君，已阅读到文档的结尾了呢~~
广告剩余8秒
文档加载中
如何搭建科学高效的人才招聘选拔体系[方案]
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
如何搭建科学高效的人才招聘选拔体系[方案]
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='/DocinViewer--144.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口您好，欢迎来到诺达名师！
客服热线：400-777-1221
当前位置：>>>高效构建“4S”招聘选拔体系
高效构建“4S”招聘选拔体系
主讲老师：（ ）
课程价格：18000元/天
常驻地：深圳
咨询热线：
400-777-1221转1
参加该课程可获取180积分（积分可累计使用）
高效构建“4S”招聘选拔体系课程大纲
中层干部, 基层主管
　　第一部分　概论　　一　企业招聘过程中常见的若干问题　　准确选人的重要性　　各企业人员招聘绩效现状　　招聘失误的巨大经济成本　　招聘过程中最常见的六大问题　　导致招聘常见问题的八大原因　　二　招聘体系4S模型及招聘关键绩效指标　　招聘体系4S模型　　衡量招聘效果的4个关键指标-“多、快、好、省”　　三　人才招聘选拔的规范操作流程　　国外权威专家关于招聘流程研究的最新观点　　推荐一个比较规范的招聘流程　　案例分析：某通信标杆企业的招聘流程分析　　第二部分　招聘标准的建立（Standard）　　四　素质模型的建立及三大类人才的通用素质模型（重点）　　素质模型的故事和概念　　管理人员素质模型介绍　　销售人员素质模型介绍　　研发人员素质模型介绍　　如何建立素质模型的方法　　五 如何进行招聘需求分析（重点）　　1. 招聘需求分析的必要性　　2．招聘需求分析的操作流程　　3．招聘需求分析的常见错误及预防　　4．案例分析：某公司行政主管招聘需求分析及调整　　第三部分 招聘渠道（Sourcing）　　六　招聘的渠道选择　　1.拓展人才来源和招聘渠道，解决用人短缺问题的系统思路　　2.国内外招聘渠道的最新变化趋势　　3.网络招聘的优缺点及适用范围　　4.内部员工推荐的优缺点及适用范围　　5.人才市场的优缺点及适用范围　　6.同行直接挖角的优缺点、操作办法及适用范围　　7.猎头招聘的优缺点及适用范围（含如何选择猎头公司）　　8.案例分享：一个成功从同行猎取销售精英的案例　　第四部分　招聘甄选方法（Selection）　　七 简历筛选方法和技巧　　1.简历筛选两步法：排除法、优选法　　2.简历筛选中常见错误及预防　　3．案例分析：一份好的简历，一份差的简历　　八 如何运用电话面试来初选人才并避免现场面试的“爽约”现象（重点）　　1.电话面试的三个目的　　2.电话面试的注意事项　　3.电话面试的操作流程和技巧　　4.案例分析：一份销售人员的电话面试指导手册　　九　如何运用行为面试来甄选合适人才（重点）　　前奏：传统面试的现场演练VS行为面试的现场演练　　传统面试的特点和低效　　行为面试与传统面试的区别　　为什么要运用行为面试　　行为面试的环境和位置安排　　确保行为面试成功的十个要点　　行为面试的操作流程-五步法　　第一步 对公司和拟招聘职位进行深入理解　　第二步 识别职位关键成功要素　　第三步 开发能识别关键成功要素的问题　　第四步 成功实施行为面试　　第五步 评估候选人　　行为面试的六大实操技巧：提问、倾听、观察、控场、记录、分析　　行为面试中得到一个完整故事的两个操作模型：5WIH+PS模型，STAR模型　　面试中识别谎言的四种方法　　面试中要避免的七大常见错误　　除了考察胜任度还要考察适配度，适配度的六个方面　　HR如何在公司内部推广行为面试方法　　13．案例分析：美国金色围栏酒店集团运用行为面试成功选人的案例　　十　 资信调查方法　　资信调查的目的　　资信调查的注意事项　　资信调查的操作流程　　资信调查中如何确保信息的真实准确　　案例分析和讨论：某行政经理的资信调查　　第五部分 巩固确保加盟（Securing）　　十一　 如何吸引、说服优秀人才加盟（重点）　　深入理解各类优秀人才的个人需求　　充分挖掘公司和部门的优势　　坦诚而积极的沟通　　介绍一个说服人人才加盟的模型　　5. 案例分析和讨论：一个10万年薪PK掉15万年薪（跨国公司）的经典案例
