-
观点
郭威：硅谷简单粗暴创投史
本文修改自郭威在混沌大学的分享。郭威，硅谷投资人。2015年创办 Wei Fund，2017年创立UpHonest Capital。
至今，郭威已投资过约200家硅谷创业公司。明星案例包括Clara food、Rescale、After school、Astranis、Checkr、超音速飞机Boom、 Scout(ASX:SCT)、Chariot(被福特收购)、Worklife(被思科收购)、00后社交软件Monkey、北美最大网红孵化器team10、北美共享单车Limebike、就业咨询公司Unicareer等。
Uphonest Capital的股东包括众多知名风险投资机构以及上市公司。
郭威现在管理着近一亿美金，他杰出的投资表现吸引了中美两国风投界的高度关注及认可：他被华盛顿邮报评为“China Wisper”，并成为第一位被科技商业媒体The Information采访的中国投资人。
如果要简单粗暴地回顾和总结硅谷投资历史，这其中的关键词，是“传承”。
从阿瑟·洛克（Arthur Rock）一手带起的仙童帮，到互帮互助的Paypal Mafia，再到不断推陈出新的YC，这些组织和机构，一脉相承。
他们历经时间，通过“传承”，缔造了一个个时代，影响、塑造了硅谷的投资生态。
仙童时代
阿瑟·洛克是真正意义上提出“风险投资”一词的人，人称硅谷天使投资/VC的祖师爷。
上个世纪50年代，他把大量美国东岸的资本投入到西岸，特别是硅谷的半导体行业中。这些钱资助了很多硅谷早年的企业，其中最有名的是帮助了8个才华横溢的年轻博士。这8个博士从东岸一个做照相机的公司贷款成立了仙童半导体，后来，这个公司曾经统治了半个硅谷。
阿瑟 · 洛克
鼎盛时期，美国半导体的人才一半以上都与仙童有关。这8个天才，被后人称为仙童“八叛逆”。之后，由于种种原因，这8个年轻人分道扬镳，离开仙童成立了自己的公司。
这些公司中，包括了大名鼎鼎的Intel和AMD。而仙童、Intel培养的大量人才中，不少都受到祖师爷洛克和“八叛逆”的影响，纷纷投身投资事业，比如KPCB的创始人之一尤金克莱纳（Eugene Kleiner）、红杉资本的创始人唐瓦伦丁（DonValentine）、苹果的第一个投资人麦克马库拉（Mike Markkula）。他们传承了“仙童帮”的人脉网络，并通过这些关系投资出了一批具有时代意义的科技巨头比如网景，戴尔，迈克菲，ebay，雅虎，谷歌，亚马逊，viaweb 等公司。
八叛逆
Paypal Mafia
仙童帮投资人的 portfolio 里，有两家公司格外引人注目，它们是x.com和confinity，创始人均来自斯坦福。更巧的是，这两家公司都通过互联网，动了银行的蛋糕。而且竟然做得都还不赖。
在世纪末的互联网泡沫来袭时，x.com和confinity这两家公司合并取暖。他们用当时 confinity 做的最好的产品命名新公司，名字叫做Paypal。两位创始人自此变成了一条船上的兄弟。这俩人就是日后的大神亿隆马斯克Elon Musk和皮特比尔Peter Thiel。
早年的Peter & Elon
2002年，ebay出资15亿美金收购了 Paypal ，最大股东 Elon Musk 买了辆迈凯伦开始穿梭于硅谷101高速路上，Peter Thiel 则一边重新创业，一边玩对冲基金，投剩下的零头顺便做些天使投资。比如2004年，Peter写了一张50万美金的支票给了一位从哈佛辍学的年轻人，这个人叫扎克伯格。
早年扎克伯格
其他 Paypal 的创始人、高管们也深受ElonMusk和Peter Thiel两位带头人的影响，纷纷离职创业。他们利用自己在Paypal积攒的人脉和资源，创立了众多成功的企业。比如当时的董事、联合创始人之一Reid Hoffman成功创立了Linkedin，创始人之一的Max Levchin创立了slide，Paypal的COO David Sacks成功创立了Yammer，陈士骏和Chad Hurley成立了Youtube，Kevin Hartz成立了 Eventbrite，以及 Dave Mcclure 成立了硅谷最大的孵化器 500startups。
Paypal 创始团队
Paypal人之所以得以飞快成长并且创业成功，很大程度上得益于他们传承了庞大的内部网络。Paypal非常提倡扁平化、创新式的管理。离开Paypal后，Paypal Mafia之所以纷纷创业成功，很大一部分原因也在于他们之间早期的互相投资与支持，以及聘用 Paypal/ebay网络中的人才。
这种三不忘，不忘本，不忘责，不忘恩，来自仙童帮对Paypal Mafia的深刻影响。
Paypal Mafia
Y Combinator
Paypal Mafia不光内部联系紧密，对外也是广结善缘。
前面提到的仙童帮的Portfolio中网景（Netscape）的创始人、现如今A16Z的创始人&掌门人马克安德森Marc Andreessen（江湖人称鸡蛋森），以及 Viaweb的创始人保罗格雷厄姆Paul Graham便是其中最典型的例子。
Paul Graham
Paul Graham 在卖掉自己公司 Viaweb 后，开始以创业导师的身份闯荡江湖。2005年，天马行空的Paul Graham成立了一个能创造公司的公司，想借此帮助那些同样天马行空、奇思妙想的年轻人创业，这个公司叫做Y Combinator ，简称 YC。
YC 第一期
YC第一期只孵化了十几家公司，举步维艰。幸运的是，这其中包括了当下全美第四大网站Reddit。当时“孵化器”的概念并不被认可，少数愿意站出来挺他的，就是Paypal Mafia的成员以及鸡蛋森。YC与 Paypal mafia、鸡蛋森的A16Z一直保持着紧密的合作，过去十几年间他们共同孵化了Reddit，Airbnb，Dropbox，Twitch，Machinezone，Coinbase，Docker，Stripe等一批估值10亿、甚至100亿美金的公司。Paypal Mafia的成员几乎参与了所有这些知名公司的投资。而YC也在成立的十多年中，成为成为了一个总孵化数量超过1200家的巨兽。
早年的YC，投资初创企业15000美金换取它们7%的股份。后来，同样是学习了仙童帮、Paypal Mafia传承的精神，投资人们除了投入资金以外，还会为初创公司投入各种资源、传授各类经验，助它们一臂之力。
YC的演进与Micro VC的崛起
2013年，创始人保罗格雷厄姆钦定了斯坦福辍学生、Loopt创始人山姆奥特曼Sam Altman为YC继承人。
33岁的山姆把YC这个航母开向了更加商业化的方向：
加大孵化力度，从最早一期10几家公司，到现在一期150家公司；从最早只投互联网公司，到现在生物科技，太空科技等公司。
加大投融资力度，从最早单笔15,000美金，到现在12万-20多万美金；成立了7亿美金的后期基金。
增加社会影响力，与Elon Musk和Peter Thiel成立了OpenAI，研究人工智能（OpenAI 在dota2中单打败世界冠军Dendi，影响力不亚于谷歌的Deepmind）； 成立创业大学，将创业理念带入更年轻的人群，YC最近孵化的公司Silk.ai，创始团队平均年龄16岁。
YC 更大的影响力，在于把风险投资、天使投资的门槛大大降低了，促使了美国的天使投资、早期投资市场爆发。
美国Micro-VC “微型基金” 增长数量
在硅谷有大概3-4万个天使投资人，他们大多都是兼职、业余的投资人。YC这样的孵化器的诞生，通过每年两次的项目路演日（DEMO Day），通过创业投资软件化管理（比如签字时候用Clerky和 ironclad，创业论坛hackernews）等一系列的机制，帮助这些兼职投资人更专业、透明、统一地去投资、管理项目。
投中独角兽的Micro-VC们
经常合作的业余投资人、散户投资人逐渐聚在一起，成立新的基金，与传统的风险投资合作、竞争。友好、快速、行业资源丰富，让这些新兴基金脱颖而出。我也有幸成为其中之一。
美国媒体给了这些小基金一个好听的名字“ Micro VC ”，即微型风投。整个硅谷散布着上千家微型风投，我们体量虽小，但影响很大。几乎五六家Micro VC合投就可以投一个A轮，这对沙丘路上传统的大VC来说是个巨大的挑战，意味着这些名牌机构不再是创业者的第一选择，而他们也无法继续垄断项目源了。因此我们近几年看到，很多老牌投资机构开始慢慢向后投，这是一个巨大的改变。
美国MicroVC
What’s Next？
上面讲了极其低配版本的硅谷创投发展历史，从仙童帮，到Paypal Mafia，到YC，到Micro-VC，“传承”一直贯穿始终。
硅谷是世界创新之都，风险投资之都。这里精英人才最集中，也是很多投资人、创业家的朝圣之地。随着早期投资的门槛相对变低，高科技与人们日常生活越来越紧密，由资本带起的人才之争、技术之争、模式之争，正在硅谷掀起一阵血雨腥风。
YC Hackathon
飙升的房价与生活成本，拥堵的交通，背井离乡的科学怪人，逐渐成为现实的黑科技，整个硅谷似乎都陷入了由资本催大的狂欢中。
