對話獵聘CDO單藝：數據人才稀缺困局，招聘網站內部也在尋找最優解

轉自：大數據文摘 |bigdatadigest

作者：魏子敏

*本文為清華數據科學研究院聯合大數據文摘發起的《數據團隊建設全景報告》系列專訪內容。

當被問及團隊發展最大的挑戰時，獵聘的首席數據官單藝脫口而出：「首先是人才，高素質的數據人才太稀缺了。我們是招聘方面最難滿足的部門。」

這似乎是個頗尷尬的場面：獵聘，這家致力於中高端人才招聘多年的互聯網人力資源服務公司一直引以為傲的數據團隊，竟然也面臨著人才招聘的「老大難」問題。

寧缺毋濫，數據團隊是HR招聘團隊最難滿足的部門

獵聘的數據團隊在單藝加入後的2014年10月正式成立。「當時我加入獵聘擔任CDO（首席數據官），開始建立大數據團隊。我們團隊的名稱叫大數據研究院，希望做深入的研究和創新的應用，挖掘人才大數據的價值。大數據研究院是一個戰略級的部門，我直接向CEO彙報。」

目前，獵聘的大數據研究院是一個比較精幹的三十人團隊，承擔著大數據平台研發、機器學習/人工智慧研究與應用、數據收集與整合、數據產品開發和支持業務部門數據驅動，五大塊業務。單藝認為一個團隊的價值，不在於規模，而要看這個團隊在公司和所屬的行業的定位和貢獻。獵聘大數據研究院在內部按照業務線形成了多個敏捷小組，直接和公司各業務線協同工作。

這是一支工作嚴謹，日常歡脫的團隊

「其實我是希望團隊在滿足業務增長需要的前提下，能保持一個小而精的一個狀態，一個扁平的架構，不能人浮於事。」單藝說，「我們招聘的一個基本原則就是：寧缺毋濫。我們做的工作對於公司的價值是非常大的，如果做得不好，對公司的殺傷力也是很大的。如果一項重要的商業數據分析的結果錯了，那會影響到公司作出錯誤的決策。」

這種高標準的招人要求也給公司的人力資源部門提出了挑戰，「確實，由於專業性強，沒有經驗的HR很難準確把握大數據人才的特徵。」單藝笑稱他們是HR招聘團隊最難取悅的部門，而他也從中看到了人才大數據的價值所在，「其實，我們可以用大數據和機器學習幫助HR更好地完成招聘工作。」

把求職招聘大數據玩兒起來，實現人崗匹配的人工智慧化

在HR的工作內容中，找簡歷是重複性最高的一類活兒。

為了找到合適的人選，HR招聘團隊需要理解業務團隊的五花八門的需求。專業化程度高的技術崗位會要求有多種專業技能。比如數據挖掘工程師，就常常要求候選人能夠有良好的數學和最優化理論基礎，熟練掌握常用的近十種機器學習模型和演算法，還要能夠寫一手好代碼並能夠處理大數據。要理解這些需求，對於一般HR來講近似於讀懂天書。

獵聘大數據研究院在這方面的主要工作是通過使用深度的信息抽取技術、語義分析和相似度模型，比較準確地分析企業的職位需求和簡歷內容。同時，通過對HR和候選人的行為進行分析、建模，系統可以自動學習複雜的人崗匹配的模式。

「人才大數據有非常大的潛在價值。除了智能人崗匹配之外，我們還在不斷地想新的點子，挖掘數據的用戶價值，形成產品。」在這方面，獵聘一個比較典型的例子是基於大數據的薪酬資料庫。

「很多企業，尤其是互聯網企業，可能半年就要去看看自己公司的薪酬結構是否合理，這需要市場的數據作為參考。傳統的薪酬數據往往是線下調研得來的，這個過程比較漫長，往往需要一年之久。而我們通過挖掘互聯網大數據，快速跟蹤市場的變化，將更新頻率縮減到季度。同時我們通過機器學習技術將行業和職能進一步細分，能夠更加精細地反映不同人才的市場價值。這就能幫助HR做更好的薪酬工作。」

「有一些報告能反映出中國的一些專業人才的職業發展的整體趨勢。比如人到中年，35歲，大家逐步地都會產生一些危機感，年輕的時候可能人是很容易的往上走，但是到了這個年紀，可能就遇到了平台期，會思考下一步該怎麼走，是跳槽多發期。另外也跟外企現在的發展趨勢有關。包括一些大的企業對於35歲以上員工的政策，這也導致了這部分人的跳槽和流失。」單藝舉例說。

