-
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
-
观点
职业社交网站之争：西洋拳能否打败中国武术？
跳槽，是职场永恒的话题，很多时候更是突破职场瓶颈、升职加薪的捷径。招聘网站已经是明日黄花，职场人士对猎头的不靠谱大多深有体会——就业荒和用工荒同时存在；职业社交网站正是在这样的环境中应运而生。
2014年，职业社交网站LinkedIn(183.38, -4.58, -2.44%)上线简体中文测试版，正式进军中国，中文名为“领英”。这让媒体和舆论开始关注职业社交网站，大街网、Wealink，这些本土职业社交网站也得到更多关注。在2014年2月24日LinkedIn正式宣布上线中文版的当日，大街网的百度(160.47, 1.29, 0.81%)搜索指数飙升了55.7%。
中国互联网界的经典问题再次出现：国际公司和本土公司，谁能笑到最后？
国际市场的领先者，中国市场的后进生
遵循大多数国际互联网公司前辈们的道路，LinkedIn诞生于美国，占领了世界，最后才进入中国市场。LinkedIn在2003年上线，定位于“商业客户导向的社交网络服务网站”。2011年5月19日，LinkedIn在纽交所挂牌上市，筹资3.5亿美元。截止2013年底，商业客户导向的社交网络服务网站已经在全球200多个国家和地区拥有2.7亿用户。2014年2014年2月25日，Linkedin正式公布了中文名称“领英”，并发布了简体中文测试版。2014年3月6日领英开放注册。
作为最庞大的市场，中国是几乎所有国际互联网公司最看重，也是进入最谨慎的市场。LinkedIn首席执行官杰夫·韦纳曾对中国区总裁沈博阳说，“如果不能连接中国，那LinkedIn的使命就得改了。”这个时候，大街网作为现在中国最大的职业社交网站已经深耕了5年；市场份额紧随大街网的Wealink甚至上线了近十年。
大街网作为本土的职业社交网站，其对标模式正是LinkedIn。截止2013年6月，大街网注册用户达到2400万——远远高于目前Linkedin在中国的400万用户。而根据2014年2月艾瑞IUT数据显示，大街网在PC端的月度用户覆盖达到1186.7万，在职业社交网站领域处于领先地位。
“西洋拳”与“中国武术”
同样打着“职业社交”的旗号，即使大街网创立之初有模仿LinkedIn的痕迹，但两家的差异却是由内而外地散发出来。从LinkedIn和大街网的官方介绍、创始人访谈等公开资料就可以看出，LinkedIn的核心是“人脉”，而大街的核心是“工作”，两家的品牌核心恰好组成了“职业”和“社交”二字。
简单注册登陆领英和大街网，从首次登陆的好友推荐就能看出两家的根本差异：LinkedIn默认推荐已有好友的关联好友，以及用户在其他社交网站的好友；大街网则默认推荐用户所任职公司和行业的好友——实际上这些好友是原本没有任何交集的。简单来看，LinkedIn的推荐方式更利于用户的人脉拓展和沟通交流；而大街网的立足点，则在职场信息交流和工作机会分享上，有着更高的效率。
简单的说，LinkedIn的做法是，先交朋友，再找好工作；大街网的重点是，找好工作，也能交到朋友——这个差异，可能源自于东西方文化差异。
中国是一个巨大的人情社会，虽然经历了几十年市场经济的洗礼，但契约意识尚不成熟，相对国际互联网公司所诞生的北美、欧洲，中国职场，对于“关系”和“能力”的平衡更为微妙，所谓“职场厚黑学”也更为流行。另外，中国绝大部分用户的收入和生活水平较低，对于“找工作”和“换工作”的需求和迫切程度要高于建立愉悦朋友圈的精神需求。在这一点上，土生土长的大街网们显然更符合国情。
