
通过大数据以某种所谓“上帝视角”在全球挖人
如你所知,最近些年,当媒体在描述某位大佬的时间分配时,花多长时间用于招聘是个日趋代表正确的决策:乔帮主说四分之一时间在招聘;雷军也表示80%时间曾用于招聘;谷歌首席人才官拉斯洛·博克在著作《重新定义团队》中则写道:他们把人力资源费用集中用在招聘而非培训上,因为一个最优的人才能胜过300个普通人;张瑞敏甚至一言概括为:“企业即人,人即企业”。
一切都指向一点:相比资本,“人”才是互联网时代企业的最大变量,连接的多样性正将人与企业的关系从“雇佣”逐渐推向“共振”。
嗯,与工业时代资本之于资源分配的地位高企不同,人与公司的位置正在发生某种反转,正如吴军先生所言:“19 世纪中期的范德比尔特和 19 世纪末 20 世纪初的 JP 摩根,他们通过运用资本整合了铁路运输、钢铁产业,以及新兴的电力工业,从很大程度上掌握了当时美国的经济命脉。但今天如果谁还试图这么做就是刻舟求剑了。因为今天全世界最值钱的,最创造价值的企业都是轻资产的——企业的价值体现在它所拥有的人。盖茨曾经讲,即使微软全部的大楼和看得见的资产都被拿走或者毁掉,只要人在,很快就能东山再起。”
从这个意义上,“19世纪属于帝国,20世纪属于大公司,那么21世纪属于个人”这句话无疑是对的——关键在于,如何找到这些优秀的“个人”,与之形成联盟关系。
事实上,将这种找寻搁置在全球化融合的背景之下则更具意义,看看那些官方热门词汇,“一带一路”,“走出去”,“引进来”,无一不在涂抹商业语境中的国境线,正因如此,在全球格局下招揽人才,称得上是任何一家有野心的企业的必选项。
更重要的是,这种需求亦无关“传统”与“新贵”:传统一端,领英中国副总裁于志伟最近透露:“我们一共拜访了一百多家国企和央企,这些企业几乎全部都有全球布局的需求。对于‘一带一路’和海外拓展的需求是百分之五十八,对于产业升级的需求是百分之四十五,对于中国工业4.0升级的需求是百分之四十二,但他们反馈有三分之一是找不到合适人才,百分之三十四的这种类型的大公司都说他们的雇主品牌认知度不高,缺乏吸引力……这些企业走到海外不仅要保留住自己的人才,更多的是把当地人才为我们所用,但是你知道他在哪里吗?你知道他喜欢什么吗?”
而“新贵”一端,谁都知道,当所谓人口红利渐弱,“出海”——甚至“大航海时代”成为不少中国移动互联网公司常规嘴边的短语。最近GGV管理合伙人童士豪先生就表示:“未来10年仍然是移动互联网的黄金10年,但这样的机遇不只在中国,要想把握住机遇,中国企业就需要考虑出海。中国和美国都到了一个特殊的阶段,我把它称之为大航海时代,全球化将会成为一个大趋势,我们所有的创业公司都需要面对它。中美两国的互联网用户即将达到饱和点,但其他市场依然有广阔的空间。”
嗯,世界正“平”得无以复加,但当企业以全球视野征才,无疑将面临对等的机遇与挑战:渠道有限,品牌影响力薄弱,文化观念相悖等等,都会成为出海的风浪。
怎么破?今天不妨讲讲华为与微软两家巨头颇具范本意义的征才故事,他们一个“走出去”,一个“走进来”,你也许能得到某种启示。
华为:出海样本
谁也无法否认,华为俨然已成为一家真正意义上的跨国科技公司,去年年报显示,其业务遍及全球170多个国家和地区,58%销售收入来自海外市场,海外员工本地化率达到72%。
当然了,任何领域,格局形成背后都需要技术支撑,招聘亦如此。华为也深谙这一点。早在五年前,华为就已与领英合作——后者那时尚未正式入华,通过大数据以某种所谓“上帝视角”在全球挖人。
随便说个故事。2012年年末,华为终端用户体验设计部部长徐静进被派去爱尔兰筹建研发能力中心,着重承接OSS(运营支撑系统)和BSS(业务支撑系统)开发。为了找寻当地人才,徐静进通过不同关键字搜索爱尔兰的相关人员,以华为爱尔兰研发能力中心负责人的名义发出邀请,最终四人成功入职——值得一提的是,在搜索过程中,徐静进发现大多数目标人选都在科克而非直觉中的人才聚集地都柏林,他也因此决定将研发能力中心建在科克,而非华为爱尔兰办事处所在都柏林。
事实上,如今华为人力资源部——这一曾经听上去略显乏味的部门,有着非常多研究员,他们无时不在探究全球范围内ICT人才的变动趋势,从而为人力决策提供数据支持。
另一方面,如你所知,传统撒网式招聘并非找寻高端人才的好方法,由于信赖,基于同一圈层的直接推荐许多时候更为有效。譬如华为就很鼓励自家员工开设领英账号,与相关领域的海外人才互动,并向公司推荐他们认识的这些大牛,可以想象,无论效率还是成本,这都要优于猎头公司。
微软:善用数据的巨头
再来看看微软的故事。
必须承认,某种程度上,相比过往,这家老牌巨头在中国的“光环引力”要相对暗淡一些:很好理解,互联网在中国的奔进,得以让本土企业挥舞着股票和期权招揽人才——尤其是最为急迫的技术人才,这也在一定程度上增加了微软的招聘难度。
