资讯
高速发展的机器学习，会给企业运营带来怎样的改变？
来源：猎云网（微信号：ilieyun） 编译：Mancy
毫无疑问机器学习正处于 hype curve （发展规律周期）模型的顶峰位置。当然，反响也异常激烈，仅在过去一周我就听了 20 遍这样的笑谈：机器学习就像青少年的情欲，人人都在谈论它，但是没有人真正了解它。但就在我身处的地方，有人运营了一家公司，让现实世界中大量的机器学习项目都变得可以施行，很明显，机器学习将极大程度地改变公司的运营方式。
它并非只应用于 Siri 和 Amazon Echo 这样新潮的产品，它的研发公司也不局限于我们通常认为的拥有大量研发预算的谷歌和微软。在现实中我敢打赌，几乎所有的 500 强公司都因使用了机器学习而获得了更高的效率和利益。所以机器学习身在何方呢？在这里我们介绍几款能让生活变得更美好的幕后应用。
赋予用户生成内容以价值
一般的用户生成内容有点吓人，实际可能比你想象的还要糟糕，这些内容充斥着错别字、低俗内容和完完全全的错误信息。机器学习模型可以确定用户生成内容的好坏，筛除糟糕的内容，让优秀的内容展示给别人，而这些过程都无需人工审核。
与之类似的情况还有垃圾邮件。还记得那些关于垃圾邮件的辛酸往事么？机器学习可以帮助确定哪些是垃圾邮件，而且基本上可以过滤它们。近些天，清晨检查收件箱时你会发现垃圾邮件日渐减少。希望在不远的将来用户生成内容也能达到这样的效果。
Pinterest 利用机器学习向人们展现了更多有趣的内容；Yelp 用机器学习整理用户上传的照片；NextDoor 用机器学习筛查留言板上的内容；Disqus 用机器学习来剔除垃圾评论。
更快发现产品
作为一家搜索公司，谷歌总是最先聘请机器学习的研究人员，这不足为奇。实际上，谷歌近期分配了一名人工智能专家负责搜索。但是，自 1970 年开始，搜索大型数据库和匹配关键字抓取结果的技术就已存在。谷歌的特别之处就是它知道哪一个匹配结果具有最大的相关性，而谷歌具备该能力的原因就是它使用了机器学习。
但是，不仅仅只有谷歌需要智能的搜索结果。家得宝也需要在巨大的货物目录中为某位客户不规则的浴室匹配合适的浴缸。苹果公司需要在其应用商店中展示相关应用。Intuit 需要在用户提交某一纳税申报表格时给出相应的帮助页面。
像 Lyst 和 Trunk Archive 等成功的电子商务初创公司都使用机器学习为自身的用户提供高质量的内容。其他初创公司如 Rich Relevance 和 Edgecase 会采用机器学习的策略，当商务客户浏览产品时，公司会将机器学习所获得的益处展现给他们看。
与客户打交道
你可能会注意到，近些年来，“联系我们”的形式变得更加稀少。那是机器学习简化了业务流程的另一表现。为了不让用户自行选择问题，不停地填写问题表格，机器学习会查看请求内容并将其导向合适的地方。大公司愿意在机器学习方面投资，因为他们已经看到了机器学习正向的投资回报率。
理解客户行为
机器学习亦擅长情感分析。对于不搞市场营销的人而言，舆论有时候是暧昧不清的东西，也会推动许多重大的决定。例如，一个电影工作室推出了某一暑期大片的预告片，他们可以通过获取社会的反响来看看目标观众的呼声在哪里，然后他们就会调整广告策略来让真正感兴趣的观众浮出水面。这样，工作室就不动声色地把观众带进了电影院。
另一个例子就是：一个游戏工作室近期在某款流行电子游戏的主线中推出了新的主题，然而当中却没有玩家期待的某个游戏模式。当玩家通过社交媒体开始吐槽时，工作室就能监测这些言论，找出自身的问题。然后，工作室会暂停他们的发布计划，等添加了新的功能之后他们就能把黑粉转为真爱粉了。他们是怎么从数百万的 tweet 中发现这些微弱的声音的呢？答案就是他们使用了机器学习。在过去几年中，通过机器学习监听社交媒体已成为标准的运营程序。
下一步？
处理机器学习算法是个很棘手的事情。正常的算法都是可预测的，我们可以透过现象看本质，理解它们是如何工作的。在某种程度上，机器学习更像人类。作为用户，我们有时候想不通纽约时报为什么会推送那些奇怪的广告，也不明白亚马逊为什么会推荐那些滑稽的书籍。实际上，纽约时报和亚马逊不能像人脑一样明白那些特定的结果，例如我们知道为什么晚餐选泰国菜，然而它们却不知道。
如果十年前你步入了机器学习的领域，除了谷歌和雅虎之外你可能找不到工作。而今天，机器学习无所不在。数据比起以往更为普遍，也更易获取。例如 Microsoft Azure ML 和 IBM Watson 的新产品降低了先进机器学习算法的准备成本和持续成本。
大众文化中的机器学习主要集中在人工智能的私人助手和自动驾驶汽车上，不过几乎你打开的每一个网站背后都有机器学习的支持，大公司投资机器学习并非因为它的流行或者先进性，而是机器学习能给他们带来可观的投资回报，这也是创新不断产生的原因。
资讯
【YC Demo】2016人力资源科技 To B初创企业大盘点（下）
今年的YC Demo Day共有119家企业亮相。HRTechChina为大家盘点了2016 YC Demo人力资源科技2B领域的初创企业。此篇为下篇。
下篇中被盘点到的人力资源科技2B领域的初创企业有：潜在客户管理及CRM软件StartClosing ；在线评价管理软件Podium；为自由职业者提供合同及支付工具的Bonsai；销售薪酬管理软件Compgun ；自动管理CRM不良数据的Elucify；帮助企业招聘现有员工的熟人的Strongintro；通过Slack使用企业软件的Birdly 以及 软件开发团队的效率分析工具Gitprime。
