• 来 源丨HR Open Source

• 翻 译丨杨冬，GHR环球人力资源智库签约作者，汉能全球人力资源总部OD高级经理，南开大学MBA

译者PS：

从专业角度来看，Opower公司这个案例研究非常的有价值，

完整地展示了把招聘做到90分（优秀）是什么样的一种情况。

而且案例也非常完整，

从所处的情境、到尝试摸索、到取得一些成果、迎来发展的全过程，

最后复盘的观点也很有启发性，篇幅较长，推荐认真学习。

案例背景

关于Opower及其招聘团队

Opower是一家规模600人左右的公司，我们的使命是协助公共事业公司创建使用清洁能源的未来。

Opower成立于2007年，多年来，我们的产品在全世界范围内为客户节约超过10亿美元，足够整个州居民使用一年的电。

尽管我们对于分析工具&分析资源的预算非常有限，但我们拥有一位精于分析的HR成员，他会在所负责HR工作之余为招聘分析腾出一些时间。

与众多的招聘团队一样，我们的精力也主要被日复一日的招聘活动所占据,毕竟这就是我们的工作。

但这些年来，通过在工作中多动动脑子，而不是闷头苦干，我们取得了一些额外的成绩。

“精明工作”知易行难，我们做的还远不完美。

但我们能够充满自信的说，我们一直在进步——许多的进步依赖于我们使用数据进行深思熟虑、准确决策的能力。

动机

我们对人才分析的看法

当我们开始寻找人才分析（对于招聘与人力资源分析的概括性术语）领域的最佳实践时，我们发现事实上几乎所有的文献都是以那些有着充足预算的大型企业为实例的。

这的确令人生畏，我们也很清楚我们完全不可能与Google这样的企业同日而语，它们有着精于人力分析的独立部门。

我们所知道的是，

人力分析职能的充分发挥为企业的组织健康带来了巨大的收益，包括更佳的招聘质量、持续提升的业绩表现、更优异的招聘指标，甚至还有持续增加的利润率。（Bersin 2013）

我们也希望在Opower看到这些变化，但我们必须脚踏实地，从小处做起。

在进行了将近一年的分析（工具）开发之后，我们才偶然发现了Bersin的人才分析成熟度模型。

它绘制出了在企业建立人才分析职能的全过程，并根据企业使用人力资源数据的方式将他们归于不同成熟度的四个阶段。

我们对照德勤贝新成熟度模型制定了路线图。

我们与大多数企业一样——只是在需要时汇报指标数据，而并不真正解决问题或进行预测。

Bersin也提示了这一晋级的过程实际上并不轻松。

这张图指出了一些重要的东西。

第一条非常明显：

企业在人才分析上的投入越多，产出也就越多；

其次，在层级1到层级2之间存在着一个大多数企业需要突破的“瓶颈点”——它们需要付出相当多的努力才能掌握高级汇报的窍门，同时也才会开始思考是否在数据分析领域投入会取得相应的回报。

但是，直到企业开始运用数据解决问题并进行预测，数据分析的真正价值才得以体现。

这也正是属于我们自己的“啊-哈”时刻——

接下来的唯一问题就是我们还没有成为那种有着充足预算的大企业，我们所面临的挑战是充分利用每一分钱。

我们所做的事

▍2014：挺过最艰难的时刻

首先让我们简要回顾一下在发现Bersin的研究之前我们的生活状态：

2014年，我们刚刚开始对人才分析领域进行投资，我们的招聘团队还在成长发展之中，企业即将上市，我们也希望在分析领域拥有一些不错的资源，以帮助我们跟进我们的目标。

Scott Walker，刚加入Opower时担任采购开发工程师，在兼职为我们设计数据仪表盘6个月之后，决定全职加入分析团队。

在这一全新角色中，Scott的职责是为人力资源部门提供例行的招聘数据分析。

从到岗时间、电话沟通时间，到人才筛选各阶段的转化指标，数据分析涵盖了招聘指标所涉及的方方面面。

起初，仪表盘是一项广受欢迎的改变。

在会议前招聘人员精心准备，那些根据企业Logo进行配色的图表也的确非常精美。

但很快，在几个月之后，Scoot和分析团队意识到仪表盘的作用仅仅是“作秀”——它们并不产生任何洞见，我们也没有使用这些数据，招聘经理在拿到指标结果后会说“OK，我知道了，所以我们要？”

