIO们更多考虑产品是否适用于企业内部的IT环境，而往往忽略了产品使用起来的感受，“他们只要买了，别人就会过去用。” 而现在，正如上面提到的，当你的服务开始直接面对你的用户，所谓的体验再也不是泛泛空谈，而成为了别人是否会使用的决定性因素。
另一方面，移动设备的普及让BYOD（Bring Your Own Device,指携带自己的设备办公）成为一种不可逆转的潮流——人们不再只从公司的设备或者服务器上访问公司的数据，而是开始从各个设备上随时随地进行工作，随之而来的就是，大家都开始不愿意忍受原来糟糕的服务，而要求企业产品也能像消费者市场上的Apps一样，能够提供非常便捷友好的体验。
Evernote的CEO Phil Libin称，企业产品事实上同样应该把你的用户当成独个的人来取悦，而不是把他们当成面目模糊的批量单位，或者是可以忍受你的各种糟糕体验的机器，所以“UI和UX的设计将会在未来的企业产品里越来越重要，因为只有这样，员工们才会愿意违反公司条款来使用你的服务，成为你真正服务好整个企业的人的第一步。”
进一步拓展说，消费者市场和企业市场也已经开始模糊。在这方面，Evernote就是典型的例子。Libin称，他们一开始针对企业版本推出了很多新的功能，但是后来发现，普通消费者同样也需要这些功能，所以就都同步到了两个版本上，“所有的功能都是协作，这就是我们的产品核心，是消费者版本还是商务版本，没有什么差别。”他说。到最后，Evernote商务版本只保留了数字签名和管理权限这些为数不多的特色功能。
当然，这些变化也给企业市场带来了更大的挑战，比如说，随着员工们开始在各个地方用各种设备访问他们的文件和应用，企业开始需要在安全性上下更大的功夫，以保证最重要资产，也就是内容的安全性，而对于远程协作和权限管理的要求，也变得越来越高。
不过，正如Aaron所说，整个企业市场向云端和移动的转型，正带来了企业市场的变革。它可以让创业公司拥有大量的机会来颠覆旧公司，特别是那些还无法摆脱就有的安装型模式的软件公司。它的创新周期将会以周记，这将让以月甚至年记的公司彻底淘汰。
在过去的三年里，移动设备以不可思议的速度对消费者市场进行了重构，现在，再加上云服务，颠覆的浪潮，开始席卷企业市场了。
【文章来源：pingwest】
-
观点
职场社交，等风来
通常情况下，美国互联网界有什么火爆，中国必然有一大堆效仿者，新浪搜狐之于雅虎，饭否微博之于Twitter，人人qzone之于Facebook……恐怕LinkedIn是唯一的例外。在一个以“关系”构成的社会做关系为啥这么费劲呢？
职场社交更多的是基于弱关系之上，LinkedIn创始人霍夫曼在《至关重要的关系》一书中阐述过这个观点。魏武挥老师也曾分析，LinkedIn的流行是建立在弱关系的基础上，因为弱关系更能够在不同的团体间传递非重复性的信息，使得社交网络中的成员能够获得更丰富的信息资源，但他认为中国职场充斥了我的老爸是县长，我的干爹开奔驰，我的舅舅是老板……这都是建立在强关系的基础之上，很难建立起一个基于弱关系的职业社交网络。
职场社交，风来了！
我不认为现今贵国缺乏职场社交的基因，特别是当下。
市场经济崛起，在很多新兴行业，特别是正在被互联网思维改造的领域，更好的商业模式更优秀的人才远远超过市长的小舅子。同时这些领域对人才数量的需求远远超过市长的小舅子、小姨子、大姑、二姨、三大爷……这是人才需求的基础。
需要人才，更需要的靠谱的人才，需要人才类的大众点评，而最高效、最靠谱的寻找人才的方式肯定是找靠谱的人(信任的同事、朋友)推荐。这不就是弱关系吗？