点击http://www.hrtechchina.com/12295.html 查看2016人力资源科技 To B初创企业大盘点上篇
StartClosing 潜在客户管理及CRM软件：
各种运营商将你的私人信息相互买卖，但他们并没有获得很好的销售转化。然而，这家初创公司声称，使其潜在客户转化平台，可以获得三倍的行业潜在转化率均。自推出以来，它已经获得了75000美元的流水，包括60000美元的利润及每个月78%的增长率。其创始人事先就将注意力集中于风暴破坏，并希望能拓展到同样的成果（hopes to expand that same success.）
http://startclosing.com/
Podium在线评价管理:
对企业来说，在线评价决定了业务的成败，除非你是一家一流的或最糟糕的餐厅，否则你很难得到在线评论。Podium帮助企业收集跨域线上评论，如Google和Facebook的在线评论。在一月份，Podium已与三个公司客户，超过10000个网点创建了试点。到目前为止，Podium已经可以产生300万美元的平均回报率。
https://podium.co/
Bonsai为自由职业者提供合同及支付工具:
白领自由职业者本质上是一个人的企业，自己充当自己的管理员，会计师和律师。但他们不知道，为何总有50%的迟到罚款而总是得不到自己真正应得的薪水。Bonsai提供了简单的合同和支付工具，让自由职业者与其客户签约，而Bonsai可以确保他们的客户及时支付款项。Bonsai将很快发布一个每月收费19美元的高级版本，包括额外的工作流程和管理工具，并将开发集现金流，统计及资金垫款于一体的工具。目前大约有1000万名的自由职业者存在于市场上，Bonsai让他们工作起来更像成熟的业务人员。
Compgun 销售薪酬管理软件:
各行业的销售团队都面临着一个棘手的问题，支付超过8000亿美元的销售佣金。他们中的很多人都使用Excel和电子邮件来处理佣金，这样的处理过程是很容易出错的。使用Compgun的技术，公司可以计算和优化销售佣金。公司也可以实时发放佣金，而不是等到月底。其目的是看到你自己的佣金数额增长将推动你的销售业绩。
http://www.compgun.com/
Elucify自动管理CRM不良数据:
客户关系管理工具可能花费不少精力。这是因为销售人员仍然会浪费时间在客户关系管理系统中添加或修改联系人信息。Elucify创造了在这些系统中自动添加和管理联系人的软件，。它通过逐条浏览公共数据，每月可处理2.5亿个数据信息。它还允许客户对产品提供数据。Elucify将成为一个价值32亿美元的市场和30000美元的ARR（平均回报率）.
https://getelucify.com/
Strongintro帮助企业招聘现有员工的熟人:
招聘是大公司的头等问题。推荐则是一个成立团队的最佳方式，但大多数公司都没有得到足够的推荐信息。Strongintro帮助企业，通过搜索员工往来电子邮件群，脸谱网，及LinkedIn联系人，将相关信息收集起来，该行为参照开放工作标准。然后他们就可以发送招聘信息，每聘用一个员工，Strongintro将获得10%的佣金。它已经帮助像Zesty和Teespring这样的公司获得更多的转介人员来成立自己的团队，维持企业文化。
https://strongintro.com/
Birdly 通过Slack使用企业软件:
Slack已成为一个巨大的平台，巨大到很多的公司都为其建设贡献力量。Birdie是Slack机器人团队，其从Intercom,Salesforce,Zendesk及Stripe获取并分享数据。在过去的两个月里，超过900的企业已经使用Birdly的机器人，并且，每周使用率增长幅度为23%。为了推动其增长速度，Birdly计划增加更多的设备来支持运营。
https://www.getbirdly.com/
Gitprime 软件开发团队的效率分析工具:
工程效率是至关重要的，但没有关于效率的具体基准。而站立式会议或编写代码的数量往往不能表明什么。gitprime可以跟踪检测代码的生命周期以及增加更多指标来推动进展。每一个公司的软件工程团队都需要这种分析服务。SolarCity，Ooyala，和Sphero都已使用该分析方法，工作效率平均每个月增长73%。不要只是寻求编写更难的代码，而是更加理智高效的编码。
https://gitprime.com/
资讯
魔方招聘宣布完成4000万人民币A轮融资
魔方招聘宣布完成4000万人民币A轮融资。本轮由考拉基金领投，三行资本（天使投资方）、1898创投基金跟投。成立不到1年时间，共完成了2轮融资。据悉，此轮融资主要用于优化产品体验、增强研发投入以及区域扩张。在区域扩张方面，魔方招聘将从现在的一线城市逐步向二三线城市拓展，预计到今年底魔方招聘将服务到53个城市。
魔方招聘成立于2015年3月，是基于移动互联+招聘面试的招聘网站，求职者和企业在可以在线沟通，极大提升了求职者和企业双方的效率。