獵聘的行業數據團隊經常與市場品牌部的傳播團隊進行合作，一起探索數據的新聞價值。「市場部門對媒體、熱點會有很敏銳的感覺和意識；而數據分析師擅長從指標中發現波動、走勢，從數據中看到一些當時還沒被發現的情況。」單藝稱通過和傳播團隊進行定期的例會和頭腦風暴，在一起討論可以做什麼樣的選題，希望能夠做出契合社會熱點、有深度和態度的內容。

悶騷還是外向？搞數據驅動的分析師要有「兩面性」

而如何讓自己的團隊與業務部門結合的更加緊密？單藝稱，他會鼓勵自己的團隊成員與業務部門儘可能多的泡在一起，爭取嵌入式的工作，主動研究業務，尋求數據驅動的機會。

「很多情況下，業務部門能夠意識到數據的重要性，他們會主動去邀請我們參與業務優化的項目。但是有的時候，一些業務團隊會因為傳統的思維或者已有的利益關係，並不能主動地用好數據分析。這時候就需要我們自上而下的去推動他們。這時候往往需要說服業務線的老大。如果還不夠，那就會去找CEO來推動。很多數據驅動的事情是一種變革，就是需要自上而下的推動。」

單藝認為數據分析師是一個特別有意思的角色，一方面他要有科學家的思維，能夠理性、深入地思考問題；另一方面要和業務打成一片，擅長溝通，能夠去影響別人。理想的數據分析師是很稀缺的，因為有科研氣質的人往往會比較悶騷、內向；做業務協作時他又必須屬於輸出型的，所以數據分析師做起來挺「兩面」的：「我們團隊的很多人都做過性格測試，大部分人還是偏內向，但都是偏內向一點，不會偏得很厲害。太內向的人基本上在這裡很難『存活』下去。所以對於數據分析師，有諮詢經驗的，往往會比較受青睞。因為數據分析師的工作跟諮詢師很像：對於業務線，數據分析師希望能夠扮演『軍師』的角色。」

數據分析是一種科學與藝術結合的工作，而且單獨一個部門往往無法完成全部的工作。「業務線的人往往不懂數據科學；而業務上的知識，我們也要去學習研究。磨合的深淺，一方面取決於業務部門對數據的理解和接受程度，另一方面取決於我們分析師的影響力，溝通力，怎樣把複雜的事情說得簡單、明了。這對分析師就是不僅僅是技術上的要求了。所以我覺得分析師的影響輸出能力是很關鍵的，而且是主動的輸出，被動輸出就晚了來不及了。通過做一些事情，能讓他們的業績指標成倍地往上翻，他們就信數據分析了，合作也會越來越好。」

「數據科學家和數據分析師中間只隔著一個程序員「

「數據科學家和數據分析師中間隔著一個程序員。」這句調侃的話也說出了數據科學家是個要求比較綜合的崗位：不僅要會統計分析，也要會編程去處理數據、開發生產級的系統。「數據科學家的定義是比較模糊的。很多時候一個能夠做業務數據分析，懂機器學習，又懂工程開發的分析師就是一個數據科學家。在工業界，只有技術和業務兩手都硬，數據專家才能夠創造最大的價值。現在數據分析師中存在的一個普遍問題是編程能力比較弱，導致在實際工作中處理複雜數據時會有困難。分析師需要加強編程的訓練。」

單藝已經在矽谷和北京從事數據工作17年。他對於在校學生或者剛畢業的學生也提出了一些建議：

首先得了解自己，想做分析師，還是工程師，哪個方向才是真正喜歡的。至少三年內自己是一直有熱情去投入到這方面的工作的，這是根本；

第二點就是根據自己所選擇的方向，需要思考如何提高能力和競爭力。比如分析師需要有很好的統計能力，懂數據挖掘、機器學習的方法，就需要打好基礎、熟悉工具。同時還要懂商業運營，那就要修商業方面的課程。還需要影響別人，那就要去多參加演講類的活動，多跟別人溝通，多參加一些比賽等等，這樣才能把自己的能力準備起來，參加工作的時候就會走得更快一些。

總結起來就是，第一要想清楚我想幹什麼，第二就是我能幹什麼，然後就是結合市場，看看市場上更需要哪方面的人才。

波浪高手如何精準研判本輪暴跌？

核心指標的使用、多空態勢分析、金融市場投機之道

研判技法的應用：個股和期權操作要點

股市分形原理及未來市場機會解析

經典波浪理論及精準操作

建立有效擇時系統……

點擊展開全文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！