年后，微博、微信、豆瓣、qq签名、qq群、微信群，各种招聘信息扑面而来，希望那些年假休了、红包领了、奖金收了的人换个地方升职加薪当上CEO赢取白富美走上成功之路。仔细想想，找朋友推荐靠谱的人，这不就是弱关系吗？只不过这些用户需求一直散落在各种产品之中，不是用户不需要，而是没有一个好产品满足用户的需求。
另一个令人兴奋的消息，领英来了，LinkedIn的亲生骨血。血种纯正、资金丰厚、不缺人才……种种因素显示，领英会沿着高调入华、步步为营、矛盾频发、心力交瘁、不声不响，并终将步Yahoo！、Google、Groupon的后尘，成为炮灰。而领英最大的价值就是重新激活职场社交领域，催生出一到两个职场社交平台。
风来了，猪呢？
如何成为一只合格的职场社交猪呢？
1、弱关系：很多人忽视了LinkedIn关系的基础——邮箱通讯录，天生的职场社交基因，天生的弱关系体系(强关系一般电话沟通)。然而中国不具备美国的邮箱文化，qq，似乎关系太强，新浪微博，关系又太复杂，那弱关系是什么？
2、高端人群：职场社交必然起源于高端人群，总监多了，经理才会心向往之，经理多了，主管才会提起兴趣，主管多了，普通职员、毕业生、实习生才会入驻。很难想象一个充斥着心灵鸡汤和娱乐新闻的平台会吸引职场人士进行“职场社交”。
3、数据分析：有了基础的关系，有了高端人群，如何向高端人群推荐与之匹配的人群，为他们带来价值，留住他们，进而吸引更多的人。
风来了，猪呢？
大街：雷军老师投资的公司，号称中国第一的职场社交，借助新浪微博的关系链，口碑+关系链，积累了不少用户。或许是因为人人网出身的关系，大街主打学生群体，打了四五年，不少学生从大街网走上职场，与此同时离开了大街网。而学生群体除了吸引了大量的HR，似乎对高端人群没有丝毫的吸引力。
知乎：业内人士最看好的职场社交平台，上线三年，通过社交问答沉淀了大量的高端人群以及社交关系。然而问答的门槛太高，回答问题特别是答案出色的用户必然是少数，如何让更多的用户参与问答，从而在这个平台结识更多的朋友，这是个问题。
周伯通：2011年开始基于新浪微博做招聘，一度积累了几十万的用户，中途社交招聘走入瓶颈，缺乏数据分析能力，HR收不到靠谱的简历，用户找不到合适的工作，招聘效率下降，自然逐渐远离了这个平台。前段时间据说从移动互联网人群切入，重新开始。然而数据分析的问题不解决，依然会拖后腿。
脉脉：去年年底上线的一款手机app，据说是搜狗的团队创业做的(搜狗很多高管都在里面)，第一次登录，虽然没填什么信息，但个人信息已经很详细，貌似部分来自微博，部分应该是计算出来的。即使有些头像姓名信息匹配错误，也着实令我大吃一惊。此外，他通过微博的二度人脉极大的扩展了自己的人脉圈，同时也没有产生过多的噪音。不过，毕竟是刚刚开始，谁也不知道市场是否接受这种解读。
LinkedIn花了477天才获得100万用户，3年半的时间(2006年底)达到1000万用户。10年，才成功IPO。职场社交一定是个慢生意，需要良好的耐心，需要跟投资人打交道的技巧，慢慢培育这个生意。正如《射雕英雄传》里黄裳的故事，到头来拼的是谁能活的更长。
【文章来源：杨泽】
-
观点
漫谈大数据的思想形成与价值维度
关于大数据的思维、理念、方法论已经被反复消费了，本来我想直接进入交互环节，继挺兄还是要求先有一部分规定动作，我就先自弹自唱几十分钟，既然是漫谈，也不见得扣题，说到哪里是哪里。各位有问题，我可以择时择机插入讨论。