魔方招聘针对不同客户提供了个性化的服务，魔方招聘提供在线面试的轻模式，求职者可以直接看到企业发布的两周以内的各种面试机会，注册简历后可以在线面试预约，魔方招聘的大数据筛选会根据HR的过滤设置进行筛选，求职者可以立刻得到是否可以面试的在线反馈，求职者在审核通过后即可开始在线面试或IM沟通，系统也会自动提醒面试时间，面试结束后企业的操作反馈会及时传达给求职者。
HR根据自己的招聘要求和时间来设置机筛关键词来提高在线沟通的有效性，确保企业沟通的都是符合基本条件的人，机筛过后便可直接和求职者进行音视频面试。
资讯
【YC Demo】 To B初创企业大盘点 上
今年的YC Demo Day共有119家企业亮相。HRTechChina为大家盘点了2016 YC Demo的2B领域的初创企业。此篇为上篇。
Konsus 自由职业者平台：
Konsus公司致力于为公司寻找自由职业者，同时也为自由业者招揽业务。公司在Konus上发任务，比如写文案或者咨询和其他商业任务； Knosus公司会找到合适的自由业者完成任务。这家初创公司提到：从上线28周以来该公司以每周10%的速度增长。如今收入55000美元，毛利达40%，并且有三分之二的回头客。
http://www.konsus.com/
Nova 销售邮件智能写手：
如果一封销售邮件对收信人有很好的了解而不是笼统的描述，这样会更有效率。Nova基于AI，可实现自动写电邮。它通过网站和社交媒体搜索到关于收信人的信息，并且投其所好地加到邮件中，例如最新的新闻主题，或是特定的爱好。Nova电邮要好过普通销售邮件，打开率为67%，点击率为11%。Nova计划面向美国400万B2B销售人员兜售自己的产品，每台电脑每月收费99美元，现在Nova已经同Uber和Monster签约。Nova的创始合伙人曾是Salesforce的CMO(首席营销官)。
http://www.nova.ai/
GetAccept 销售工作流管理：
GetAccept正在重新定义了销售方案去完成更多的销售任务。销售经理发送方案时可以带一个视频。不论活动形式如何颠覆，一旦发布相关人员立即就被安排进来，并出一份设计好的流程。该初创公司计划完成这个行业中80%的单子，每月向顾客 收取45美元的服务费。公司声称从去年12月以来，已经达到了20万美元的平均回报率，每周的增长率为23%。
https://www.getaccept.com/
flexReceipts 电邮替代纸质收据：
零售商每年花费20亿美元在纸质收据上，但如果这些都放在电子邮件里，他们就可以收集有价值的联系人信息，投放有针对性的营销信息。flexReceipts做的就是这些，它能收集SKY，数量、价格、位置和其他数据，然后利用数据来跟踪客户的线下消费习惯。通过这些电子邮件地址，能让Facebook广告和其他基于电子邮件的广告定位更准。跟普通广告相比，flexReceipts能获得10倍以上的点击率。flexReceipts正在实现追踪线下支付数据。
http://www.flexreceipts.com/
PaveIQ 简化的页面分析：
分析页面和营销数据会花费很多时间。有了PaveIQ，公司每月支付200美元，就可以使用网站分析、市场数据分析工具，还可以寻求建议。PaveIQ目前有86家付费用户，其中包括Four Seasons和Greyhound UK.
https://www.paveiq.com/
PocketSuite 为中小企业而生的预约和客户沟通的软件：
PocketSuite帮助当地企业通过智能手机上的一个应用上的日历、支付和消息功能开展业务。自推出以来，PocketSuite每月营收增长38%。它目前有1100项业务活跃在平台上。这个月，这些企业将过PocketSuite处理超过100万美元的付款。
http://pocketsuite.io/
Locent 短信广告管理：
专注提高短信广告的阅读率，Locent专业构建和管理自动短信广告的服务。相对于平均23%的邮件点击率，Locent宣称短信广告在三分钟内有95%的点击率。Lucent目前正在与诊所合作，短信提醒患者吃药。Lucent每周会增加100笔业务。
https://www.locent.com/#/
Lattice 设置和追踪KPI：
有时候，员工不知道他们的目标是否符合更远大的图景。Lattice是用来确保每个人都能看重长远目标，让团队保持一致。该创始公司说Lattice可以通过突出问题和解决方案来提升公司的透明度，他们的目标是60亿美元级的业务。
http://www.latticesemi.com/
Physio Health 给员工的健康教练：
Physio是一个移动健康平台，通过奖励“健康行为”的员工，来给雇主减少成本。每个员工有一个可以连接Fitbit的app。当他们有“健康行为”时，就会收到他们想要的礼物。员工、雇主和赞助商都会很开心。Physio的盈利方式是SAAS和一定的中介费用。Physio的团队来自于哈佛工商管理硕士、行为心理学家和游戏玩家，业务已经覆盖了3个企业的32000名员工。企业健康行业是一个300亿美元的市场。
http://www.physiohealth.com.au/
Pluot 提供大屏视频会议：
Pluot是一个实惠又实用的视频会议软件。视频会议目前是一个20亿美元的产业，而Pluot想把服务传递给另外9900万个会议室。“你可以在短短的五分钟内完成会议的准备工作。”
