完整地展示了把招聘做到90分（優秀）是什么樣的一種情況？從所處的情境、到嘗試摸索、到取得一些成果、迎來發展的全過程，最后復盤的觀點也很有啟發性，篇幅較長，推薦認真學習。
案例背景
關于Opower及其招聘團隊
Opower是一家總部位于華盛頓，規模600人左右的公司，我們的使命是協助公共事業公司創建使用清潔能源的未來。
Opower成立于2007年，多年來，我們的產品在全世界范圍內為客戶節約超過10億美元，足夠整個州居民使用一年的電。
盡管我們對于分析工具&分析資源的預算非常有限，但我們擁有一位精于分析的HR成員，他會在所負責HR工作之余為招聘分析騰出一些時間。
與眾多的招聘團隊一樣，我們的精力也主要被日復一日的招聘活動所占據,畢竟這就是我們的工作。
但這些年來，通過在工作中多動動腦子，而不是悶頭苦干，我們取得了一些額外的成績。
“精明工作”知易行難，我們做的還遠不完美。
但我們能夠充滿自信的說，我們一直在進步——許多的進步依賴于我們使用數據進行深思熟慮、準確決策的能力。
動機
我們對人才分析的看法
當我們開始尋找人才分析（對于招聘與人力資源分析的概括性術語）領域的最佳實踐時，我們發現事實上幾乎所有的文獻都是以那些有著充足預算的大型企業為實例的。
這的確令人生畏，我們也很清楚我們完全不可能與Google這樣的企業同日而語，它們有著精于人力分析的獨立部門。
我們所知道的是，
人力分析職能的充分發揮為企業的組織健康帶來了巨大的收益，包括更佳的招聘質量、持續提升的業績表現、更優異的招聘指標，甚至還有持續增加的利潤率。（Bersin 2013）
我們也希望在Opower看到這些變化，但我們必須腳踏實地，從小處做起。
在進行了將近一年的分析（工具）開發之后，我們才偶然發現了Bersin的人才分析成熟度模型。
它繪制出了在企業建立人才分析職能的全過程，并根據企業使用人力資源數據的方式將他們歸于不同成熟度的四個階段。
我們對照德勤貝新成熟度模型制定了路線圖。
我們與大多數企業一樣——只是在需要時匯報指標數據，而并不真正解決問題或進行預測。
Bersin也提示了這一晉級的過程實際上并不輕松。
這張圖指出了一些重要的東西。
第一條非常明顯：
企業在人才分析上的投入越多，產出也就越多；
其次，在層級1到層級2之間存在著一個大多數企業需要突破的“瓶頸點”——它們需要付出相當多的努力才能掌握高級匯報的竅門，同時也才會開始思考是否在數據分析領域投入會取得相應的回報。
但是，直到企業開始運用數據解決問題并進行預測，數據分析的真正價值才得以體現。
這也正是屬于我們自己的“啊-哈”時刻——
接下來的唯一問題就是我們還沒有成為那種有著充足預算的大企業，我們所面臨的挑戰是充分利用每一分錢。
我們所做的事
▍2014：挺過最艱難的時刻
首先讓我們簡要回顧一下在發現Bersin的研究之前我們的生活狀態：
2014年，我們剛剛開始對人才分析領域進行投資，我們的招聘團隊還在成長發展之中，企業即將上市，我們也希望在分析領域擁有一些不錯的資源，以幫助我們跟進我們的目標。
Scott Walker，剛加入Opower時擔任采購開發工程師，在兼職為我們設計數據儀表盤6個月之后，決定全職加入分析團隊。
在這一全新角色中，Scott的職責是為人力資源部門提供例行的招聘數據分析。
從到崗時間、電話溝通時間，到人才篩選各階段的轉化指標，數據分析涵蓋了招聘指標所涉及的方方面面。
起初，儀表盤是一項廣受歡迎的改變。
在會議前招聘人員精心準備，那些根據企業Logo進行配色的圖表也的確非常精美。
但很快，在幾個月之后，Scoot和分析團隊意識到儀表盤的作用僅僅是“作秀”——它們并不產生任何洞見，我們也沒有使用這些數據，招聘經理在拿到指標結果后會說“OK，我知道了，所以我們要？”