先说大数据思想的形成吧。自从人类开始文字和数字，数据就开始产生。就数据增长曲线而言，极小的初值确实要经历漫长的过程达到人类能感知的曲线拐点。谷歌前CEO埃里克·施密特曾给出了一个有趣的数据：从人类文明曙光初现到2003年一共产生的数据，只相当于2010年两天产生的数据量。而一旦越过拐点，“大数据摩尔定律”的滚滚铁轮下，指数效应爆发：最近两年产生的数据量相当于之前产生的全部数据量。
在漫长的数据蓄水过程中，数学和统计学逐渐发展，人们开始注意对数据的量化分析，在人类进入信息时代以前这样的例子就不胜枚举。比如经济上，黄仁宇先生对宋朝经济的分析中发现了“数目字管理”(即定量分析)的广泛应用(可惜王安石变法有始无终)。又如军事，“向林彪学习数据挖掘”的桥段不论真假，其背后量化分析的思想无疑有其现实基础，而这一基础甚至可以回推到2000多年前，孙膑正是通过编造“十万灶减到五万灶再减到三万灶”的数据、利用庞涓的量化分析习惯对其进行诱杀。
到上世纪50-60年代，磁带取代穿孔卡片机，启动了数据存储的革命。磁盘驱动器随即发明，它带来的最大想象空间并不是容量，而是随机读写的能力，这一下子解放了数据工作者的思维模式，开始数据的非线性表达和管理。数据库应运而生，从层次型数据库(IBM为阿波罗登月设计的层次型数据库迄今仍在建行使用)，到网状数据库，再到现在通用的关系数据库。与数据管理同时发源的是决策支持系统(DSS)，80年代演变到商业智能(BI)和数据仓库，开辟了数据分析——也就是为数据赋予意义——的道路。
那个时代运用数据管理和分析最厉害的是商业。第一个数据仓库是为宝洁做的，第一个太字节的数据仓库是在沃尔玛。沃尔玛的典型应用是两个：一是基于retaillink的供应链优化，把数据与供应商共享，指导它们的产品设计、生产、定价、配送、营销等整个流程，同时供应商可以优化库存、及时补货;二是购物篮分析，也就是常说的啤酒加尿布。关于啤酒加尿布，几乎所有的营销书都言之凿凿，我告诉大家，是Teradata的一个经理编的，人类历史上从没有发生过，但是，先教育市场，再收获市场，它是有功的。
仅次于沃尔玛的乐购(Tesco)，强在客户关系管理(CRM)，细分客户群，分析其行为和意图，做精准营销。
这些都发生在90年代。00年代时，科研产生了大量的数据，如天文观测、粒子碰撞，数据库大拿吉姆·格雷等提出了第四范式，是数据方法论的一次提升。前三个范式是实验(伽利略从斜塔往下扔)，理论(牛顿被苹果砸出灵感，形成经典物理学定律)，模拟(粒子加速太贵，核试验太脏，于是乎用计算代替)。第四范式是数据探索。这其实也不是新鲜的，开普勒根据前人对行星位置的观测数据拟合出椭圆轨道，就是数据方法。但是到90年代的时候，科研数据实在太多了，数据探索成为显学。在现今的学科里，有一对孪生兄弟，计算XX学和XX信息学，前者是模拟/计算范式，后者是数据范式，如计算生物学和生物信息学。有时候计算XX学包含了数据范式，如计算社会学、计算广告学。
2008年克里斯·安德森(长尾理论的作者)在《连线》杂志写了一篇《理论的终结》，引起轩然大波。他主要的观点是有了数据，就不要模型了，或者很难获得具有可解释性的模型，那么模型所代表的理论也没有意义了。跟大家说一下数据、模型和理论。大家先看个粗糙的图。
首先，我们在观察客观世界中采集了三个点的数据，根据这些数据，可以对客观世界有个理论假设，用一个简化的模型来表示，比如说三角形。可以有更多的模型，如四边形，五边形。随着观察的深入，又采集了两个点，这时发现三角形、四边形的模型都是错的，于是确定模型为五边形，这个模型反映的世界就在那个五边形里，殊不知真正的时间是圆形。