Pluot团队曾经向500强企业卖出了价值2000万美元的视频会议技术，而创始人想通过创业来复制成功模式，赠送硬件设备然后向每个会议室每月收取50美元的费用；或将此技术用于ARR，将会是一个600亿的市场。
资讯
“探鹿” 与 “小美科技” 合作，招聘市场进入资源整合时代
近日，“探鹿” 和 “小美科技” 正式对外宣布已达成战略合作。
据了解，“探鹿” 定位在线兼职平台，平台对接用工商家（含给大企业做外包的营销公司）和学生求职者，在发布信息前会对商家进行认证保证职位真实性，提供给学生、商家双方线上签约-支付服务，建立了双方的评价体系，例如商家能看到该学生 “爽约率”、工作记录、技能经验和过去雇主评价。探鹿创始人周文华曾表达观点《十年经验，我怎么看兼职》。
而“小美科技” 定位做蓝领服务业招聘，商家除了上传企业营业执照和个人信息以外，小美还要经过一套完整的人工审核，这样确保信息的真实性。同时，还为用户提供了基于 LBS 和不同类型的工作推荐方式。小美创始人刘柯志曾发表文章《大家都虎视眈眈的服务业蓝领市场，会有怎样的未来？》。
至于为什么会达成本次合作，周文华和刘柯志分别表示，最关键的是双方创始人互相认可，对市场的看法一致。
在刘柯志看来，用工类型可分为四种：1.全职；2.长期兼职（例如肯德基的长期小时工等）；3.短期的全职（例如暑期工等）；4.临时的临时工。小美科技着重在做第一种服务业全职招聘，探鹿着重在做第四种兼职招聘，而中间两种则是小美和探鹿合作的契机和基础。
关于具体的合作形式：
首先是在 APP 端设置互推位置；
其次是在数据方面，探鹿的使用者很大一部分是中职或技校学生，这部分用户最终会流向社会，甚至很大一部分成为小美的受众群，所以双方在有关求职者个人的信誉度、综合评价等方面会打通。
最后就是商户端，B 端招聘往往同时需要全职和兼职，所以双方会共享资源。
对于行业的未来，双方创始人表示，市场资源已经到达开始整合的临界点，很多服务商开始抱团，大家把各自擅长的领域做好，然后一起合作将资源最大化，才能提高彼此之间的效率。而对企业来说，弹性用工的需求会越来越大，服务商通过合作跑赢市场也是一种不错的方式。
不过今年蓝领制造业明显不景气，很多地方出现了 90%的停招率，问及这些是否对服务业产生影响时，刘柯志坦言，因为制造业招聘减少，很大一部分人员流入了服务业，所以商户在用人方面变的更加挑剔，这也将凸显小美招聘平台的更大价值。
据悉，探鹿于去年完成了 1000 万美元 A 轮融资，现已启动 B 轮；小美科技融资情况暂不方便披露。
原创文章，作者：徐宁，如若转载，请注明出处：http://36kr.com/p/5044977.html
资讯
刘东畅：你是如何被“HR大数据”忽悠的
终于决定写这个话题的时候，我心里不禁在想，到最后，这种为大家消除阴影面积的事情，还不是得靠我出马。
从去年开始，“HR大数据”这个话题似乎越来越火，从顾问公司，到业界各种专家，还是HR从业人员，不管懂还是不懂，都喜欢拿着大数据三个字说事，看多了之后，我的感觉是，“卧槽，你们还真敢说啊”。
毕竟大数据（英文名称big data，又称逼格太大），这个概念，在业界是有清晰的定义的，你不能拿个简单的数据分析就往上去套，都不知道你套的是哪根鸡毛，什么拿离职率也当成是大数据来呈现，要是更牛逼点，估计搞个邮件自动回复都能叫阿法狗了。
简直是凤姐用美图秀秀一秒钟变身空姐的即视感。
所以，澄清”HR大数据“这件事情的历史性重任，就顺理成章地落在了东畅君身上（故意装作无视周围鄙夷的目光~）。东畅君的难题是，作为一个灵活的胖子，要如何灵巧地避开诸如Hadoop、Spark、R语言这些很诗意却让大家很容易失意的词，又要甩出柔软的身段将这个由于本身很难又被各种解读导致大家一头雾水的概念娓娓道来，请大家多给一点信心和掌声！
其实呢，要说清楚HR大数据这件事情也并不难，难的是选择好角度。比如现在谈HR大数据的文章清一色都是在谈“HR大数据是什么”，且不管讲得对不对，大家总之是听了一堆觉得云里雾里，完全是大学老师说要给你划重点，结果划了满满一书的绝望感（满满都是回忆~），结果学完出来两眼一抹黑很容易又被忽悠了。所以，与其谈大数据是什么，我们不如先来谈谈HR大数据不是什么。
误区之一：把人力资源数据化就是大数据
在众多误区之中，这应该是大家最常见到的一个。实际上人力资源数据化并不是什么新鲜事了，随便找一个专业的HR或者HR顾问公司就能拿到许多可以评估人力资源工作的指标，除了开始提到的离职率，还有出勤率、招聘周期、组织氛围、敬业度等等，这些结构化数据的存在可以让大家在过去很好地评估人力资源的工作，因此被大家奉为圭臬。
可是问题来了，这些东西到底有什么意义呢？企业关心的是我现在和未来能不能赚更多钱，有逼格一点的说法叫价值创造是不是更高，所以老板总觉得很郁闷，一方面看你们每天玩数据玩得不亦乐乎，但要真是对HR问起一些问题，比如我要销售额翻一倍究竟该花多少钱招多少人啊，什么样的人才和干部最适合我们组织啊，你搞了这套激励体系以后到底我组织绩效增加了多少啊，HR立刻两眼一抹黑，掉过头开始骂老板土包子，不会用“专业的眼光”来看待HR。
可问题是，你在大排档吃烤鱼的时候，你还是只会看烤鱼好不好吃，价钱贵不贵，吃完以后有没有拉肚子，你也不会吃饱了没事用天然气利用率、烤鱼各部位烧烤停留率（这是什么鬼，好吧我乱编的）来衡量大排档的老板对吧。
