你不知道的HR Tech：用AI重新定义HR

当工业革命开始的时候，科技带给我们的价值是机械的自动化和劳动生产效率的提高，劳动力的构成也因此而变得多元。随着2000年电脑和互联网的普及，不仅信息处理的效率飙升，我们也打破了物理环境的局限，实现了信息的连通性和人才的流动性。但技术红利给我们带来的生产力增长在2008年金融危机后就到达了瓶颈。而最近得以发展的传感器，人工智能，机器人等新兴技术会给我们带来怎样的变革呢？一个人平均需要3到5年的时间才能适应一次非连续性的技术突破，一个企业对于技术变革的适应只会更久。

当科技让世界扁平，企业可以通过快速复制达到巨大规模的时候，单个个体通过科技赋能所产生的力量也已今非昔比。世界的中心从商品转向到了人才。但同时我们也观察到，一个成熟企业随着员工数量的增多，创造力却在不断下降。随着业务发展速度的加快和组织形态的日益复杂，企业意识到了人才的吸引力和组织结构的敏捷性尤为重要。在人力资源的工作中，我们看到了一些可以用科技去重新定义的机会，HR在企业应对技术变革时可以起到的作用也至关重要。

理智与情感兼备，才是好的HR

理智，指的是用数据驱动的思维去发现，理解和解决问题。2016年美国企业在HR Tech投入比2015年增加了46%，到达140亿美金的市场规模。那么HR只有对日新月异的硬科技保持敏感，才能更早地让企业从传统的工作流程和陈旧的管理方式中转型，比如考勤打卡和KPI绩效考核。

情感，指的是工作中所产生的情绪和感受。我们在工作中和同事待在一起的时间远远超过和父母孩子相处的时间。员工对工作体验的期望会越来越高，他们希望有多元的文化，技能的积累和心灵的成长。如果把员工当做是上帝，那么HR这个产品经理，就要用心去设计每一个与员工交互的界面。员工期待的是简单流畅的体验，这就要求所有的企业服务走向消费化（Consumerization of Enterprise Software），所有以人员为基础的管理方式要转变为以人性为根本。

HR Tech的三个阶段

第一阶段：自动化流程和信息化集成

在这个阶段，人力资源系统做的事情是让公司的HR更加便捷地去管理公司员工。传统的SaaS主要是把人力资源的信息标准化，流程自动化。而新近的创业公司则在尝试用AI完成面试安排，会议时间协调等重复性高又标准化的任务。

第二阶段：关于人才的数据积累

企业的ERP存储了基于业务经营管理的数据，CRM记录了关于客户的数据，那么关于员工的数据，和人才的数据则应该统一实时地集中管理起来。

• 第三阶段：通过数据分析建造一个可以预测和辅助决策的智能系统

只有当构建了自动采集实时更新的数据库之后，智能的系统才能构建出来。对企业的经营做预测性分析且在重要的决策上起到辅助判断的作用。

AI+HR到底可以颠覆什么（Acquisition，Engagement，Analytics）

1、人才招募 Talent Acquisition

HR对招聘的理解早就不是招人这么简单，这是一场和业务部门肩并肩的全球人才供应链争夺战役。求贤若渴的企业不仅需要有人才大数据的支撑，还需要和人才之间达成使命感的认同和情感的连接。

从手动到自动

1994年，Monster推出了世界上第一个招聘网站。23年后的今天，纷杂的招聘渠道和落后的简历筛选技术再次造成了企业与求职者之间的信息不对称。简历太多，HR筛不完；简历太少，HR招不到。候选人投递的简历往往石沉大海。而HR每天收到大量的简历中，符合岗位要求的却是寥寥无几。招聘中70%的工作时间都用来处理简历，包括要登录多个招聘平台，在人才库进行搜索和筛选。在美国招聘的人效早就到达了瓶颈，70%的公司都在使用第三方的ATS来提高效率。

从被动到主动

一个优秀的人才能为企业产生的价值远高于以往，以后的人才市场会是永久性的紧缺。好的人才都是被动求职者，他们不需要主动地去寻找工作。如果希望招募到最好的人才，公司就一定要脱离被动的筛查而转变为主动出击。同时HR也需要用市场营销的角度去思考，用社交化的手段去建立一个对人才有吸引力的公司品牌。美国创业公司Textio正在帮助HR润色职位描述和宣传文案。Textio分析了大量可以吸引更多候选人的用词和表达方式，从而对HR起草的招聘文案进行评分，提出修改建议。比如它会更换一些过时的说法，也会针对不同性别受众的文字偏好做相应的文案调整。