大数据时代的问题是数据是如此的多、杂，已经无法用简单、可解释的模型来表达，这样，数据本身成了模型，严格地说，数据及应用数学(尤其是统计学)取代了理论。安德森用谷歌翻译的例子，统一的统计学模型取代了各种语言的理论/模型(如语法)，能从英文翻译到法文，就能从瑞典文翻译到中文，只要有语料数据。谷歌甚至能翻译克莱贡语(StarTrek里编出来的语言)。安德森提出了要相关性不要因果性的问题，以后舍恩伯格(下面称之为老舍)只是拾人牙慧了。
当然，科学界不认同《理论的终结》，认为科学家的直觉、因果性、可解释性仍是人类获得突破的重要因素。有了数据，机器可以发现当前知识疆域里面隐藏的未知部分。而没有模型，知识疆域的上限就是机器线性增长的计算力，它不能扩展到新的空间。在人类历史上，每一次知识疆域的跨越式拓展都是由天才和他们的理论率先吹起的号角。
2010年左右，大数据的浪潮卷起，这些争论迅速被淹没了。看谷歌趋势，”bigdata”这个词就是那个时间一下子蹿升了起来。吹鼓手有几家，一家是IDC，每年给EMC做digitaluniverse的报告，上升到泽字节范畴(给大家个概念，现在硬盘是太字节，1000太=1拍，阿里、Facebook的数据是几百拍字节，1000拍=1艾，百度是个位数艾字节，谷歌是两位数艾字节，1000艾=1泽);一家是麦肯锡，发布《大数据：创新、竞争和生产力的下一个前沿》;一家是《经济学人》，其中的重要写手是跟老舍同著《大数据时代》的肯尼思?库克耶;还有一家是Gartner，杜撰了3V(大、杂、快)，其实这3V在2001年就已经被编出来了，只不过在大数据语境里有了全新的诠释。
咱们国内，欢总、国栋总也是在2011年左右开始呼吁对大数据的重视。
2012年子沛的书《大数据》教育政府官员有功。老舍和库克耶的《大数据时代》提出了三大思维，现在已经被奉为圭臬，但千万别当作放之四海而皆准的真理了。
比如要数据全集不要采样。现实地讲，1.没有全集数据，数据都在孤岛里;2.全集太贵，鉴于大数据信息密度低，是贫矿，投入产出比不见得好;3.宏观分析中采样还是有用的，盖洛普用5000个样本胜过几百万调查的做法还是有实践意义;4.采样要有随机性、代表性，采访火车上的民工得出都买到票的结论不是好采样，现在只做固定电话采样调查也不行了(移动电话是大头)，在国外基于Twitter采样也发现不完全具有代表性(老年人没被包括);5.采样的缺点是有百分之几的偏差，更会丢失黑天鹅的信号，因此在全集数据存在且可分析的前提下，全量是首选。全量>好的采样>不均匀的大量。
再说混杂性由于精确性。拥抱混杂性(这样一种客观现象)的态度是不错的，但不等于喜欢混杂性。数据清洗比以前更重要，数据失去辨识度、失去有效性，就该扔了。老舍引用谷歌PeterNovig的结论，少数高质量数据+复杂算法被大量低质量数据+简单算法打败，来证明这一思维。Peter的研究是Web文本分析，确实成立。但谷歌的深度学习已经证明这个不完全对，对于信息维度丰富的语音、图片数据，需要大量数据+复杂模型。
最后是要相关性不要因果性。对于大批量的小决策，相关性是有用的，如亚马逊的个性化推荐;而对于小批量的大决策，因果性依然重要。就如中药，只到达了相关性这一步，但它没有可解释性，无法得出是有些树皮和虫壳的因导致治愈的果。西药在发现相关性后，要做随机对照试验，把所有可能导致“治愈的果”的干扰因素排除，获得因果性和可解释性。在商业决策上也是一样，相关性只是开始，它取代了拍脑袋、直觉获得的假设，而后面验证因果性的过程仍然重要。