万亿美元的资本，纷纷投入到了那些可能，或许终究不可能的“未来”的幻影中，宁可投错，也不可错投。账面回报疯狂暴涨，肥皂泡沫在成倍增长的数字渲染下色彩斑斓。2000年炸裂的互联网泡沫不再被人提起，又或是被硅谷人自圆其说：硅谷不再有泡沫，因为我们对科技的理解更深，对经济危机了解的更多……
当李世石和Dendi两位人类顶级选手，分别在围棋和dota比赛中败给了Deepmind和OpenAI后，硅谷的风投家们再次陷入了以AI为话题中心的资本棋局中。更可怕的是，他们已经忽略了硅谷之外发生的事情……
2016年，中国对硅谷科技的投资达到顶峰，超过过去15年之和。
除了BAT以及大互联网公司的战投之外，涌入更多的是传统企业和个人投资者。早期投资无疑加强了硅谷与国内的联系与沟通。在此大趋势下，技术、市场、人才、有序资本的互通，无疑是跨境资本运作的未来。
作为生活在硅谷土地上，被滋养、被推到浪潮中的我，也希望在这趋势中可以创新，做出有意思的事情来。比起中国对硅谷的了解，硅谷对中国的了解很初级。除了中国资本的介入，我认为在各个方面让硅谷创业者更深地了解中国无疑是未来几年一定会发生的事情。
早年仙童帮的精神与文化之所以得到“传承”，是因为先拥有仙童半导体这一载体，所以那之后出现了PaypalMafia、YC，以及后来硅谷所有的传奇。互通有无的基础是“文化”的认知与共鸣。
所以在我旧金山SoMA地区成立的跨境联合办公室/孵化器里，时常备着一双老北京布鞋，作为中国故事在硅谷得以传播的起点。
郭威在旧金山联合办公室的老北京布鞋
本文经授权发布，不代表36氪立场。如若转载请注明出处。
-
观点
是炒作还是现实？人工智能究竟如何颠覆财税和审计行业？
《经济学人》杂志曾通过调查罗列了未来20年最有可能被机器人抢走饭碗的岗位。排名靠前的包括低端制造业的生产、销售、会计等。在大多数人还认为人工智能离我们还有些远的时候，人工智能在财税和审计领域的应用已经开始全球范围进行大范围的试水和应用。
威科集团（Wolters Kluwer），这家超过180年历史的百年老店，一直以来致力于为包括财税、审计、法律、金融和医疗的专业人士提供解决方案的供应商。
9月20日，由荷兰威科集团主办的2017威科国际财税论坛论坛上，威科集团财税与会计事业部首席技术官和资深副总裁布莱尔.迪芬（Brian Diffin）和以《人工智能
和机器学习在全球财税行业的应用》为题，分享了威科在财税领域人工智能的最新发展趋势。威科集团财税审计事务部产品管理副总裁巴斯.克尼佛斯特（Bas Kniphorst）展示了威科集团人工智能和机器学习的先进创新产品CCH iQ。
会后，记者对布莱尔.迪芬（Brian Diffin）和巴斯.克尼佛斯特（Bas Kniphorst）进行了专访。以下是访谈内容：
问：威科集团有哪些基于领先技术和云服务的业务板块？
答：威科集团为财税和审计专业人士提供基于云技术的解决方案。我们的客户通过云技术解决方案进行客户管理，保证信息安全。这些云服务包括：
• 随时随地进入业务、项目的智能终端；
• 高效部署任务并轻松添加各类功能和特性；
• 通过高度安全、抗外界干扰和专业管理的IT基础设备保证客户的商业正常不间断运转。
问：AI在财税和审计行业的应用会对整个行业带来什么影响吗？
答：财税和审计专业人员已经开始感受到人工智能和机器学习对其日常工作的改变了。在很多方面，财务和审计确实是人工智能能够发挥作用的典型代表。财税审计行业的特点是有很多结构性的数据，这就为机器学习提供了非常大的便利。未来，传统行业的会计师、税务师将需要提升自己的业务技能，保证自己的能力走在前列，并且开发更多的增值服务。因为基础的数据录入、转录和翻译等工作将会被智能化的系统所取代。
当然，这个行业被人工智能改变主要体现在，将会有更多的工作模式的创新和更有价值的服务，同时入行门槛也将会被改变。从前一位会计师通过计算器、表格、软件去处理数据和报告，用网络进行搜索，但未来随着这些工作的效率大幅提升，对会计师的要求将会史无前例的高。话虽如此，这个行业中“人”的因素并没有消失，会计师将通过人工智能这样的技术为他们的客户提供更有价值的增值服务，换句话说，我们相信人工智能在财税审计这样的服务行业会创造更多的机会和需求。
问：在美国企业财务服务市场中的应用现状是怎样的？在威科集团的商业版图中，AI有哪些具体的应用案例？
答：威科集团代表质量和精准，这也是客户找到并且信任我们的原因。我们的服务无论是从效率和附加值角度都极为有效，基于客户巨大的数据量和智能化的需求，我们通过减轻密集型的手工作业——比如将相关信息进行编译形成可用信息来帮助客户节省时间。
威科集团的CCH iQ 是税务和财务行业领域最早基于人工智能技术的解决方案，重新定义了会计事务所如何利用云技术发展业务。CCH iQ的分析工具匹配上百件年积累下来的税务事件以及该事件可能对客户产生的影响。自动化沟通模块生成一份执行方案，这份方案解释了客户受到特定税务事件的影响，并且提出可行的下一步解决方案，再提示用户如何由此给他再带来新的业务，这些才是给用户的一个完整的方案。
除此之外，我们还看到AI技术在用户支持领域的机会。今天，当一个客户遇到一个问题，它们可能会用到很多网站、文档、设备以及应用去解决问题。这就是客户以及我们客户支持部门工作人员的一个痛点。我们目前正在使用整合了AI和机器学习技术的聊天程序，为客户和内部工作人员提供一份基于彼此没有任何关联的多个数据库和知识库中搜索出来的结果整合起来的一体化信息来应对需要解决问题。
问：威科在中国有哪些竞争者？
答：中国的人工智能技术发展的很快，在美国的大学里，无论是斯坦福还是伯克利，顶尖的学者中到处都是中国人的影子。威科在中国的竞争者，说实话我们还不知道在哪里，目前中国在这个领域有很多新的、小的创业者，他们都非常优秀。如果有机会，我们非常愿意和中国的技术公司合作。
问：在财务和税务服务领域，基于规则的机器学习和神经网络，哪种技术应用的更多？
答：人工智能和机器学习技术发展的十分迅速，但目前机器学习的应用案例明显多于神经网络的应用，主要因为发展成百上千节点的高端神经网络的时间和成本很高。
相比而言，一个基础的机器学习算法可以应用在不同的输出模型中。 输出量越大，机器会变得更聪明更准确。比如，用算法去识别会计单据和税务表格中的变量数据，并且将数据传输到另外一份文件或者合规表格中看起来是非常合理的应用。其中最重要的是有大量的输入数据。
神经网络在财税和审计领域的应用有很多设想，但目前我们仍然要测试这些想法的商业可行性。
来源：36氪，作者：Simone。转载或内容合作请联系zhuanzai@36kr.com；违规转载法律必究。
-
观点
人才难寻？看了本文，你也可以组建世界一流的增长团队！
编者注：本文是对GreenSky业务增长副总裁Matt Bivons以及Gusto前业务增长主管Nick Soman的采访。
当下，组建增长团队已经成为每位初创企业创始人的一大全新追求。就连一些传统行业，也逐渐开始关注这种团队结构。根据AngelList的相关数据显示，目前有超过2130家公司都在努力搜罗增长人才。在过去五年中，“增长黑客”和“增长营销”已经成为谷歌搜索中出现较为频繁的词条。
2012年，硅谷知名初创企业加速器和孵化器Y Combinator创始人保罗·格雷厄姆（Paul Graham）在一篇名为《创业即增长》的文章中指出：“对于初创企业来说，最为本质的要素就是增长，其他一切都是由增长而来的。”
但现如今，科技初创企业所说的增长，已经不再与特定职位或者特定策略存在较大关联。与之相反，与增长过程所需的基础工作以及组织内部以数据为驱动的企业文化有着更加密切的关系。
正如Sean Ellis和Morgan Brown在《黑客增长》这本书中写道：
“增长黑客能够打破传统商业模式，聚集拥有分析、工程、产品管理和市场营销等专业背景知识的人才，组建起功能多样、高效协作的团队，帮助各家公司更好地将数据分析、技术知识和营销策略结合起来，在最短时间内找到多种促进业务增长的可行方式。”
Facebook、Uber以及Airbnb这类公司都已经发现，想要实现自家业务的快速增长，唯一的可行方法就是摒弃传统的功能型组织结构设计，组建一支能够支持快速增长环境的跨功能增长团队。
为此，我们需要关注以下几个有关增长的问题：
第一，什么时候需要开始考虑业务增长问题？
第二，增长团队最为合理的结构是什么？
第三，组建优秀增长团队需要招募哪些关键成员？
为了回答这些问题，我采访了Nick Soman和Matt Bivons，希望能够借助他们分享的实践和经验，帮助各家公司组建起水平一流的增长团队。
从企业成立的第一天开始考虑增长问题
不是每家公司，生来就有着相同的增长潜能。
对于某些公司来说，增长只是产品的副产品。就比如说，Slack、Twitter、Facebook和Airbnb等公司，之所以能够以指数形式实现有组织、有条理的业务增长，其中有一部分原因，就是它们的产品带有网络效应特征。
但是，在现实生活中，大多数公司想要实现业务增长，还是一个比较缓慢和困难的过程。就算他们拥有令人惊艳的产品或者拥有众多忠实的客户，都无法百分之百保证快速的业务增长。
Nick Soman指出，在目前这种情况下，一家公司的竞争优势已经不仅在于产品本身，还在于增长的战略过程。具体说来，主要包括两大要素：
第一，研发一款受消费者欢迎的产品；
第二，清楚该如何有效促进这款产品的发展和增长。