在两者的用户定位上，普遍认为LinkedIn目前虽然只有400万中国用户，但集中在与发达国家关系密切的精英阶层和海外公司的中国驻派人员(可以看作中国职场的金领阶层)，这些高端用户是LinkedIn发展中国市场的坚实基础。而大街网则完全不同，大街网的主要用户群体是学生，这一点和巅峰时期的人人网类似。大街网创始人王秀娟在接受路透社采访的时候曾说：“大街网致力于满足中国80、90后屌丝用户的职场社交诉求。”
用户定位是LinkedIn和大街网差异化最大的地方，实际上在中国市场，则可能是LinkedIn最大的瓶颈和大街网最大的机会：LinkedIn主要用户集中在35岁以上的资深职场人，大多处于中产阶层。LinkedIn的社交诉求和品牌定位同样更易于吸引这部分高端人群。但与西方中产阶层为主的纺锥结构不同，中国社会是一个巨大的金字塔结构，中产阶层是接近金字塔尖的少数派。并且中国的互联网用户偏年轻化，中年用户的互联网普及率较低，基于网络的社交需求不足——少数的中产阶层，与少数的35岁以上互联网用户，其中的交集又将打上更大的折扣，这都决定了LinkedIn在中国发展未来的瓶颈所在。
沈博阳坦言，现在无法证明LinkedIn一定会成功，跨国公司的挑战一定存在，但是LinkedIn为此也做了充分的准备，本地团队和运作加上国际平台的支持，成功可能性至少大于50%。沈博阳同时表示，虽然LinkedIn在中国成功必须要本土化，但是他并不打算一下子让LinkedIn变得非常“本土”。在他看来，LinkedIn在中国发展初期还是会主打英文名，因为现在来说，用英文名更能唤起用户的品牌感知。而他强调的另一个关键点便是“耐心”。他认为对LinkedIn中国来说，心态或许比战略更为重要。
王秀娟则表示大街网主流用户是“80、90后屌丝用户”，极为符合中国互联网市场特性。从2013年YY(79.19, -2.65, -3.24%)语音(多玩)上市、9158视频真人秀走红开始，“得屌丝者得互联网”已经成为主流思想，数量庞大的底层用户给互联网公司带来的不仅是庞大的市场份额数据，还有令人咋舌的消费能力。大街网的问题在于，强调“职场”，即“找工作”的需求，必定会削弱“社交”的积极性，从艾瑞等第三方数据也能看出，大街网、Wealink等本土职业社交网站的用户活跃度不高，例如2014年2月份，大街网用户人均浏览时长仅5分26秒，平均每个用户仅打开了3.87个页面。如何提升用户的社交积极性，是大街网们区别于传统招聘网站，以及讲好未来(22.59, -0.51, -2.21%)商业故事的重要问题。
对策：取长补短，不如继续补长
LinkedIn进入中国，对于大街网等国内职业社交网站来说，是一件利大于弊的事情。大街网创始人王秀娟认为：“ LinkedIn入华对于国内这个尚未成熟的市场来说是好事，不仅可以引发大家对职业社交更多的关注，还可以与本土的网站一起培育市场。”职业社交还仅仅一个千万级用户规模的小市场，有着巨大的市场前景——每个人都需要工作，“找工作”是一个刚性需求。互联网巨头的涉足，能产生巨大的舆论聚焦，将行业推入发展快车道。而从用户定位和构成来看，LinkedIn与本土网站在很长一段时间内不会产生过多的竞争和冲突：用户的构成差异也将直接影响企业用户的构成。
国内某大型猎头公司CEO分析认为，从盈利模式上来说，LinkedIn的用户收费模式在中国极有可能水土不服，能够克服中国用户“互联网免费”思维的，只有世纪佳缘(6.73,-0.21, -3.03%)等婚恋网站勉强部分达成。而大街网的企业收费和广告模式，更接近于传统招聘网站，但社交元素的加入和正在爆发的市场，未来有机会呈现几何倍数的增长。对于这两家处在同行业但实际迥异的网站，考虑如何取长补短，不如继续做强其所长：