我們同時還面臨一項重大的問題：數據準確性，因為招聘人員在使用系統的方法并不一致。
我們陷在了分析的第一層級，的確遭遇了Bersin圖表中的那個“瓶頸點”。
另外一項挑戰是，當我們剛開始進行數據分析的時候，我們并不知道要如何去講述數據背后的故事，就像小孩子第一次精心打扮自己——把各種各樣的飾品大雜燴一般堆在身上，到最后只能是一團糟。
最后的儀表盤非常令人尷尬（如上圖），原因包括但不限于以下內容：
速度計；
除了“一季度offer接受數”，其他數據無法顯示我們實際工作業績的好壞；
不恰當使用餅形圖用以比較不同候選人雇傭與渠道之間的差別；
并未引導報告閱讀者關注我們希望展示的重點；
在對招聘人員比較時未考慮所負責崗位的難度與類型；
▍轉折點
經過了2014年的失敗，我們的分析團隊也通過實踐、反饋，接受內部分析專家的指導得以不斷提升。
同時，無論作為公司或是團隊，我們也有了嶄新的開始——Opower成為上市公司，企業發展方向進行了調整，我們的招聘需求也變得更加難以預測。
我們那些精通于某個領域特定角色搜尋的招聘人員，也不得不學習不同領域的業務特點，以滿足不斷變化的招聘需求。
相應的，對勞動力的管理與對招聘團隊業績的評估就變得越來越來困難。
在這段時間，Dawn Mitchell，我們的現任總監，被任命為團隊負責人。
接踵而至的變化令我們意識到，我們需要徹底改變我們管理團隊以及達成目標的方式，我們還需要制定戰略，以指導我們公布使用數據的方式。
也就在這個時候，我們注意到了Bersin對人才分析的研究，也幾乎是同時，我們立即丟棄了現行的那套為達到特定目標而設計的儀表盤。
▍過程——2015：就全新框架開展的“試驗風暴”
與頭腦風暴不同，2015年一整年我們都在開展“試驗風暴”——在未經過充分論證或設計尚不完美時就進行試驗的方式。
為了開展盡可能多的試驗，我們不得不快速取得數據，在還不確定是否奏效的時候就通知并嘗試新的數據分析方法。
我們來看看過程是什么樣的。
1.清理候選人跟蹤系統，清空大腦
為了令我們的分析能力達到層級1并進入健康的發展軌道，我們必須掌握精確的數據。我們通過兩步來實現這一目標。
首先，我們用了一個月的時間來“清洗”我們的歷史數據——刪除錯誤數據、編寫了一份“清理工作”手冊并附以準確的指標；
其次，我們強制性的要求招聘人員使用招聘跟蹤系統并執行為期為3個月的，每周工作回顧。
聽起來這很糟糕，而且的確也是，但是每周的工作會議卻非常簡單：每位招聘人員被要求在會議室中接受1小時的某一類工作回顧，對于選擇哪一類工作他們并不事先知情。
如果招聘人員的數據出現了錯誤，第一次時并不會有令人不快的后果。我們將會把這看作一次學習的機會，要求他們在下一次會議之前予以改正。
我們發現，在大多數情況下，禮貌但公開化的助推行為足以保證數據的準確。
盡管完美的數據是不現實的，但經過3個月的運行，我們的數據已經足夠準確。
之后，我們停止了每周例行的會議，取而代之的是開展周期性的審查，以確保不出現反復或反彈。
2.招聘人員負荷與績效：四象限模型
在完成歷史數據的清理工作之后，我們著手解決下一項重大挑戰：將數據真正用于解決問題。
由于我們所面臨的其中一項重大他挑戰是管理團隊能力，因此我們決定從這里著手。
一個我們總是努力回答卻又不愿回答的問題是：“我們究竟需要多少招聘人員，才能達成XX個的招聘目標？”
問題的答案顯然與招聘的崗位類型相關，但是對于為何某類崗位與其他崗位間存在差異，我們并沒有基于數據的解釋。
因此，我們對一種稱為“四象限模型”的框架——通過招聘難度而不是招聘量評估招聘人員工作負荷與目標的方式——進行了測試。