Soman介绍说：“与十年前相比，现在想要研发一款优秀产品相对来说比较容易，而且平均每天都有若干公司推出若干产品。如果你的技术无法逐步完善升级，或者你的产品无法创造网络效应，那就需要靠增长过程来争取竞争优势，帮助自家公司脱颖而出。”
在他看来，各家公司从成立的第一天开始，就需要考虑业务增长这个问题，并且将其视为帮助自家公司实现可持续发展的竞争优势。
比如说，各家公司现在已经意识到，拥有一个清晰明确的搜索引擎优化战略对于业务发展是何等的重要。不仅能够帮助他们充分利用各种有机收购渠道，还能够从长远角度减少收购成本。
其中，Moz、Buffer、Hubspot和Airbnb就是最为常见的案例。它们不光从宏观角度出发考量，还站在微观的收购效率角度上考量。总之，目的就是帮助自家公司实现业务增长。
如果你还不知道从何处下手实施搜索引擎优化战略，那么可以尝试考虑以下几点。
搞清楚自家公司处于哪一发展阶段
虽然从公司成立第一天就开始考虑增长问题的确没错，但只有先搞清楚公司所处的发展阶段，才能够决定在什么时候采用什么样的增长杠杆。Bivons指出：“其实，所谓增长拼的就是速度。而在如今的市场上，速度就是你的竞争优势。”
为了方便大家理解，我举一个业务增长与金矿开采的对比例子。
首先是采矿的勘探阶段，对应初创企业进行A轮融资之前或者找到产品市场匹配之前。
在这期间，你只是在做一些零零碎碎的事情，并且对自己此前的假设进行测试，看看能否顺利发现金矿。
其次是采矿的开采阶段，对应初创企业进行A轮融资之后或者找到产品市场匹配之后。
这时候，你已经发现了金矿。接下来要做的事情，就是计划各项开采流程、安排采访所需人员。
从实现目标所需要的策略技巧来看，这两种状态模式是大不相同的；从组建增长团队所需要的资源和人力来看，这两种状态模式也是大不相同的。
为了形成公司内部的增长文化，首先要做的就是搞清楚公司究竟处于哪一发展阶段，以及如何才能从长远角度保证业务增长成为自己的竞争优势。
优化增长团队的组成结构
Matt介绍说，无论你的公司是什么类型、处于哪一发展阶段以及采用何种商业模式，只要是想组建增长团队，那都必须考虑两大必要因素：第一，减少摩擦阻力；第二，加速为客户提供价值。而这两点，又都完全取决于自家公司的产品。所以说，这也就是各家公司需要在关注产品人才的基础之上，优化增长团队组成结构的原因所在。
这一点非常重要，因为只有合理的团队结构，才能保证公司业务在方向重点明确、勇于尝试每种可能的文化氛围中发展和增长。下面，我简单罗列了增长团队需要考虑的一些问题：
第一，公司客户都是如何与产品进行互动的？
第二，公司客户最为看重什么？真正想要什么？
第三，公司产品如何才能尽快解决客户的燃眉之急、优化他们的使用体验？
另外，Nick还强调了一点，即上述所有过程，公司创始人都必须要亲自参与，否则增长团队想要取得成功、实现业务快速增长，就是一件比较困难的事情了。
明确这一点之后，接下来要做的，就是考虑如何部署增长团队的结构，以及这支团队平时应该向谁汇报工作。当然了，这个问题同样也不是那么好回答的。
Andrew McInnes曾经在一篇名为《如何选择最佳增长团队模型》的文章中，分享了两种深受Pinterest、Uber和Dropbox这类科技巨头喜爱的增长团队结构模型。
如下图所示，第一种是Uber和Facebook等公司使用的独立模型。
在这种模型中，增长团队在公司内部是独立运作的，可以自行安排各项工作的先后顺序，以及为了实现所定目标应该如何部署手头上的各种资源。
再如下图所示，第二种是Pinterest、Dropbox和Twitter等公司使用的功能型模型。
在这种模型中，增长团队是直接向某一功能部门主管汇报工作的，比如说产品主管、营销主管或者工程主管。由这些主管制定增长目标、增长计划和增长预算，并且保证这三个要素与公司某一具体领域的实际情况相符合。
不过，从工作汇报到发展目标再到财务预算，这两种模型都是既有利又有弊的。究竟哪一种模型效果最好，这是一个无法回答的问题。但是Matt指出，不管你选择哪一种模型，最为重要的一点，就是保证它与公司宏观层面上的目标和计划保持大体一致。
用他的话说：“首先，你需要将关注点放在整个公司最为看重的那些目标上，保证自己找到了最为合适的指标来衡量这些目标的完成进度；其次，你需要找到应该着重关注的资源，制定正确的执行方案来组织好自己的团队结构，在实现团队目标的同时实现公司目标。”
要记得，组建增长团队并不是一件能够一蹴而就的事情。你需要从小事切入，好好部署各种必要的流程，为日后的成功打好基础。
水平一流的增长团队
在组建增长团队这方面，Matt和Nick都强调了产品专项人才的重要性。所谓产品专项人才，就是指能够正确理解产品促进增长的那些个体贡献者。他们清楚地知道客户对自家产品的看法和感受，知道以产品为核心的漏斗形状如何，知道在什么样的节点上能够顺利找到产品渠道匹配，以及招募团队成员应该要以公司的发展阶段为基础。
首先，Matt认为，一支合格的增长团队，首先要有重点研发产品的通用型人才，而不是某种特定类型的人才。尤其是在搞不清楚什么样的渠道能够带来价值、促进业务增长的情况下，更不能想当然去寻求这些特定人才。只有在公司产品逐渐成熟之后，你才能根据某些指标和特征去寻求拥有某种具体能力的专项人才。总之，到最后，增长团队必须要同时拥有产品、工程和营销这三个领域的优秀人才。
具体说来，通用型人才不仅要会数据分析，还要对产品漏斗有一个全面了解，并且能够在不依靠工程资源的前提条件下，利用自己所掌握的基础技术知识来推进和测试各项事务。
其次，Nick认为，在组建增长团队时，需要重点搜罗三种类型的人才：第一，产品经理；第二，产品设计师；第三，产品开发者。
当然，这也不是说，你就一定要在刚开始组建增长团队时，分别招募一位产品经理、设计师和开发者。或许可以尝试从三名内部工程师开始，让他们每个人分别负责不同的业务领域。
但无论如何，他认为在增长团队进行人才招募的过程中，有一点必须要注意，即保证公司其他人不会对增长团队产生不满情绪，否则他们在公司的日子会比较难过。
最后，用一句话来总结Matt和Nick的观点，就是不管你雇用什么类型的人才，一定要保证他们拥有较强的沟通能力和数据分析能力，能够关注产品、关注用户，保持足够的好奇心，勇于质疑、勇于尝试。
结语
正如我上文所说，组建增长团队并没有一个十全十美、保证奏效的方式。每家公司存在的需求和面临的挑战是独一无二的，因此增长团队的具体构成，也应该是独一无二的。
只不过，千万不能小看增长的作用。这不是一件你想开始就开始，想暂停就暂停的事情，必须融入到公司内部的基础工作和文化氛围中去，这样才能够保证公司的可持续发展、取得成功。
如果你是一位创始人，那应该带头重视增长；如果你是一位员工，那应该带头拥护增长文化。首先，充分利用手头上的各种资源，接着再花时间去设计规划。在条件允许的情况下尽早考虑增长问题，为公司日后的成功打下基础。
【猎云网（微信号：ilieyun）】9月26日报道（编译：田小雪）
-
观点
以后让人工智能安排你去合适的岗位，而不是老板
编者按：本文作者Tim Chatfield是Jitjatjo的联合创始人兼CEO，Jitjatjo是一家利用人工智能技术为纽约市的餐厅、酒吧、场馆和酒席承包商等雇主，在紧急时刻找到合适又随叫随到的临时员工。尽管作为一位CEO他时刻不忘PR自己公司，但是他在这篇文章中介绍，类似的雇主和人力资源服务公司要如何利用人工智能技术快速找到合适的人，这个过程很是有趣，似乎说明了，在人工智能系统中，收集到足够大量又可用的数据，才是王道。坦白说，看完文章之后的我反而觉得，人在职场上的每一次行为和评价都被记录，实在太可怕了。
雇主每年要看成千上万的简历，面试成百上千为候选人。这个过程其中涉及到海量数据，可以说是超过一般人能处理的量。就算今天的老板们再聪明，也不免发生看走眼的时候，毕竟人总是会犯错的。
所以我们才需要AI。
接近一半（46%）的招聘人员认为，招人最难的部分是，你要如何从一大堆乏味的简历中，挑选出合适的候选人。人工智能和机器学习很可能会改变此局面，它们可以大幅提高招聘人员筛选简历和给候选者安排合适岗位的效率。
将人才信息数据化
酒店经理需要招聘酒保、服务员、洗碗工等前台后厨一大堆岗位，同时要安排他们的工作时间。究竟谁能在要求的时间内工作，谁应该在什么时候做什么事？
AI如果想要解决类似问题，招人的恭喜首先需要构建一个数据集（人才库），里面记录着候选人的各种属性，并持续更新。更重要的是，你需要有一款数据驱动的能够上传到系统的员工简历系统，里面包括了候选人的背景。这些背景包括候选人的技能、爱好、住址、工作经历、空闲时间，还有雇主对他的评价。
提供临时雇员的人力外包/人力资源公司，需要将没什么从业经历的人派去不同的岗位，方便形成一个数据库。最终，当岗位和员工们的数据积累到一定量的时候，AI就可以非常准确地分析数据，并为某个岗位推荐最合适的候选人。
这就有点像Netflix 和 Amazon 等平台上的个性化推荐引擎。系统不会给你推荐最好的电影、最好的产品或最好的人，而是根据客户以前的挑选历史和评价，挑出你最喜欢的、最有可能选的人。
分析员工的长处