而对于老板来说，他如果能通过观察每个食客的回头率、停留时间、点菜的偏好，乃至于统计他们吃鱼的姿势、吧嗒嘴的声音、在大众点评上的评语、在朋友圈发的照片、住所的位置、乃至第二天吃饭的菜单（你没看错，这些都是数据，又叫做非结构化数据），经过分析就能知道哪些要素在什么组合之下是和食客的吃饭频次和买单额度具有较大相关性的，于是我可以据此对我的食材、佐料、服务流程、摆盘乃至店面装修等要素进行适当的调整和优化，并可以据此预测出我调整以后我每个月可以多赚多少钱，多少时间大众点评的评分可以上五星。
这就是大数据，看着很不切实际吗？要知道当年Netflix就是怎么拍出来一部火爆全球的《纸牌屋》的，他们通过对自己3300万用户的行为进行分析，知道了大家喜欢看什么样的电影电视，在什么时候会暂停、回放、快进，喜欢搜索什么关键词等等，最后发现用户很喜欢 Fincher（社交网络、七宗罪的导演），也知道 Spacey 主演的片子表现都不错，还知道英剧版的《纸牌屋》很受欢迎，三者的交集表明，值得在这件事上赌一把。
由此可见，HR想凭离职率和出勤率这类数据的统计就做到这个层次？还太嫩了点。
所以简单的人力资源数据化，哪怕是这个数据因为有十几万人显得很“大”，那也不能算大数据，也并没有什么卵用，只不过是老生常谈，而你不幸知道的太少了，而已。
误区之二：大数据距离企业太远，HR应该先把基本的数据分析做好
这也是HR经常容易被忽悠的一点，因为基本上你只要去找一个人说我要做大数据咨询，对方立刻会开始谆谆告诫说我们还是先做HR数据分析的咨询吧，因为你看现在业界没几个公司做成了HR大数据的，都不成熟，你看看你基本的数据都没有标准化规范化，简单的数据分析仪表盘都没有实现，就想做大数据，这是空中楼阁。
大数据分析真的要以“基本的数据分析”为基础吗？还真不是，因为两者的思考方式完全不一样。
传统的HR数据分析是“体检型”的，就是说我一定要先按模块定义出这么一堆数据出来，然后我看看各个指标对不对，就好像你去医院买了个体检套餐，里面要做什么项目都写得清清楚楚的，你一样一样做完以后交表等结果，然后医生那里有每样数据的正常范围是什么，所以会告诉你血脂高了视力弱了脊椎弯曲了（加班狗的悲哀……）。所以每样数据必须非常精确，差了一点就会判断错误。然后拿到结果你会发现其实绝大多数检查我根本不用做嘛，结果还是要花这么多钱好坑爹，可是医院会说这又没有剧透，我不一样一样检查完我怎么知道你正不正常呢。
而大数据分析是“治病型”的，就是我觉得我最近经常咳嗽而且咽喉痛，一位正常的医生不会让我去做骨髓穿刺，而是会按一些和我症状相符的可疑病症来筛选检查手段，比如张嘴说啊然后查血、拍片，最后根据数据反映的情况说我很大概率上应该是咽喉炎，然后根据治疗咽喉炎的经验让我去打点滴做雾化吃药，三天之后我的病好了。在这个场景里，理论上我不需要所有检查结果都精确指向我是咽喉炎，只需要排除掉其它可能性，大概率地判断我应该是咽喉炎就可以了。
当然你可能会说，体检的时候就能根据不正常的数据发现问题然后去找医生治病啊，这点是没错，可是你敢说我不体检就不能发现我身体不正常了吗？你敢说我体检了一切正常以后我的身体就没有任何问题吗？我又不傻。
比如Google在发现大家对冗长的面试流程怨声载道以后，就通过大数据分析发现，面试平均只要超过3.6次，边际效用就会大大降低，而面试效率和候选人的体验也会大大降低，所以性价比最高的方法是让面试次数缩短到四次以内，这样他好我也好，全家人都开心。
像这种问题，靠“体检”怎么能发现呢？那可真是宝宝心里苦，可宝宝不会说啊。
误区之三：找个咨询顾问就能搞懂大数据了
其实如果掌握了上面两个误区，你应该就能明白，如今某些专家和顾问根本就不懂什么是HR大数据，更从来没有实践过HR大数据，他们只是拿着数据分析的工具来挂羊头卖狗肉的，是莆田系医院的好基友，顾问界的塔利班。
大数据和以往的HR咨询产品是完全不同的，与其说大数据给HR带来的是一种工具上的提升，毋宁说是一场思维上的变革。在这场变革中，HR既要能够脱离已有的框架和工具，用更全面的视角去看到以往从未关注到的变量，又要从心理学、组织行为学、管理学的层面更深入地把握个体和组织，从而观察到真正的问题，触及更深刻的本质，提出更科学的假设，更要对技术和数学有深刻的洞察，了解技术和数学可以帮助我实现什么，如何实现（而这些都恰好是某些习惯于卖现成产品和报告的顾问所欠缺的，再加上实践经验的缺乏，这也是为什么如今某些顾问都嘴上各种说大数据，却极力避免做大数据项目的原因）。
在完成思维变革的HR的眼中，实现HR大数据，其实只有三个步骤，第一，假设，第二，验证，第三，应用。特别简单，你说似不似！
那个，如果大家姿势水平高到可以和东畅君谈笑风生的话，应该会反应过来，这就是如今在科研和学术界已经被广泛接受的实证思路，只不过在应用层面，要注意更加从企业实际情况出发。
所以我说，HR大数据剥离掉技术层面的唬人的外皮，其实一点也不复杂，只不过HR们以前的心思都花在了去揣摩领导和套用模板上，而忽视了对事实和真相的追求，在反人类的道路上走得越来越远。所以在HR大数据时代，HR只不过是在回归本质，只有在这条路上，才是和Google、Facebook这些HR大数据的标杆越走越近了。
不过，如果说同时整合这些经验、理论和技术的人实在是凤毛麟角，也可以退而求其次，要么我可以精通其中一样，要么我能理解这几种人的思维，将这几种人整合在一起，并敢于去不断推动HR大数据的落地实践，为业务和组织呈现出真正的价值。
