如何用算法解决招聘难题？

为一个职位选择合适的员工颇具挑战。面对大量的简历，人事部也是苦不堪言。但即使企业有足够耐心把每一份简历都过一遍，却因人们种族歧视和狭窄性取景（指人们过分强调选择中的一小部分，而忽略整体。例如，选择面试当天表现最好的候选人而非招聘全程中的最佳人选）等心理偏差而导致糟糕的选择。对于精通高新技术的企业而言，应用最新的机器学习和大数据，可以让算法提升招聘决策的质量。

招聘本质上是一个预测问题，通过这个简单的事实可以看出招聘与算法之间的紧密联系。当一位管理者阅读求职者的简历时，她是在试图预测谁会在工作中表现得更为出色；销售是在预测谁最可能成功签到单；学校是在试图了解哪位老师会给学生带来更生动的课堂；而警察部门想要预判哪些警员会把附近社区的秩序维持得更好。

统计算法为解决预测问题而生，帮助提高人类决策的能力。它能帮助法官判断谁会在保释期间逃走，或协助卫生部查处哪些餐饮单位违反健康管理规定等。同样的，算法可以提高销售、教师和警察录用和晋升决策的精准度。

我们在最近一项招聘教师和警察的研究中进行了尝试，用机器学习算法把教师和警员特征的数据，如教育背景、调查和测试表现等转换为对他们未来表现的预测。结果显示学生和社区都会受益于这个数据驱动的决策过程。算法可以帮助国家解决一些最具挑战的人力资源问题。例如，数据可以帮助警方预测哪些警员更可能会涉及枪击或滥用武力的指控。

这当然会引起一些习惯了传统招聘方式的企业的争议。怀疑者们想知道更多，究竟使用了哪些数据来辅助判断。然而我们并不是说任何一种算法都会在招聘过程中产生完美的答案，并取代整个流程中所有的人际互动。我们的观点其实很简单，算法是管理者在进行招聘和晋升决策时的重要帮手，它有优势也有劣势，并且需要被管理。

问题不在于是否使用算法来招聘，而是如何在招聘中最大化地利用算法。也就是说，应该使用什么样的决策规则来选择最有可能成功的候选人？我们提出了使用统计算法选拔人才的五个原则，给对数据预测感兴趣的公司参考：

算法会一直遵循你已经设定的目标，只在此基础上不断优化，别无其他。这意味着你需要很明确对于“成功”的定义。通常，合适的评估矩阵将综合所有特征。例如，一位经理录用的销售人员时会综合考虑其能达到的营业额、成交率以及与客户关系的影响。

无论企业还是求职者都经常使用试探法来确定简历里最重要的部分（大学GPA？以前的职位？其他兴趣？），有效的算法需要结合人类的直觉、实验和迭代，来决定求职者的哪些特征可以帮助预测你所关心的评估矩阵。

每录用一个人后，跟踪他的表现并记录其求职时的相关数据。算法将使用这些数据来指引未来的招聘。但算法依旧渴望更多的数据：你留存的数据越多，预测就越准确。企业规模在这里是一个竞争优势。在员工越多的企业中，算法能学到的越多。

在评估以往表现时，一个常犯的错误是忽略了分配给不同员工的不同任务的难度。例如，如果最优秀的销售员负责最棘手的客户，他们的成交率可能最低。正确的评估矩阵须按任务的难度进行调整。

求职者或员工很有可能在评估指标里耍把戏，表面上提高得分，但未能准确反映他们的能力。销售就可能不计代价地达成交易，在评估指标中取得较高的分数，但实际上给公司贡献的价值却很小。预测到这些将帮助你打造覆盖面更广的评估矩阵，将这些战略行为也包括在内。

虽然统计算法有一定的局限性，但人的判断也总有缺陷。在较大型公司里，很难想到比结合人类和机器智能更好的招聘途径。换言之，在给某份工作选择合适的人才时，最好是兼用两者的长处。

公众号ID：hbrchinese

长按二维码，订阅属于你的“卓越密码”。