AI能做的不仅是简单地匹配公司和候选人，还可以帮你选出最守时、最有经验、最全能甚至是最圆滑的员工。它还能找出，哪位员工在高度时间压力下，还能有稳定发挥。如此一来，公司可以根据客户不同的需求，做出合适的安排。
这个过程跟市场营销人员利用谷歌、Facebook和Twitter上的用户行为数据，针对特定消费人群调整营销方案的道理类似。未来，我相信会有越来越多的公司通过开放API的方式共享数据，招聘人员就能更加深入地分析申请人。目前，人工智能抓取的还主要人力资源行业比较表面的指标。
展望未来
我们在过去几年看到，许多突破性的新技术在人力资源落地。比如FirstJob推出自动化招聘机器人Maya（时刻不忘PR自己公司的创始人），它可以将招聘过程中75%的流程自动化，评估完应聘者们之后进行排序，并自动安排面试。
本文翻译自 venturebeat.com，原文链接。如若转载请注明出处。
-
观点
国内电子签名市场群雄逐鹿，谁能成为估值30亿美元的DocuSign？
“在众多改变世界的伟大创新中，电子合同、电子签名或许是个不起眼的小应用。但在数字金融、数字经济、数字生活迅速普及的今天，他却有潜力成为一项贯穿于生活、工作场景中的关键应用。”微软大中华区首席技术官徐明强曾如此评价电子合同/电子签名的重要性。
微软确实十分注重电子合同/电子签名的应用，在2014年便与DocuSign展开战略合作，在office365中加入数字签名服务。DocuSign是电子签名领域著名企业，目前估值已达30亿美元，而国内电子签名领域还未诞生同体量霸主。
国外电子合同市场格局确定
国外电子合同/电子签名发展早于国内，以2000年左右eSignLive获得1100万美元B轮投资为标志，随后资本开始密集关注这个领域。DocuSign率先解决法律效力、安全、存储等产品问题，带动企业在全球拓展业务，在DocuSign渐成霸主之际，国外电子签名市场也在2015年基本确定格局。
在国外市场中，DocuSign的服务已经覆盖188个国家、1100家信贷联盟，客户数超30万，用户数超过2亿；eSignLive隶属于WASCO国际数据安全公司，主要服务企业客户数，过去11年平均保持21%的利润增长；SignNow被超过50%的世界500强企业选用，也拥有10万家小企业客户。
国内市场方兴未艾
国内国内电子/签名市场规模有多大？并没有官方数字统计。引用伯藜创投管理合伙人秦志勇的推测：2015年全国电子商务总额约为15万亿元，签约合同数量约有1500亿笔，如果按照每笔1元计算，那么这个市场规模大概是1500亿元左右。电子合同/签名是千亿市场在行业应该是共同认知。
这个千亿市场可以说刚刚兴起，因为直到2015年国内电子/签名市场才受到资本市场的广泛关注。从图中可见，多数电子合同/签名企业在这一年完成A轮融资。
国内电子签名市场主要分为三类，第一类是互联网企业、律师税务所等出身的第三方电子签名创业企业，其中包括获得B轮融资的法大大、获得A+轮融资的上上签等；第二类是老牌电子签章和数据保全公司推出的服务，包括获得A轮融资的e签保和一签通等；第三类是国内CA认证机构推出的安心签和诚信签等。
虽然“出身”不同，但国内电子签名、电子合同领域发展所应用的行业和技术几乎类似，并且企业也整体处于初级阶段。谁能成为国内版DocuSign，未来势必会经历激烈地竞争。
2大因素促国内电子合同/签名发展迎利好
虽然国内早在在2004年出台《中华人民共和国电子签名法》以及《中华人民共和国合同法》，对电子合同的合规性已经作出规定。但是政策层面并未释放红利以及产品技术储备不完善，所以电子合同/签名并未迎来爆发。随着2016年出台的《中华人民共和国电子商务法（草案）》对电子合同的重点提及，将刺激未来几年电子合同这一法律科技解决方案的发展。
另一大因素则是传统的纸质合同，越来越难以适应互联网+商业时代对时效和成本方面的要求。尤其电商领域的契约精神更需要电子合同/签名来守护。在2017年4月在日内瓦举行的联合国贸易和发展会议上公布的数据显示，全球电子商务市场已经达到25万亿美元。同时2016年7月中国商务部《商务发展第十三个五年规划纲要》预测，到2020年电子商务交易规模将达到43.8万亿元，年均增长约15%。电商领域巨大的市场体量和快速的增长速度无疑会促进电子合同/签名进一步发展。
推展行业还需打消安全顾虑
目前电子合同/签名在网贷、在线旅游、制造零售等行业已成为合规“标配”。包括携程、阿里巴巴等头部企业已经大范围使用电子签名产品。但在更广泛的商业领域，尤其传统线下商业，电子合同/签名技术应用还并不广泛。包括客户使用习惯和传统观念的改变需要一个过程，如何用技术提升安全感也是重要问题。
提升电子合同/签名安全涉及到多方面，尤其区块链等技术对Lawtech（法律科技）发展起到重要助推作用。比如没有 CA 认证的电子签名是伪签名；数字签名主要解决电子合同中的身份验证问题，主要手段是利用哈细算法生成不可重复的哈希值，这个在行业是比较普遍应用的技术；另外区块链技术以其不可篡改、去中心化等特性，在时间戳、数字证书安全认证、存档电子管理等方面有广泛应用。因此不断出现的技术，也在促进行业快速发展，催生出国内版DocuSign。
来源：亿欧网
-
观点
招聘这件大事，硅谷企业正利用AI给出求职者客观评价，辅助HR消除主观偏见
艾格·格雷夫斯基一直想让硅谷变得更加多元化。他于2012年创办了一家叫做Mya Systems的公司，这家公司的总部位于旧金山。格雷夫斯基希望通过这家公司减少人为因素对企业招聘的影响。“我们正尝试剔除招聘过程中的偏见”，他说道。
格雷夫斯基正在和Mya共同实现他的目标。Mya是一个很智能的聊天机器人，可以对求职者进行面试和评估。格雷夫斯基认为，和一些招聘人员不同，经过编程的Mya会向求职者提出客观的、基于工作表现的问题，并避免人类可能产生的潜意识判断。Mya评估求职者的简历时，不会关注他的外表、性别和名字。“我们正极力剥除这些因素”，格雷夫斯基说道。
格雷夫斯基表示，目前已经有几家大型招聘机构正在使用Mya，不过他拒绝透露这些公司的名字。这些招聘机构用Mya来对求职者进行初试。Mya可以根据工作的核心要求对申请者进行筛选，了解他们的教育和专业背景，告知求职者他们所应聘职位的细节，衡量他们是否感兴趣；同时还能回答求职者关于公司政策和文化方面的疑问。
科技产业多元化不足
众所周知，科技产业存在多元化不足的问题，而且纠正这一失衡现象的速度缓慢得令人失望。虽然有公司指出这是“流水线调度问题”，但其实问题的根源出在招聘。招聘是一件非常复杂、繁重的工作，招聘人员需要挑选出最合适的人选，但他们往往存在许多偏见。某种程度而言，招聘系统决定了企业的技术人才构成。假如企业能够摆脱招聘过程中的人为因素重新招聘，会发生些什么呢？很多创业公司正在开发相关的工具和平台，用人工智能技术招聘人才，他们认为这些工具和平台将大幅减少招聘过程中的偏见。
HireVue也是一家尝试用人工智能消除招聘偏见的企业。通过基于智能视频和文本的软件，HireVue可以从视频面试中提取多达25000个数据点，从而判断出最合适的工作人选。英特尔、沃达丰、联合利华和耐克等公司都在使用HireVue的系统。HireVue的评估依据涵盖了面部表情到词汇表达等众多因素，它甚至可以衡量应聘者的同情心等抽象品质。HireVue的首席技术官Loren Larsen表示，通过HireVue“无论应聘者是什么性别、种族、年龄，做过那些工作，读的什么大学，都将获得同样的机会。”因为这款工具为所有应聘者提供了相同的应聘流程，而不是像人类招聘员那样，情绪和环境等因素都会影响到他的判断。
尽管AI招聘工具尚未得到广泛使用，但咨询公司CEB的产品管理总监Aman Alexander认为，它在人力资源中的流行度正在增加。CEB公司为AMD、Comcast、Philips、Thomson Reuters以及沃尔玛等大型企业提供了一系列的人力资源工具。Aman Alexander说道：“需求一直在快速增长。招聘工具最大的用户不是科技公司，而是需要招聘大量员工的大型零售商。这意味着对于企业主而言，它们最大的魅力在于可以提升效率而不是公平性。”
不过，HireVue和Mya等产品背后的团队认为，它们的工具可以让招聘过程更加公平。因为自动化需要设立标准，这意味着使用人工智能助手的企业必须清楚如何对应聘者进行评估。理想情况下，这些参数可以在良性循环中不断更新，AI系统通过分析它收集到的收据，可以让整个过程更加公正没有偏见。
不过值得注意的是，AI的效用是由驱动它的数据决定的，而这些数据又是由凌乱、令人失望且充满偏见的人类产生的。
AI并不能消除偏见
只要你深入挖掘那些旨在促进公平的算法，就会发现它们或多或少都存在偏见。ProPublica检查用于预测再犯率的警用工具时发现，该算法对非裔美国人存在偏见。Beauty.AI是一个利用人脸和年龄识别算法选美的软件，它可以从提交的一系列照片中选出最具吸引力的人物。不过令人遗憾的是，它对浅色皮肤和头发的人表现出了强烈的偏爱。
即便是那些AI系统的创造者也不得不承认，AI并非完全没有偏见。AI招聘平台Talent Sonar的创始人兼CEO劳拉•马瑟（Laura Mather）表示：“在招聘过程中使用AI非但不会减少，反而会增加偏见。”她认为，AI依赖于人类团队所产生的训练集，所以它只会增加偏见而不是消除它。它雇佣的人可能“都很聪明、有天赋，但却彼此十分相似”。