1. 在这个社交的细分化市场，忌做大而全的服务，继续分别强化自身的诉求，社交和工作。
2. LinkedIn继续其高端路线，保证良好的互动和分享体验，留住核心用户并继续扩散。
3. LinkedIn暂缓其用户收费为主的商业模式，未来可考虑VIP增值业务收费，同时继续以社交和信息分享为核心竞争力，以吸引低端用户中的高潜力用户，成为其突破瓶颈的突破口。
4. 大街网继续“农村包围城市”的战略，同时需补足用户体验，尤其是招聘中的隐私保护；
5. 大街网需强化其社交元素，但不必跟随LinkedIn建立纯粹的社区，而应该以“职场教育”为突破口，形成核心用户和意见领袖为主导的职场信息分享服务。
6. 大街网可强化其职场教育属性，在用户量和市场爆发后，加入更多的在线培训、视频教育等用户前后向付费模式的服务，对于用户忠诚度、活跃度以及商业模式，都有诸多裨益。
【文章来源：】新浪科技 穆媛媛
-
观点
Box，微软，以及下一个企业平台
本文作者Ben Thompson，原文载于其个人博客Stratechery.com。
虽然 Box 资上周的S—1招股书表示尚未盈利，CEO Aaron Levie 也强调了这个事实，但这并不能说明互联网就是泡沫。相反，尚未盈利并非坏事。
风投家 Mark Suster 在关于创业公司盈利的文章中说：
" 即使是最优秀的新闻工作者，有时也无法理解某些议题，而”盈利“就是其中一项。很多记者在评论一个优质创业公司时，总会以“可惜他们尚未盈利“来裁定公司的优劣。对于记者，甚至很多企业家而言，盈利直接决定好坏。他们忽视了最简单的盈利与企业成长的关系。企业通常要使用当下财政周期的资源，来支持未来 6 个月到一年的成长。”
最简单的道理就是，想收益必须投资（花费）。先于盈利关注企业成长的潜力，才有可能达到长期获利。
Suster 的文章并不特指 Box,。而在 Dave Kellogg 关于 Box S-1 的点评中，他总结道，Box 给出了非常合理的数字，能看出 Box 运营正常：
“很多情况下，云存储公司的命运通常只有两种情况——要么出头，要么死。通过烧钱来留住现有客户，吸引新客户尤其是企业客户；继而在交叉销售和追加销售上扩展客户群——在和 Dropbox 的大战中，Box 的现金策略看上去是有道理的。”
我完全赞同 Kellogg 的分析，唯一有不同意见的方面在于，我认为 Box 不仅仅是在存储方面和 Dropbox 竞争。他们也在竞争谁会成为新的企业平台，而这就意味着挑起了和微软的客户争夺战。
Windows: 古老的平台
当所有电脑都是 PC，Windows 为主平台时，办公室软件（Office）明显在 Windows 系统中更好用。和 Office 同时在 Windows 环境下为企业所用的，还有一些第三方软件和业务应用程序（LOB apps）。由于多数企业都用 PC, 这就意味着 Windows 在企业中的绝对主导地位。
浏览器的出现，逐渐打破这一独大局面。尤其在过去的几年时间里，随着智能手机和平板电脑的普及，仅有一小部分计算设备还在使用 Windows：
上图数据显示了微软在个人电脑产业的占有率，也直接反映了微软企业用设备 / 软件的市场份额。多种设备和多种操作系统日渐普及，但它们获取的是同样的数据。
数据：新平台
仅靠存储的商业模式行不通。连 Aaron Levie 都在自己的 Twitter 中表示，最终云存储将免费且空间无限。
只有数据则是无价且不能被取代的。它是组成一个独一无二机构的精华所在。基于此，加上监管方面的因素，IT 部门对数据的使用和获取受到严格地控制。这也是 Box 力图将自己和 Dropbox 区分的主要方面，后者更侧重消费者导向。