把大数据的一些分析结果落实在相关性上也是伦理的需要，动机不代表行为。预测性分析也一样，不然警察会预测人犯罪，保险公司会预测人生病，社会很麻烦。大数据算法极大影响了我们的生活，有时候会觉得挺悲哀的，是算法觉得了你贷不贷得到款，谷歌每调整一次算法，很多在线商业就会受到影响，因为被排到后面去了。
下面时间不多了，关于价值维度，我贴一些以前讲过的东西。大数据思想中很重要的一点是决策智能化之外，还有数据本身的价值化。这一点不赘述了，引用马云的话吧，“信息的出发点是我认为我比别人聪明，数据的出发点是认为别人比我聪明;信息是你拿到数据编辑以后给别人，而数据是你搜集数据以后交给比你更聪明的人去处理。”大数据能做什么?价值这个V怎么映射到其他3V和时空象限中?我画了个图：
再贴上解释。“见微”与“知著”在Volume的空间维度。小数据见微，作个人刻画，我曾用《一代宗师》中“见自己”形容之;大数据知著，反映自然和群体的特征和趋势，我以“见天地、见众生”比喻之。“著”推动“微”(如把人群细分为buckets)，又拉动“微”(如推荐相似人群的偏好给个人)。“微”与“著”又反映了时间维度，数据刚产生时个人价值最大，随着时间decay最后退化为以集合价值为主。
“当下”和“皆明”在Velocity的时间维度。当下在时间原点，是闪念之间的实时智慧，结合过往(负轴)、预测未来(正轴)，可以皆明，即获得perpetual智慧。《西游记》里形容真假孙悟空，一个是“知天时、通变化”，一个是“知前后、万物皆明”，正好对应。为达到皆明，需要全量分析、预测分析和处方式分析(prescriptiveanalytics，为让设定的未来发生，需要采取什么样的行动)。
“辨讹”和“晓意”在Variety的空间维度。基于大体量、多源异质的数据，辨讹过滤噪声、查漏补缺、去伪存真。晓意达到更高境界，从非结构数据中提取语义、使机器能够窥探人的思想境界、达到过去结构化数据分析不能达到之高度。
先看知著，对宏观现象规律的研究早已有之，大数据的知著有两个新特点，一是从采样到全量，比如央视去年“你幸福吗”的调查，是街头的采样，前不久《中国经济生活大调查》关于幸福城市排名的结论，是基于10万份问卷(17个问题)的采样，而清华行为与大数据实验室做的幸福指数(继挺兄、我、还有多位本群群友参与)，是基于新浪微博数据的全集(托老王的福)，这些数据是人们的自然表达(而不是面对问卷时的被动应对)，同时又有上下文语境，因此更真实、也更有解释性。北上广不幸福，是因为空气还是房价或教育，在微博上更容易传播的积极情绪还是消极情绪，数据告诉你答案。《中国经济生活大调查》说“再小的声音我们都听得见”，是过头话，采样和传统的统计分析方法对数据分布采用一些简化的模型，这些模型把异常和长尾忽略了，全量的分析可以看到黑天鹅的身影，听到长尾的声音。
另一个特点是从定性到定量。计算社会学就是把定量分析应用到社会学，已经有一批数学家、物理学家成了经济学家、宽客，现在他们也可以选择成为社会学家。国泰君安3I指数也是一个例子，它通过几十万用户的数据，主要是反映投资活跃程度和投资收益水平的指标，建立一个量化模型来推知整体投资景气度。
再看见微，我认为大数据的真正差异化优势在微观。自然科学是先宏观、具体，进入到微观和抽象，这时大数据就很重要了。我们更关注社会科学，那是先微观、具体，再宏观、抽象，许小年索性认为宏观经济学是伪科学。如果市场是个体行为的总和，我们原来看到是一张抽象派的画，看不懂，通过客户细分慢慢可以形成一张大致看得懂的现实图景，不过是马赛克的，再通过微分、甚至定位个人，形成高清图。我们每一个人现在都生活在零售商的bucket中(前面说的乐购创造了这个概念)，最简单的是高收入、低收入这类反映背景的，再有就是反映行为和生活方式的，如“精打细算”、“右键点击一族”(使用右键的比较techsavvy)。反过来我们消费者也希望能够获得个性化的尊崇，Nobodywantstobenobodytoday。
