-
观点
大数据流程处理“三要”“三不要”
大数据时代处理数据的三大转变：要全体不要抽样，要效率不要绝对精确，要相关不要因果。
具体的大数据处理方法确实有很多，但是根据笔者长时间的实践，总结了一个普遍适用的大数据处理流程，并且这个流程应该能够对大家理顺大数据的处理有所帮助。整个处理流程可以概括为四步，分别是采集、导入和预处理、统计和分析，最后是数据挖掘。
大数据时代处理之一：采集
大数据的采集是指利用多个数据库来接收发自客户端(Web、App或者传感器形式等)的数据，并且用户可以通过这些数据库来进行简单的查询和处理工作。比如，电商会使用传统的关系型数据库MySQL和Oracle等来存储每一笔事务数据，除此之外，Redis和MongoDB这样的NoSQL数据库也常用于数据的采集。
在大数据的采集过程中，其主要特点和挑战是并发数高，因为同时有可能会有成千上万的用户来进行访问和操作，比如火车票售票网站和淘宝，它们并发的访问量在峰值时达到上百万，所以需要在采集端部署大量数据库才能支撑。并且如何在这些数据库之间进行负载均衡和分片的确是需要深入的思考和设计。
大数据时代处理之二：导入/预处理
虽然采集端本身会有很多数据库，但是如果要对这些海量数据进行有效的分析，还是应该将这些来自前端的数据导入到一个集中的大型分布式数据库，或者分布式存储集群，并且可以在导入基础上做一些简单的清洗和预处理工作。也有一些用户会在导入时使用来自Twitter的Storm来对数据进行流式计算，来满足部分业务的实时计算需求。
导入与预处理过程的特点和挑战主要是导入的数据量大，每秒钟的导入量经常会达到百兆，甚至千兆级别。
大数据时代处理之三：统计/分析
统计与分析主要利用分布式数据库，或者分布式计算集群来对存储于其内的海量数据进行普通的分析和分类汇总等，以满足大多数常见的分析需求，在这方面，一些实时性需求会用到EMC的GreenPlum、Oracle的Exadata，以及基于MySQL的列式存储Infobright等，而一些批处理，或者基于半结构化数据的需求可以使用Hadoop。
统计与分析这部分的主要特点和挑战是分析涉及的数据量大，其对系统资源，特别是I/O会有极大的占用。
大数据时代处理之四：挖掘
与前面统计和分析过程不同的是，数据挖掘一般没有什么预先设定好的主题，主要是在现有数据上面进行基于各种算法的计算，从而起到预测(Predict)的效果，从而实现一些高级别数据分析的需求。比较典型算法有用于聚类的Kmeans、用于统计学习的SVM和用于分类的NaiveBayes，主要使用的工具有Hadoop的Mahout等。该过程的特点和挑战主要是用于挖掘的算法很复杂，并且计算涉及的数据量和计算量都很大，常用数据挖掘算法都以单线程为主。
整个大数据大数据时代处理的普遍流程至少应该满足这四个方面的步骤，才能算得上是一个比较完整的大数据处理。
【文章来源：199IT】
-
观点
社交网络时代，HR要做个微招聘高手？
“100份简历里面99个用不上，应届生也投总监职位的有木有？！”
“找猎头不交预付招不到人，交了预付找不到合适的人有木有！那么高的猎头费，你比贩人要价还狠啊有木有！”
……
以上这段痛苦的“咆哮”，来自于一段近期网上热传的小视频“痛苦的HR”。据说，“痛苦的HR”被点击了200多万次。
招聘永远是HR面临的难题，为了满足公司急需人才的需要，HR往往需要快速发布简历、参加招聘会，并从海量的简历中苦苦筛选，但这些简历有很多并不能反映应聘者的真实情况，更让HR哭笑不得的是，甚至会出现城建工人应聘互联网高管的现象。通过简历筛选、笔试、面试等环节，脱颖而出的应聘者在入职后很可能会在短时间内离职，以前的准备与努力全然成为徒劳。在传统招聘中的种种弊端引起了企业管理人员的思考。
招聘与被招聘简直是一对冤家，找不到工作焦虑，但招不到人的也一样焦虑。而现在应届毕业生、大龄失业青年以及自由工作者彼此较劲的战场又多了一个：微招聘。每年毕业生们整天搬着厚厚一叠包装精美的简历进出宿舍，又花钱、又费力，很多同学把求职当成跑各个招聘会撒简历，微招聘通过社交网络的方式就可以将自己推销出去，为何不一试。
微招聘可以说是一个一石二鸟的过程，其同时可以是一种营销，企业可以在社交网络上以一种有趣和可亲的姿态聚拢人气，宣传企业的文化，树立产品的品牌和企业的良好形象。
Amy需要招一位软件工程师，于是她选取了JD中的两个关键词SAP和SD模块在LinkedIn上搜索候选人，通过Profile初步选定了20位候选人后，并在加对方为联系人时即注明“我有个工作机会与你沟通”，以防被拒。最后Amy通过电话和其中一位反馈及时的候选人进行了深入沟通，并成功地将这位候选人推荐给了领导，给出了Offer。Amy介绍说：“我一直用LinkedIn，快两年了，有时加联系人后反馈较慢，不如通过简历上的公司和职位名称用Cold Call联系候选人，看看候选人是否还在简历上所写的公司工作，这样往往可以达到事半功倍。”
社交网络让企业透明起来，主动展示相关信息，与粉丝一同分享企业的观点。粉丝们对企业了解越多，越容易培养出信任感，企业的雇主品牌应运而生。可以跨越地域、时间的限制，拉近彼此的距离。看着微博上你关注的、和关注你的人每天与日俱增，不由得你不信服网络的魅力，正在呈几何倍数地放大企业的一举一动。同时也提高着你的招聘效率。
在中国市场上，社交网络正以其独特的优势，将“信任+推荐”大范围、低成本地迅速铺开。
Vivian是一家本土快消品公司的研发经理，在过去4年中，一直负责公司主要新品研发，看起来一切都驾轻就熟。但她一直渴望到全球顶级的公司中接触领先的研发平台和国际化的视野。可这种企业往往从高校直接选拔，或从同类型竞争对手中挖角。多次主动投送的简历都石沉大海。最近通过朋友介绍,Vivian加入了一个社交网络的研发类论坛，她觉得在这里与大家分享研发管理的文章及心得很有意义。而她的观点和工作经历引起同论坛的一位研发总监的注意，这位总监在全球领先的快消公司中负责研发，他的部门正准备招聘研发职位。双方经过对工作深入的沟通后，Vivian顺利的拿到了offer。
在国外，微招聘已经成为日常招聘模式。据社会化招聘网站JobVite在2012年8月的报告显示，有大约89%的美国公司都使用网络媒体进行招聘，在这些公司中，有80%的人使用Linkedin，使用Facebook和Twitter的人分别是50%和45%。
Linkedin是目前最引人注目的社会化招聘网站，它成立于2002年，是专业商务人脉社交服务平台，自2006年起成为美国主流招聘方式。Lindedin的精准匹配度很高，甚至可以将候选人“推到”符合预置标准的雇主面前。该网站创始人霍夫曼认为，“对人们来说，未来如何更加有效地利用自己的关系会越来越重要。如果一个人二三年换一次工作，就需要持续维护自己的社交网络来找到新的机会。在线交流恐怕是现在最容易维护社交网络的方式了。你不用一个个地打电话、找话题跟对方硬套近乎，更不用买了礼品厚着脸皮登门拜访，只要利用线上的共享功能，就能假装不经意地与对方搭茬儿。”在他看来，Linkedin这样的在线职业人社交网站的价值就在于“注重于少量但是高价的瞬间”。