与此同时，Box 推出了 Android 和 iOS 的应用。在攻占智能手机和平板电脑方面，在行业中领先。
这幅图解释了，为什么说对于 Box 而言，上周意义最深远的新闻并非公布 S-1 文件，而是 Box 的开发者大会。仅因为这个 Windows 不再是主平台，并不意味着市场对于平台的需求有所递减。市场需要的是一个能够不受时空限制，将所有计算设备、数据连结在一起的平台。
这个需求无疑就加大了筹码。这必须是个多面的大型平台。以 Box 为例，它需要使所有数据支持多种设备，以及大量开发人员。市场规模与变现能力直接决定了研发策略。因为目标是企业用户，市场规模不用担心；那么从开发者的角度来看，搭建更大型的平台，就尤为重要了。
这样看来，在吸纳新客户上一掷千金的策略，也没那么糟糕了。
微软的杀手锏
在 Box 举行开发者大会的当天，微软推出了Office for ipad，一款专门为 iPad 设计的办公软件。一直以来，微软并没有在 iPhone 特别是 iPad 上有大作为。而那些来自微软 Office 的重要企业资料，都只有通过第三方编辑器，才能读取。Box 则看重这点，让 iPad 版的 Box 能够直接读取微软 Office 的文件。
Office for iPad 则是专门为微软的云服务设计的。如今，获取微软办公数据最简易的方法是，使用微软的数据层。你可以用 Box 打开存储的文件或通过其他云服务和办公软件读取资料没错，但这是条单向道。你的所有编辑和改动都只能存在 iPad，或微软云帐号里（OneDrive, OneDrive Pro, 或 SharePoint）。
值得一提的是，出了名难用的 SharePoint，特别对终端使用者而言。从 Box 端访问 SharePoint，对重要数据没有完整访问权限。微软的办公软件只有在和微软云 / 平台同时使用时，才能带来好的用户体验。
Office 真的重要吗？
Steve Ballmer 和他对 Windows 的狂热忽略了操作系统本身渐渐是末日黄花的事实。而 Satya Nadella, 来自微软云业务的新 CEO，也还在沿用微软原先的策略。虽然他提出 “移动和云优先”（mobile first, could first），但其实微软还是试图用 Office 支撑其他平台，只不过在这里，取代 Windows 的新平台是云和移动端罢了。
可以肯定的是，微软的 Office 会逐渐淡出公众的视野。企业将从使用单机应用，向能够支持即时协作的产品过渡。如何过渡以及对协作需求程度的大小，将是决定微软和 Box 能否成功的重要因素。
[本文编译自：stratechery.com]
-
观点
在线招聘，过去错哪了？
你在工作？当然。你用招聘网站求职成功？好像有。用的哪家？忘记了……这就是目前所有招聘网站所面临的一致性问题。
正因为此，在招聘这个每年45亿（艾瑞统计） 、年复合增长持续维持在28%的行业中，一直在城头变化大王旗。昨天还是51JOB、智联招聘、中华英才三分天下。过几天，赶集，58又迎头赶上，甚至连赶集网CEO杨浩涌都敢在年初公然发话：“赶集网下一阶段的目标是两年内将在线招聘的营收做到15亿，超越前程无忧，彻底改变中国在线招聘行业的市场格局。”没过几天， 3W咖啡几个年轻人创办的拉勾网，宣布融资500万美元，打出一片全新天空，似乎完全不顾及上市已久的老人家的感受。
这一切似乎都在打破互联网所谓的7-2-1定律，即行业Top2据70%和20%的市场，其余10%被剩余公司瓜分。
过去的招聘，它们错哪了
大公司未能形成防火墙，新入局者势如破竹，为何如此。它们到底错哪儿了？