从随机到精准

候选人的匹配远不止是技能匹配那么简单。即便所有公司都在招聘前端工程师的岗位，但最终不同的团队领导和公司文化所选择的候选人会各不相同。那么在众多的简历中，如何判断哪位候选人最适合当前的职位呢？我们的被投企业Celential.ai正在用机器学习的技术自动排序人才管道中的职位候选人。它会用自然语言处理技术分析候选人的简历，根据工作经历、表现、任期和流动率等信号对候选人和当前职位的匹配度打分。系统还会从简历数据库中学习成功的招聘案例，从而建立人才模型，更准确地预测候选人未来的表现。

从线下到线上

在美国40%的求职面试都是通过线上完成的。传统的面试是一个主观和非标准化的过程。人工智能面试分析公司HireVue正致力于通过提取原始视频中的措辞、面部微表情等信号来评估候选人是否符合岗位需求。NLP技术用于分析候选人的回答，计算机视觉技术则用于解读表情和其他非语言因素，试图用组织行为学的心理分析做预测。这个筛选方式主要的卖点就是提高面试效率，针对大批量同质化高的初级岗位快速筛选出进入下一轮人工面试的候选人。但是这些测评方式的效果如何，目前并没有明确的结论。

2、员工敬业度 Talent Engagement

人才是一个企业真正的血脉。当招募人才变难的时候，防止人才的流失才是最好的招聘方法。根据哈佛商业评论的统计，员工在一个企业的平均工作年限已经缩短到3.8年，其中26.7%的员工会在第一年就主动提出离职。在拥有全世界最好员工敬业度数据的美国，也只有33%的人表示对自己的工作满意。如果说公司是你的产品，而员工是你的客户。那么我们用NPS的考核方式去看看，你的员工有多少会向朋友推荐自己的公司？又有多少人在工作中真的像招聘宣传图片里的样子？

公司信奉用户体验是第一位的，最好的用户体验就一定不是偶然发生的。在设计用户体验的时候，产品经理都会先去了解他们的用户到底是什么样的一群人，会有哪些需求。他们会和用户一起交流讨论去挖掘新的想法，会在实际的产品中不断的迭代和测试新的方案。比如当我走进小红书上个月搬进的新办公室的时候，Think Different的公司文化扑面而来，与全世界分享好生活的伟大愿景渗透在了公司的每一寸墙上。我相信一个伟大的公司，一定会有一种自主，专业，又赋有使命感的员工体验，而这种体验一定不是偶然发生的。

从To B到To C

美国创业公司Glint尝试用简短无记名的员工意见评估代替传统的员工满意度调查问卷，然后利用机器学习、自然语言处理和预测分析技术，生成报告来解读员工对公司管理、福利待遇和企业文化的感受，为企业提出改进建议。在To C的Yelp和IMDB里，我们见证了用户评分和评论的力量。今天的To B员工系统里，也从陈旧的填表演进到了只是让鼠标悬停在一个五颗星的框里就可以评分的反馈。在现代灵活而分散的组织形态下，如果能及时识别出这些“不开心”的员工，并提出相应的改善计划，就能够有效提高员工的敬业度。

从亡羊补牢到防微杜渐

有88%的员工认为他们的入职体验很糟糕。通过自助服务和个性化体验，HR可以帮助新员工顺利开展工作。在候选人接受雇佣录取后，他们需要上传许多入职材料，同时对公司的规章制度还很陌生。HR大量的时间花在了处理这些琐碎的文案工作中。如果这些重复性高的流程细节可以交给聊天机器人，他们则可以专注于员工正在适应的新的工作岗位上。入职培训其实也存在着同样的痛点。如何在企业内部建立起知识图谱，给新员工推荐碎片化培训材料，并且依据学习进度推荐相关的内容也会是体验提升的重要环节。

3、人才数据Talent Analytics

大部分关于业务的决策都是数据驱动的，那么关于人的数据呢？现在美国只有8%的企业表示，他们具备可用的员工工作数据。

Hindsight读史以明鉴，管理层需要对过去的成功和失败有更清晰的认识

第一阶段的数据分析核心是可视化工具，提供和跟踪一个之前没有的数据集，比如用员工数据去做业务数据的相关性分析。大多企业现在只能看到核心HR数据和业务数据（比如营业额，任职情况，绩效评级），但以后会有更完善的组织关系数据（地点位置，员工协作，团队信息）以及个人工作数据（时间分配，情绪，健康）。随着这个数据集的不断扩大，管理层对经营成败和人员组织的关系会有更深刻的见解。比如为什么有些地方销售的生产力高，而有些分公司却出现欺诈盗窃的行为？

