疫情加速了企业数字化的脚步，人力资源作为企业管理的重要组成部分，正经历着数字化带来的巨大变革。

在企业数字化转型中，数字化是手段，而数字化转型的重点在于思维转型。利用数据反辅业务决策，才是数字化的终极目标。

为了重塑数字化业务能力，向客户分享更多的招聘运营数据洞见观点，Moka推出精益系列公开课——新版BI报表专场。5月19日，Moka资深客户成功经理张岩分享《数据分析，洞见招聘全流程》，讨论如何构建招聘运营所需的数据支持体系。

一、让数据洞见成为能力

这几年，大家一直都比较关注数字化及数字化转型。在服务客户的过程中，我们与客户的交流内容常常为：为什么要做数字化？怎么才能让数字化转型达到最终目标？

在此，数字化转型需要两部分基础：其中一部分是硬件支撑，另外一部分是客户内部数据化的一些思维，我们称它为软件支撑。如果我们想做数字化，需要借助好的数据模型、数据搭建思路和信息化工具去做软件支撑。它会结合显性数据与隐形数据，分析并提炼出能为我们做招聘分析、业务洞见及决策支持的最终数据，实现全面数字化升级。

在日常工作中，大家常围绕日常招聘交付付诸时间精力，在此过程中常会产生流程、体系及hr与用人部门间的交互问题。此时，如果存在数据统计和分析工具，则可以帮助HR快速识别及监控整个过程，并对相应问题快速调整。这正是招聘数据运营的作用。

在招聘运营中，我们最关注的是过程数据和结果数据。过程数据即职位进展、招聘交付等过程数据。结果数据则是年度招聘计划完成情况、进展情况及计划投放人效，其作用为助力企业未来招聘决策。此时，需要一个信息化工具助力技术赋能，记录HR/用人经理在招聘中的过程行为，抓取原数据，实现数字化留痕与管理，协助HR搭建数据分析体系。

二、不同业务场景下的数据体系与分析诉求

数据分析来源于系统操作的业务留痕，与企业使用系统的频率有关。不同的业务场景，需要的数据维度不同，企业使用系统的不同阶段，对数据的诉求也不同。

案例1：某上市企业社招招聘人效和成本数据分析

该上市企业客户已使用Moka多年，使用Moka的不同阶段，均有不同诉求：

第一阶段(首年)：使用招聘系统前后对于HR效能的效果对比；

第二阶段：如何用系统提效？

第三阶段：希望通过招聘系统的数据分析招聘人效和成本；

针对不同阶段诉求，Moka对客户业务进行了梳理。首先，了解2021全年入职情况与招聘任务完成情况，以及基于一级部门，有无闪入闪离情况；此外，基于21年Q1和22年Q1同期，平均产能和人效比如何变化，并在此基础上帮助客户进行预判，比如基于21年入职量，预估22年计划招聘人数；在招聘任务基础上，现有HR分布及产能能否支持近两年招聘任务，以及对招聘渠道的投入和应用是否加速了HR产能与效率。

举例来说，该数据分析是基于HR不同的“人”的维度进行的。21年招聘任务结束时，招聘主要来源于猎头还是内推？通过对招聘渠道的分析可以帮助HR调整22年招聘渠道布局，以节约招聘费用，优化人员配比，最大化招聘人效。

案例2：某金融企业校招流量数据&简历质量分析

疫情反复，促使校招网申使用频率大大提高，因此企业与招聘网站合作较多。校招中，一些数据是招聘渠道平台上的留存数据，其他则是从乙方数据平台或双选会等自建渠道获得。

通过数据后台，我们可以看到各渠道流量和数据转化的效果分析，包括校招启动后简历开源引流使用平台，集团型子公司的宣讲会效果、网申投递量数目监控等。在简历筛选或通过校园定向吸收高质量简历后，对校招进行数据维度分析与报表监控分析。

案例3：某科技SaaS企业的内推运营效果数据分析

内推是企业比较常见的招聘场景。内推要做的工作实际就是拉新与促活。拉新是让更多员工知晓并参与内推；促活则是激发员工定期关注内推活动。通过内推运营，达到持续引进优秀人才的目的。内推活动推广后，利用数据维度查看新用户注册趋势，评估效果更好的内推运营方式，以及在内推运营及推广过程中判断出哪类群体参与频率较高。

案例4：某国有背景上市企业多年招聘对比数据

对于老用户来讲，分析21年整体渠道策略、渠道投入对整体入职量所达贡献率数值以及内推、猎头、招聘网站渠道中，哪个渠道的入职率高，是数据分析的常见场景。

从21年至22年，企业的招聘策略、渠道布局、职位层级均可能有所调整，如增加通用类职位或者中高端职位等，老用户可由此抓取数据、构建后台数据模型，分析找出对核心岗位和中高端岗位入职率贡献更高的渠道。