我们同时还面临一项重大的问题：数据准确性，因为招聘人员在使用系统的方法并不一致。

我们陷在了分析的第一层级，的确遭遇了Bersin图表中的那个“瓶颈点”。

另外一项挑战是，当我们刚开始进行数据分析的时候，我们并不知道要如何去讲述数据背后的故事，就像小孩子第一次精心打扮自己——把各种各样的饰品大杂烩一般堆在身上，到最后只能是一团糟。

最后的仪表盘非常令人尴尬（如上图），原因包括但不限于以下内容：

• 速度计；

• 除了“一季度offer接受数”，其他数据无法显示我们实际工作业绩的好坏；

• 不恰当使用饼形图用以比较不同候选人雇佣与渠道之间的差别；

• 并未引导报告阅读者关注我们希望展示的重点；

• 在对招聘人员比较时未考虑所负责岗位的难度与类型；

  
  

▍转折点

经过了2014年的失败，我们的分析团队也通过实践、反馈，接受内部分析专家的指导得以不断提升。

同时，无论作为公司或是团队，我们也有了崭新的开始——Opower成为上市公司，企业发展方向进行了调整，我们的招聘需求也变得更加难以预测。

我们那些精通于某个领域特定角色搜寻的招聘人员，也不得不学习不同领域的业务特点，以满足不断变化的招聘需求。

相应的，对劳动力的管理与对招聘团队业绩的评估就变得越来越来困难。

在这段时间，Dawn Mitchell，我们的现任总监，被任命为团队负责人。

接踵而至的变化令我们意识到，我们需要彻底改变我们管理团队以及达成目标的方式，我们还需要制定战略，以指导我们公布使用数据的方式。

也就在这个时候，我们注意到了Bersin对人才分析的研究，也几乎是同时，我们立即丢弃了现行的那套为达到特定目标而设计的仪表盘。

▍过程——2015：就全新框架开展的“试验风暴”

与头脑风暴不同，2015年一整年我们都在开展“试验风暴”——在未经过充分论证或设计尚不完美时就进行试验的方式。

为了开展尽可能多的试验，我们不得不快速取得数据，在还不确定是否奏效的时候就通知并尝试新的数据分析方法。

我们来看看过程是什么样的。

1.清理候选人跟踪系统，清空大脑

为了令我们的分析能力达到层级1并进入健康的发展轨道，我们必须掌握精确的数据。我们通过两步来实现这一目标。

首先，我们用了一个月的时间来“清洗”我们的历史数据——删除错误数据、编写了一份“清理工作”手册并附以准确的指标；

其次，我们强制性的要求招聘人员使用招聘跟踪系统并执行为期为3个月的，每周工作回顾。

听起来这很糟糕，而且的确也是，但是每周的工作会议却非常简单：每位招聘人员被要求在会议室中接受1小时的某一类工作回顾，对于选择哪一类工作他们并不事先知情。

如果招聘人员的数据出现了错误，第一次时并不会有令人不快的后果。我们将会把这看作一次学习的机会，要求他们在下一次会议之前予以改正。

我们发现，在大多数情况下，礼貌但公开化的助推行为足以保证数据的准确。

尽管完美的数据是不现实的，但经过3个月的运行，我们的数据已经足够准确。

之后，我们停止了每周例行的会议，取而代之的是开展周期性的审查，以确保不出现反复或反弹。

2.招聘人员负荷与绩效：四象限模型

在完成历史数据的清理工作之后，我们着手解决下一项重大挑战：将数据真正用于解决问题。

由于我们所面临的其中一项重大他挑战是管理团队能力，因此我们决定从这里着手。

一个我们总是努力回答却又不愿回答的问题是：“我们究竟需要多少招聘人员，才能达成XX个的招聘目标？”