Insight实时的数据，才能更好地支持日常快速的商业决策

平均而言，一个组织的生产力在绩效考核时会下降40％，因为整个团队都忙着填表，而不是专注于手头的工作。大家可能认为OKR很专业，Google采用OKR，但其实微软做的更彻底，直接取消绩效考核，采用反馈机制。这几年美国出现了像BetterWorks和Reflektive这样的实现考核自动化的软件，使经理和员工能够主动咨询对当前工作的反馈意见并分享数据讨论绩效目标，促进了反馈的真诚性和团队的士气。他们正从一种从自上而下，流程驱动的方法转变为一种更敏捷持续，基于反馈的方法。

Foresight预测未来，辅助企业制定更好的商业战略

预测性模型可以发挥作用的地方有很多，比如柔性人员管理的需求。分享经济和众包市场改变了我们对劳动力管理的需求。从计划和安排人力，逐渐转移到根据需求预测来实时的调配人力。还有更多的数据分析包括预测高绩效员工的离职，并指出避免员工流失的最佳途径。创业公司Hi-Q Labs开发了一种仅通过外部数据（如居住地，上下班距离，职位，社交网络发布的数据等）就可以预测员工留存率的方案，号称比使用内部数据的预测更准确。管理者有了基于数据驱动的指导，帮助他或她了解最可行的保留高绩效员工的途径。

无论公司大小，人力资源中还有太多的问题，而我们知道的却太少。Gallup在美国2017年的员工调查中表示，在任何一个企业中平均51%的员工在找寻新的工作，79%的人认为他们的工作中缺乏指导。我希望更多的了解他们是谁和公司能做些什么。用AI取代HR是不可能的，现在的技术并不具备真正的智能，也没有社交协作和情感沟通的能力。但在写这篇文章的过程中，我很开心地看到创业者面对这些问题提出了很多独特的解决方案。期待更多的公司把AI融入到HR的环节里为所有人都重新定义一个更好的工作体验！

当工业革命开始的时候，科技带给我们的价值是机械的自动化和劳动生产效率的提高，劳动力的构成也因此而变得多元。随着2000年电脑和互联网的普及，不仅信息处理的效率飙升，我们也打破了物理环境的局限，实现了信息的连通性和人才的流动性。但技术红利给我们带来的生产力增长在2008年金融危机后就到达了瓶颈。而最近得以发展的传感器，人工智能，机器人等新兴技术会给我们带来怎样的变革呢？一个人平均需要3到5年的时间才能适应一次非连续性的技术突破，一个企业对于技术变革的适应只会更久。

当科技让世界扁平，企业可以通过快速复制达到巨大规模的时候，单个个体通过科技赋能所产生的力量也已今非昔比。世界的中心从商品转向到了人才。但同时我们也观察到，一个成熟企业随着员工数量的增多，创造力却在不断下降。随着业务发展速度的加快和组织形态的日益复杂，企业意识到了人才的吸引力和组织结构的敏捷性尤为重要。在人力资源的工作中，我们看到了一些可以用科技去重新定义的机会，HR在企业应对技术变革时可以起到的作用也至关重要。

理智与情感兼备，才是好的HR

理智，指的是用数据驱动的思维去发现，理解和解决问题。2016年美国企业在HR Tech投入比2015年增加了46%，到达140亿美金的市场规模。那么HR只有对日新月异的硬科技保持敏感，才能更早地让企业从传统的工作流程和陈旧的管理方式中转型，比如考勤打卡和KPI绩效考核。

情感，指的是工作中所产生的情绪和感受。我们在工作中和同事待在一起的时间远远超过和父母孩子相处的时间。员工对工作体验的期望会越来越高，他们希望有多元的文化，技能的积累和心灵的成长。如果把员工当做是上帝，那么HR这个产品经理，就要用心去设计每一个与员工交互的界面。员工期待的是简单流畅的体验，这就要求所有的企业服务走向消费化（Consumerization of Enterprise Software），所有以人员为基础的管理方式要转变为以人性为根本。

HR Tech的三个阶段

第一阶段：自动化流程和信息化集成

在这个阶段，人力资源系统做的事情是让公司的HR更加便捷地去管理公司员工。传统的SaaS主要是把人力资源的信息标准化，流程自动化。而新近的创业公司则在尝试用AI完成面试安排，会议时间协调等重复性高又标准化的任务。