综合人力最新内训课
“高效构建“4S”招聘选拔体系”报名
公司名称：
电子邮箱：
电话手机：
课程需求：
请如实填写您的联系信息，我们将在一个工作日内与您联系。
相关内训课
您可能遇到以下问题：
本课程不太适合我
找不到合适的课程
找不到合适的老师
近期公开课后使用快捷导航没有帐号？
只需一步，快速开始
查看: 1165|回复: 0
如何构建一个高效的数据科学部门科技
主题帖子积分
萧湖, 积分 2920, 距离下一级还需 2080 积分
萧湖, 积分 2920, 距离下一级还需 2080 积分
　　相反的，应该给人们工作从终端到终端的所有权（自治权）。对于数据科学家来说，这意味着对ETL的所有权。这也意味着数据分析和数据科学产出的所有权。数据科学家努力的最好结果的消费者应该是机器，而不是人。不是一份报告、数据面板或PPT，它应该是某种算法或API，被整合到工程栈 ――从根本上改变企业的运作。自治权是指数据科学家拥有该代码。从开始写代码到最后投入使用。他们应该能够不需要工程师的许可就可以进行研发和调配，并负责到底：产品的性能，延迟和SLA要求等等。
　　记住，工程师们是在创造乐高积木，数据科学家团队是在组装他们。如果数据科学家团队不需要纠正积木而只是组装，他们就会一直努力直至创造出解决方案。他们会通过组装错误的积木（把方块放到一个圆洞里），或者创造他们自己的积木来解决问题。一般他们会陷入混乱（Big Mess）。原因是一旦被创造出来就很难被撤销。
　　我真诚的希望分享我们的做法能够鼓励那些非传统架构的部门也进行这样的尝试，鼓励数据科学部门的负责人不受拘束的思考，鼓起勇气去挑战传统，告诉那些对传统角色非常失望的工程师和数据科学家，有不同类型的工作环境等待着他们的加。
　　这取决于你的目标是什么。如果你同意我上面的观点，那这个运行方式已经存在了很多很多很多年，从商业智能出现的时候（对于硅谷来说简直就是远古时代，译者注）。但是我坚信这个方式是非常低效的。除了做幻灯片和好看的数据面板之外，你的数据科学部门应该有更大的抱负！
　　几年前，我就是为此加入了Stitch Fix。在Stitch Fix，我们力争做出世界上最好的算法和分析。我们试图用我们的成果引领商业潮流。除非你愿意大胆质疑、重新思考你认为不好的事情，否则这是一个很难的完成的目标。
　　◆ ◆ ◆未来
　　与其试图模仿知名企业的固有框架，我们更需要创新和发展新的模式！
　　当项目遇到困难时更要保持警惕，例如，API断裂或者算法产生了不好的结果。
　　翻译：薛菲,小丛,Aileen,冯丽丽
　　大数据文摘作品，转载需授权
　　无论是什么角色，凡人和伟人间一个重要区别是他们对于创造的渴求和创新的能力。伟人能够发现问题并创造性地解决问题，这使他们远离平庸。他们在一个能够自治、拥有所有权、能够专注的环境中表现卓越，并且他们渴求这样一个环境。
　　下面是一个创建高效运转、引领创新的数据科学团队的蓝图，它是通过统领思想、APIs和代码一起产生的，而不是被业界的变化牵着走，也不是为了试图重新定位而被迫生硬地组合着PPT演示稿。
　　人们是不愿意改变的。人们总是倾向于重新创造一个他们原本熟悉的工作环境。这就会对恢复“动脑的”-“干活儿的”（Thinker-Doer）模型产生压力。新雇员需要快速熟悉新结构。
　　选文：薛菲
　　然而，我们并不是期望数据科学家突然成为优秀的工程师。也不希望工程师完全不了解业务逻辑和垂直举措（vertical initiatives）。实际上，合作是这个模型取得成功所必须的。工程师们需要建立防线，来防止数据工程师掉进陷阱，产生一些不能扩展的、不可靠的解决方案。
　　◆ ◆ ◆“动脑的”“干活的”混血
　　我们的目标是引领，而不是简单的开发，我向你推荐一个我认为能更好地搭建数据科学部门的方法。这个方法可以更好地达到角色自治，每个人真正拥有从头到尾的任务所有权，并为最终的投产和结果担起责任。这个方法最适合那些拥有快速发展的商业模型（或数据模型）的公司。
