又到招聘旺季，求職者的“海投”開始了。捫心自問，自己到底要找什么樣的工作，而什么樣的工作又是適合自己的？也許智能機器學習系統可以幫到你。
今年6月，e成招聘正式開放求職者注冊。這也許不算什么大事兒，現在市場上招聘網站多如牛毛，從最傳統的智聯招聘、51job,到各類垂直類招聘網站，高中低端，種類齊全。
相對而言，這些網站的信息海量，你只能通過自己的偏好搜索出你覺得合適的工作。但現在，e成招聘的創始人周友鴻卻說，可以利用自己后臺的大數據系統的精確計算，讓求職者可以收到最精準的職位推薦。
求職者不用海投簡歷，只要在網站注冊按照要求填好簡歷即可坐等合適工作送上門。問題是，這樣的求職方式靠譜嗎？
給簡歷畫張像
現有的招聘網站中，“海投、海選”以及HR本身流動性較高這三個現象，導致“如何快速幫助企業HR找到合適的人、幫候選人找到合適的機會”成為剛需。
招聘的背后，要解決如何讓勞動力這一生產要素在經濟行為中實現高效配置，就一定是從刻畫企業用人畫像、個人職場畫像為起點。周友鴻認為，“最好的解決方式只有互聯網。”
2012年，周友鴻找了一群志同道合的技術牛人一起創立了逸橙科技。這家公司招聘了15位數據挖掘方面的優秀人才，80%來自百度大搜索和鳳巢廣告的核心團隊。
曾供職騰訊的秦雷是e成的聯合創始人之一。據他介紹，通過機器學習大量數據，分析個人能力素質模型、個性化偏好、求職緊迫度等，進而在合適時間內，向求職者推薦合適機會。
e成的機器學習系統可以為企業畫出人才需求畫像，對簡歷進行80多維度解析，分別從個人能力模型（學歷、經驗、職級、專業等）、個人軟素質（穩定性、興趣愛好等）、用戶行為（搜索、投遞、收藏、簡歷更新）等維度畫出人才畫像，求職意向、擇業方向、勝任度最終都成為人才畫像的繪制素材。“同時，對職位進行60多個維度的解析，分別從基礎崗位需求匹配、公司軟硬實力、HR用戶行為等維度畫出企業需求的人才畫像。”秦雷表示。
舉例來說，通過e成的大數據分析某家公司內部的人員信息和過往人員的流動，可以得出這家公司當前員工從哪個（些）公司跳槽的最多、哪種學校畢業的最多、哪個年齡段的員工最多等。
如某公司當前員工多數來自二本的院校，而復旦、交大畢業的員工離職率很高，出生在1986~1988年的員工穩定性最高，在職員工最認可公司組織的體育活動，公司大多數的程序員總是不修邊幅等。那么，如果公司面試了一位名校畢業、不愛運動、衣著光鮮考究的人，那么就得考慮下他是否適合公司。而對于求職者來說雖然看不到這些，但大數據的后臺會根據這些因素將適合的職位自動推送給應聘者。
秦雷認為，e成就像紅娘，它把這個合適消息在后臺直接展示給企業，同時也把企業的意向告訴求職者：你投遞這個公司獲得offer的概率有多高，你的穩定性和企業要求的是否吻合，你加入這家公司后幾年可以升為主管、經理、總監，你是否會有校友、前同事在這個公司工作等，如果彼此合適接下來就是水到渠成的事了。
也就是說，即使是沒有積極找工作的人，依然可以在不浪費任何精力的情況下“等”到更好的機會。
精準求職、招聘
周友鴻表示，了解企業的用人喜好是企業招聘行為的起點，當前絕大多數招聘行為都忽略了這一點，導致HR招聘行為低效、成本居高不下。
通常招聘企業在發布職位時會收到大批量意向不明的簡歷并為此買單，買完單后承擔的風險是：候選人無意向，或者候選人有意向但放HR鴿子，這其中需要為一個不確定的人選花費篩選、溝通的成本，占據了大型公司HR每天30%~40%的時間，占據了中小型公司HR每天50%~60%時間。
“基于百萬級特征值，學習HR的招聘行為（搜索、收藏、評審、面試、拒絕、offer），刻畫了60多個HR用人喜好的維度，我們會最終分析出企業需要誰，更喜歡誰。”秦雷說，“我們在不斷幫助HR節省時間和成本。”
e成除了基于機器學習從海量主動投遞簡歷中，通過星級排序的方式最快篩選出合適簡歷以外，更側重解決的是“70%的職位無法通過主動投遞簡歷滿足招聘需求”這一真正招聘難題。
通過招聘渠道資源的整合和機器學習系統，自動篩選出所有渠道合適簡歷給到HR，并通過系統自動與候選人完成意向溝通，快速連接企業和人才，讓HR告別多渠道切換、人工篩選、人工電話溝通這一傳統招聘方式。
周友鴻認為，DT時代的招聘應該更精準，當前這種由于HR與求職者之間的信息不對稱所帶來的付費行為將慢慢走向終結。e成正在解決“海投”“海選”這種低效率、高成本的求職招聘體驗。通過智能搜索、推薦匹配、意向確認服務，企業可以降低人工成本、大大提高簡歷資源的利用率。與此同時，人與機會的連接將更加便捷。
據e成給出的數據，e成的服務在招聘的簡歷搜索、篩選、意向溝通的時間成本是HR人工的1/13，是傳統招聘渠道的1/4。
加多寶
IBM
摩拜單車
vivo\oppo
中興
GOOGLE