首先，把招聘做成了广告，而非服务。从一些在线招聘的上市公司中可以看到，通常其营收结构中，Banner广告占40-50%比例，下载简历占30%比例，RPO即人力资源外包占据了剩余20%左右的空间。由此本应是让招聘者和应聘者，双方享受服务的过程，变成了单纯了位置买卖，这种用户体验上的违和，是每一个人都可以切身感受到的。
其次，产品粘性差，用户重复访问度低。招聘在用户端是一种低频需求，因此很难形成用户粘性。在招聘端，是高频需求，但目前批量卖简历和广告模式，很难将招聘端垄断，反而是一些降低招聘端成本的产品在大行其道。这一方面Linkedin模式则非常好的完成用户粘性，这一招聘网站（或类招聘网站）的历史性任务，将职业社交加入其中，形成了用户的历史行为积淀，这一点上，国内做得很苦。
最后，对平台没有认同感。所谓物以类聚，但招聘却未人以群分，对于用户，无论是赶集还是58，51JOB还是拉勾，抓到耗子才是好猫。这一点上，58和赶集在社会服务阶层有所突破，什么保安、前台、销售、助理等等，但就这点据赶集网称已帮助其获得了每月8000万的收入。拉勾，则在科技细分上有所作为，无论其所推崇的“24小时极速入职”对于大多用户是否有用，至少给该领域人士，留下了“互联网公司的工作找这里”还不错的印象。
走出“招聘”二字方为上策
贝塔斯曼亚洲投资基金管理合伙人、拉勾网此轮投资人龙宇对说自己投资拉勾是因为“一个真正成功的招聘产品需要的是形成一种亚文化的氛围”：“发现拉勾在每次招聘活动中用的语言非常吸引人，用自己的方式、产品和新的年轻人对话，是平台型产品，未来拉勾呈现的形态不是单纯的招聘，而是做社区，这里信息是透明的，干货、互动的、好玩，年轻人职业规划的成长助力平台，不单纯的是招聘。”
人人猎头创始人王雨豪，则表示一切Joblisting的招聘模式其实就是广告行业，在此之上可以在招聘上加一些新鲜血液，譬如“熟人之间相互推荐工作的成功率会更高”。
【文章来源：吴树先生】
-
观点
从Linkedin入华看垂直领域的招聘机会
目前对于Linkedin的入华，或者说加速在华业务，多位从事招聘网站的业内人士倾向认为，短期内不会对中国的招聘网站影响太大。
拉勾网CEO马德龙在知乎上回答业内人士认为，Linkedin的职业社交，只是“看上去很美”。他甚至认为，因为国内和国外用户的社交属性、心理特征以及竞争竞争关系等等，Linkedin“几乎没有突围的可能”。
马德龙的这番言论也牵出了拉勾网。相比较已经显得老牌的招聘网站智联、前程无忧、猎聘网以及基于社交关系的大街网，刚刚上线半年的拉勾网切入互联网行业的垂直招聘领域。如果将互联网领域扩展到其他领域，行业垂直招聘的机会有多少？拉勾网的经历或许可以给一些参考。
Linkedin几无突围可能
在马德龙来看，Linkedin在国外的做法已经被中国互联网招聘一一尝试过，但几乎都没有成功。
原因在于：第一是中国的社交属性偏向熟人线下关系，而非线上关系。这个趋势短时间内无法改变。第二是，敏感性心理。中国人心理的敏感性是复杂的。linkedin一旦在国内被贴上招聘的标签，所有的用户使用的时候就会变得异常敏感。“上linkedin就感觉是一种背叛”。
如果具体Linkedin在中国的业务，马德龙认为，微博已经具备了商务社交的属性，新型的社交形态在移动端、PC端上频繁出现，不停的冲击这与linkedin的同质人群。“竞争环境已经改变，现在再发力中国这个复杂的市场，几乎没有突围的可能。”
从招聘的逻辑去看，马德龙认为，在中国，小众猎头可以匹配分散企业的招人需求，可以定制化服务，而且成本不高。”对时间比金钱看重的企业越来越多，那么效率问题就强力凸现。Linkedin解决不了。 ”
垂直招聘的逻辑
从咖啡馆发端的3W工作人员在做互联网创业咖啡的过程中，看到了互联网招聘的几个痛点：效率低下，信息双向不对等，供需配对难，投递-约见-面试-入职流程长而繁琐。尤其是大型的互联网公司，招聘流程短则两月，长达半年以上。这让他们感觉自己做个互联网垂直招聘网站有自己的商业机会。