　　你可能也发现了，在这个设计中所有人都是“干活的”。在大约10年前，大数据和数据科学刚刚成为流行语时，已经有非常成熟的商业智能部门了。在这些部门里，“干活的”比较多，但“动脑的”不够。所以就专门为“动脑的”设置了一个岗位。我们把数据科学家和商业智能部门整合在一起，保证他们有能力自由摆弄数据和直接改变公司业务。聪明的读者你可能已经猜到了，现实并不是这样的。这些数据科学家偶尔可以做出一些不错甚至酷炫的东西出来，但是大多数时候，他们的工作仅仅是水平高一点儿的报告开发者。
　　◆ ◆ ◆让每个人都能做最好的自己
　　◆ ◆ ◆一个有挑战性的合作方式
　　最近五年里，数据处理工具和技术获得了飞速的发展。除非你需要处理PB级别的数据，或者每天要处理千亿级的事件，现阶段大多数技术已经能轻松满足你的需求了。
◆ ◆ ◆ 所有的工作都由科学家来做吗？
　　看着我们的部门过去两年的成长，我很有信心来分享一下我们在做些什么。
　　◆ ◆ ◆不要害怕低效
　　在数据领域中，工程师们常常担心，无论你的职位描述是什么，你其实是想偷偷地招聘一个ETL工程师。
　　那么你只能去找一些资质平庸的工程师。他们会让你的项目更加复杂，还记得上文的恶性循环嘛？最后的结果就是有一组数据科学家，他们只能做一些以前报告开发者做的事情，因为并没有一个创新的、稳定的数据平台帮他们实现想法。但是如果你的招聘启事上侧重于实现的方面，这些人绝不会来应聘的。毕竟他们是“动脑的”，又不是“干活的”！
　　然而现实很残酷，这种状况很少发生。在大多数公司中，数据科学家和工程师之间的合作经常是低效率的，有时甚至形同陌路。
编译团队介绍
　　数据科学家总是嫌弃数据工程师的执行效率太低，而且工作周期、路线图和动机不协调。在数据工程师将他们第一个版本的想法放到A/B测试时，他们的第二个和三个版本的想法已经出来了。数据科学家的抱怨是完全有道理的。
　　以防你还没有意识到这一点――没有人喜欢书写和维护数据管道或ETL。这是业界谁都不愿意干的。ETL工程师就是平庸的代名词，这实在不是什么值得惊讶的事儿。
　　总的来说，我们希望允许数据科学家拥有自主权和创新产生的结果能够弥补因缺少技术专业性而带来的低效。
　　在没有得出解决方案的框架前，工程师要与科学家合作来开创解决方案。而不是甩手不管。工程方面的挑战是建立自服务组件，例如数据科学家可以自主的重复业务逻辑和算法，将他们的想法应用到业务中。有了最初的的解决方案后，谁拥有什么就很清楚了。工程师拥有他们建立的基础结构，数据科学家拥有业务逻辑和算法实施方案。这就不需要重复任何紧密耦合。
　　数据工程师总是嫌弃数据科学家写代码又差又慢，从来都不考虑把这些想法投入产品中会产生多大的后续影响。还嫌弃这些“动脑的”总是提出一些不切实际的要求，最后的结果也并没有多么好......他们的抱怨还有很多，这里就不一一赘述了，你懂的。
　　[译]天龙八步：8步让你变成数据科学家
　　除非你想把现有技术级别再推进一层，一般来说你是不需要一组专业工程师在这些技术上层构建解决方案。如果你成功的招聘到了这样的人，他们很快就会觉得无聊。如果他们感到无聊，他们绝对会很快抛弃公司投入谷歌、脸书、领英（译者注：国内同理百度、腾讯和阿里）这类公司的怀抱。在这里，他们的专业技能才会真正被需要。如果他们做的还挺开心的，最大的可能就是他们非常平庸。水平一般的工程师最擅长的事情就是把复杂的事情搞得更复杂，制造出一团他们称作“解决方案”的乱麻。因为越复杂的事情越需要专家。
　　基础设施工程师的情况也好不到哪里去。所有的人都往集群的磁盘上堆积数据，很快就需要清理了。平时他们没有机会接触上面的两类人，对于他们如何使用这些基础设施，以及这些人要解决的技术或业务问题并不是很了解。这让他们在解决问题提高当前境遇时觉得自己微不足道。这时候，他们就限制大家对基础设施的使用。这样一来，只能让其他人对他们更加恼火。
　　咦？好像商业智能部门兜兜转转但是本质并没有变，仅仅是把Hadoop集群加进去就摇身一变有了新名字。
　　第二 大家都想当“动脑的”
　　完全不是这样的。如果有这样的事情话，工程师的角色比标准模型中角色更具有挑战性，要求也更高。数据科学家也是一样的。我们并不是为了效率来优化组织，只是为了优化自治权。这能够明确想法的所有权和传递责任。