问题的答案显然与招聘的岗位类型相关，但是对于为何某类岗位与其他岗位间存在差异，我们并没有基于数据的解释。

因此，我们对一种称为“四象限模型”的框架——通过招聘难度而不是招聘量评估招聘人员工作负荷与目标的方式——进行了测试。

首先，我们根据不同岗位的招聘难度完成了背景调研，综合考量了招聘周期、人才库质量、市场稀缺度以及针对不同岗位的招聘人员负荷。

在大多数调研中，我们发现招聘难度与候选人技能构成在人才市场中的独特性以及我们对这一岗位的需求频率高度相关。

于是，我们根据这两个维度将各类岗位划分为四个象限，通过赋予每个象限与招聘难度相关的不同分值，我们得以经过计算出招聘人员的分值来衡量他们的工作负荷。

此外，建立在历史数据的基础上，每个象限也都设置了不同的到岗时间要求。

例如，位于第2象限的岗位招聘难度可能相对没有那么大，比如项目经理——这类岗位的技能构成相对常见，而我们也总是在招聘，因此我们招聘的速度也相对较快。

相反，位于第4象限的是我们最为困难的岗位，比如工程副总裁——这类岗位的技能构成非常独特，我们也很少招聘，所以通常需要花费好几个月的时间才能够找到最为合适的候选人。