首先，我們根據不同崗位的招聘難度完成了背景調研，綜合考量了招聘周期、人才庫質量、市場稀缺度以及針對不同崗位的招聘人員負荷。
在大多數調研中，我們發現招聘難度與候選人技能構成在人才市場中的獨特性以及我們對這一崗位的需求頻率高度相關。
于是，我們根據這兩個維度將各類崗位劃分為四個象限，通過賦予每個象限與招聘難度相關的不同分值，我們得以經過計算出招聘人員的分值來衡量他們的工作負荷。
此外，建立在歷史數據的基礎上，每個象限也都設置了不同的到崗時間要求。
例如，位于第2象限的崗位招聘難度可能相對沒有那么大，比如項目經理——這類崗位的技能構成相對常見，而我們也總是在招聘，因此我們招聘的速度也相對較快。
相反，位于第4象限的是我們最為困難的崗位，比如工程副總裁——這類崗位的技能構成非常獨特，我們也很少招聘，所以通常需要花費好幾個月的時間才能夠找到最為合適的候選人。
每個象限的分數代表對應崗位類別所需要付出的努力，這也意味著招聘人員在招聘一位第4象限候選人所付出的努力應當與招聘兩位第2象限候選人相當。
在2015年，大多數招聘人員每個季度交付的人員大約在25~30象限得分之間，由于我們會根據崗位的難度進行調整，因而他們的負荷也相對公平。
以下圖中的Sally和Bob為例，你們會看到招聘人員績效指標已經二者之間的比較：
上圖顯示，盡管在平均到崗時間指標上Sally的表現遠不如Bob，她的招聘周期更長，但細分到每個象限的崗位上，她的及時到崗率卻更好。
Sally同時也達成了更多的象限得分，相對她所在團隊的其他成員，她所負責崗位的招聘難度也更大一些。
此外，如果我們關心Bob的績效表現，我們可以更為深入地分析其中的原因——
是否候選人被卡在了某個特定的面試環節？
Bob在電話面試時是否進行了有效的資格審核？
Bob候選人的開發是否得力？
通過這種方式，四象限模型成為了我們進一步分類與深挖數據的起點。
更為重要的是，四象限模型幫助我們切實提升了績效。
在知曉并明確了招聘負荷與目標背后的基本原理之后，我們總能實現既定的工作目標，同時，2015年我們也將平均招聘周期從93天下降到了67天。
需求預測與資源獲取
在之前的數年中，我們的招聘預測都是這樣做出的：
我們會詢問業務負責人當年的招聘需求，結合我們往年離職率評估異動情況，然后，預測搞定。
但不幸的是，這種粗略的預測與實際情況大相徑庭，我們也根本無法評估達成招聘目標所需要的資源。
2015年，通過數據與計算，我們已經能夠進行更為精確的離職率和增長預測。以下是我們在2015年進行的一些新的預測實踐：
創建離職率趨勢模型，而不再使用平均歷史離職率數據；
在半年度計劃中引入了“計劃外崗位”分析
引入了人員異動率以及進一步的重新需求招聘(backfill，因員工離職而重新出現的招聘需求)分析
在搜尋過程中取消一定比例的崗位或對崗位描述進行調整
對招聘人員離開團隊的可能性、人員補充及達到標準交付能力周期進行估算（對我們而言，這一周期大約是4~6個月）
認識到用人部門經理通常只知道他們當下的招聘需求，而不是半年后的需求。
當我們展示我們對業務帶來的招聘需求的預測時，的確遭到了普遍的懷疑。
這些預測被認為是“主觀合成”的——因為人頭的增長相對有限，因此招聘需求應當也是放緩的。
對此我們并沒有進行反駁，業務部門有他們的預測，而我們進行我們的預測，讓我們看看事實是什么樣的：
上圖顯示了在招聘需求的預測方面，我們的預測方法比最初的業務預測更為有效。
對我們而言，這是一次重要的勝利，但接下來的問題就是根據當前的團隊情況，我們的交付能力只能滿足預計招聘需求的70%，因此我們不得不申請更多的預算。
同時我們向管理層匯報了針對以下3種不同情境的規劃：
與當前已有資源所匹配的能力