此外，由于AI是为处理大批量招聘而开发的，任何偏见都将对谁将脱颖而出产生系统级的影响。据格雷夫斯基介绍，Mya Systems正在聚焦零售等行业。“CVS Health正在招聘12万人补充到它的各个零售点中，Nike每年招募的人也有8万之多”。任何渗透到系统中的偏见都将产生工业规模的影响。当面对多达12万的规模庞大的申请者时，AI平台可能会让招聘标准迅速偏离人类招聘专员最初的设置的标准。
话又说回来，AI的强大能力也有一定的好处：它解放了招聘人员，让他们可以集中精力做出更加明智的最终决定。“在我的一生中，我和成千上万个招聘人员交谈过，他们每一个人都在抱怨自己的时间不够用”，格雷夫斯基说道。既然没有足够的时间和每一个应聘者交谈，那么直觉决策就变得很重要。AI不仅使得招聘人员可以应对更大规模的应聘者，同时也帮助他们告别了快速决策的工作状态，能够更加从容周全地思考和判断。
要避免AI系统步入“偏见”的陷阱，就要求工程师和程序员具有超知觉。格雷夫斯基解释道，Mya Systems对Mya用来学习的数据种类进行了控制。这意味着Mya的决策是基于Mya Systems及其客户预先批准的数据生成的，而非原始的、未经处理的招聘和语言数据。这减小了Mya像Tay一样学习偏见的可能性。Tay是微软去年发布的聊天机器人，经过循环学习后，它很快变成了一个种族主义者。不过Mya Systems的做法并不能消除偏见，因为任何经过审核的数据都反映了人们的选择倾向和偏好。
正因为如此，AI人力资源工具可能无法消除偏见，反而会将其永久化。ReadySet是一家位于奥克兰的多元化咨询公司，其执行总监Y-Vonne Hutchinson表示：“我们尽量不将AI视为灵丹妙药。AI是一个工具，AI有制造商，有时AI可以放大制造商的偏见和制造商的盲点。Hutchinson 接着说道：“要让这些工具工作，使用它们的招聘人员必须经过训练，要能够发现自己和其他人的偏见。”如果没有这种多元化的训练，人类招聘专员就会把他们的偏见植入到招聘的不同环节。
AI让硅谷变得更好
一些使用AI人力资源工具的公司正在努力增强其多元性。Textio是一个智能文本编辑器，它可以运用大数据和机器学习对职位列表提出修改意见，从而吸引不同类型的人才。Atlassian是Textio的众多客户之一，据Atlassian全球多元化和包容性负责人奥布里·布兰奇表示，Textio帮助公司将新员工中的女性比例从18％提高到了57％。
布兰奇说道：“我们看到，我们筛选和最终雇佣的应聘者在性别分布上有了显著的变化。她表示，使用Textio的意想不到的好处之一是，除了Atlassian的应聘者变得多元化之外，公司对企业文化也有了自我认识。“这引起了很多关于语言如何影响我们作为雇主的品牌形象的内部讨论”。
总而言之，如果AI招聘工具能够提高生产力，那么它就能得到更加广泛的使用。但如果企业想仅仅靠引进AI来让招聘更加公平，这还远远不够。用不断加深的对多元化的认知来完善AI系统十分重要。AI或许无法成为科技行业解决多元化问题的灵丹妙药，它充其量只是硅谷努力变得更好的一种重要工具罢了。
via wired 雷锋网编译 雷锋网(公众号：雷锋网)雷锋网
-
观点
还在用 MVP 测试你的 idea？硅谷创业者现在更喜欢「SLC」疗法
编者按：本文来自微信公众号“星空时间（ID：Time4Space）”。
从 20 年前开始，产品团队一直在喊着 MVP（最小化可行产品）的口头禅，却从来没评估过 MVP 是否是最佳的学习、验证方式，MVP 到底能否赢得用户的欣赏？
但很显然，MVP 并不是最好的方式，其背后的动机仍然非常有效：
1、创建一些小的东西，因为船小好调头，验证起来也不费力气。
2、能快速进入市场，获得真实的用户反馈。
3、如果扑街了就扔掉，如果有潜力就增加投资。
对于创业公司来说，MVP 能让他们以最小的代价尽可能快速的了解客户，但这是一种自私的行为——因为用户讨厌 MVP。
尽管 Reid Hoffman 鼓励创业者尽早推出他们的 1.0 版本，尽早避免尴尬，但问题是：用户并不喜欢一个还不完善的产品，他们期待优质的产品。
MVP 太小了，以至于用户根本看不到它的价值在哪里。虽然 MVP 对于产品团队是有用的，但奈何用户不喜欢。用户不喜欢的话，公司就要倒大霉了。
幸运的是，有一种更好的方式来构建和验证新产品——为了兼顾小巧和尽早推出，新产品必须简单。
用户每天都在接受各种各样的小产品，但只要简单好用，并保证在将来会推出更完善、精良的产品，用户的接受程度就会更高。例如，Google Docs 在刚开始推出时只有 Microsoft Word 3% 的功能，但前者在最初的功能——简单的实时协作上做的很出色，很快就赢得了用户的喜爱。
需要注意的是，Google Docs 很简单，但不是「不完善」。这和 MVP 的定义完全不同：可以「简单」，但不能「不完善」。如果说「简单」是产品的 1.0 版本，「不完善」就是产品的 0.1 版本。对于客户来说，如果一个简单的小功能做的很棒，他就会期待你做出更丰富的功能。
事实上，「简单」和「完善」并不矛盾。很多伟大的产品，如 WhatsApp、Snapchat、Stripe、Twilio、Twitter 和 Slack 的第一个版本都很简单，但非常好用。其中一些后来增加了许多复杂的功能，如 Snapchat、Stripe 和 Slack；有一些则把简单当成持久的价值，如 Twitter 和 WhatsApp。维珍航空在最开始的时候也只有一条航线——小，但是完善。
产品的最终追求是获得用户的喜爱。
有一个显而易见的道理：与那些功能丰富但用户不喜欢的产品来说，功能少而完善但用户喜欢的产品更成功。上述那些功能简单、备受欢迎的成功产品的早期版本都是佐证。产品的成功循环在于爱，而不是功能。
对于一个产品来说，有很多产生「爱」的方法，但「最小化」和「可行」不在此列。目前最流行的方式是通过设计：优质的 UX 搭配精良的 UI 设计。但还有其他的方法：
一种是通过公司态度和文化产生「爱」，如真正帮助创业者的 MeetEdgar 博客，帮助获取用户的 HubSpot 博客。
另一种是通过与目标用户的情感和工作方式产生深层的联系产生「爱」，如 Heroku 打破营销传统，在首页放置命令行功能，而不是产品功能宣传。
这些正是替代 MVP 的新组件——SLC（Simple 简单、Loveable 被喜欢、Complete 完善）。
除此之外，在考虑产品的下一个版本的时候，SLC 也能给予帮助：
SLC 产品不需要持续开发才能增加价值，可能产品的更新换代很慢，但即使不增加投入，它也是一个有价值的产品。
以下是 Spotify 产品团队曾经用过的产品模型：
如上图所示，滑板是 SLC 产品，它比走路更快，用起来很简单，很多人都喜欢。接下来，你可以给滑板加个扶手，加个轮子，加个座位，加个齿轮，让用户可以用手扶着，坐下来，速度更快、更安全，最终成为一辆完善的汽车。
Snapchat 的成长史可以看成是一个 SLC 产品的进化史：
最初的时候只有拍照分享、阅后即焚的功能，没有视频，没有滤镜，没有社交，没有评论，不能存储，但功能很简单、完整——阅后即焚。
事实证明，「阅后即焚」符合很多用户的心里期望——很简单，但很完善，所以 Snapchat 获得了成功。
后来，Snapchat 增加了很多功能——视频、滤镜、时间线，以及那款能拍摄 10 秒视频的太阳镜。产品变得越来越复杂，但这是没问题的，SLC 产品不排除增加复杂功能的可能性。
对于创业者来说，SLC 的优势在于：
1、如果一款 SLC 产品不被用户喜欢，那么就可以直接放弃，这本身就是一个实验的过程。
2、如果一款 SLC 产品被证明是有价值的，那么创业者就有多种选择：增加投入，获得更高的收益，或者坚持其简单的特性，获得稳定的收益。
事实上，创业者应该根据实际情况做决定，因为并不是每个产品都适合变得复杂，并不是每个产品都需要快速更新迭代。但无论如何，请始终牢记做产品的初衷：简单、被喜欢和完善。
如果你向用户提出这个问题，他们也会表示赞同。
-
观点
灵活用工，为什么突然火了？
作者：自由职客创始人黄出为，拥有16年的人力资源行业经验，曾创办灵活用工公司孚高通，后并入CIS在美国纽约主板上市。自由职客主打IT互联网灵活用工，目前累计交易额突破3亿。
1
灵活用工，是眼下“互联网+人力资源”最火的话题，也是企服领域投资人紧跟的“风口”，越来越多的人开始关注和讨论灵活用工，今年内也有不少创业项目斩获投资。笔者作为领域内的创业者，结合自己的实践，谈一谈我对灵活用工的看法。
1
灵活用工区别于固定全职，是指企业基于用人需求的波峰波谷，灵活地按需雇佣人才，双方不建立正式的全职劳务关系。此时，人力资源像是水和电一样，按照需求随时使用，随时停止。这种模式更为灵活，不需要付出额外费用，也不需要复杂的入离职流程，企业节省了成本，人才价值也可以充分发挥。我们说的兼职、自由职业、劳务派遣等，都可以纳入这个范畴。
1
1