HR大数据的确为HR打开了崭新的篇章，更可以让HR的地位提升到前所未有的高度，是HR的阿波罗登月，是历史的转捩点，是撬动地球的杠杆。
可是，你得先会玩啊……
好的，总之谢谢大家观赏东畅君装了这么久的X，那个，如果有什么不完善和不周到的，你倒是来拍我呀。
来自公众号：蜜蜂派 作者：刘东畅
资讯
未来，“人工智能”将如何影响企业的“经营管理”？
适逢AlphaGo战胜围棋高手李世石不久，各种关于人工智能的遐想、吹捧乃至担忧不绝于耳。但是，当我说包括人工智能在内的互联网给企业经营带来的危害时，并不是说人工智能将完全替代人类、机器人将统治世界这样的人类劫难。因为，在互联网现有的逻辑下，这根本就是杞人忧天，对于这类言论根本不值得费口舌解释。
在这里，我是从企业经营管理的角度，分析过于相信或迷恋技术给企业可能带来的管理上的风险和危害。企业经营本质上是一种社会行为，而技术仅仅是达到目的的手段和工具，相信技术能够解决企业经营中存在问题的想法，本身就是一种危害，甚至对于技术导向的公司也是如此。但这样的例子数不胜数，很多传统企业开启互联网+模式，转型电商，他们认为好像只要做了电商就能起死回生一样。也有企业痴迷于大数据，相信买了一个软件就能自然解决目前的经营困境，当然，这种想法的产生肯定与某些技术公司对大数据的炒作是分不开的。
于是，随着技术的发展，我们相信大家的交流越来越方便，从而面对面的沟通是可有可无的。我们相信在网络这一大平台下一切中间环节都是多余的，从而纷纷试水各种电商平台。甚至有人认为未来公司也是多余的，未来的模式是平台+个人，哦对了，广告也是多余的，广告增加了成本，妨碍了性价比，进而压榨消费者...过于相信技术导致企业不去关注公司的基于公司产品定位的商业模式以及内部运营机制，更重要的是，忽略了人的价值。因为，技术（包括人工智能）只是人的辅助和补充，技术能够高效地完成一部分工作，从而使另一部分必须由人来完成的工作显得更加重要，用一句话来总结：技术使人的作用越来越重要，而不是相反。
一、AlphaGo的优势：破解珍珑棋局
我丝毫不怀疑人工智能的能力，AlphaGo战胜李世石并不吃惊，并且我相信AlphaGo能够轻易破解珍珑棋局！在金庸先生的《天龙八部》中，珍珑棋局难倒所有在世高手，即使最后被破解也仅仅是出于偶然，但是AlphaGo能够破解，因为珍珑棋局破解的关键所在是首先要在不可能下子之后下子！之所以说是不可能下子之处是因为，所有根据经验的高手都不会在那里下子，因为在可以推算的接下来几步中会损失惨重。而AlphaGo不是依据经验，而是依据强大的运算能力，所以阿尔法狗会对每一个可以落子之处没有任何歧视地进行完整的推演（在目前并非穷举法的算法下或许还做不到），而不会有任何经验上的倾向和情绪上的波动。AlphaGo不会因为一步棋不符合传统下法就放弃对这步棋的运算，但是人的记忆和运算能力毕竟有限，只能先从经验上进行筛选，并且能够推演的步数也是有限的。所以，我们看到AlphaGo有几步的下法违法常规，这可能令我们吃惊，但是它自己并不这么觉得，因为它已经对接下来的棋局进行了推演，AlphaGo不是根据经验，而是根据对棋局的运算。
因此我们可以看出，AlphaGo或者说是人工智能的优势是存储记忆能力和运算能力。在这两方面，AlphaGo的效率要远远高出人类。机器不会厌烦，不会有情绪，当然也不会索要加班费，并且能够计算地比人类更快、更准确。
AlphaGo是不依靠经验的，有些人对此表示怀疑，因为设计团队声称AlphaGo一直在不断地进行深度学习，并且不断锻炼自己。这种说法是存在问题的，理论上来讲，通过穷举法AlphaGo是一定会赢的，但是由于围棋的可能性实在太多导致目前的运算能力无法支持，所以其设计团队就不得不通过其他方法弥补这一缺陷。方法就是用概率去排除掉一些情况减少运算量，以使推演在运算能力之内。所谓的锻炼学习，不过是收录更多的棋局并通过一定的概率计算排除某些情况的过程。归根结底，考验的是收录的完整性和运算能力，这是通过一些技巧实现穷举罢了，而随着计算机运算能力增强，采用穷举法就能使计算机立于不败之地。
二、AlphaGo的局限：无法像人类一样学习和思考
AlphaGo虽然拥有完美的存储记忆能力和运算能力，但是这些能力人类也都具备，只不过不完美。但是，人类拥有的其他能力，AlphaGo却完全没有，所以人工智能永远无法代替人类（在现有计算机的设计逻辑下）。从这个角度来讲，人类是完美的。虽然人有情绪和感情波动导致的失误，人的记忆有限还容易遗忘，但是人能够思考，能够创造，能够想出新的东西，能够进行感性的、抽象的逻辑和概括，能够根据有限的、不完整的信息进行加工和推理，但是机器却不能。AlphaGo的没有情绪和一个人经过训练导致的不受情绪影响有本质区别。正是因为AlphaGo没有情绪，AlphaGo也不能像人类一样进行抽象的学习和思考。
从输入的角度看，人工智能的输入完全来自于外界，虽然可以进行逻辑推理，但是逻辑必须是确定的、结构化的和可量化的。人工智能只是按照特定的逻辑和数据进行运算，并不会产生新的条件。假如信息和条件不完整，那么得出的结果就是概率事件，但是信息和条件的不完整性也需要设定一个概率值。但是在大多数决策中，我们没有可以量化的信息，逻辑也是非结构化的。