微招聘的优势
1.招聘信息的有效传播
社交网络可以充分发挥企业、企业员工的人脉关系，招聘信息可以有效扩散，到达企业需要的人群，这种有质量的传递，效果要好于盲目扩散。尤其是大公司一般拥有众多的粉丝，因此招聘信息也必然会得到关注、转发和评论，目标受众非常准确，几乎可以说没有成本。
2.信息更真实、对称、透明
通过网络媒体推荐过来的人，企业既可以通过简历获取相关信息，也可以通过其人人网状态、博客文章、微博内容、微博关系等考察应聘者的真实情况。另外，应聘者也可以通过转发过程中对该企业的评价、与企业的互动获得较充分的信息。
在社会化网络里，一个人的博客、微博等，比简历更能真实地展现一个人。通过他博客的内容、与别人进行的互动，可以了解这个人的性格、兴趣、工作风格、行为习惯、业内口碑等，他关注什么话题，他对事物的看法，他交往什么样的朋友，一目了然。招聘者可以通过浏览其内容，辅助进行面试和录用与否的决策。
3.全员招聘成为可能
微招聘，充分发挥了社会化的有效、快速传播及辐射特性，企业的创始人、管理层、员工、关注者都可以转发、推荐，通过共同参与，使企业凝聚力增强。对于一些创业公司和缺少名气的公司来说，在招人方面相比名企缺乏天然优势，而微招聘可以带来更多机会。
对于一般职位招聘，可以采用广发招聘的方式。通过微博、微信公众号、人人网、博客、分类信息网站等，使招聘信息尽可能广泛传播。
【文章来源：招聘新视野】
-
观点
专访朗播网CEO杜昶旭：立足“在线练习”，打造线上线下教育闭环
六年前，还没有高铁，我坐着小卧铺，去北京学托福；六年后，学弟学妹们居然可以足不出户，打开电脑就能轻松搞定雅思托福 GRE 了。六年的时间，生活悄悄地发生了天翻地覆的变化，教育行业亦是如此。
在互联网盛行的今天，朗播网便是在线教育家族的一员，是一个主推“在线练习”的英语学习平台。早在 2007 年，朗播网的 CEO 杜昶旭还是新东方北美部的老师，每个周末和寒暑假都穿梭在海淀以及北京各种五六环以外的校区，传播着各类考试的学习方法。但作为一名有着计算机背景的英语老师，一个偶然的机会，让他萌生了将互联网与英语教学结合的念头。
朗播网于 2008 年低调上线，几经改版，如今已拥有 10 万用户数据。目前，它主要以成人英语教育为主，产品分为“授课”“练习”和“答疑”三部分。与多数在线教育平台主打“线上授课”不同，朗播的落脚点却是“在线练习”。新用户注册登陆后，会经历“用户学习状况调查”，“学习问题分析环节”。最后，根据个人能力水平、备考时间长短，获取相应的学习建议，和专属的学习计划。学生根据个人情况，可有针对性的选择学习方案，包括短期、中期、长期套餐等。
从“在线练习”出发
朗播的切入点不是“授课”，而是“练习”。
网站首页内容主要分为三部分：“我要上课”“我要练习”和“我要提问”。以练习为例，初次登陆的学生，可以先行进入“学习计划”环节。鉴于学生有着不同的时间规划，每个人都可以选择动态的学习计划，并自行调整起止时间，从而减少学习压力；配合相应的激励机制“我的愿望”，学生根据自己最初设立的目标，在完成学习计划、实现愿望时，获得相应的回馈作为鼓励。制定计划后，学生便可以进入“词汇”“阅读”“写作”“听力”“语法”平台，根据个人情况，展开定制化学习。与弹性的时间计划相同，学生也可以根据不同的学习水平和需求，选择不同难易度的练习。
除了“弹性”这一特点，朗播的练习注重“基础培养”，从而逐步提升能力。目前的学习套餐以雅思、托福、GRE 课程为主，套餐内的练习根据考试要求的能力而制定。假设我是一名托福考生，距离考试还有两个月，希望重点提高英文写作能力。由于我没有时间奔波异地上课，我可以选择朗播的“写作”平台，购买“托福写作”套餐。随后，遵循个人练习周期，每天按时完成“模仿造句”“作文训练”“话题讨论”的相关任务。“模仿造句”“作文训练”强化写作基础的硬实力，“话题讨论”则以考试题目的头脑风暴为主，侧重思维方式的软实力。经过多年的沉淀，平台内积累了大量 UGC(User Generated Content , 用户生产内容)。学生在完成自己的练习后，还能通过平台参考其他考生的练习样本，实现多角度思考。
换言之，朗播的练习平台将传统的红宝书、剑桥 3 到 8，ETS 题库进行了处理，实现了“线下练习线上化”。如果我们不参与线下课程，依然可以按照练习的指导，完成一个雅思、托福或者 GRE 的复习周期。
朗播网面向成人语言类短训，而成人学生的诉求大致分为三类：教学诉求，课后练习诉求，课后咨询诉求（咨询又可细分为教育问答，留学申请咨询等）。杜昶旭认为，这三类需求中，由于资源有限、缺乏互动，学生的“练习需求”往往最难被满足。题海战术解决不了全部，学生需要的是一步步的分析指导。因此，朗播选择将“练习环节”作为切入点。
在线教育新模式：直播授课+在线练习套餐
在授课环节，朗播倾向于“直播授课”。杜昶旭认为，直播授课能够增强师生互动性，实现随时提问、随时解答。目前，朗播开发出相关的系统，帮助老师即使在面对电脑上课时，也能通过后台数据，及时收集学生反馈，从而将线上授课营造出线下的场景。此外，与资深老师的合作，可以保证课程标准化，使得课程不因直播而影响质量。当然，直播授课仍存在问题，例如缺乏师生的肢体语言和眼神交流，有待进一步打磨。
明明是主打“线上练习”的内容平台，为什么又要拓展“在线授课”领域？
随着教育领域的变化，独立创业和独立授课的老师人数逐渐增加。教师的独立，意味着他们不再从属于任何教育机构。一方面，学生选择课程遇到了极大的挑战，他们不知道去哪里才能找到优秀的老师和高质量的课程；另一方面，教师在与不同平台合作时，均要缴纳一定的课时费分成。而朗播的“直播授课 + 在线学习套餐”的模式，先是帮学生们找到名师，凑齐“听说读写”全套课程；同时，平台仅通过“在线练习”套餐盈利，课时费收益全部交还给授课教师。此外，参与合作的教师，还将提供线上预约答疑服务，从而形成了“直播授课—课后练习—练习答疑”的线上教育闭环。
在线教育的未来
流动化的教师合作加上自主研发的练习套餐，朗播抛却了依赖“教师课时费”的传统盈利模式。被赋予更多自由的教师，也可以随意选择合作机构。而在线教育并非要彻底“颠覆”线下教育，两者结合才是新的方向。
未来，朗播期待与中小型教育机构合作，进行精细化落地服务。在二三线城市中，中小型教育机构缺乏优质教师资源，难以开展相关课程。一旦合作后，朗播可以提供师资，而中小型教育机构提供线下场地和助教资源，督促学生完成课后的线上练习，并提供答疑服务。从而实现了线上与线下教育一体化。
在线教育刚刚开始，每一种模式背后，都是一种全新的教育图景。六年后，又会怎样？
[36氪原创文章，作者: 林西抹抹茶]
-
观点
关于移动学习的7个小数据
移动学习由于其灵活性及易用性已经开始逐渐成为教学的标配。既然如此，那么每年都有越来越多的地区及学校鼓励他们的教师们更加“移动化”。现在许多员工也加入到了移动学习的行列中。让学习更随时随地。