据CIETT（民间职介国际同盟）数据显示，全球人力资源市场收入构成中，灵活用工占比高达70％，市场规模近3万亿人民币。在这样的趋势下，美国灵活用工人员占比达到35％，日本达到40％。日本与中国的人口结构相似，催生了Dip Corp，这家主打灵活用工的公司，从2013年到2016年，短短3年时间股票增长50倍，市值飙升至120亿人民币。另一家公司Recruit，作为世界四大人力资源公司之一，灵活用工业务创造的收入已经占其人力资源总收入的51％。中国劳动人口数量是美国的4倍，日本的10倍，但灵活用工市场还从未诞生巨头，发展空间非常巨大。
1
那么，为什么灵活用工会在这个时候兴起呢？从我的经验来看，有两大原因：
1
1.人不够用了
首先是老龄化和少子化导致人口红利消失，劳动人口变得越来越少，人力资源从过剩到越来越不足。其次是就业主体年轻化，90后的年轻人更追求自由，希望从固定的工作岗位解放出来，人力资源从过去的稳定变得不稳定。
1
2.钱不够用了
再看企业，近年来竞争加剧、资本寒冬、产能过剩等等现象的出现，都导致了一个共同的结果——成本升高。而房租、原材料、人力这三座成本大山里，最容易改变的是人力，企业如何在人力资源配置上省钱，成为大家关注的话题。
1
人不够用了，企业需要节省成本，这就必然会导致用人模式的变化，原本是一家企业大量雇佣全职，负担大量成本，未来很多岗位都会演变成多家企业共享一个人才，一个人服务多家企业，人力资源的共享经济会发展起来，这也正是灵活用工的核心逻辑。
1
移动互联网和灵活用工的化学反应
有趣的一点是，中国灵活用工市场发展速度比起美国日本会更快，原因在于移动互联网的高度普及。灵活用工释放的是个体的空余时间与企业的弹性需求，但这二者是非常碎片化的，传统的人工模式无法快速、批量的进行匹配。移动互联网的出现，很好的解决了这一问题，大量的临时性需求和个人的空余时间可以通过机器快速匹配。随着B端和C端数据量的沉淀以及人工智能算法的发展，这种匹配会越来越高效。
1
如果说美国、日本的灵活用工是基于线下人力模式的的传统1.0版本，那么中国近几年很灵活用工的创业项目，一开始就是基于移动互联网的2.0版本了。
1
灵活用工不仅仅是招聘
也正因为中国的灵活用工有着特殊性，我接触过很多人对其都有很深的误解。其中一个比较常见的就是把灵活用工狭义的理解为一种招聘行为。招聘其实只是一个层面，它完成了企业与人才的匹配，但灵活用工更多的是一种人力资源服务，以自由职客为例，除了APP的匹配以外，对于有需求的企业，我们会提供撮合、入项、工资结算、财税优化等服务，同时也为自由职业者或兼职人员提供工资派发、五险一金代缴等服务。
1
所以，灵活用工是必然是一个系统的服务行为，一种双边交易行为，而不是简单的信息对接。做灵活用工市场，如果没有后续的服务能力，最终只会变成流量的生意，逃不出“卖简历、卖会员、卖广告”的老三样，价值非常有限。
1
灵活用工两大市场
还有一个误解，就是把灵活用工理解为铁板一块。2015年前后，兴起过一波兼职热，本质上其实是灵活用工热。这个赛道上的兼职猫、斗米兼职、独立日、探鹿等项目纷纷斩获融资，而这些项目其实针对的是蓝领和大学生市场，主要提供发单、促销、会展、地推等劳动力兼职岗位。近段时间来，蓝领、大学生兼职市场泡沫破裂，大家纷纷放弃烧钱做流量的模式，转而聚焦到适合自己的品类上，比如会展、地推等，提供线下的重度服务，进而产生健康的现金流。随着服务业兴起，这个市场大有可为，但这并不是唯一的灵活用工市场。
1
除了劳动力型市场，技能型灵活用工市场同样非常值得关注，比如我从事的IT互联网领域，管理咨询、开发、设计、产品、运营、营销等技能型岗位，有很多自由职业者，或者空余时间接兼职的人，另一端的企业也存在大量的临时项目和外包需求，随着企业经营成本升高，需求越来越强烈。在过去，存量市场由于信息不对称、中间缺少相应的服务等原因，个人和企业的需求都被压抑住了，随着互联网平台的出现，需求被极大释放，这个市场正在变得越来越大。这一点，只要你问问自己，问问身边的人，空余时间是否希望能够多一些收入，我相信只要有好的平台提供机会和服务，答案是显而易见的。
1
两个市场看似相同，但面临的B端和C端是完全不同的，选择一个市场切入，随着B和C的积累，招聘和服务效果会越来越好，用户粘度越来越强，壁垒越来越高，跨领域竞争的难度会越来越大。从我的实践来看，感触很深，如果你的服务足够好，用户一般不会跳出，企业则更是，由于有着复杂的决策流程和多元的决策维度，轻易不会更换供应商。先发优势一旦形成，竞品难再撬动，这是这个行业的特点。
1
灵活用工创业的三大挑战
选择灵活用工创业有三大挑战，或者说三个必须克服的难点：
1
1.双边资源
灵活用工是一个双边市场，双边市场的难点在于要同时撬动B和C，只有B和C的体量都达到一定程度，才会有足够的匹配，用户体验才能好。所以，通常的做法是把双边问题简化成单边问题，比如有大量的企业资源，就可以集中发力拓展人才库，有大量的人才资源，就可以集中火力发展企业端。如果是从零开始积累双边资源，是最难的一种方式，成功概率相对不高。
1
2.服务能力
仅仅有双边资源是不够的，灵活用工中间涉及的入项、管理、结算、法律、财税等等都比较专业，越是具备规模的企业对这个能力的要求越高，团队需要有一定的服务经验，否则虽然有点资源，也没有办法撬动，最终变成无效资源。
1
3.产品技术
互联网时代的灵活用工与过去的人工服务是不同的，互联网借助数据与算法实现的匹配效率以毫秒为单位，虽然现在还没办法完全替代人工，但我们可以明显的感觉到，AI匹配的效果越来越好，一切都只是时间问题。在产品和技术上肯下功夫的公司，才会真正具备核心竞争力。
1
最后，站在C端人才的角度谈一谈，灵活用工看似是对企业的一种说法，但其实也是对人才的一种解放，虽然对很多企业来说全职有着必要性，但灵活用工提供了一种更自由的选择，随着服务平台的发展，通过灵活用工进行就业的群体，也将享有更多的福利保障。当然，这需要灵活用工领域内的创业者共同努力，共勉！
-
观点
你的下一个老板会是机器人吗？用这个小工具评估一下
编者按：AI正在蚕食一切。很多人开始担心将来自己的工作会被机器替代。这一天未必到来的那么快。但是机器当你的老板的可能性却会越来越高。《机器人是老板》的作者、连续创业者Artur Kiulian探讨了这方面的可能性，并开发了一个评估这种可能性的工具，想知道你将来会不会有个机器人老板吗？去评估一下看看吧。小工具地址在文末。
人工智能软件和机器人在模式识别、预测性分析、重负载计算以及处理重复作业方面很强。正因为有了这些能力，机器在很多职业和活动方面正在逐渐替代人类，引发了自动化对工作市场的影响的日益担忧。
目前大量有价值的工作都是由人来完成的——比如检查安保视频寻找嫌疑行为，确定车辆是否即将撞上行人，查找和排除网上骂人的帖子——这些事情人在不到一秒钟之内就能完成。这些任务准备可以自动化了。然而，这些任务往往要放在一个更大的业务流程背景下才适合；找出它们跟业务其他部分的关联也很重要
——吴恩达，最近刚刚推出了1.5亿美元的面向AI的风投机构
AI的威力无可争议，问题是自动化能走多远，它对员工、组织以及商业流程又会产生什么影响。一个主要问题是——AI会不会变成绝大多数员工的下一位老板？
大多数专家都同意在不久的将来绝大部分的工作都会部分或完全被自动化。实际上，这意味着员工要么完全被机器替代，要么开始跟机器合作，充当后者的助手、培训师或者下级。AI专家做出的部分预测是相当激进的。
比方说，麦肯锡得出结论说目前现有的AI技术可以对今天大家执行的45%活动进行自动化。这家咨询机构还预测未来10年约60种职业将会经历至少30%的自动化。
自动化场景
自动化的范围取决于技术可行性（员工在可以自动化的活动上所花费的时间占比），监管是否到位以及社会的接受度、经济利益和自动化的成本。
麦肯锡认为，管理别人和运用专业知识是最不容易受到自动化影响的活动。而更容易受到影响的任务包括利益攸关者互动、无法预测的体力工作（如建筑工、林业）。最后，最容易受到自动化影响的是可预测的手工作业，数据收集以及数据处理工作。
直觉上看，如果你保持受雇的话机器人会成为你的下一个老板。因此，在这种氛围下，就像无人驾驶或者自动交易那样，机器会成为自己的老板。比方说，在无人驾驶方面，卡车车队的活动会通过可在紧急情况下即时发送软件更新和安全补丁的空中系统（OTA）进行同步。显然，此类系统并不需要太多的人类干预也能顺畅工作。
人机通信的新形式，包括有AI引导的管理等，在AI与员工被结合到统筹商业流程的混合型公司中将变得更加可行。
第一个场景是机器承担了面向客户界面的角色，这种角色可以促进客户支持或商业分析等企业运营工作。执行廉洁消费者与人类顾问这一特殊任务的面向垂直领域的机器人就是这种模式的典型例子。
许多初创企业雇佣了所谓的聊天机器人训练师来评估聊天机器人的表现，并在出问题的时候插手干预。在这种模式下，人类员工对AI软件的作用是增强和辅助，后者利用其自然语言处理、分析、图像识别或其他机器学习功能来运行业务流程并作出重要决定。不过到最后还是由人类经理和员工说了算。
那么，机器人什么时候才会变成你的老板呢？
在决策严重依赖算法解决方案或者只要机器参与到管理员工和绩效评估的公司，AI很可能就会变成机器老板。据Gartner，到2018年全球将会由300万人由机器人监管。