考量招聘网站优劣的一个重要指标是简历量的多少。实际的情况是，互联网企业的人力资源部门(HR)在智联、51job等招聘网站确实可以收到大量的简历，但能够符合面试条件的人只有几个。
马德龙认为，这是有几个问题导致。一是传统招聘网站都是跨行业的招聘网站，无法做到精准，人人都在投简历，人才慢慢低端化，并不符合互联网公司相对精英的要求。另一个问题是，他们是以销售导向，以企业为核心，而不是以人为核心。
这些问题，拉勾网都通过互联网的产品思维一一解决。比如，企业招聘信息时公司名称不是公司注册名称，而是产品名称。比如，“北京小桔科技有限公司”实际上是“嘀嘀打车”。另一个是将职位细分，类似于电商网站的产品，某个具体职位还会继续细分，比如交互设计师可以细分到网页、无线、硬件和普通四种。甚至是包括惯常用的“薪资面议”，拉勾网也要求招聘HR填写明确的薪资，提倡建立一种信任的关系。
在入职效率方面，腾讯等10家互联网公司在拉勾网上做了“极速入职”的一次尝试。从拉勾网的反馈来看，3天的时间收到500多份简历，有40多人获得面试资格。在这次尝试后，拉勾网的网站数据翻了一倍，新发职位每天超过500个，每周投递的简历数超过3000个。
另一个值得提及的是，拉勾网的招聘范围也涉及了被动求职的一族。那些已经有工作，但还希望有更好工作机会的族群可以通过设定职位的条件来订阅职位，拉勾网定期将符合条件的职位信息发送给用户，据称，订阅邮件的打开率达到40%。
几个问题
在商业化的路径上，拉勾网准备采取向企业收费的模式，以及在招聘详情页推出企业产品的推广服务。总体而言，拉勾网做法是希望像电商网站一样卖职位。也有几个待解决的问题，需要下一步思考以及付诸行动。
一是互联网行业的垂直招聘在小范围小规模时做到极速、精准是可行的。如果在规模一点点变大之后，是否还能保持同样的极速和精准，存在疑问。拉勾网官方称，目前每日投递简历超过2000份，平台上企业3000多家企业，每天新增800个职位。在规模变大以后，同样会面临海量简历效率低下的问题，又回到了传统招聘网站现在的路上。
二是互联网的垂直招聘是否能在其他领域复制。互联网领域稍显特殊。人才是互联网人才，用人企业同样也是互联网。做招聘网站的同样也在互联网。其他领域的供需双方的互联网思维并非如此齐整，是否能适用于其他稍显传统的领域。即使可以，是金融、快速消费品领域的招聘从业人员复制拉勾，还是拉勾拓展到其他领域更合适？
对于拉勾网本身而言，目前去想拓展到其他领域似乎为时过早。如果能专注到互联网领域，解决好第一个问题，同样是可以做成一个小而美的招聘公司样本。
原文出自【比特网】
-
观点
【HR秘籍】2014年如何用社交招聘提升选人效果
随着微博、微信等社交媒体的普及，很多企业已涉足社交招聘领域。或许你因为这样那样的原因，到现在都还没有启动这项工作，当你发现就算发布再多招聘信息，也回收不了几份简历，而且招聘周期越拖越长，人均招聘成本越来越高，也许是时候考虑这个选项了。别担心你来得太迟，开展社交招聘，什么时候都不算晚。在这里，我将给你三个建议，帮助你提升社交招聘的效果。
撰写有创意的招聘广告
“社交媒体”包含着两个词：社交和媒体。参与社交媒体，需要我们从单纯的“媒体思维”中跳脱出来，加入“社交思维”，即需要用户参与到我们周围的品牌交谈中，需要我们与用户建立联系，这也意味着传统的“推送消息”的模式已经行不通了。所以如果你的工作描述还是很枯燥乏味，也许你该问问自己，为什么要在社交媒体上分享这些内容？谁会关心这些内容？它产生什么样的效果？如果自己都没有太多自信的话，就趁早打住吧。