每个象限的分数代表对应岗位类别所需要付出的努力，这也意味着招聘人员在招聘一位第4象限候选人所付出的努力应当与招聘两位第2象限候选人相当。

在2015年，大多数招聘人员每个季度交付的人员大约在25~30象限得分之间，由于我们会根据岗位的难度进行调整，因而他们的负荷也相对公平。

以下图中的Sally和Bob为例，你们会看到招聘人员绩效指标已经二者之间的比较：

上图显示，尽管在平均到岗时间指标上Sally的表现远不如Bob，她的招聘周期更长，但细分到每个象限的岗位上，她的及时到岗率却更好。

Sally同时也达成了更多的象限得分，相对她所在团队的其他成员，她所负责岗位的招聘难度也更大一些。

此外，如果我们关心Bob的绩效表现，我们可以更为深入地分析其中的原因——

是否候选人被卡在了某个特定的面试环节？

Bob在电话面试时是否进行了有效的资格审核？

Bob候选人的开发是否得力？

通过这种方式，四象限模型成为了我们进一步分类与深挖数据的起点。

更为重要的是，四象限模型帮助我们切实提升了绩效。

在知晓并明确了招聘负荷与目标背后的基本原理之后，我们总能实现既定的工作目标，同时，2015年我们也将平均招聘周期从93天下降到了67天。

需求预测与资源获取

在之前的数年中，我们的招聘预测都是这样做出的：

我们会询问业务负责人当年的招聘需求，结合我们往年离职率评估异动情况，然后，预测搞定。

但不幸的是，这种粗略的预测与实际情况大相径庭，我们也根本无法评估达成招聘目标所需要的资源。

2015年，通过数据与计算，我们已经能够进行更为精确的离职率和增长预测。以下是我们在2015年进行的一些新的预测实践：

• 创建离职率趋势模型，而不再使用平均历史离职率数据；

• 在半年度计划中引入了“计划外岗位”分析

• 引入了人员异动率以及进一步的重新需求招聘(backfill，因员工离职而重新出现的招聘需求)分析

• 在搜寻过程中取消一定比例的岗位或对岗位描述进行调整

• 对招聘人员离开团队的可能性、人员补充及达到标准交付能力周期进行估算（对我们而言，这一周期大约是4~6个月）

• 认识到用人部门经理通常只知道他们当下的招聘需求，而不是半年后的需求。

当我们展示我们对业务带来的招聘需求的预测时，的确遭到了普遍的怀疑。

这些预测被认为是“主观合成”的——因为人头的增长相对有限，因此招聘需求应当也是放缓的。

对此我们并没有进行反驳，业务部门有他们的预测，而我们进行我们的预测，让我们看看事实是什么样的：

上图显示了在招聘需求的预测方面，我们的预测方法比最初的业务预测更为有效。

对我们而言，这是一次重要的胜利，但接下来的问题就是根据当前的团队情况，我们的交付能力只能满足预计招聘需求的70%，因此我们不得不申请更多的预算。

同时我们向管理层汇报了针对以下3种不同情境的规划：

• 与当前已有资源所匹配的能力

• 能够立即满足当前招聘需求、但成本相对更高的短期资源需求

• 相对经济一些、能够满足85%的招聘目标所需要的长期资源需求

细看一下我们针对不同情境的预测

可能正如你所猜测的，相对于在猎头渠道上投入大量的成本，我们都同意了相对经济一些的方案，所减少的35万美元开销并实际上并没有看上去预算减半那么糟糕。

另外需要特别注意的是，以上情境中的每一项预测或结论都来源于数据分析并经过了实际情况的实证检验。

下面是根据更为经济的方案我们所达成的结果：

▍起到的效果

• 我们100%达成了2015年237人的招聘目标

• 平均每个月通过Hired.com招募到2个招聘难度非常大的技术类候选人

• 长期资源的投入（合同工、全职雇员）带来了每季度约20人的到岗人员提升

• 2季度的临时奖励方案有效提升了招聘产出（月度平均到岗时间缩减了4天，每位招聘人员大约额外完成了2个岗位的招聘任务）

  
  

▍未能实现的目标

我们的重大失误是针对工程技术人员的10000美元内部推荐奖励完全没有奏效。

我们已经有了非常丰厚的内部推荐奖励项目，因此10000美元额外的奖励并没有带来预期的效果，它所增加的只是不合格人选的数量。

整合人力资源与招聘数据

2015年我们投入精力所开展的一项重要工作是将招聘数据与其他人力资源数据进行整合，以寻求更为整体与系统的人员战略。

来自更多领域的数据能够揭示有关面试有效性、招聘质量、重新需求招聘(Backfill hiring)预测等重要的信息，并产生一些令人力资源总体受益的洞见。

让我们回顾一下我们近来的发现。

▍面试能够预测绩效表现吗

作为关注招聘质量的开始，我们检验了面试得分是否能够预测员工的绩效表现。

以261位新入职员工为样本，我们将面试得分与绩效回顾的得分进行了比对。

我们发现，当面试官由5人或更多人组成时，面试得分能够预测绩效表现；然而，如果某项聘用决策是结果少于5人面试而做出的，这一相关性就消失了。

尽管我们都了解相关性应当被谨慎看待，但这一发现对我们的招聘策略产生了重大影响——这是对于我们曾经提出的仅仅依靠几个人（而非整个面试小组）是难以做出有效的聘用决策这一观点的首次验证。

▍招聘质量是否与招聘渠道相关？

绩效评分是衡量招聘质量的一个因素，另一个因素便是员工保留率。

几个月前，我们想了解不同招聘渠道的员工保留率是否存在差异，因此我们就主要的招聘渠道分别分析了1年于2年的员工保留率，数据是这样的：

有趣的是，无论是1年或是2年，管培生与员工内部推荐候选人更倾向于留在Opower，而网络招聘、猎头渠道或被动招聘的保留率则远低于此。

一种假设是内部推荐与管培生在正式加入Opower之前，就能够得到关于实际工作情况最为真实的信息——他们要么已在Opower工作，要么已与他们在这里工作的朋友进行了充分且坦诚的交流。