机器老板已经在许多数据驱动型公司执行着重要任务。比方说，全球最大的对冲基金，监管着1600以美元资金的Bridgewater Associates（桥水联合基金）正在开发PriOS算法管理系统，他们要用这套系统来控制所有的基础业务流程和运作。这套系统负责了若干的关联任务，比如招聘和解雇员工，或者或相反看法进行打分，以解决团队的争端和分歧。这套AI系统背后的合理之处在于它完全排除了在投资决策当中感情和情绪的任何影响。
在银行和贷款经纪方面AI软件也有着良好的发展势头，他们利用机器来决定哪些客户有资格获得贷款。如果没有这类软件，抵押经纪就得把90%的时间花在审核申请上面。
而机器做这件事情可以更加高效，从而为经纪人向客户的咨询和建议工作腾出了时间。然而，大家日益担忧信用评估软件里面的机器学习算法会受到歧视性偏见的侵蚀。
公司还在借复杂图像识别软件之力，在人类主无法恰当衡量情况下来自动评估员工的表现。
比方说，机器老板可以跟踪Uber司机选择的轮偏转角来评估这位司机的驾驶技能和风格。类似地，在服务领域机器学习算法可以用来评估服务员的工作做得如何，办法是跟踪这些服务员在VIP客户面前笑容的灿烂程度如何。
算法已经在管理人了
并且我们还没怎么注意到这一点。
在许多构成所谓的零工经济的按需机动和送货服务中，AI软件负责重要的商业决策，规划以及绩效评估。在总部位于伦敦的食品外卖公司Deliveroo，大多数外卖员的行动都是由管理算法严格控制的。
如果某位外卖员拒绝订单，严格的算法就会惩罚他们。Deliveroo的算法系统仔细的监视着外卖员的表现，它会计算其平均“接单时间”，“行驶时间”以及“未分配订单数”。如果该外卖员的表现达不到服务水平协议，就有可能被系统屏蔽。
全球领先的共享打车服务Uber也采用了类似的算法过程。在Uber那里，一旦司机登录进系统，其接受打车请求的时间就只有10到20秒。如果连续错过3次订单，司机就会自动被踢出系统几分钟。如果频繁违背Uber的算法性政策，这位司机的账户可能就会被撤销。
在这些算法当中，Uber司机对Uber的Dynamic Pricing Model（动态定价模型）发生了抱怨。该模型会自动根据对Uber服务的总需求情况设置资费。因此，Uber司机的收入也会高度不稳定。Uber不公平的价格设定政策导致2016年司机加入了一场名为“Fight for $15”的示威游行，要求自己的服务要得到公平的报酬以及工会权利和社会福利。
正如这些例子说明那样，机器在以来于数据驱动系统、自动化分析以及算法性决策的企业是有可能成为老板的。当公司把决策的责任交给机器学习算法时，机器就自动变成了老板。
但与此同时，有些地方还不会受到机器人老板的影响——那就是错误决定会产生危险影响的领域。
医疗保健就是这样，因为保健专业人士的日常活动需要人类的专业知识以及跟病人的直接接触。尽管AI做出的医疗诊断可以为医生提供有价值的洞察分析，但最后的决定还得由保健专家来做，因为后者需要对机器的结论进行验证，确保其符合所有的道德规范和政策。
小工具
想知道你的工作由算法进行管理的可能性有多高吗？你可以来试试我开发的这个工具，它利用了公开的工作活动和职业数据，以及牛津大学的计算化研究：http://www.willrobotbemyboss.com/
原文链接：https://hackernoon.com/why-your-next-boss-will-be-a-robot-fbe6098de696
-
观点
“AI+招聘”是未来，还是噱头？
作者：仟寻CEO王向导，编辑：徐宁
作者王向导是仟寻MoSeeker创始人兼CEO、长江商学院EMBA、中欧创业营5期、腾讯青腾大学2期学员。在创办仟寻之前曾在百度、IBM、飞利浦等世界500强企业从事人力资源管理及市场营销工作 。“仟寻”是一款基于微信的 SaaS 移动招聘系统，主要功能包括职位的移动端发布、传播和申请，以及基于社交关系的员工绑定和内部推荐。仟寻系统记录企业和用户端所有的发布、传播、申请和入职数据，同时可以与企业现有的 ATS（申请追踪系统或企业招聘系统）系统整合。
以下是正文：
随着AI及相关新技术的高速发展，HR领域也必将是另一个受益行业。目前在招聘领域的技术革新主要集中在以下三个方向：
第一种是对现有人才库的盘活，包括自动更新企业人才库，并基于新职位做库内最佳候选人的推荐。这试图解决的是人才库浪费，就是那些所谓把“人才鱼塘”重新激活的问题。
第二种方向是自动化人才甄选，包括自动化笔试、面试以及基于聊天机器人的甄选工具。这试图解决的是人才甄选的效率问题。
第三种方向是激活被动求职者，包括基于社交网络、UGC内容、ChatBot和匹配算法的综合应用。这试图解决的是影响并转化被动求职者的问题。
下面看一下这三种方向所涉及的新技术和其应用的现状。
一、人才库盘活：
人才库盘活是近年来的一个活跃话题。这个方向上的应用，其最终理想的场景是，当HR向外部发布职位的时候，系统可以自动提示她，企业自有人才库里面已经有这n个候选人，满足以下两个条件：
1）候选学历、技能和经验与JD要求高度匹配
2）候选人在最近于招聘网站更新过简历
如此一来这位HR可以直接从这n个整整齐齐排序的自有候选人中依次查看联络，而不需要再依赖一般来说需要付费的外界渠道。对于职位和候选人数量庞大的大型雇主来说，这个理想场景，如果能够实现，那是非常具有吸引力的。因此不论是在硅谷还是国内，都有一些公司尝试这个方向上的产品研发。但是，如上文所述，这个理想场景需要基于两个前提：
1）基于JD和简历的文本匹配技术是否能够达到有效甄选的水平（比如讲误杀的候选人数量是否比成功匹配的候选人数量多得多）
2）候选人的简历数据作为匹配的主要输入，是否能保持充分地更新度
第一点是说，基于文本（简历和JD）的匹配技术（主要基于是 自然语言处理（NLP）的算法）在充分的数据量（简历和JD）和人工干预（训练集）下，是否能使得系统（机器学习过程）输出近似于人类选择的结果。这种结果的近似度，就是衡量所谓AI的效度。那么这种近似度怎么衡量呢？一种简单的方式，就是针对同一个职位和对同一批简历，同时请系统和本公司的一个HR委员会进行筛选排序，然后对比两者的结果。举例来说，假设总共1000份简历，HR和系统都选择了其中的50份，那么这50份里面有多少是重合的？这个重合度就是机器判断的效果的一个主要衡量。如果重合的有45个，那么就是极为有效，近似自然误差；但是如果重合的只有10个，甚至个别，那么这个系统就基本无效，因为他误杀的简历比他推荐的多得多。
这里的挑战就是，我们不知道基于雇主有限的简历和JD语料，匹配有效性的极限是多少。比如说投递给各个岗位的，合格和不合格的50万份简历，能否构成一个足够有效的语料库？同时，雇主能够承担多大成本的人工标签工作？在现实的条件下，这些有限的语料和人工投入是否能够导出一个有效的AI推荐系统？
这个问题我们询问过Recruit研究院的CEO Alon Halevy教授，也请教过欧美市场最大的求职网站Indeed.com的总裁Chris Hyams，这两家机构拥有世界上最大数量的JD和简历数据，他们一方面对人工智能的在HR领域的应用保佑希望和期待也在践行，另一方便也保留一个成熟而且务实的观点。他们的回答都是有所保留的。他们有提到以下几点：
第一，目前的AI匹配技术仅仅在少数一些职位上达成足够高的可用性，比如说卡车司机。（卡车司机在美国是一个庞大群体，且其能力和要求较容易被模型化。）
第二，他们对AI匹配技术的预期是从1000份简历中剔除800份，而不是选出50份。选出50份的方式，主要还是靠更精细的关键词组合搜索。
第三，即使无限的机器学习过程使得某一家雇主的某一批职位能够逼近有效的机器筛选，这种筛选算法也无法在不经过新的训练过程的情况下，简单地推广到其他职位，更不要说其它雇主（原因之一是，同一个JD，不同的雇主其实要求是不同的，招聘需求有很多文本之外的“潜规则“）；所以跨公司的，平台性质的普适匹配算法在可预见的未来是不现实的。
综上，人才和机会的AI匹配显然具有巨大的潜力和价值，但离商业化应用，还有一定距离。
王向导和Indeed.com总裁Chris Hyams以及仟寻联合创始人戴顺在位于美国奥斯汀的Indeed.com总部
除了匹配的效度以外，人才库盘活的第二个前提是候选人在各处的简历是否能够在库中保持更新。原因是显而易见的：不更新的简历不是一个可靠的匹配算法输入源，不能有效反应求职者的当前意愿。
这一点也有实现上的难度。这里的难度倒不在技术上，而在法律法规上。中国候选人更新简历的地方主要是在前程无忧、智联招聘和猎聘等求职网站上。而这些网站并不对外开放其简历数据库，且明确规定了获取其数据的合法方式。这意味着目前市面上所有的所谓“跨平台一键简历检索(Sourcing)”和“企业人才库简历自动更新”由于招聘网站的频繁反爬升级，经常出现各种体验糟糕的“服务故障”，我跟三大招聘网站的高级管理层曾经也有过关于这种生意模式的深入探讨，他们认为这种方法实际上从商业模式的本质上来说是属于“见不得光的生意”，不可持续，对于雇主来说账号的安全也存在很大的风险，因为雇主一旦在第三方的网站上面提供了用户名和密码信息等，是否被明文存贮都是未知的。