或许对你而言，妙语连珠是件很难的事情，不妨考虑进修一门文案策划的课程，开发一下你的创造性思维，然后在关键性的社交平台上（如微博、微信或一览网等）写下最具说服力的工作描述或招聘广告。12月5日，招商银行官方微博发布了一则创意招聘信息，在短短四天时间内，转发17336次，评论5557次，创意性招聘广告的传播效果可想而知。相信我，招聘即营销，这项技能还将给你未来的招聘工作带来非常大的帮助。
当然，有了创意性招聘广告，你还需要工作申请的数据统计，方便你通过数据分析，抓准粉丝的脉搏，破解社交招聘的密码。
关注候选人需求
经济环境变幻莫测，很多企业都面临着巨大的生存和发展的压力，招聘官的轻松时光早已不再。好想在闲暇的时候，在茶水间来一杯卡布奇诺，好好放松一下，但是如果有个空缺岗位急需填充，你更需要的可能还是那个合适的候选人。
你关心候选人，希望吸引候选人的关注，好吧，问问你自己，你了解那些在社交媒体上关注你的人关注什么吗？你是否有认真地考虑这个问题，哪怕一分钟？如果你这么做了，我应该给你一个“赞”——很显然，你是少数关注候选人需求的招聘官之一。
之所以候选人在社交媒体上关注你，很大程度是因为他期望更多地了解企业，从而获得工作机会。如果你关注候选人的需求，也许你可以帮助他完善其在社交媒体上的简介，或督促他在一览网上分享他的专业见解、展示他的职业水平，以便让你能更深入地了解他。也许你会觉得这不是你的工作，但是如果你这么做了，候选人会记住你及你的雇主品牌。不知你怎么看？
提供优质的客户服务
“不要给我打电话，如果有进一步的消息，我们会通知你”，“你的简历已经放进我们的人才库（或ATS系统）中，如果下次有合适的机会，我们再联系你”……这样的话是不是很熟悉？如果你是求职者，你会怎么想？
我们都说要把员工当做客户一样来服务，如果我们这么粗糙地对待求职者，在一次糟糕的体验之后，你认为他还会再次申请你的工作么？客户服务是企业文化的一种反映，就算候选人最终加盟了企业，相信也会很快流失掉。
这有时候也让人纳闷：这些所谓的“内幕消息”为什么不能让潜在候选人得知？当你提供给他渴望获取的信息，你们就能进入到良性的互动中去。招聘官不这么做，是因为很忙么？还是因为不知道答案？显然都不是，那是因为他根本不关心。所以，我建议将客户服务作为招聘的KPI考核指标之一。它在某种程度上，也决定着你社交招聘的成败。你说呢?
【文章来源：@ 诚邑企管】
-
观点
【HR必知】未来招聘领域必然趋势:数据面试
招聘人才为企业服务，面试通常是不可或缺的一环。通过收集数据，分析数据来辅助管理决策，“面试”你的数据，也同样重要。
招聘时看过了简历，之所以还要面试，是因为简历中的信息往往不能够全面地反映求职者的能力及其与招聘岗位的契合度。同样的，仅仅依赖对数据的简单统计描述，数据分析师和数据驱动的决策也往往会错失一些重要的信息。所以，有经验的数据专家通常会在进行深入分析前先“面试”一下数据，即对原始数据有一个亲身的感知。用数据分析师的行话来说，就是看一下“数据到底长得什么样”。在大数据时代，把原始数据都看一遍当然是不现实的也是不必要的。所以真正的数据面试通常是用一种人机配合的做法，即通过分析师对原始数据的查看与数据软件处理的交互来实现。