从输出的角度看，人工智能及计算机给出的结果并不解决问题，只是指出问题所在。通过计算机的运算，可以帮我们找出异常数据，比如某些月份的销售异常，但是至于为什么异常，就需要我们根据实际情况进行分析，而这种分析是无法量化的。数据分析可以得出啤酒尿布放在一起销量会提高的事实，但要分析出为什么啤酒尿布放一起销量会增加还需要人类的智慧。
三、大数据有用吗——我从来不相信问卷调查
时至今日，我们到处都能够发现大数据的身影，从IT到DT，大数据时代等等，仿佛一个企业不采用大数据明天就会破产一样。很明显，对大数据的吹捧过头了。因为，我从来不相信问卷调查，更不用说对问卷调查的数据分析结果了。
在管理学上，有专门的课程讲解调查问卷的问题设置，比如选项的多少、问题的顺序和调查区域和群体等都会对结果产生影响。也就是说，调查结果本身就有很强的主观性。另外，即使问卷设置尽量合理客观，结果依旧差强人意，因为很多时候被调查者也不明白自己怎么想的，或者想要什么。当然人人都想要一部配置高、颜值高的手机，但是如果把价格考虑在内大部分人就不考虑了。乔布斯当年认为3.5寸是手机的最佳尺寸，但是现在用过大屏手机的人不会这样想了，甚至连苹果公司自己都不这么想了。所以，乔布斯懂得探知客户的潜在需求，或者引领客户需求，而引领客户需求实际上也是激发了客户的潜在需求。这些，是无法通过问卷获得的。有些人会在创业之前咨询周围的朋友，很多人表示项目太好了，完美解决了现存的某一痛点，一定支持。但结果是用过一段时间就反水了，还会找到很多借口。所以，宁愿通过观察，或者无目的的访谈去了解人的真实想法，也不要通过问卷获取。
问卷调查的例子只是为了说明，如果数据本身的真实性就很难保证，那么大数据的结果就没有意义了。当然，并不是所有的数据都是主观的，比如公司的销售数据，统计部门的统计年鉴，还有互联网上采集的浏览数据。但是要想利用好数据就不仅是技术的问题，甚至不是技术的问题。数据本身不具目的性，从输入的角度看，必须要先根据目的确定分析方法，比如对数据进行切片挖掘。现有的信息系统如SAP也仅仅是提供较为完善的数据，而即使对于能够提供可视化数据挖掘模型的系统，对于操作者来说也必须要选择合适的模型，而这一选择方法和模型的过程，只有人类思维才能做到，这一决策过程是非结构化的，所以计算机无法做到。
再次从输出的角度看，通过数据分析，计算机会给出一定的结果，但是这一结果必须和实际问题结合才有意义，并且如果将结果用于解决问题，还需要人类的思维分析，如上面提高的啤酒尿布案例。所以，数据分析只是提供辅助决策的信息，而无法替代决策，无论是从输入还是输出的角度，一个能够进行敏锐分析和思考的人给企业带来的价值远远高于一套大数据系统，如果企业没有这样的人，大数据就毫无意义。而如果没有大数据系统，依旧可以通过人脑的分析能力弥补，比如中国人口密度的“爱辉—腾冲一线”（也称胡焕庸线）与最近大数据的分析结果是一致的，也就是说早在上世纪30年代胡焕庸先生就得出了这样的结论。
四、管理就是决策：人工智能使管理者更加重要
管理大师赫伯特·西蒙说，管理就是决策。但实际上，大部分中层管理者处理的大多工作不是决策问题，而是按部就班的执行流程。如果把管理者的工作内容进行划分，就会分成两部分：有特定流程的日常工作和需要做出判断和非常规的决策。
前者可称为routine，执行已经程序化的流程，后者是临时的、一次性的、非结构化的调节性工作。真正的管理者应该擅长于后者，并且应该把更多的时间花在后者。管理者应该发现并处理一些在routine之外的工作，并且尽快将之变成routine。比如，通过分析常规数据发现了公司库存管理中的弊端，于是设计出一套新的库存管理办法，并且将之流程化，然后推广到全公司。在这一过程中，计算机可以代替的是数据处理的过程和流程化之后的工作，但是提出问题分析方法并且找出解决办法这一过程却是必须要人类才能完成的。
随着人工智能的发展，大多甚至全部routine的工作都可以被取代，因此之前那些只是汇总一下数据就能蒙混过关的管理者将会面临淘汰。而真正侧重于非结构化决策的管理者将显得更加重要，因为其不需要再被日常琐事所累。这也对管理者提出了更高的要求，这些管理者的能力也是人工智能完全不具备的，但人工智能能够进行决策支持，从而使管理者更加高效，并减少失误。
毫无疑问，人工智能及其他互联网技术有助于提高工作效率，能使管理者把更多时间精力用在需要的地方。但是这里面临的一个问题是，很多企业过分看重或者痴迷于技术，从而愿意投入更多的资金用在技术上，但反而忽视了人的作用，甚至认为人的作用降低了，这种思维具有极大的危害，很容易导致本末倒置。
与企业过分看重技术忽视人类这种思维相似的是，技术在使沟通更加方便的同时，也使沟通变得更加困难。任何时候，面对面的沟通都是最有效的，因为沟通传递的信息不仅是文字，还有情绪、态度、观点等。而通过互联网的沟通，如微信，只有文字和声音，在信息多级传递的过程中还可能失真。相对于面对面的沟通，微信传递的信息是有限的，这可能会导致沟通效率的低下，所以有时我们会在微信说了很久都无法说清之后拿起电话。
作者末华，致力于研究互联网及传统行业转型，创业者，微信号1576429360
资讯
背景调查技术公司 Checkr宣布获得4000万美金B轮融资 由Y Combinator领投