如果你对这个情况存有质疑，那么以下这几个数据可能会说服你，移动学习确实越来越火爆：
·今年，56%的学校和图书馆都预计开始向电子图书转变
·45%的学校级图书馆预计扩大移动设备的使用范围
·73%的教师通过手持移动设备访问数字资源
·超过1/3的教师表示曾经在教室里使用平板电脑或者ereader
·到2016年，100%的K12学生将移动设备用于教育
·25%的六年级学生使用ereader
·74%的家长访问课程资料及在线教材作为在家辅导孩子学习的工具，以获取孩子在学校课业的成功。
随着访问资料的设备越来越普及，因此移动学习在教育中的应用也将越来越普及。
情况就是如此，越来越多的平台开始必须兼容于移动设备。不幸的是，许多LMS系统在移动设备上并不能很好的运行。
学习管理系统急需更新，否则就会过时。尤其是到2017年全球将有20亿人通过移动设备访问网络。
如果你恰好服务于学习管理系统公司，那么你首先要做的就是确保你们公司提供的系统能够在移动设备上兼容。
【文章来源：小崔编译】
-
观点
HR招人新招:社交网站考察求职者
编者按：找工作过程中，有时候在Facebook的所作所为可能比简历更管用。对于求职人员而言，伯顿将他们在社交网站上的个人情况分解出三类信息：联系方式、所处地点以及有何兴趣和爱好。他认为，通过这些信息了解一个求职者比通过传统简历和求职信要靠谱得多。
在线招聘平台HiringSolved创始人兼CEO肖恩•伯顿(Shon Burton)认为，在找工作过程中，有时候在Facebook的所作所为可能比简历更管用。
对于求职人员而言，伯顿将他们在社交网站上的个人情况分解出三类信息：联系方式、所处地点以及有何兴趣和爱好。他认为，通过这些信息了解一个求职者比通过传统简历和求职信要靠谱得多。
伯顿表示：“简历信息太集中、通常不具有可读性，且很多东西容易被忽略。不过，通过Facebook、LinkedIn、Twitter、YouTube、Instagram、Tumblr、Pinterest甚至Spotify，你可以很容易了解一位求职者在工作上的真正兴趣以及他们的各种能力。”
包括Twitter、LinkedIn和Facebook等沟通网站在内的第一类社交媒体，他们有助于雇主或是招聘经理以一种求职者未曾预料到的方式与他们接触交流。
第二类则是地点追踪网站，例如Yelp和Foursquare。这些信息将帮助雇主精确定位求职人员所处地点以及其旅行过的地方。这些网站对地点的定位还会透露出求职者经常把时间花在哪里。
最后一种，包括LinkedIn和Facebook，此外还有Quora和GitHub。这一类型社交网站将帮助雇主了解求职者的知识构成以及对学习哪种事物感兴趣。在最后这一类社交媒体中，如果表现出专业素质并突出对所选择的领域有明确的兴趣，将大大提高得到offer的几率。
伯顿说，现在与五年前相比发生了巨大的变化。如今一位软件工程师没有在GitHub等网站上展示过作品的话，就很难成为谷歌(微博)、苹果或是Twitter等顶尖科技公司的一员。
【文章来源：腾讯科技】
-
观点
大数据，还是大错误？
大数据是对于大规模现象的一种模糊的表达。这一术语如今已经被企业家、科学家、政府和媒体炒得过热。
五年前，谷歌的一个研究小组在全球顶级的科学杂志《自然》上宣布了一个令人瞩目的成果。该小组可以追踪美国境内流感的传播趋势，而这一结果不依赖于任何医疗检查。他们的追踪速度甚至比疾控中心(CDC)要快的多。谷歌的追踪结果只有一天的延时，而CDC则需要汇总大量医师的诊断结果才能得到一张传播趋势图，延时超过一周。谷歌能算的这么快，是因为他们发现当人们出现流感症状的时候，往往会跑到网络上搜索一些相关的内容。
”谷歌流感趋势“不仅快捷、准确、成本低廉，而且没有使用什么理论。谷歌的工程师们不用费劲的去假设哪些搜索关键字（比如”流感症状“或者”我身边的药店“）跟感冒传染有相关性。他们只需要拿出来自己网站上5000万个最热门的搜索字，然后让算法来做选择就行了。
谷歌流感趋势的成功，很快就成为了商业、技术和科学领域中最新趋势的象征。兴奋的媒体记者们不停的在问，谷歌给我们带来了什么新的科技？
在这诸多流行语中，“大数据”是一个含糊的词汇，常常出现于各种营销人员的口中。一些人用这个词来强调现有数据量的惊人规模——大型粒子对撞机每年会产生15PB的数据，相当于你最喜欢的一首歌曲重复演奏15000年的文件大小。
然而在“大数据”里，大多数公司感兴趣的是所谓的“现实数据”，诸如网页搜索记录、信用卡消费记录和移动电话与附近基站的通信记录等等。谷歌流感趋势就是基于这样的现实数据，这也就是本文所讨论的一类数据。这类数据集甚至比对撞机的数据规模还要大（例如facebook），更重要的是虽然这类数据的规模很大，但却相对容易采集。它们往往是由于不同的用途被搜集起来并杂乱的堆积在一起，而且可以实时的更新。我们的通信、娱乐以及商务活动都已经转移到互联网上，互联网也已经进入我们的手机、汽车甚至是眼镜。因此我们的整个生活都可以被记录和数字化，这些在十年前都是无法想象的。
大数据的鼓吹者们提出了四个令人兴奋的论断，每一个都能从谷歌流感趋势的成功中印证：
数据分析可以生成惊人准确的结果；
因为每一个数据点都可以被捕捉到， 所以可以彻底淘汰过去那种抽样统计的方法；
不用再寻找现象背后的原因，我们只需要知道两者之间有统计相关性就行了；
不再需要科学的或者统计的模型，”理论被终结了”。《连线》杂志2008年的一篇文章里豪情万丈的写到：“数据已经大到可以自己说出结论了“。
不幸的是，说的好听一些，上述信条都是极端乐观和过于简化了。如果说的难听一点，就像剑桥大学公共风险认知课的Winton教授（类似于国内的长江学者——译者注）David Spiegelhalter评论的那样，这四条都是“彻头彻尾的胡说八道”。
在谷歌、facebook和亚马逊这些公司不断通过我们所产生的数据来理解我们生活的过程中，现实数据支撑起了新互联网经济。爱德华.斯诺登揭露了美国政府数据监听的规模和范围，很显然安全部门同样痴迷从我们的日常数据中挖掘点什么东西出来。
咨询师敦促数据小白们赶紧理解大数据的潜力。麦肯锡全球机构在一份最近的报告中做了一个计算，从临床试验到医疗保险报销到智能跑鞋，如果能把所有的这些健康相关的数据加以更好的整合分析，那么美国的医疗保险系统每年可以节省3000亿美金的开支，平均每一个美国人可以省下1000美元。
虽然大数据在科学家、企业家和政府眼里看起来充满希望，但如果忽略了一些我们以前所熟知的统计学中的教训，大数据可能注定会让我们失望。
Spiegelhalter教授曾说到：“大数据中有大量的小数据问题。这些问题不会随着数据量的增大而消失，它们只会更加突出。”
在那篇关于谷歌流感趋势预测的文章发表4年以后，新的一期《自然杂志消息》报道了一则坏消息：在最近的一次流感爆发中谷歌流感趋势不起作用了。这个工具曾经可靠的运作了十几个冬天，在海量数据分析和不需要理论模型的条件下提供了快速和准确的流感爆发趋势。然而这一次它迷路了，谷歌的模型显示这一次的流感爆发非常严重，然而疾控中心在慢慢汇总各地数据以后，发现谷歌的预测结果比实际情况要夸大了几乎一倍。