　　然而，很明显，从终端到终端的所有权（自治权）效率较低。数据科学家是他们的解决方案的实施领域里的专家。因此，他们很容易在技术成本、支持成本与要求之间做出权衡。
　　例如，他们可以决定在特定位置取样，在适当的位置使用合适的方法，并做出增加某些特征的决策，即使这个决策花费了高昂的开发成本，却只产生了微不足道的业务影响。这在科学家和工程师的装配线式合作模型中基本不可能发生（如果他们非要这样做，通常需要无数轮谈判）。
　　第一 你的数据根本不算大数据
　　数据科学家：数据科学家喜欢解决那些与业务纵向连接的问题，那些通过他们的努力能够对组织或项目的成功产生重大影响的问题。他们致力于优化某些事情或进程或从头开始创造一些东西。这些都是点导向问题，他们的解决方案也是点导向的。他们通常涉及到业务逻辑的重新组合，重新思考问题该如何解决，和如何创新。因此，他们需要深入了解业务的具体部分是如何操作的，并且与垂直业务部门保持高度合作关系。
　　让数据科学家拥有更多权限，其中一个后果就是他们可能无法像工程师一样写出有效的代码或解决方案。我们为了速度和自主权牺牲了技术效能。意识到这是一个深思熟虑后的权衡，这很重要。
　　一个恶性循环就这样产生了。
　　重磅：如何不花钱就成为数据科学家？
　　所以，那么在这个新的、横向的世界中一个工程师的作用是什么呢？概括起来，工程师们必须能部署平台、服务、概念和框架，使数据科学家来能够自由的构想、开发和实现他们的想法（如工具、框架、或用于构建、安排、执行ETL的服务）。我喜欢用乐高积木的角度去思考它。工程师设计新的乐高积木块，数据科学家用创造性的方式来组合积木，创建新的数据科学产品。这谈何容易，但是：
　　人们在这些情况下表现非常敏感。他们会坚持工程师们应该承担责任。但是，他们是在强调表面现象而不是问题。工程师们应该建立更好的平台支持、可视化、概念（abstractions）和弹性（resilience）。并且，他们应该意识到工程师们也会犯错――没有人不犯错。
　　组装线的模式恰恰造成了截然相反的环境，等于把数据科学家的手铐在工程师身上。（事实上，“动脑的”也讨厌自己要依赖“干活的”）。关键就是要营造一个每人都能拥有自治权、任务所有权和能够专注的环境。
　　ETL - Extract Transform Load 抽取 转换加载，代表从源数据清洗加工到数据仓库的过程。
　　那是因为我们已经把这个想法根植于他们心中。为此，我们应该感谢已经存在了多年的大公司，他们在大数据风潮出现之前已经成立了商业智能部门......
　　这篇文章在Hacker News转载后产生很热烈的讨论，主要是从工程师的角度来看问题，讨论了很多有关人员管理和团队分工等一些很现实的问题。不是所有人都同意文中的观点和解决方案，也有很多人写出了自己的经历来佐证作者的想法。争议主要在于ETL工程师的工作价值以及不同职责间的分工问题。
　　最根本的问题就是这个方案假设有一大批杰出的工程师，他们迫切的想实现数据科学家的想法，而这个假设与现实情况相去甚远。如果你认识这样有才华的工程师，记得给我打电话哈。
　　◆ ◆ ◆这是怎么回事？
往期精彩文章推荐，点击图片可阅读
　　l 基础设施工程师：维护公司的Hadoop集群或者是别的大数据基础设施。也称为“管道工”。
　　这些角色对于那些拥有企业家精神的人吸引力是巨大的。它使快速运转成为可能，消除了那些达成不必要共识的需要，并为破坏性创新打开一扇大门。但它的确是以专业化和效率作为代价的。
　　如果你想招到真正的工程师人才去做“干活的”角色，你的业务规模需要非常大才会让这些人才获得解决问题的快感。你需要因“大数据”的出现才造成的问题。不过请你扪心自问一下，究竟自己有没有大数据。很不幸，你根本就没有！
　　平台工程师先于数据科学团队考虑问题是非常必要的。你需要非常机警的平台工程师，他们凭直觉就能决定将来什么地方需要什么服务、框架和技能。没有从科学家到工程师的传送过程，意味着工程师们没有对科学家们提出的要求作出及时的反应。
　　让我们暂时忘掉传统的角色，想想什么样的动机能让人们在每天清晨兴奋地来上班。
　　[干货] 一个数据科学家的新年计划
