通过大数据 以某种所谓“上帝视角”在全球挖人

简介:

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”。

大数据

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。”





====================================分割线================================


本文转自d1net(转载)

相关实践学习
简单用户画像分析
本场景主要介绍基于海量日志数据进行简单用户画像分析为背景,如何通过使用DataWorks完成数据采集 、加工数据、配置数据质量监控和数据可视化展现等任务。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
目录
相关文章
|
存储 资源调度 分布式计算
LC3|视角 开源大数据生态下的高性能分布式文件系统
## 背景介绍 盘古是阿里云自主研发的高可靠、高可用、高性能分布式文件系统,距今已经有将近10年的历史。盘古1.0作为阿里云的统一存储核心,稳定高效的支撑着阿里云ECS、NAS、OSS、OTS、ODPS、ADS等多条业务线的迅猛发展。但最近几年,基于如下两方面的原因,盘古还是重新设计实现了第二代存储引擎盘古2.0,其不只为阿里云,也为集团、蚂蚁金服的多种业务提供了更佳优异的存储服务 #
2454 0
|
6月前
|
存储 人工智能 大数据
从技术视角看大数据行业的发展趋势
从技术视角看大数据行业的发展趋势
|
SQL 分布式计算 Hadoop
【小白视角】大数据基础实践(七) Spark的基本操作
目录 1. Spark概述 1.1 背景 1.2 特点 1.3 使用趋势 2. Spark生态系统 2.1 Spark与Hadoop的对比。 2.2 Job 2.3 容错率 2.4 通用性 2.5 实际应用 2.6 Spark生态系统组件的应用场景 2.7 Spark组件 2.7.1 Spark Core 2.7.2 Spark SQL 2.7.3 Spark Streaming 2.7.4 MLlib 2.7.5 Graphx 2.7.6 Cluster Managers 3. Spark运行架构 3.1 基本概念 3.2 架构设计 3.3 Spark 运行基本流程 3.4 Spark 运行
288 0
【小白视角】大数据基础实践(七) Spark的基本操作
|
分布式计算 IDE Java
【小白视角】大数据基础实践(四) 分布式数据库HBase的常用操作
目录 1. 环境配置 2. 操作步骤: 2.1 环境搭建 2.2 Hbase Shell 2.3 Java Api 3. 结论 最后 1. 环境配置 ⚫ 操作系统:Linux(建议 Ubuntu18.04); ⚫ Hadoop 版本:3.1.3; ⚫ JDK 版本:1.8; ⚫ Java IDE:IDEA; ⚫ Hadoop 伪分布式配置 ⚫ HBase1.1.5
195 0
【小白视角】大数据基础实践(四) 分布式数据库HBase的常用操作
|
存储 分布式计算 网络协议
【小白视角】大数据基础实践(三)HDFS的简单基本操作
HDFS的简单基本操作 1. 实验环境 2. HDFS 2.1 简介 2.2 体系结构 2.2.1 NameNode 2.2.2 SecondaryNameNode 2.2.3 DataNode 2.2.4 通讯协议 2.2.5 局限性 3. 利用Shell命令HDFS进行交互 3.1 概要 3.2 目录操作 3.3 文件操作 4. 利用web界面管理HDFS 5. 使用JavaApi进行管理HDFS 5.1 导包并测试 5.2 题目 第一题 第二题 第三题 6. 在集群上运行 7. 结语 最后
261 0
【小白视角】大数据基础实践(三)HDFS的简单基本操作
|
存储 SQL 分布式计算
【小白视角】大数据基础实践(二)Hadoop环境搭建与测试
【小白视角】大数据基础实践(二)Hadoop环境搭建与测试
157 0
【小白视角】大数据基础实践(二)Hadoop环境搭建与测试
|
分布式计算 Ubuntu 网络协议
【小白视角】大数据基础实践(一)搭建Hadoop集群
【小白视角】大数据基础实践(一)搭建Hadoop集群
178 0
【小白视角】大数据基础实践(一)搭建Hadoop集群
|
存储 NoSQL 大数据
大数据小视角2:ORCFile与Parquet,开源圈背后的生意
上一篇文章聊了聊基于PAX的混合存储结构的RCFile,其实这里笔者还了解一些八卦,RCfile的主力团队都是来自中科院的童鞋在Facebook完成的,算是一个由华人主导的编码项目。
1500 0