问题的根源在于谷歌不知道（一开始也没法知道）搜索关键词和流感传播之间到底有什么关联。谷歌的工程师们没有试图去搞清楚关联背后的原因。他们只是在数据中找到了一些统计特征。他们更关注相关性本身而不是相关的原因。这种做法在大数据分析中很常见。要找出到底是什么原因导致了某种结果是很困难的，或许根本不可能。而发现两件事物之间的相关性则要简单和快速的多。就像Viktor Mayer-Schönberger 和 Kenneth Cukier 在《大数据》这本书中形容的那样：“因果关系不能被忽略，然而曾作为所有结论出发点的它已经被请下宝座了。”
这种不需要任何理论的纯粹的相关性分析方法，其结果难免是脆弱的。如果你不知道相关性背后的原因，你就无法得知这种相关性在什么情况下会消失。谷歌的流感趋势出错的一种解释是，2012年12月份的媒体上充斥着各种关于流感的骇人故事，看到这些报道之后，即使是健康的人也会跑到互联网上搜索相关的词汇。还有另外一种解释，就是谷歌自己的搜索算法，在人们输入病症的时候会自动推荐一些诊断结果进而影响到了用户的搜索和浏览行为。这就好像在足球比赛里挪动了门柱一样，球飞进了错误的大门。
谷歌将使用新的数据再次校准流感趋势这个产品，重新来过。这当然是正确的做法。能够有更多的机会让我们简捷的采集和处理大规模的数据，这当然有一百个理由让人兴奋。然而我们必须从上述例子中汲取足够的教训，才能避免重蹈覆辙。
统计学家们过去花了200多年，总结出了在认知数据的过程中存在的种种陷阱。如今数据的规模更大了，更新更快了，采集的成本也更低了。但我们不能掩耳盗铃，假装这些陷阱都已经被填平了，事实上它们还在那里。
在1936年，民主党人Alfred Landon与当时的总统Franklin Delano Roosevelt（富兰克林.罗斯福——译者注）竞选下届总统。《读者文摘》这家颇有声望的杂志承担了选情预测的任务。当时采用的是邮寄问卷调查表的办法，调查人员雄心勃勃，计划寄出1000万份调查问卷，覆盖四分之一的选民。可以预见，洪水般寄回的邮件将超乎想象，然而《文摘》似乎还乐在其中。8月下旬的时候他们写到：“从下周起，1000万张问卷的第一批回执将会到达，这将是后续邮件洪峰的开始。所有这些表格都会被检查三次，核对，交叉存档五份，然后汇总。”
最终《文摘》在两个多月里收到了惊人的240万份回执，在统计计算完成以后，杂志社宣布Landon将会以55比41的优势击败Roosevelt赢得大选，另外4%的选民则会投给第三候选人。
然而真实选举结果与之大相径庭：Roosevelt以61比37的压倒性优势获胜。让《读者文摘》更没面子的是，观点调查的先创人George Gallup通过一场规模小的多的问卷，得出了准确得多的预测结果。Gallup预计Roosevelt将稳操胜券。显然，Gallup先生有他独到的办法。而从数据的角度来看，规模并不能决定一切。
观点调查是基于对投票人的的大范围采样。这意味着调查者需要处理两个难题：样本误差和样本偏差。
样本误差是指一组随机选择的样本观点可能无法真实的反映全部人群的看法。而误差的幅度，则会随着样本数量的增加而减小。对于大部分的调查来说，1000次的访谈已经是足够大的样本了。而据报道Gallup先生总共进行了3000次的访谈。
就算3000次的访谈已经很好了，那240万次不是会更好吗？答案是否定的。样本误差有个更为危险的朋友：样本偏差。样本误差是指一个随机选择的样本可能无法代表所有其他的人；而样本偏差则意味着这个样本可能根本就不是随机选择的。George Gallup费了很大气力去寻找一个没有偏差的样本集合，因为他知道这远比增加样本数量要重要的多。
而《读者文摘》为了寻求一个更大的数据集，结果中了偏差样本的圈套。他们从车辆注册信息和电话号码簿里选择需要邮寄问卷的对象。在1936年那个时代，这个样本群体是偏富裕阶层的。而且Landon的支持者似乎更乐于寄回问卷结果，这使得错误更进了一步。这两种偏差的结合，决定了《文摘》调查的失败。Gallup每访谈一个人，《文摘》对应的就能收到800份回执。如此大规模而精确的调查最终却得出一个错误的结果，这的确让人难堪不已。
如今对大数据的狂热似乎又让人想起了《读者文摘》的故事。现实数据的集合是如此混乱，很难找出来这里面是否存在样本偏差。而且由于数据量这么大，一些分析者们似乎认定采样相关的问题已经不需要考虑了。而事实上，问题依然存在。
《大数据》这本书的联合作者，牛津大学互联网中心的Viktor Mayer-Schönberger教授，曾告诉我他最喜欢的对于大数据集合的定义是“N=所有”，在这里不再需要采样，因为我们有整个人群的数据。就好比选举监察人不会找几张有代表性的选票来估计选举的结果，他们会记点每一张选票。当“N=所有”的时候确实不再有采样偏差的问题，因为采样已经包含了所有人。
但“N=所有”这个公式对大多数我们所使用的现实数据集合都是成立的吗？恐怕不是。“我不相信有人可以获得所有的数据”，Patrick Wolfe说，他是伦敦大学学院的一名计算机学家和统计学教授。
推特(Twitter)就是一个例子。理论上说你可以存储和分析推特上的每一条记录，然用后来推导出公共情绪方面的一些结论（实际上，大多数的研究者使用的都是推特提供的一个名为“消防水龙带”的数据子集）。然而即使我们可以读取所有的推特记录，推特的用户本身也并不能代表世界上的所有人。（根据Pew互联网研究项目的结果，在2013年，美国的推特中年轻的，居住在大城市或者城镇的，黑色皮肤的用户比例偏高）
我们必须要搞清楚数据中漏掉了哪些人和哪些事，尤其当我们面对的是一堆混乱的现实数据的时候。Kaiser Fung是一名数据分析师和《数字感知》这本书的作者，他提醒人们不要简单的假定自己掌握了所有有关的数据：“N=所有常常是对数据的一种假设，而不是现实”。
在波士顿有一款智能手机应用叫做“颠簸的街道”，这个应用利用手机里的加速度感应器来检查出街道上的坑洼，而有了这个应用市政工人就可以不用再去巡查道路了。波士顿的市民们下载这个应用以后，只要在城市里开着车，他们的手机就会自动上传车辆的颠簸信息并通知市政厅哪里的路面需要检修了。几年前还看起来不可思议的事情，就这样通过技术的发展，以信息穷举的方式得以漂亮的解决。波士顿市政府因此骄傲的宣布，“大数据为这座城市提供了实时的信息，帮助我们解决问题并做出长期的投资计划”。
“颠簸的街道”在安装它的设备中所产生的，是一个关于路面坑洼的地图。然而从产品设计一开始这张地图就更偏向于年轻化和富裕的街区，因为那里有更多的人使用智能手机。“颠簸的街道”的理念是提供关于坑洼地点的“N=所有”的信息，但这个“所有”指的是所有手机所能记录的数据，而不是所有坑洼地点的数据。就像微软的研究者Kate Crawford指出的那样，现实数据含有系统偏差，人们需要很仔细的考量才可能找到和纠正这些偏差。大数据集合看起来包罗万象，但“N=所有”往往只是一个颇有诱惑力的假象而已。