去年十月HRTech报道过《Checkr B轮融资3000万美元，由Y Combinator领投》，今天Checkr 宣布完成4000万美金B轮融资！（Today, Checkr is formally announcing that round: it has raised a Series B of $40 million）
Check 我们曾经多次报道过，这是一家使用技术驱动的背景调查公司，通过给客户提供API的方式让客户轻松的使用Checkr来完成员工的基本背景信息核实，如犯罪记录，家庭住址，SSN，信用记录等信息，可以通过Checkr简化入职流程中的审查环节，而像 Workable 和 Zenefits 等 HR 管理工具也能通过 API 接入 Checkr。
融了这笔钱，其法国籍的CEO Daniel Yanisse 表示将用于继续投入产品开发，扩展新的销售团队以及扩展到更大的市场。目前他们的业务仅限于美国和加拿大，更多的对手像传统的强大的调查公司 SterlingBackCheck, HireRight, and First Advantage，当然也有新的竞争者Goodhire 等。
Checkr 这家公司发展非常迅速，HRTech曾经到过这家刚开始只有5个人在阳谷县的办公室，2014年下旬当时刚刚获得10万美金的天使资金。一路发展过来，速度很快，也非常看好这家公司的发展！
在中国背景调查希望做到这样的便捷基本不容易，基于各种信息的不完整性和不公开；随着个人征信的牌照越来越多或许是有更多的机会。国内有一些公司基于社交网络信息抓取候选人的情况作出判断，这个方面Checkr 表示会考虑类似的做法，但是更多基于道德的因素暂未开展（听起来很汗颜。。。哈）。
Checkr 发展很快还有两个核心的原因，第一个就是其技术，第二个就是一开始就收费 25美金/人，类似美国的二手车Carfax收费。同时美国的自由职业者非常多，很多公司对这样轻量级的背景调查需求很旺盛！
总之我们很看好！
中国哪家会跟上？
资讯
大易云申请挂牌新三板 2015年前11个月亏损800多万
来源：速途网 报道 张梦怡
昨日，上海大易云计算股份有限公司申请挂牌新三板，2015年1-11月营业收入1,302.4万元。
记者在全国中小企业股份转让系统(新三板)网站上了解到，申刚正直接持有大易云公司486.1353万股，占公司总股本27.01%的股份，王瑛直接持有大易云公司114.0635万股，占公司总股本6.34%的股份，申刚正与王瑛为夫妻关系，申刚正与王瑛可以控制公司合计 54.02%股份的表决权;因此，申刚正、王瑛为公司的共同控股股东;公司第二大股东上海证大金融信息服务有限公司持有407.0488万股，占公司总股本22.61%;公司第三大股东上海云才企业管理咨询中心(有限合伙) 持有372.1305万股，占公司总股本20.67%。
经营方面，2015年1-11月营业收入1,302.4万元 净亏损为815.78万元 ，2014年度和2013年度净亏损分别为589.32 万元和439.05万元。由于公司收费产品为服务租赁模式，各年收入较一次性买断低，而新的免费产品员工宝和招聘宝尚处于产品持续改进、客户累计和培养客户粘性阶段，增值业务收入还没有体现，因此目前公司仍处于亏损阶段。但由于公司收费服务租赁业务收入持续性强、而后续新增业务的增值业务收入具备爆发能力，随着公司业务原有业务和新业务的不断开展，公司盈利能力将不断增强。
公司主要竞争对手有Oracle Taleo、WorkDay、IBM Kenexa、北森等，相对于竞争公司，大易云在产品和客户，以及在本土资源方面有着一定的优势。大易云目前已拥有包括百度、腾讯、新浪、搜狐、京东商城、大众点评、网易、神州数码、广发银行、中信银行、友邦保险、中美大都会、太平人寿、兴业证券、华润、汉能、海尔、奔驰、现代汽车、丰田、本田、东风日产等上百家年度招聘量在 500-40000 人以上的各行业标杆性企业客户。
大易云是一家国内领先的人力资源 SaaS 应用软件及相关服务供应商。是国内最早开始云招聘软件研发的企业，并将研发放在业务工作中的重中之重来开展。目前公司形成了上海、北京、西安、苏州四地的研发中心。公司依托技术优势和行业专业背景，经多年自主研发向大型企业提供了包含招聘管理、人才测评、简历解析等诸多服务模块的云招聘管理系统。针对中小企业人才招聘方面的难题，公司为其量身打造了招聘宝产品。同时公司也在不断创新业务模式，公司的一站式人力资源服务平台员工宝已经研发完成，预定于 2016 年一季度上线，公司致力于借助员工宝进一步打造“连接员工、连接服务”的人力资源共享服务平台，不断向人力资源领域纵深方向发展。
资讯
拉勾网完成2.2亿元人民币C轮融资 弘道资本领投
来自亿欧网3月23日晚间消息
拉勾网今日宣布获得弘道资本领投，启明创投、荣超投资等跟投的2.2亿人民币C轮融资，据悉，此轮融资将用于产品和技术研发，连接人与企业，提供更多元的人力资源服务。
拉勾网成立于2013年7月，是一家互联网招聘公司，其于2014年4月宣布获得500万美元的A轮融资，投资方是贝塔斯曼亚洲投资基金；同年8月，拉勾网宣布完成启明创投领投，贝塔斯曼跟投的2500万美元 B 轮融资；拉勾网成立之初获得徐小平、曾李青、弘道资本等数百万元天使投资。
扫一扫 加微信
hrtechchina
资讯
资讯
资讯
资讯
资讯
资讯
资讯
资讯
资讯
资讯
扫一扫 加微信
hrtechchina