数据面试一般可分为两个步骤。第一步是随机抽取一定量的原始数据（比如数百名顾客的纪录）来浏览一下。这一步不仅可以让数据分析者对数据有个直接的感知，而且可能发现一些数据录入、数据格式上的明显错误；更重要的是，这一做法往往能帮助分析者看到一些之前不曾想到的数据规律，并在之后的进一步数据分析中对这些规律进行假设验证。不久前，笔者曾经对某网上银行移动端用户行为进行过一些研究。通过浏览数百名用户的原始交易记录，笔者发现，用户使用移动端的一般规律是，从简单账户查询过渡到小额支付,再过渡到大额的转账汇款等交易。当然这一规律是否真的有普适性还需要用大数据做严格意义上的统计假设检验。尽管一个经常接触用户的客户服务经理可能会觉得这样的移动端行为演变模式是显而易见的，然而不通过对原始数据的这般面试，专业的数据分析师或许很难想到这种潜在的用户行为规律。这是因为数据分析师与一线业务经理对客户行为的熟悉程度存在差异。而企业中广泛存在的各部门间的交流瓶颈，特别是一线业务人员与后台数据分析师之间的沟通不畅，使得分析师或其他数据使用者对原始数据的面试显得尤为重要，因为这种面试能让数据分析人员得以对数据背后的业务和用户行为有更好更多的了解。
数据面试的第二步则是看一下数据中每个变量的分布直方图(histogram)。如果是随时间变化的变量，还应该作图看一下它随时间波动的情况。一般的统计软件都提供这些功能，但是我常常发现连一些颇有经验的数据分析师也经常会忽略这一步，而只是看一下均值方差等常见的简单统计量。其实分布直方图包含的信息要比均值方差多得多。它不但让我们能一目了然地看到是否有极端值的存在，还往往能带给我们市场细分的新启示。我曾经分析过一家电商的销量分布直方图，发现其月销售额是由大量千元左右的中低值定单和近百个超大定单(数十万元以上)构成的。据此进一步追溯原因，才了解到原来这家B2C网站的用户中还存在一些商业用户。而这些商业用户作为一个重要的细分市场，当然也需要与一般终端用户在营销上区别对待了。
在实践中要真正了解分布直方图所展示信息的背后成因，往往需要回到原始数据中去查看一番。因此数据面试的两个步骤通常是交替使用，密切结合的。曾经有过这样的一个例子。分析师利用某信用卡公司的数据研究持卡人用该公司信用卡加油的情况，其中一个变量是持卡人两次用该卡的加油时间间隔。通过查看这一变量的分布直方图，他们发现有相当多持卡人的这一间隔分布在一天之内和数月之后的这两个极端。原因会是什么呢？分析师接着回到原始数据中去查看这些持卡人的消费纪录明细，发现这些持卡人平时几乎不用该卡，却喜欢在自驾游时带上这张卡，并用于加油餐饮等。管理层获知这一分析结果，很快根据多年的行业经验做出了自己的判断：这些持卡人很可能有多张信用卡并常用竞争对手的信用卡，然而那些卡的额度可能不够高，日常消费使得可用额度不足了；所以出门旅游就用平时不常用的那张卡。有了这一洞察，下一步针对这类持卡人的精准营销策划就能积极展开了。
当然，随着数据的不断增加，数据中的变量数目可能会多到连查看每个变量的分布直方图也变得不现实。这时我们就只能有选择地挑选一些变量进行查看，就如同因为面试时间有限，只能挑一些重要的问题来问一样。那么我们应该如何来挑选出需要特别查看的变量呢？一个好的做法是从业务和统计两方面着手。从业务角度出发，我们可以挑选出与业务最相关的那些变量。这里数据分析师自身对业务的熟悉度以及分析师与业务人员之间的沟通起着重要作用。从统计角度出发，我们可以用分析软件找出不符合正态分布的那些变量，着重于查看那些偏离正态分布最多的变量。通俗地讲，这些变量是“长”得最怪的，因而更有可能带给我们意想不到的洞察。另一个好的做法是用分析软件找出每个变量可能存在的异常值（outlier),然后对这些异常值进行“面试”。异常值往往是最富含信息量的，它们或许反映了数据收集中的差错，或许折射出企业运营中的失误，或许能成为重大发现的引子（比如历史上许多药品的发现）。
在大数据时代，数据资源正成为和人力资源一样重要的企业竞争优势的来源。因此，管理者应具备如重视人才一样重视数据的意识。有了这一意识，企业上下，从管理者到数据分析师，每个围绕数据的利益共同体成员，才能够尽快形成做好数据“面试”的好习惯。
【文章来源：雇得易】
扫一扫 加微信
hrtechchina