当然这个世界的现实是如果你能靠某个概念挣到钱，就没人会关心什么因果关系和样本偏差。全世界的公司在听到美国折扣连锁店Target的传奇式成功（由纽约时报的Charles Duhigg在2012年报道出来）以后估计都要垂涎三尺。Duhigg解释了Target公司是如何从它的顾客身上搜集到大量的数据并熟练的加以分析。它对顾客的理解简直是出神入化。
Duhigg讲的最多的故事是这样的：一名男子怒气冲冲的来到一家明尼苏达附近的Target连锁店，向店长投诉该公司最近给他十几岁的女儿邮寄婴儿服装和孕妇服装的优惠券。店长大方的向他道了歉。可不久后店长又收到这名男子的电话要求再次道歉——只是这一次对方告知那个少女确实怀孕了。在她的父亲还没有意识到的时候，Target通过分析她购买无味湿纸巾和补镁药品的记录就猜到了。
这是统计学的魔法吗？或许还有更世俗一点的解释。
Kaiser Fung在帮助零售商和广告商开发类似的工具上有着多年的经验，他认为“这里面存在一个严重的虚假正面效应的问题”。他指的是我们通常都没有能够听到的无数的反面故事，在那些例子里没有怀孕的妇女们也收到了关于婴儿用品的优惠券。
如果只听Duhigg讲的故事，你可能很容易就觉得Target的算法是绝对可靠的——每个收到婴儿连体服和湿纸巾购物券的人都是孕妇。这几乎不可能出错。但实际上孕妇能收到这些购物券可能仅仅是因为Target给所有人都寄了这种购物券。在相信Target那些读心术般的故事之前，你应当问问他们的命中率到底有多高。
在Charles Duhiggs的描述中，Target公司会在给你的购物券中随机性的掺杂一些无关的东西，比如酒杯的券。否则的话孕妇们可能会发现这家公司的计算机系统在如此深入的探测她们的隐私，进而感到不安。
Fung对此则有另外的解释，他认为Target这样做并不是因为给孕妇寄一份满是婴儿用品的购物手册会让人起疑，而是由于这家公司本来就知道这些手册会被寄给很多根本没有怀孕的妇女。
以上这些观点并不意味着数据分析一无是处，相反它可能是有高度商业价值的。即使能够把邮寄的准确度提高那么一点点，都将是有利可图的。但能赚钱并不意味着这种工具无所不能、永远正确。
一位名叫John Ioannidis的传染病学家在2005年发表了一篇论文，题目叫“为什么大多数被发表的研究结果都是错误的”，标题言简意赅。他的论文中一个核心的思想就是统计学家们所称的“多重比较问题”。
当我们审视数据当中的某个表象的时候，我们常常需要考虑这种表象是否是偶然产生的。如果这种表象看起来不太可能是随机产生的时候，我们就称它是“统计上显著的”。
当研究者面对许多可能的表象时，多重比较错误就可能发生。假设有一个临床试验，我们让部分小学生服用维他命而给其他小学生安慰剂。怎么判断这种维他命的效果？这完全取决于我们对“效果”的定义。研究者们可能会考察这些儿童的身高、体重、蛀牙的概率、课堂表现、考试成绩甚至是25岁以后的收入或者服刑记录（长期追踪观察）。然后是综合比较：这种维他命是对穷困家庭的孩子有效，还是对富裕家庭的有效？对男孩有效，还是女孩？如果做足够多的不同的相关性测试，偶然产生的结果就会淹没真实的发现。
有很多办法可以解决上述的问题，然而在大数据中这种问题会更加严重。因为比起一个小规模的数据集合来说，大数据的情况下有太多可以用作比较的标准。如果不做仔细的分析，那么真实的表象与虚假表象之比——相当于信号噪声比——很快就会趋近于0.
更糟的是，我们之前会用增加过程透明度的办法来解决多重比较的问题，也就是让其他的研究者也知道有哪些假设被测试过了，有哪些反面的试验结果没有被发表出来。然而现实数据几乎都不是透明的。亚马逊和谷歌，Facebook和推特，Target和Tesco，这些公司都没打算过跟你我分享他们的所有数据。
毫无疑问，更新、更大、更廉价的数据集合以及强大的分析工具终将产生价值。也确实已经出现了一些大数据分析的成功实例。剑桥的David Spiegelhalter提到了谷歌翻译，这款产品统计分析了人类已经翻译过的无数文档，并在其中寻找出可以自己复制的模式。谷歌翻译是计算机学家们所谓的“机器学习”的一个应用，机器学习可以在没有预先设定编程逻辑的条件下计算出惊人的结果。谷歌翻译是目前所知的最为接近”无需理论模型、纯数据驱动的算法黑盒子”这一目标的产品。用Spiegelhalter的话来说，它是“一个令人惊讶的成就”。这一成就来自于对海量数据的聪明的处理。
然而大数据并没有解决统计学家和科学家们数百年来所致力的一些难题：对因果关系的理解，对未来的推演，以及如何对一个系统进行干预和优化。
伦敦皇家学院的David Hand教授讲过一句话，“现在我们有了一些新的数据来源，但是没有人想要数据，人们要的是答案”。
要使用大数据来得到这样的答案，还需要在统计学的方法上取得大量长足的进展。
UCL的Patrick Wolfe说，“大数据就好像是蛮荒的美国西部。那些头脑灵活野心勃勃的人会想尽办法利用一切可能的工具，从这些数据中淘出点值钱的东西来，这很酷。但目前我们做的还有些盲目。”
统计学家们正争先恐后的为大数据开发新的工具。这些新的工具当然很重要，但它们只有在吸取而不是遗忘过去统计学精髓的基础上才能成功。
最后，我们再回头来看看大数据的四个基础信条。
其一，如果简单的忽略掉那些反面的数据，比如Target的怀孕预测算法，那么我们很容易就会过高的估计算法的精确度。
其二，如果我们在一个固定不变的环境里做预测，你可以认为因果关系不再重要。而当我们处在一个变化的世界中（例如流感趋势预测所遇到的那样），或者是我们自己就想要改变这个环境，这种想法就很危险了。
其三，“N=所有”，以及采样偏差无关紧要，这些前提在绝大多数的实际情况下都是不成立的。
最后，当数据里的假像远远超过真相的时候，还持有“数据足够大的时候，就可以自己说出结论了”这种观点就显得过于天真了。
大数据已经到来，但它并没有带来新的真理。现在的挑战是要吸取统计学中老的教训，在比以前大得多的数据规模下去解决新的问题、获取新的答案。
via： 199it.com 摘自： 译言
-
观点
【推荐阅读】用社交媒体招聘候选人的五步骤
编者按：要招到那个最合适的人才是一件非常费钱，费时和费劲的事。这就是为什么越来越多的企业（超过90%的招聘从业者）开始使用社交媒体来招聘人才的原因。一旦确认了理想的候选人，就要开始深入地挖掘和他们相关的信息。
招到最好的人才一直都是企业面临的一项最艰巨的任务及挑战。然而，要招到那个最合适的人才是一件非常费钱，费时和费劲的事。这就是为什么越来越多的企业（超过90%的招聘从业者）开始使用社交媒体来招聘人才的原因。
这也是非常合乎逻辑的，社交媒体让人更容易和一大批潜在的职位申请人建立联系。全球现有超过14亿人在使用社交媒体，其中25-34岁的用户占大多数。
与其坐等申请人来询问工作，企业不如在社交媒体上的持续曝光，这可以可以吸引年轻人，因为这些年轻人已经将社交网络作为拓展人际关系的最主要途径。社交媒体低成本，且没有地域限制，唯一需要的就是时间投入。