第二阶段：关于人才的数据积累

企业的ERP存储了基于业务经营管理的数据，CRM记录了关于客户的数据，那么关于员工的数据，和人才的数据则应该统一实时地集中管理起来。

• 第三阶段：通过数据分析建造一个可以预测和辅助决策的智能系统

只有当构建了自动采集实时更新的数据库之后，智能的系统才能构建出来。对企业的经营做预测性分析且在重要的决策上起到辅助判断的作用。

AI+HR到底可以颠覆什么（Acquisition，Engagement，Analytics）

1、人才招募 Talent Acquisition

HR对招聘的理解早就不是招人这么简单，这是一场和业务部门肩并肩的全球人才供应链争夺战役。求贤若渴的企业不仅需要有人才大数据的支撑，还需要和人才之间达成使命感的认同和情感的连接。

从手动到自动

1994年，Monster推出了世界上第一个招聘网站。23年后的今天，纷杂的招聘渠道和落后的简历筛选技术再次造成了企业与求职者之间的信息不对称。简历太多，HR筛不完；简历太少，HR招不到。候选人投递的简历往往石沉大海。而HR每天收到大量的简历中，符合岗位要求的却是寥寥无几。招聘中70%的工作时间都用来处理简历，包括要登录多个招聘平台，在人才库进行搜索和筛选。在美国招聘的人效早就到达了瓶颈，70%的公司都在使用第三方的ATS来提高效率。

从被动到主动

一个优秀的人才能为企业产生的价值远高于以往，以后的人才市场会是永久性的紧缺。好的人才都是被动求职者，他们不需要主动地去寻找工作。如果希望招募到最好的人才，公司就一定要脱离被动的筛查而转变为主动出击。同时HR也需要用市场营销的角度去思考，用社交化的手段去建立一个对人才有吸引力的公司品牌。美国创业公司Textio正在帮助HR润色职位描述和宣传文案。Textio分析了大量可以吸引更多候选人的用词和表达方式，从而对HR起草的招聘文案进行评分，提出修改建议。比如它会更换一些过时的说法，也会针对不同性别受众的文字偏好做相应的文案调整。

从随机到精准

候选人的匹配远不止是技能匹配那么简单。即便所有公司都在招聘前端工程师的岗位，但最终不同的团队领导和公司文化所选择的候选人会各不相同。那么在众多的简历中，如何判断哪位候选人最适合当前的职位呢？我们的被投企业Celential.ai正在用机器学习的技术自动排序人才管道中的职位候选人。它会用自然语言处理技术分析候选人的简历，根据工作经历、表现、任期和流动率等信号对候选人和当前职位的匹配度打分。系统还会从简历数据库中学习成功的招聘案例，从而建立人才模型，更准确地预测候选人未来的表现。

从线下到线上

在美国40%的求职面试都是通过线上完成的。传统的面试是一个主观和非标准化的过程。人工智能面试分析公司HireVue正致力于通过提取原始视频中的措辞、面部微表情等信号来评估候选人是否符合岗位需求。NLP技术用于分析候选人的回答，计算机视觉技术则用于解读表情和其他非语言因素，试图用组织行为学的心理分析做预测。这个筛选方式主要的卖点就是提高面试效率，针对大批量同质化高的初级岗位快速筛选出进入下一轮人工面试的候选人。但是这些测评方式的效果如何，目前并没有明确的结论。

2、员工敬业度 Talent Engagement

人才是一个企业真正的血脉。当招募人才变难的时候，防止人才的流失才是最好的招聘方法。根据哈佛商业评论的统计，员工在一个企业的平均工作年限已经缩短到3.8年，其中26.7%的员工会在第一年就主动提出离职。在拥有全世界最好员工敬业度数据的美国，也只有33%的人表示对自己的工作满意。如果说公司是你的产品，而员工是你的客户。那么我们用NPS的考核方式去看看，你的员工有多少会向朋友推荐自己的公司？又有多少人在工作中真的像招聘宣传图片里的样子？

公司信奉用户体验是第一位的，最好的用户体验就一定不是偶然发生的。在设计用户体验的时候，产品经理都会先去了解他们的用户到底是什么样的一群人，会有哪些需求。他们会和用户一起交流讨论去挖掘新的想法，会在实际的产品中不断的迭代和测试新的方案。比如当我走进小红书上个月搬进的新办公室的时候，Think Different的公司文化扑面而来，与全世界分享好生活的伟大愿景渗透在了公司的每一寸墙上。我相信一个伟大的公司，一定会有一种自主，专业，又赋有使命感的员工体验，而这种体验一定不是偶然发生的。