能夠立即滿足當前招聘需求、但成本相對更高的短期資源需求
相對經濟一些、能夠滿足85%的招聘目標所需要的長期資源需求
細看一下我們針對不同情境的預測
可能正如你所猜測的，相對于在獵頭渠道上投入大量的成本，我們都同意了相對經濟一些的方案，所減少的35萬美元開銷并實際上并沒有看上去預算減半那么糟糕。
另外需要特別注意的是，以上情境中的每一項預測或結論都來源于數據分析并經過了實際情況的實證檢驗。
下面是根據更為經濟的方案我們所達成的結果：
▍起到的效果
我們100%達成了2015年237人的招聘目標
平均每個月通過Hired.com招募到2個招聘難度非常大的技術類候選人
長期資源的投入（合同工、全職雇員）帶來了每季度約20人的到崗人員提升
2季度的臨時獎勵方案有效提升了招聘產出（月度平均到崗時間縮減了4天，每位招聘人員大約額外完成了2個崗位的招聘任務）
▍未能實現的目標
我們的重大失誤是針對工程技術人員的10000美元內部推薦獎勵完全沒有奏效。
我們已經有了非常豐厚的內部推薦獎勵項目，因此10000美元額外的獎勵并沒有帶來預期的效果，它所增加的只是不合格人選的數量。
整合人力資源與招聘數據
2015年我們投入精力所開展的一項重要工作是將招聘數據與其他人力資源數據進行整合，以尋求更為整體與系統的人員戰略。
來自更多領域的數據能夠揭示有關面試有效性、招聘質量、重新需求招聘(Backfill hiring)預測等重要的信息，并產生一些令人力資源總體受益的洞見。
讓我們回顧一下我們近來的發現。
▍面試能夠預測績效表現嗎
作為關注招聘質量的開始，我們檢驗了面試得分是否能夠預測員工的績效表現。
以261位新入職員工為樣本，我們將面試得分與績效回顧的得分進行了比對。
我們發現，當面試官由5人或更多人組成時，面試得分能夠預測績效表現；然而，如果某項聘用決策是結果少于5人面試而做出的，這一相關性就消失了。
盡管我們都了解相關性應當被謹慎看待，但這一發現對我們的招聘策略產生了重大影響——這是對于我們曾經提出的僅僅依靠幾個人（而非整個面試小組）是難以做出有效的聘用決策這一觀點的首次驗證。
▍招聘質量是否與招聘渠道相關？
績效評分是衡量招聘質量的一個因素，另一個因素便是員工保留率。
幾個月前，我們想了解不同招聘渠道的員工保留率是否存在差異，因此我們就主要的招聘渠道分別分析了1年于2年的員工保留率，數據是這樣的：
有趣的是，無論是1年或是2年，管培生與員工內部推薦候選人更傾向于留在Opower，而網絡招聘、獵頭渠道或被動招聘的保留率則遠低于此。
一種假設是內部推薦與管培生在正式加入Opower之前，就能夠得到關于實際工作情況最為真實的信息——他們要么已在Opower工作，要么已與他們在這里工作的朋友進行了充分且坦誠的交流。
相反，獵頭機構或招聘團隊則更傾向于展現企業與團隊積極的一面，因而或許未能幫助候選人對企業有客觀的了解。
而另一種假設是，內部推薦與管培生更有可能在Opower建立更佳的人際網絡。
無論是哪一種原因，我們都能夠藉由這一數據，考慮在員工推薦與管培生項目上加大投入，以建立起良好的員工價值主張，并進行一些促進員工保留的嘗試。
另外，我們完成了對不同招聘渠道間績效回顧表現的類似分析，內部推薦、通過網絡招聘或招聘人員主動搜尋的候選人，其績效分布并未顯示出明顯的差異。
未來，我們還將研究這一趨勢是否會持續變化、并評估特定崗位員工的勝任能力，以分析我們的崗位描述與部門經理對特定崗位的要求是否匹配。
▍基于員工離職的招聘需求預測
四象限模型讓我們能夠評估因人員離職而帶來招聘難度。
首先，歷史數據顯示我們有60%的重復需求招聘出現在第3與第4象限，而40%的重復招聘出現在第1象限和第2象限，這意味著在評估需求與資源后進行團隊組建時，我們要引入衡量持續增加的重復需求招聘難度的因素；