招聘人员可以利用社交媒体定点找到合适的人群，课时和他们建立交流，引导他们进入自己的招聘圈子中。这一切甚至可以在职位还没有明确之前就发生。不要把社交媒体单一地当做大量搜索应聘者简历的工具，而是应该用来和潜在的合适人群互动，观察他们的社交行为，获得简历上没法看到的信息。这样可以节省时间、经理和金钱在更加“正确”地人身上。
Kevin给使用社会化媒体招聘人员提出了5个重要步骤：
1.选择正确地社交平台
最容易和直观的3大社交平台就是LinkedIn, Twitter和Facebook. 但是，对于一些特殊的职位而言，选择一些有代表性的社交平台是很有必要的，如Behance适合创意设计人群，Xing适合欧洲大路的用户，Github适合科技人群，（SocialBeta适合社会化营销的从业者，编者注）。
越是专注，越能够挖掘到想找的人。使用一些专门监测社交平台的工具比如Radian6可以有效帮助搜集社交平台中你感兴趣的求职相关的活动信息。
2.开启招聘者的个人社交网络
每3个人中有2个使用LinkedIn，所以这可以作为招聘人员的初始选择。开始时可以关注和自己有联系的人，将他们进行筛选，找出最感性的人。然后进一步关注他们的人脉，曾经工作过的地方，他们推荐的人。最合适的人很有可能就在这些人推荐的人群中。在自己的状态中给出招聘信息，个人信息和自己所在的圈子。
要让自己所在的社交网络为自己服务，这是最需要技巧的地方。别忘了留意什么人查看了自己的页面，然后要回去看看他们的页面，理想的应聘者也会做一些职位调查。社交网络也会包括公司博客的读者。只用博客来推广招聘计划可以让你接触到对你公司已有了解的人。
3.关注公司竞争对手的社交网络只用情况
挖走竞争对手的员工是一件简单到让人出乎意外的事情。
使用付费版的LinkedIn可以让你看到在你公司相同区域内其他业务相近公司的员工。观察他们加入了哪些圈子，然后加入其中。这样就可以获得更多和极其合适的候选人交流的机会（这些被动地候选人不会看招聘广告和招聘者的页面）。很有可能这些人和你认识的人有交往，这样就可以简单地发送邀请希望建立联系了。
类似的方法在Twitter上可以行得通，更值得注意的是，Twitter是非常开放的平台，你可以在不经过别人允许的情况下轻松地关注别人。
4.深入调研
一旦确认了理想的候选人，就要开始深入地挖掘和他们相关的信息。这并不代表对候选人进行跟踪等，而是关注他们在公共社交平台中发布的信息。加入他们在使用Twitter，他们关注的对象是谁，哪些他们发布的信息可以引起热烈反响。很有可能他们使用个人博客。所有的这些信息都可以帮助建立一个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是不是适合你的公司。
5.联系本人
一但有了潜在合适候选人的名单，下一步就要开始和他们联系。可以通过社交平台和他们建立联系。如果他们在LinkedIn上回复添加你为联系人，就可以通过站内邮件或者直接发送地信息和他们直接私下的交谈。在公共平台上注意要注意对交谈保密，如果被他们的雇主看到，只会增加不必要的麻烦。
通过上述步骤就可以在正式面试前，对候选人进行社会化面试。
编译：@稼乐哥
（原标题：企业HR利用社交媒体招聘的5个步骤）
-
观点
HR们，人力资源管理进入“云”时代
曾经的工业时代，企业管理被归纳为“人、财、物，产、供、销”，人力资源管理被当仁不让地排在企业管理的第一位。而如今，人力资源管理早已失去了昔日的荣光，行使着忙碌琐碎但毫无技术含量的服务员式工作。即便是几个勤奋的HR们绞尽脑汁创造几个新概念，也还是难以成为企业管理的重心。人力资源管理，需要新的突破。
云时代的到来，又给予了人力资源管理发展的一个难得机遇。所谓的云，是指云计算，是一种基于大数据、互联网和移动互联综合技术的计算方式，通过这种方式，多台终端共享的软硬件资源和信息可以按需求提供给其他计算机和其他设备。云计算的核心是共享技术和信息，集合各种优质资源，处理大量有价值的数据，满足生产、生活和管理的需要。
云计算意味着一切计算任务都可以交给由大规模服务器组成的“云”来处理，用户终端可以是笔记本电脑、台式机、手机等各种设备，甚至简单到只需要提供一个浏览器，就可以在任何设备上做任何事情。对企业而言，云计算既是前沿技术，更是管理方式，以IBM、SAP、ORACLE为首的中外网络公司和管理咨询公司，已经开始携手企业，推广云系统，金蝶、用友等传统管理软件提供商，已经开发出基于云计算的管理软件。企业管理领域的云计算，方兴未艾。
云技术与人力资源管理的融合途径
云招聘。云招聘是通过云技术来管理企业招聘需求计划，职位发布与管理，候选人申请，候选人面试，测试，评价，聘用等一些招聘管理活动。云招聘能够实现人力资源部门、业务部门、第三方招聘服务提供商、求职者的实时在线协同，建立人力资源储备，完成应聘人员考核，提高招聘效率和降低招聘成本的目标。云招聘正在被越来越多的公司使用，唯品会、赛诺菲、星巴克等企业已经成功实施了云招聘。
云数据。云技术可以为人力资源管理提供海量信息。人力资源信息系统可以提供一个共享的海量数据库，从而可以很好地消除原来相互孤立的人力资源数据源的问题。现代企业发展迅速，职工数量超万人的企业比比皆是，加之流动性又强，许多企业连公司有多少职工都很难计算清楚。在云计算数据库里，各独立单位的人力资源数据库可以方便共享，各个数据之间可以有效地衔接，数据的更改有据可查，数据的有效性与完整性可以得到有效的管理，提高了人力资源管理效能。
云协同。通过云平台可以加强员工和雇主的协同。云技术可以使员工访问人力资源管理数据库，获得薪酬和福利信息，通过移动终端进行工作签到/签离，通知公司晚到，自己生成考勤表，方便了员工和雇主的联络，让企业随时掌握职员动态。 有了云技术支持的企业人力资源管理系统，企业甚至可以实现在家办公。2013年12月9日，上海联合利华2000多名员工因天气原因在家办公，就是因为企业采用了云会议等云技术。
云监控。云技术可以使人力部门成为信息提供者。云技术可以方便对信息处理，反映某些趋势或有意义的结果的内容，信息可以提供给管理者作为管理决策的参考意见。业务部门之所以重要，很多时候是因为他们善于利用数据为他们说话，数据本身就能说明很多问题。而当人力资源管理者可以提供一些基于数据分析而得出的有用信息人力资源管理的价值就会体现得更好。比如通过对员工的信息监控，发现业务工作的不合理地方，为企业提出优化建议。
云绩效。成功的绩效管理，源于绩效目标的合理设定、执行过程中各种因素的量化分析，业绩总结时各种表单的科学分析。上述工作涉及大量沟通协作和结果处理工作，云绩效管系统平台可以对绩效管理目标的科学性进行分析，对流程、角色进行分工、协同并量化；绩效平台还提供标准的绩效管理表单，能够有效准确地传递考核信息，提高考核精准度。此外，通过云绩效管理平台设定绩效跟踪、绩效考核周期，可以定期提醒各级员工，保证绩效管理流程高效执行，变后馈型考核为干预型考核。