从To B到To C

美国创业公司Glint尝试用简短无记名的员工意见评估代替传统的员工满意度调查问卷，然后利用机器学习、自然语言处理和预测分析技术，生成报告来解读员工对公司管理、福利待遇和企业文化的感受，为企业提出改进建议。在To C的Yelp和IMDB里，我们见证了用户评分和评论的力量。今天的To B员工系统里，也从陈旧的填表演进到了只是让鼠标悬停在一个五颗星的框里就可以评分的反馈。在现代灵活而分散的组织形态下，如果能及时识别出这些“不开心”的员工，并提出相应的改善计划，就能够有效提高员工的敬业度。

从亡羊补牢到防微杜渐

有88%的员工认为他们的入职体验很糟糕。通过自助服务和个性化体验，HR可以帮助新员工顺利开展工作。在候选人接受雇佣录取后，他们需要上传许多入职材料，同时对公司的规章制度还很陌生。HR大量的时间花在了处理这些琐碎的文案工作中。如果这些重复性高的流程细节可以交给聊天机器人，他们则可以专注于员工正在适应的新的工作岗位上。入职培训其实也存在着同样的痛点。如何在企业内部建立起知识图谱，给新员工推荐碎片化培训材料，并且依据学习进度推荐相关的内容也会是体验提升的重要环节。

3、人才数据Talent Analytics

大部分关于业务的决策都是数据驱动的，那么关于人的数据呢？现在美国只有8%的企业表示，他们具备可用的员工工作数据。

Hindsight读史以明鉴，管理层需要对过去的成功和失败有更清晰的认识

第一阶段的数据分析核心是可视化工具，提供和跟踪一个之前没有的数据集，比如用员工数据去做业务数据的相关性分析。大多企业现在只能看到核心HR数据和业务数据（比如营业额，任职情况，绩效评级），但以后会有更完善的组织关系数据（地点位置，员工协作，团队信息）以及个人工作数据（时间分配，情绪，健康）。随着这个数据集的不断扩大，管理层对经营成败和人员组织的关系会有更深刻的见解。比如为什么有些地方销售的生产力高，而有些分公司却出现欺诈盗窃的行为？

Insight实时的数据，才能更好地支持日常快速的商业决策

平均而言，一个组织的生产力在绩效考核时会下降40％，因为整个团队都忙着填表，而不是专注于手头的工作。大家可能认为OKR很专业，Google采用OKR，但其实微软做的更彻底，直接取消绩效考核，采用反馈机制。这几年美国出现了像BetterWorks和Reflektive这样的实现考核自动化的软件，使经理和员工能够主动咨询对当前工作的反馈意见并分享数据讨论绩效目标，促进了反馈的真诚性和团队的士气。他们正从一种从自上而下，流程驱动的方法转变为一种更敏捷持续，基于反馈的方法。

Foresight预测未来，辅助企业制定更好的商业战略

预测性模型可以发挥作用的地方有很多，比如柔性人员管理的需求。分享经济和众包市场改变了我们对劳动力管理的需求。从计划和安排人力，逐渐转移到根据需求预测来实时的调配人力。还有更多的数据分析包括预测高绩效员工的离职，并指出避免员工流失的最佳途径。创业公司Hi-Q Labs开发了一种仅通过外部数据（如居住地，上下班距离，职位，社交网络发布的数据等）就可以预测员工留存率的方案，号称比使用内部数据的预测更准确。管理者有了基于数据驱动的指导，帮助他或她了解最可行的保留高绩效员工的途径。

无论公司大小，人力资源中还有太多的问题，而我们知道的却太少。Gallup在美国2017年的员工调查中表示，在任何一个企业中平均51%的员工在找寻新的工作，79%的人认为他们的工作中缺乏指导。我希望更多的了解他们是谁和公司能做些什么。用AI取代HR是不可能的，现在的技术并不具备真正的智能，也没有社交协作和情感沟通的能力。但在写这篇文章的过程中，我很开心地看到创业者面对这些问题提出了很多独特的解决方案。期待更多的公司把AI融入到HR的环节里为所有人都重新定义一个更好的工作体验！

欢迎投稿 职场/创业方向. 邮箱wangfzcom(AT)163.com：王夫子社区 » 你不知道的HR Tech：用AI重新定义HR

标签：