相反，猎头机构或招聘团队则更倾向于展现企业与团队积极的一面，因而或许未能帮助候选人对企业有客观的了解。

而另一种假设是，内部推荐与管培生更有可能在Opower建立更佳的人际网络。

无论是哪一种原因，我们都能够藉由这一数据，考虑在员工推荐与管培生项目上加大投入，以建立起良好的员工价值主张，并进行一些促进员工保留的尝试。

另外，我们完成了对不同招聘渠道间绩效回顾表现的类似分析，内部推荐、通过网络招聘或招聘人员主动搜寻的候选人，其绩效分布并未显示出明显的差异。

未来，我们还将研究这一趋势是否会持续变化、并评估特定岗位员工的胜任能力，以分析我们的岗位描述与部门经理对特定岗位的要求是否匹配。

▍基于员工离职的招聘需求预测

四象限模型让我们能够评估因人员离职而带来招聘难度。

首先，历史数据显示我们有60%的重复需求招聘出现在第3与第4象限，而40%的重复招聘出现在第1象限和第2象限，这意味着在评估需求与资源后进行团队组建时，我们要引入衡量持续增加的重复需求招聘难度的因素；

其次，伴随企业规模的扩大，离职人数的规模也会相应增大，这也将直接影响到我们的招聘计划；

第三，我们将现有员工按照四个象限进行了分类，从而识别与评估不同类别员工的司龄与离职风险。这是我们今年对此作出的预测：

▍所犯的错误

既然我们还需要一些时间继续推动战略的实施，让我们抽出些时间来回顾一下我们所经历的一些失误与遇到的障碍：

1.汇报与分析之间的平衡

我们依然会收到关于数据分析或呈现方面的一些额外要求，频繁应对这些要求会牵扯我们进行“真正分析”的精力。

“OK，那我们再聘请几个分析师吧”——说起来容易，但对于有规模限制的团队而言，这样的话毫无意义。

在资源有限的条件下，我们不得不放弃一些无法实现的想法，同时我们也变得更善于考虑优先级。

2.工具与系统

目前我们大部分的分析仍然依靠Excel来完成（译者注：这听起来还算是一个不错的消息）。

它很便宜，能够实现我们想要的结果，但是大多数事情仍然需要手工操作。

2016年，我们的主要目标之一是采用像Tableau这样的自动仪表盘工具。

3.职责共担

我们的另外一个失误是仅仅让团队中的一位成员负责数据分析。一旦他外出，或有其他的项目工作，就没有人能够临时接替。

我们需要加强团队内部的培训以拥有后备能力。

4.令更多的人了解我们

大多数同事还不了解我们如何在人力资源与招聘中运用人力数据，无论是通过季度的内部邮件、通告栏的公告或是对于重大项目的常见问题，我们都应该在更为广泛的范围内分享我们的研究发现。

5.人员招聘的要点

以下是一些确保我们的数据分析健康发展的一些“最佳实践”，尽管在很多方面我们做的还不够出色，但我们实践的越多，我们的数据分析能力就会越强。

必做之事：

• 设定目标：定义成功，设定可行的、可衡量的目标并实时跟进，能够衡量才有机会改善；

• 令你的分析师成为“内部人士”：邀请他们参加战略性会议，他们知道的越多，就能发挥越大的价值；

• 讲述故事：你的指标与图表并不会讲话，对要点进行归纳并强调图表上的重点，帮助你的观众更好的理解它们；

• 保持好奇：当堆砌在一起的时候，招聘数据毫无帮助，挖掘、归类、识别真正的根源。

• 竭力寻求资源：如果你需要资源或专业支持，大胆的求助！向其他部门有分析背景的同事咨询、邀请他们协助你的分析策略；在必要的时候，请求企业的其他分析师批评你的工作。

禁止之事：

• 不要令完美成为优秀的敌人：如果你坚持要求完美无缺的数据，你就会误入歧途、错失取得更大成就的机会。不停的询问“与100%准确的数据相比，95%准确的数据会对业务带来怎样的收益？”

• 不要轻视快速成效：从你已有的数据着手，复杂与昂贵并不总是好于简单与廉价；

• 不要将时间耗费在次要事项上：作为一名数据分析师，你的时间会很容易被那些与你总体战略不符的事情所占用。不必顾忌推掉一些请求；

• 不要垂头丧气：分析=延迟的喜悦。期初，你将在基础的工作与问题上投入大量的经历——尽管它们可能并不产生价值，但那只是暂时的；

• 不要懈怠：持续迭代，重新评估指标的价值，持续优化你在仪表盘展现的信息，保持全情投入。