云知识。知识经济时代，员工不断获得新知识和新技能是企业持续发展的核心竞争力，云知识成为人力资源知识管理的首选利器。每个企业在运营中都积累了大量的知识、技能和解决方案，往往这些重要的资源都掌握在具体员工手中。如果善于利用云系统，可以起到将这些隐性知识保留并传承下去。人力资源管理可以建立企业内部云知识库，共享共享知识资源，分享先进理念和技能，教育实施者和受教育者的及时互动。目前，公共领域的云培训做得较好，如各世界著名高校的网络公开课，而企业的云培训还处于起步阶段。
成功实施人力资源云系统的两大法宝
1·完成对经理们的思维再造
首先对总经理思维进行“改造”。企业总经理要对董事会负责，而负责的内容，一定是业绩，是利润。同时，总经理接受新技术的精力有限，大多只是停留在使用电脑来处理文档、上传文件、上网查询资料等阶段，还没有系统地使用信息技术来管理资源、优化流程的思想。这就需要利用数据，将业绩的影响因素通过人力资源管理的方式呈现给总经理，影响总经理思维。传统的ERP等人力资源信息化软件，将各管理模块分割开来，难以形成系统，而云技术则可以使管理更加智能，完全可以将各模块业务完成情况通过数据分析以绩效的形式体现出来，总经理可以通过新系统直观地了解到各业务的推行情况，并可以迅速地进行干预，而干预的平台，就是人力资源管理系统。
其次是对部门经理的思维改造。云的意义除了消除信息孤岛、保证数据源的准确、提供实时的信息与报告、帮助人力资源部门的管理实现自动化以外，最大的价值当属实现了对部门经理的思维再造。部门经理是人力资源管理的难点，一位职员通过自身努力，成绩卓著被提拔成为主管或经理人员以后，最大的变化是从“做事”变为“带领大家一起做事”。这些部门经理突出的特点就是业务能力强、组织能力弱；懂技术、轻管理，他们往往陶醉于部门内的自我管理，对人力资源管理冷漠甚至不屑一顾。而云技术恰恰迎合了这些“技术控”、“业绩控”的心理，使得他们更加愿意利用新的形式完成人力资源管理指令。
利用云的“粘性”功能，完成对经理的思维改造，就使人力资源管理真正全融合到业务工作之中，人力资源管理就实现了从“保姆”、“服务员”的角色中彻底解放出来，更多地参与到业务的战略制定、加强对业务工作支持、实现对业务工作的监督、完成对业务工作的科学考核。
2·主导云时代企业流程再造
流程再造的概念由Michael Hammer 和Jame Champy在上世纪90年代提出，但还没来得及在中国有效推行开来，就因为成功率低而饱受争议，究其原因，Hammer总结说”我不够聪明，我是工科背景，并没有考虑很多人的因素。我明白人的因素很关键。”
今天，流程再造被云技术赋予新的概念，基于云技术的企业流程再造方兴未艾，它解决了前期流程再造过程中“重技术、轻管理、过分割裂、缺少沟通”的弊端，融入了人力资源管理的概念。
人力资源管理主导流程再造出现两个契机。其一是割裂的业务模块可以在云技术下高度融合，这使得流程再造的人力资源业务伙伴（BPM&HRBP）模式开始盛行，人力资源管理下沉到业务层面，直接参与对业务的支持，这让他们拥有足够的信息，而对于分工、激励和考核，人力资源管理又是最擅长的，这足以驾驭业务部门。同时，业务部门虽然直接产生业务的数据流，但他们却根本无法直接处理这些数据流，更无法有效分析这些数据流和其他部门数据流的关系，他们也需要HRBP身后的人力资源管理平台。其二是业务流程在融合的同时，更加清晰，即在重组之后的又形成了一轮细分趋势。清晰化的意义在于，各流程环节之间可以独立运行，并行不悖，但这就需要有一个包括业务之间的沟通规则（上一个环节要向下一个环节交付何种标准的产品、进行何种业务对接），沟通规则即是知识，企业的知识管理职能又大多放在人力资源部。
云时代的人力资源管理充满机遇，懂得把握机会的人力资源管理同仁们已经开始布局，现在已经不是人力资源记记考勤、算算工资、发发福利、办办保险的“边缘化”时代了，一个业绩目标，总领公司全局的梦想已经俱备条件，HR们，开始行动吧。
【来源：价值中国】
-
观点
【HR必知】网络时代，未来招聘领域的20个趋势
如果能清晰地分辨未来将发生什么，将能帮助我们更好地开展工作。Dr. John Sullivan对未来招聘潮流的见解，也许能给我们带来一些启发……
招聘技术趋势
移动平台占主导地位：在招聘领域，移动平台的优势将得到持续地提升。那些最好的公司将允许求职者直接通过手机申请工作；那些领先的公司，还将把内部网络招聘程序搬到公司管理者或招聘官的手机上；大量的创业公司还将加强以招聘为核心的移动应用开发。
Linkedin成为社交媒体的NO.1：Linkedin的入口将被广泛使用，并且最终成为吸引被动求职者的首要招聘工具。Twitter在招聘上的应用也会增长，而Facebook在招聘领域则会有所衰落。关注招聘和雇主品牌的Glassdoor.com将对社交媒体站点形成冲击。
求职者在线评估变得越来越普遍：为了确保管理者们看到的都是高质量的求职者名单，在求职者申请高端职位之前，通常都会要求在线完成一个简短且高效的、关于技术常识和技能评估的测试。
招聘标准趋势
预测分析将取代传统标准：很多当前的招聘标准作为决策工具都是无效的，因为它们仅仅只代表过去一年发生的。一个可变的预测分析能帮助你了解即将发生的，以保证你能及时作为，并预防问题。预测标准是建立在预测劳动机会/供应以及预测公司即将面临的挑战的基础之上，它同时可以分析在关键工作上即将的员工流失率，预测哪些岗位将有大量的招聘需求，规划哪些招聘和评估做法会对招聘的质量产生影响。
招聘将量化收益：迫于业务压力，招聘也需量化它在收入上的影响以及其投资回报率。为对企业收益产生正面的影响，招聘开始追求更高水平的员工、更快地招聘、使用更好的来源（譬如说推荐）、提升多样化的招聘，并且拥有强有力的雇主品牌。
自谷歌传播而来的数据驱动招聘：通过使用公司的“数据中心”和运算法则驱动模型，谷歌获得了招聘上的巨大成功。其他招聘领导者开始意识到，相对数据驱动的方式，当前“经历-试用”模型效果已然不佳。
竞争分析趋势
竞争分析和情报放在议事日程上：在当前高度竞争的商业环境里，企业的每一个职能都备受外界关注。招聘也不能忽视这个潮流，所以招聘领域的竞争分析和情报角色正在日益加重，招聘模块也将开发跟踪及评估竞争对手招聘动向的计划。它将持续权衡你们公司和其他人在招聘项目的特色及效果，以确保你的招聘方式能够保证企业维持一定的竞争优势。
企业开始绘制未来的人才池：众所周知，伟大的招聘都是积极且具备前瞻性的。领先的公司开始追踪工作在竞争对手企业里的顶级人才。他们也将利用专业的社区和持续的员工推荐，去开发关键工作岗位高端人才的人才池。
招聘目标趋势
关注招聘创新者：像苹果、谷歌、Facebook这类创新驱动公司的成功，证明了招聘、保留和管理创新者，能收获较高的经济影响。招聘流程将会开始发生转变，变得更加以数据为导向，以便于能成功理解创新者，然后招聘到这些被大多数招聘系统拒绝的高价值个体。
老雇员变成首要的目标：因为大规模裁员，很多公司都流失大量顶级人才。随着经济好转，最好的公司都致力于唤回拥有良好历史记录的前雇员，重新聘用老雇员占比将达到15%.