　　◆ ◆ ◆
　　我主要怪下面两个事情
　　我并不认为我们已经发现了构建数据科学部门最好的架构，也不认为对于你的组织来说这是最好的架构。但是，我认为这对于Stitch Fix（作者JEFF MAGNUSSON所在公司）来说这是一个更好的解决方案。
　　◆ ◆ ◆一个与众不同的的数据科学部门
　　那必须的，“动脑的”听起来才比较酷炫呀！每天你就坐在那里，想想怎么把事情做的更好，然后把自己的想法甩手给那些急迫的想把你的想法变成产品的人的手中。我敢说你在街上随便找一个人跟他说一下这个工作情况，他都会瞬间接受的！数据科学家，尤其是刚入行的新人们，都拼命想把自己的工作变成这个美好的蓝图。
　　但是数据工程师这个岗位听起来真的好有吸引力，很多人争相应聘。所以这既传统又现代的数据科学部门横空出世：数据科学家（报告开发者，“动脑的”），数据工程师（ETL工程师，“干活的”）和基础设施工程师（数据库管理员，“管道工”）。
　　◆ ◆ ◆现况真的有我说的那么差吗？
　　这个循环里的所有人都知道当前的工作状态其实不怎么样，现阶段的大规模招聘的工作内容也很可能一般。为什么不解决这个问题？为什么所有的数据科学和算法开发部门都会陷入这个恶性循环？为什么？！
　　l 数据科学家：搞统计的里面编程最好的，搞编程的里面统计最好的。也称为“动脑的”。
　　我们还要认识到，让数据科学家和工程师慷慨激昂的工作类型是非常不同的。
　　这使得纵向责任和焦点直截放到数据科学家的手中。但是，数据科学家通常不是训练有素或者高度熟练的软件工程师。你顶多可以说他们是”水平尚可”。所以，你会认为他们会造成很大的混乱。
　　这就是为什么ETL和API/算法投产开发通常被流水线式地移交了工程师。但是，所有这些任务本质上是纵向（点）定向。在数据领域才华横溢的工程师几乎都是专注于横向应用的。
　　为什么呢？去看看硅谷铺天盖地的数据科学方向的招聘启事，你可能会觉得数据科学家和工程师之间很有合作精神和创新精神，简直就是形影不离。
　　大多数公司将他们的数据科学部门分为3组：
　　“您的团队和贵公司数据科学家之间关系如何？”我在面试数据平台工程师时，这绝对是我听到的最多的一个问题。这是个好问题，提问者可以有效的衡量这个新职位的好坏。我很乐于回答这个问题。不过我宁愿这个问题不出现，因为面试者往往是因为怀疑或者害怕才问的。
　　数据工程师：工程师擅长于做抽象和概括的工作，并在被需要的地方找到有效的解决方案。这些问题通常是横向性质的。当可以广泛应用的时候，它们是最有影响力的。他们需要很好的、全面的了解业务是如何运作的，但是解决方案的抽象性质意味着他们不需要对业务逻辑有太深的了解，也不需要与业务部门深度合作，或是深入理解业务的纵向市场。
　　◆ ◆ ◆
　　◆ ◆ ◆一个典型的数据科学部门什么样？
　　此时，你可能会怀疑是否能够实现这种合作方式。然而，我认为值得冒险。以下是可能会妨碍进步的几个方面，需要注意：
　　工程师不应该做ETL。这就不应该是一个专门的角色。没有什么比写代码、维护、修改和支持ETL来产生一些自己永远不会用到的数据更消耗人的精神了。
　　l 数据工程师：搭建“管道”，为数据科学家输送数据，从数据科学家那里获得想法，然后执行出来。也称为“干活的”。
　　在这个方案中，如果出现系统或者实现的问题，责任都在“干活的”身上。如果项目成功了，那最后功成名就的是“动脑的”。这是现阶段各个角色无法调和的根本问题。
　　一个传统的商业智能部门有以下三个人设：ETL工程师，报告开发者，数据库管理员。ETL工程师负责把数据放入数据仓库，最能让他们着迷的就是各种数据建模,比如Kimball的维度建模方法。报告开发者的职责就是用一个专业的工具（比如Microstrategy和现在大热的Tableau以及Qlik）设计出展示各种数据的图表报告，他们是专家。数据库管理员（和其他工具管理员）的主要职责就是让所有的工具保持运作、不出任何问题。
爱恩思酸奶粉：/ tykre
亻奄口斤 言兑 言仑 土云 上 有 辶寸 氵虑 每 攵 感 字 白勺 言兑 シ去。于 是。亻奄 学 会 了 扌斥 字 。后 来，亻奄 米青 礻申 分 歹刂 了见 巾占 京尤 丁页!
Powered by}