了解并掌握客户比以往任何时候都更重要。奥巴马赢在大数据上，就是因为他知道西岸40-49岁女性的男神是乔治·克鲁尼，东岸同样年龄段女性的偶像则是莎拉·杰西卡·帕克(《欲望都市》的主角)，他还要更细分，摇摆州每一个郡每一个年龄段每一个时间段在看什么电视，摇摆州(俄亥俄)1%选民随时间变化的投票倾向，摇摆选民在Reddit上还是Facebook上，都在其掌握之中。
对于企业来说，要从以产品为中心，转到以客户(买单者)甚至用户(使用者)为中心，从关注用户背景到关注其行为、意图和意向，从关注交易形成转到关注每一个交互点/触点，用户是从什么路径发现我的产品的，决定之前又做了什么，买了以后又有什么反馈，是通过网页、还是QQ、微博或是微信。
再讲第三个，当下。时间是金钱，股票交易就是快鱼吃慢鱼，用免费股票交易软件有几秒的延迟，而占美国交易量60-70%的高频程序化交易则要发现毫秒级、低至1美分的交易机会。时间又是生命，美国国家大气与海洋管理局的超级计算机在日本311地震后9分钟发出海啸预警，已经太晚。时间还是机会。现在所谓的购物篮分析用的其实并不是真正的购物篮，而是结帐完的小票，真正有价值的是当顾客还拎着购物篮，在浏览、试用、选择商品的时候，在每一个触点影响他/她的选择。数据价值具有半衰期，最新鲜的时候个性化价值最大，渐渐退化到只有集合价值。当下的智慧是从刻舟求剑到见时知几，原来10年一次的人口普查就是刻舟求剑，而现在东莞一出事百度迁徙图就反映出来了。当然，当下并不一定是完全准确的，其实如果没有更多、更久的数据，匆忙对百度迁徙图解读是可能陷入误区的。
第四个，皆明。时间有限，就简单说了。就是从放马后炮到料事如神(predictiveanalytics)，从料事如神到运筹帷幄(prescriptiveanalytics)，只知道有东风是预测分析，确定要借箭的目标、并给出处方利用草船来借，就是处方性分析。我们现在要提高响应度、降低流失率、吸引新客户，需要处方性分析。
辨讹就是利用多源数据过滤噪声、查漏补缺和去伪存真。20多个省市的GDP之和超过全国的GDP就是一个例子，我们的GPS有几十米的误差，但与地图数据结合就能做到精确，GPS在城市的高楼中没有信号，可以与惯性导航结合。
晓意涉及到大数据下的机器智能，是个大问题，也不展开了。贴一段我的文章：有人说在涉及“晓意”的领域人是无法替代的。这在前大数据时代是事实。《点球成金(Moneyball)》讲的是数量化分析和预测对棒球运动的贡献，它在大数据背景下出现了传播的误区：一、它其实不是大数据，而是早已存在的数据思维和方法;二、它刻意或无意忽略了球探的作用。从读者看来，奥克兰竞技队的总经理比利·比恩用数量化分析取代了球探。而事实是，在运用数量化工具的同时，比恩也增加了球探的费用，军功章里有机器的一半，也有人的一半，因为球探对运动员定性指标(如竞争性、抗压力、意志力等)的衡量是少数结构化量化指标无法刻画的。大数据改变了这一切。人的数字足迹的无意识记录，以及机器学习(尤其是深度学习)晓意能力的增强，可能逐渐改变机器的劣势。今年我们看到基于大数据的情感分析、价值观分析和个人刻画，当这些应用于人力资源，已经或多或少体现了球探承担的作用。
via：来源：吴甘沙，英特尔中国研究院首席工程师
扫一扫 加微信
hrtechchina