销售线索和信用卡信息进入主流招聘：我经常称销售线索为“在招聘中唯一最强大但是未被充分利用的工具”。招聘官几乎都忽略了大量的潜在候选人线索和有价值的信息，它们就在市场和销售线索的渠道里。那些研究并利用这些渠道寻找候选人的，将会变得非常强大、准确和经济。
直接采购变成首要重点：领先的公司从招聘主动求职者（当前企业招聘所有候选人中的60%-90%都是主动求职者）开始逐步转向运用社交媒体渠道和社交媒体驱动员工推荐的形式，直接采购当前在职的顶级人才。
多样化成为企业的当务之急：越来越多企业将从关注本土市场跨越到关注全球市场。企业将评估全球多样化的商业影响，特别是针对设计、销售和售后服务团队，他们将招聘更多关注全球多样化的职业经理人和职员。
市场调研同样适用于招聘：招聘官寻找人才将从本土拓展到全球市场，由于求职者的期望持续处于不稳定，关于“求职者想要什么”和“如何找工作”这些老话题将被重新审视。最终成为主流的新解决方案，将是借用现有的市场调研，理解你的消费者模型（例如CRM）。为了完全理解、吸引你的顶级求职者，并向其有效推销，招聘将使用问卷调查、访谈和关注重点群体，以识别新求职方法、新兴候选人预期以及他们的“工作验收标准”。
校园招聘趋势
远程校园招聘取代校园宣讲：几乎所有的大学生现在都喜欢上网或玩社交媒体，一个高端趋势将是远程校园招聘项目。取代拜访少数重点院校，前沿的公司将聚焦在更多院校里少数顶级学生身上。远程实时视频面试、竞赛、在线评估和模拟将被应用于学生和实习评价上。
大学推荐成为最有力的招聘工具：在社交媒体上，大学生相互间有很好的联系（甚至跨院校）。于是，领先的企业将意识到推荐招聘模型是如此有效。借助当前的大学招聘、实习生、职员和其他重点院校学生的推荐，企业能很容易找到合适的人才。
高校雇主品牌有了自己的内涵：顶级企业最终会接受这样一个事实：你的高校雇主品牌是独立的，并且它应该有针对性的品牌战略。于是，“高校雇主品牌”和价值主张将被单独开发和衡量。
总体招聘趋势
整合最终开始深化：由于其他商业模块开始成功整合（如供应链），招聘将越来越接近于整合，和薪酬、开发、绩效管理和继任计划进行无缝衔接。只有最好的公司才能识别提升凝聚力、团队协作和整合不同人才管理模块的关键要素。
意识到优化的重要性：持续的预算和资源的短缺会增加招聘领导者的压力，迫使他们不得不去优化他们的服务，识别并优先关注他们所服务的高影响力的重要业务单位、关键工作及高价值经理人。
招聘破裂的区域会小幅提升：事实上，很多招聘功能都没有常规的战略，对现有招聘战略或战略计划的理解将持续妨碍招聘的有效性和战略影响。无论是求职者，还是招聘经理，对招聘服务的满意度将持续走低，直到招聘功能采用CRM和市场调研模型。相比外部的社交媒体资源，企业的招聘站点将继续缺乏真实性和可靠性。即便在最好的公司，对新招聘的资源识别流程也不会特别准确。最后一点，招聘市场的供应商联合的潮流还将限制选择和创新。
【文章来源：招聘新视野】
-
观点
易聘网，利用社会化招聘思路做简历库
尽管社会化招聘的概念在中国正在逐渐变得火热，但由于社交模式落地慢、用户接受度低，鲜见真正意义上的本土社会化招聘服务——社会化招聘并不是简单提供一个社交账号登录功能，更核心的意义在于帮助用户拓展职场人脉圈，从而在此之上为用户或机构提供更加定制化的解决方案。
所以，社会化招聘的本质并不是要在智联招聘、51Job之外打造另一个招聘平台，事实上两者的用户群体有很大的区别：社会化招聘一般面向中高端人才，而智联和51Job则更偏向于可替代性强的职位。除了试图在新浪微博之外打造另一个职场社交网络的脉脉，像易聘这样的招聘网站也选择了一个细微的切入点进入社会化招聘市场——服务于猎头的在线社交简历库。
与传统的用户上传简历模式不同，易聘会自动从社交网络上抓取用户信息，通过数据挖掘建立用户肖像并自动生成简历。用户的社交简历包括了多项信息，包括地点、职业经历、毕业院校、社交联系方式、微博标签、知乎问答等等。
通过批量自动生成用户社交简历，易聘依靠新浪微博、知乎和LinkedIn为猎头生成了大量用户社交简历资料库。目前，易聘自动建立了5700万份微博简历，126万份LinkedIn简历，72万份知乎简历。本质上，易聘是一个面向猎头建立的社交简历库。
猎头版易聘所能提供的具体服务很简单——社交简历检索、收藏夹和自动群发工具。
社交简历搜索：进行关键词查询，易聘会以卡片的形式返回相应的检索结果，每个卡片内简单罗列了候选者的职业经历和标签，猎头可以点击候选者姓名查看完整的社交简历，并收藏合适的候选人；
收藏夹：所有被收藏的候选人都会集中在这里（收费服务）；
自动群发工具：猎头可以通过这个功能快速与候选者联系，也可以批量进行Linkedin连接（收费服务）。
曾经在新浪微博担任过高级产品经理的姜鑫是易聘的创始人，他认为新浪微博的大数据除了可以用于时趣这一类社会化营销解决方案之外，也可以用于招聘领域。他认为，社交网站每天产生数以万亿字节的数据，在海量数据中蕴含了用户在专业背景、影响力、兴趣爱好、个性、人脉圈、求职意愿等多维度的信息。利用社交大数据，易聘能够针对用户的专业背景做用户画像，并聚合有价值的内容。
目前，易聘所挖掘的社交数据主要以新浪微博为中心，通过知乎跟微博之间的授权找到关联关系，并抓取了大约800万个博客数据，和100万LinkedIn用户数据，来进一步完善用户的社交数据。易聘已经跟海量信息达成技术合作，利用后者的数据和算法做数据挖掘。易聘能够基于微博语义来抽取关键词，给候选者们贴上不同的标签。
【文章来源：pingwest】
扫一扫 加微信
hrtechchina