其次，伴隨企業規模的擴大，離職人數的規模也會相應增大，這也將直接影響到我們的招聘計劃；
第三，我們將現有員工按照四個象限進行了分類，從而識別與評估不同類別員工的司齡與離職風險。這是我們今年對此作出的預測：
▍所犯的錯誤
既然我們還需要一些時間繼續推動戰略的實施，讓我們抽出些時間來回顧一下我們所經歷的一些失誤與遇到的障礙：
1.匯報與分析之間的平衡
我們依然會收到關于數據分析或呈現方面的一些額外要求，頻繁應對這些要求會牽扯我們進行“真正分析”的精力。
“OK，那我們再聘請幾個分析師吧”——說起來容易，但對于有規模限制的團隊而言，這樣的話毫無意義。
在資源有限的條件下，我們不得不放棄一些無法實現的想法，同時我們也變得更善于考慮優先級。
2.工具與系統
目前我們大部分的分析仍然依靠Excel來完成（譯者注：這聽起來還算是一個不錯的消息）。
它很便宜，能夠實現我們想要的結果，但是大多數事情仍然需要手工操作。
2016年，我們的主要目標之一是采用像Tableau這樣的自動儀表盤工具。
3.職責共擔
我們的另外一個失誤是僅僅讓團隊中的一位成員負責數據分析。一旦他外出，或有其他的項目工作，就沒有人能夠臨時接替。
我們需要加強團隊內部的培訓以擁有后備能力。
4.令更多的人了解我們
大多數同事還不了解我們如何在人力資源與招聘中運用人力數據，無論是通過季度的內部郵件、通告欄的公告或是對于重大項目的常見問題，我們都應該在更為廣泛的范圍內分享我們的研究發現。
5.人員招聘的要點
以下是一些確保我們的數據分析健康發展的一些“最佳實踐”，盡管在很多方面我們做的還不夠出色，但我們實踐的越多，我們的數據分析能力就會越強。
必做之事：
設定目標：定義成功，設定可行的、可衡量的目標并實時跟進，能夠衡量才有機會改善；
令你的分析師成為“內部人士”：邀請他們參加戰略性會議，他們知道的越多，就能發揮越大的價值；
講述故事：你的指標與圖表并不會講話，對要點進行歸納并強調圖表上的重點，幫助你的觀眾更好的理解它們；
保持好奇：當堆砌在一起的時候，招聘數據毫無幫助，挖掘、歸類、識別真正的根源。
竭力尋求資源：如果你需要資源或專業支持，大膽的求助！向其他部門有分析背景的同事咨詢、邀請他們協助你的分析策略；在必要的時候，請求企業的其他分析師批評你的工作。
禁止之事：
不要令完美成為優秀的敵人：如果你堅持要求完美無缺的數據，你就會誤入歧途、錯失取得更大成就的機會。不停的詢問“與100%準確的數據相比，95%準確的數據會對業務帶來怎樣的收益？”
不要輕視快速成效：從你已有的數據著手，復雜與昂貴并不總是好于簡單與廉價；
不要將時間耗費在次要事項上：作為一名數據分析師，你的時間會很容易被那些與你總體戰略不符的事情所占用。不必顧忌推掉一些請求；
不要垂頭喪氣：分析=延遲的喜悅。期初，你將在基礎的工作與問題上投入大量的經歷——盡管它們可能并不產生價值，但那只是暫時的；
不要懈?。撼掷m迭代，重新評估指標的價值，持續優化你在儀表盤展現的信息，保持全情投入。
END
關于招聘研究網
招聘研究網是一群懷揣夢想、熱愛招聘、熱愛公益事業的招聘管理者所創建的公益性組織，成立于2008年8月28日，坐標深圳。
招聘研究網成立至今堅守初心，以致力于推動“中國招聘管理理念、方法和實戰水平提升”為己任，先后在全國主辦500-2000人大型論壇16場、小型專業研討會（30-200人）200 場，覆蓋城市包括深圳、廣州、北京、上海、武漢等全國30多個城市。
【論壇計劃】
閱讀（
HR Open Source 
2018-08-04 01:55:00 