当然,微软中国对技术人才的渴望依旧强烈,他们也在思索如何将更多海外人才吸引到中国。基于领英(如今已经是自家人了)全球人才库,微软首先对所有目标市场的人才做了一番摸底,颇为详尽地研究了潜在人才的资料,然后通过“Talent Direct”直接找到他。
但问题来了,想也知道,相比于微软,对大多数海外技术人才来说,中国才是一个陌生的概念,于是微软也做了一些“小伎俩”,譬如,当他们想把来自俄罗斯的技术人才招到苏州时,除了基础的电话和邮件沟通,招聘团队还特意制作了宣传单,用来介绍苏州城市和园区情况,内容也巨细靡遗,包括食堂,学校,租房……另外,他们还会采访早期加入的俄罗斯员工和家人,将这些故事展示在领英公司主页和招聘专版,在很大程度上打消他们跨国工作的顾虑——效果倒也明显,他们在不到两个月的时间招聘了6个高级技术人才,有4个来自俄罗斯。
数据亦可被用来决策。
2013年,微软要在中国建立呼叫中心团队,当时有两个选址方案,无锡和成都。基于不同理由,各部门争论不下。而招聘团队则提前三个月就把市场上的呼叫中心做了mapping,覆盖了15家公司3000多人——然后他们推荐了成都,原因是:第一,对标企业的呼叫中心有好几家在成都,没有一家在无锡;第二,对mapping的3000人联系了500多人询问城市意向,他们偏好北京或成都。结果可想而知,业务部门采纳了这个建议,通过人才数据这一利器,HR得以切入到了业务决策的核心层。
其实一切本来如此,在我看来,判别现代社会的一大标准,即是各个领域决策层对于数字的驾驭程度——尤其是当它用于人才招聘这个日趋重要的决策时。正如吴军所言:“在信息时代,人是企业的核心,而不再是其中一个螺丝钉,资本退居次要位置,这是保证一个企业成功并且长期繁荣的基础。”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
CDA数据分析师与数据指标:基础概念与协同逻辑 一、CDA 数据分析师:数据驱动时代的核心角色 1.1 定义与行业价值 CDA(Certified ...
2025-08-22Power Query 移动加权平均计算 Power Query 移动加权平均设置全解析:从原理到实战 一、移动加权平均法的核心逻辑 移动加权平均 ...
2025-08-22描述性统计:CDA数据分析师的基础核心与实践应用 一、描述性统计的定位:CDA 认证的 “入门基石” 在 CDA(Certified Data Analy ...
2025-08-22基于 Python response.text 的科技新闻数据清洗去噪实践 在通过 Python requests 库的 response.text 获取 API 数据后,原始数据 ...
2025-08-21基于 Python response.text 的科技新闻综述 在 Python 网络爬虫与 API 调用场景中,response.text 是 requests 库发起请求后获取 ...
2025-08-21数据治理新浪潮:CDA 数据分析师的战略价值与驱动逻辑 一、数据治理的多维驱动引擎 在数字经济与人工智能深度融合的时代,数据治 ...
2025-08-21Power BI 热力地图制作指南:从数据准备到实战分析 在数据可视化领域,热力地图凭借 “直观呈现数据密度与分布趋势” 的核心优势 ...
2025-08-20PyTorch 矩阵运算加速库:从原理到实践的全面解析 在深度学习领域,矩阵运算堪称 “计算基石”。无论是卷积神经网络(CNN)中的 ...
2025-08-20数据建模:CDA 数据分析师的核心驱动力 在数字经济浪潮中,数据已成为企业决策的核心资产。CDA(Certified Data Analyst)数据分 ...
2025-08-20KS 曲线不光滑:模型评估的隐形陷阱,从原因到破局的全指南 在分类模型(如风控违约预测、电商用户流失预警、医疗疾病诊断)的评 ...
2025-08-20偏态分布:揭开数据背后的非对称真相,赋能精准决策 在数据分析的世界里,“正态分布” 常被视为 “理想模型”—— 数据围绕均值 ...
2025-08-19CDA 数据分析师:数字化时代的价值创造者与决策智囊 在数据洪流席卷全球的今天,“数据驱动” 已从企业战略口号落地为核心 ...
2025-08-19CDA 数据分析师:善用 Power BI 索引列,提升数据处理与分析效率 在 Power BI 数据分析流程中,“数据准备” 是决定后续分析质量 ...
2025-08-18CDA 数据分析师:巧用 SQL 多个聚合函数,解锁数据多维洞察 在企业数据分析场景中,单一维度的统计(如 “总销售额”“用户总数 ...
2025-08-18CDA 数据分析师:驾驭表格结构数据的核心角色与实践应用 在企业日常数据存储与分析场景中,表格结构数据(如 Excel 表格、数据库 ...
2025-08-18PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14