案例5：某快速增长的科技企业用人部门招聘效率分析

一家快速增长企业在完成招聘任务的同时还会遇到许多过程挑战。当企业人员快速扩张时，团队可能不仅有一级部门负责人，还会有二三级Leader参与面试。

此时，HR与用人部门间协作效率、面试时长、简历推荐及反馈时长以及候选人面试满意度等数据是否异常，HR通过后台提取关键数据统计维度进行定期复盘与监控，分析过程数据，进而抓取整体协作过程中的关注点。

案例6：某上市科技企业基于人才库扩充计划的数据分析

该企业使用系统的目的一方面为数据留痕，另一方面则是通过过程标记、人才库透视与人才激活助力搭建人才库。人才库经扩充之后，可以看到来自于竞品或行业上下游的关键人才分布状况；利用人才透视，看到现有人才库体系中，目标行业人才能否满足招聘需求，利用智能标签形成的数据抓取维度，看到基于不同行业和竞品的系统库中人才量分布状况。

案例7：某头部金融企业基于雇主品牌的微门户的投递数据分析

企业需要一个门户向客户或候选人展示雇主形象，在互宣中收集更多候选人、粉丝。除了定期在智联、猎聘等不同渠道进行广告位购买与雇主品牌推广。在招聘直播过程中，企业也会利用自建门户进行网申引流，并查看渠道平台已购买广告位的投递量与浏览量，查看简历引流和互宣效果数据，从而精准定位到流量效果较佳的渠道，之后继续在该渠道做雇主品牌投入。

案例8：某多元化集团企业系统上线初期的用户活跃度分析

伴随用户使用系统的全过程，用户的注册时间、登录天数等数据呈“所见即所得”状态。在这个信息化推广过程场景下，可看到企业信息化效果及用户过程行为，由此进行策略调整。

案例9：某头部快消企业候选人满意度调研数据分析

在候选人面试满意度调研和数据分析中，候选人满意度线上调研不仅包含候选人对公司形象、防疫礼包等体验分数，还包括候选人对面试官行为分析、专业度评估。

案例10：某外资跨国企业岗位族群招聘周期数据分析

在以上所述的通用过程类数据与结果类数据基础上，还有企业不同职族体系与岗位序列体系招聘周期分析。如果日常管理与数据颗粒度并非基于部门与HR，而是核心关键岗位、部门间效率或HR产出效能比等整体岗位和族群，就可基于系统后台进行数据维度设计抓取数据。

案例11：显性招聘成本 VS 隐性招聘成本

显性招聘成本为在投入渠道费用的基础上所花整体预算及简历获取成本。

随着客户在系统中标记优质候选人，在自有简历库形成后接收新简历，系统会对猎头、内推等付费渠道自动查重。在最常见的猎头保护期与内推保护期中，系统会帮助筛选已存在内推或猎头流程中的简历，在自有简历库建成后缩减简历成本。虽然简历查重所省费用包含于招聘过程，不易统计，但通过数据后台，可计算出节省的隐性成本。

以上就是在我们与客户的日常交流招聘场景中，基于招聘业务、过程管理、费用人效以及过程数据监控的所有数据洞见模型。

三、数据管理的准确性与规范

管理系统数据，要准确、规范。在数据看板结构中，不建议在短期内看更多看板，因为每个看板数据是一个主题。招聘工作开始后，可以在每个季度推动2-3项核心事务、项目，做数据报表时，明确最急需解决的问题及制表目的即可。

有明确目标与合规数据，再通过1-2个周期的数据磨合与校验，搭建完善的指标体系。该过程可能涉及一些字段逻辑及数据框架构思，大家无需自己研究，而是可以让Moka的客户成功经理帮助协调内部资源，搭建已明确的管理目标与框架。

数据框架搭建完成仍需调整。例如，每月或每季都需检查KPI，这个过程中，数据看板与报表均已搭建完成，而在数据校验过程中，可能存在一些异常数据，针对这类问题，再整理出SOP或内部管理的管理规范。

通过指标体系搭建与管理，运行整个数据框架，随着动态目标的调整，迭代与优化指标体系。在此过程中，以用户在线留痕为前提，以用户的系统使用数据为数据来源。

在线留痕和使用习惯基于两点：一是，客户成功经理与用户交流后，用户能否看到系统便捷性及一些提效操作；二是，基于便捷性，企业是否有内部消息化工具的打通，能否实现单点、直接的消息提醒。对于用户来说，如果系统操作更为便捷，用户便更愿意在系统留痕，这才能让系统更好地抓取过程数据，应用到整个指标体系的建设过程中。

上述就是基于本期主题，在招聘的全场景下的数据分析内容。在接下来的四期课程中，Moka帮帮堂将会为大家持续分享关于数据洞见的内容，包括招聘团队日常使用的报表维度、报表样例，不同规模企业在不同发展阶段的数据分析切入点，及不同规模企业招聘负责人痛点、高管应关注的数据类型。

*以上内容来源于Moka帮帮堂精益系列公开课——《数据分析，洞见招聘全流程》主讲嘉宾Moka高级客户成功经理张岩的主题分享。