举一个实际的例子，这类网站经常会把用户的账号来拿在非工作时间，比如深夜2点开始爬取求职网站的数据库，一旦被扫描侦测到也会对雇主的账号进行封禁，这就引出了另一个话题：从多家使用过该类功能的雇主了解到，老板可能觉得还好，但由于三天两头出现问题，干活的Recruiter（招聘专员）基本不愿意用，导致买了一年的服务往往过了没几天就束之高阁；另一方面这些功能都是基于一个有明显法律瑕疵的数据获取方式，很多公司都要偷偷地避开合规部门的过问和审核。但是，数据获取问题其实还不是最主要的法律问题。
这里有一个更要命的问题，就是我国在个人信息保护方面的立法。这包括即将颁布的《个人信息保护法》，以及今年6月1日刚刚生效的两高《关于办理侵犯公民个人信息刑事案件适用法律若干问题的解释》。《解释》中明确了：
第一条：刑法第二百五十三条之一规定的“公民个人信息”，是指以电子或者其他方式记录的能够单独或者与其他信息结合识别特定自然人身份或者反映特定自然人活动情况的各种信息，包括姓名、身份证件号码、通信通讯联系方式、住址、账号密码、财产状况、行踪轨迹等。
第三条：未经被收集者同意，将合法收集的公民个人信息向他人提供的，属于刑法第二百五十三条之一规定的“提供公民个人信息”。
第四条：违反国家有关规定，通过购买、收受、交换等方式获取公民个人信息，或者在履行职责、提供服务过程中收集公民个人信息的，属于刑法第二百五十三条之一第三款规定的“以其他方法非法获取公民个人信息”。
简单来讲，公民同意用户协议并将个人隐私信息授权给招聘网站是符合法律的；但是公民并没有授权一家雇主，使用某种软件工具，去采集、保存、分析他储存在招聘网站上的个人隐私数据（包括住址、联系方式、履历等，而且候选人实际上原先可以对指定的公司不显示更新以保护自己的隐私意图）。
简历到底是否属于刑法中定义的“公民个人信息”呢？答案是明确而且肯定的。去年发生过一起案件，智联招聘的两位前员工和他们的一位客户的人事经理（注意，这是一位人事经理！）非正常途径获取智联招聘数据库中的15万条简历信息进行倒买倒卖，智联前员工连同这位人事经理一起被判处3年6个月至1年6个月的有期徒刑。【1】
无独有偶，美国实际上在保护公民隐私的立法上也相当严格，美国招聘行业新秀TalentBin，也因为爬取数据并且出售给客户最终被告上法庭，法院最终作出裁决需要网站对未经授权并使用其信息的候选人进行赔偿。【2】
综上所述，因为职位描述(JD)/简历(CV)匹配技术的不成熟，以及更重要的，法律法规上的红线，“人才鱼塘盘活”目前看来似乎还是一个现实中荆棘遍布的良好愿望，当法规越来越明确，HR在使用这类产品的时候也会越来越谨慎。
王向导和Recruit Institute of Technology CEO Alon Halvey博士、前Google Data Research负责人以及仟寻联合创始人戴顺在位于硅谷山景城的RIT办公室
二、自动化测评：
典型的自动化测评主要包括基于文本的自然语言处理（NLP）和基于人脸识别的视频面试技术。基于NLP的测评又分为两种类型，包括开放性问题的文本回答，以及基于ChatBot（聊天机器人）对话的测评；机器则试图通过其文本回答中的语素分析来建模并且预测候选人的性格特征。而基于人脸识别的视频面试技术，分析视频面试时的语言表达、声调、表情和其他非语言因素，并进行建模且试图预测。这些甄选方式最主要的卖点是效率。即快速从大量面试者中挑选出值得下一轮人工面试的少部分候选人。但是这些测评方式的效果（效度）如何，即这些测评工具的结果是否靠谱，目前还没明确的证据和结论。
有关这个话题，可以先看Google的做法：
在2006年的夏天，Todd Carlisle，一个拥有组织心理学博士学位的Google分析师，设计了一份300题的问卷让每个员工填写。一些问题是封闭性问题：你曾经创造过世界纪录吗？一些则要求员给自己打分：请给自己的工作风格偏好打分，独立工作型（1分）还是团队工作型（5分）。还有一些很琐碎的问题：你养了什么类型的宠物？
Google尝试将Google搜索的要求运用到人力资源过程中：它需要一套能在成千上万候选人中过滤筛选的搜索算法——Google的员工录用率约为0.2%，是哈佛大学录取率的1/25——拒绝掉一批顶尖的候选人。但在大量问答题及数据处理后，发现最好的表现预测因素不是G.P.A.，也不是宠物类型，也不是智力问答“钟表的指针一天会重合多少次？”唯一的最佳预测因素是：根本不存在（Absolutely nothing）。【3】
几年前，Google做了一项研究来验证是否在Google的每个招聘人员都特别擅长招聘。为此观察了上千场面试和几百个面试官，包括他们对候选人评分，也包括候选人最后在工作中的表现。最终结论是：这些变量中间没有丝毫联系。总体上来说是随机的，只存在一个例外：有一个面试官的评价是特别准确的，因为他负责一个非常专精的领域，而他本人恰巧是这个领域全球领先的专家。
也就是说，对于招聘过程而言，智力测试（Quiz）完全是浪费时间。一架飞机里能塞满多少高尔夫球？在曼哈顿有多少加油站？完全在浪费时间。这些题目不会帮助预见任何事。它们的功能主要是让面试显得“聪明“。
反而，最靠谱的还是结构化行为面试，在这类面试中有一系列连续的怎样评价候选人的指标，而不是仅让每个面试官自由发挥。
行为面试的作用还在于——你给候选人的不是一个假设性的问题，而是一个实际问题，比如说“告诉我你的一次解决分析性难题的经历“。行为化面试的有趣之处在于当你让别人讲述自身经历时，当你反复询问时，你会得到两方面的信息。一个是你将看到候选人是怎么应对现实世界的处境，另一个你会得到的珍贵的”元信息“（Meta Information）是对候选人来说什么是困难的。【4】
Google曾经因只雇佣30岁以下的候选人而闻名，使用智力测试来识别顶尖编程人才，信赖学术资格证书，尤其青睐有名校背景的候选人。而现在已经不再是这样:因为成绩单没有预测性。
有趣的是在Google公司没有接受过大学教育的员工比例在逐年上升。学术环境是人为的，在此环境中取得成功的人多少经受过相应的训练，他们能适应这种环境并取得成功。实际上，企业需要乐于解决没有明显答案的问题的员工。
回到自动化测评的话题。
如果Google经过一个庞大内部研究最后的结论是，大数在人才甄选上的价值仍旧有限，那么目前市场上的这些层出不穷的“AI黑科技”，比方说基于自然语言处理的甄选方式（比方说，通过判断候选人的写作或是语音回答中的用词和语调是否“正面积极”来判断其个性，继而预测其工作表现）或是基于人脸识别的方式（比如说，分析面部微表情和眼神反应，继而somehow预测其工作表现）是否真的能够以“一招鲜”的方式，完全取代人类判断呢？
三、被动求职者激活：
根据LinkedIn和中华英才的数据，在中国，80%的候选人是被动求职者。也就是说，会主动发起一个求职行为的候选人，只占到所有候选人中的20%。同时，这20%也往往是价值相对较低，职场经历相对较少的人群。
中国的招聘市场每年大约有1000亿人民币的规模。但是所有线上招聘提供商一年的收入加在一起只有50亿，只占到整个市场的5%。另外95%的交易都发生在各种线下渠道。也就是说，20%的被动求职者（会上各种招聘网站的用户）只能贡献5%的市场价值。同时雇主也不断抱怨招聘网站的效果越来越糟糕。
LinkedIn之所以能够以262亿美元的价格被微软收购（几乎十倍于在纽交所上市的中国最大的招聘网站前程无忧），是因为在全球的很多地区，LinkedIn把被动求职者一网打尽。在美国，每三个人中就有一个是LinkedIn的用户，也就是说除了家庭主妇、学生儿童、退休人士以外，几乎所有职场人都可以在LinkedIn上被找到。这使得原本的分散在各猎头公司数据库里的庞大匿名求职者群体变得触手可及。LinkedIn在北美和欧洲给企业带来的是这个价值，即，通过我你能找到几乎所有人。那么这些人来不来你们公司应聘，就是你雇主吸引力的问题了，所以LinkedIn另一个强调的点就是对你的目标群体加强雇主品牌宣贯。
有意思的是，中国由于其国情，有一个国人自己的互联网生态。纵然LinkedIn是少数几家在中国运营的世界十大网站，LinkedIn在中国也不能算是成功的。LinkedIn在中国仍旧主要是外企员工会使用的平台，即便使用，活跃度和LinkedIn在美国也不可同日而语。这里面有很多原因使然，其中几个主要原因或许是：
1）中国人的实用主义民族习惯：相比从小受到《圣经》熏陶，倾向于相信“神造万物，各按其时成为美好”的西方人，中国人不太在意每一样工具被创造出来时候的目的是什么。相比工具主义理念盛行的西方人自动地用Facebook去联络熟人朋友，用Twitter转发新闻，用Instagram拍照上传，WhatsApp进行即时通讯，用LinkedIn管理职场关系；实用主义思维下的中国人倾向于，如果一个工具能解决所有问题，那就都用它得了。因此，中国的社交媒体基本上就是一个词：微信。加LinkedIn没有问题，但是最好加了LinkedIn之后再加一下微信：咱们微信上聊。
2）中国人对陌生人社交的天然不感冒。对于在海外生活过，或是偶尔走出国门瞧瞧的朋友们来说，一个感受就是中国陌生人之间的信任成本非常高。因而在美国，将履历向大众公开，并和陌生人通过LinkedIn建立有效联系，一起出去喝一杯，是一件挺自然的事情；但是在中国，这就比较不寻常，比较不习惯。笔者认为这也是为何LinkedIn在中国没有发展那么迅速的原因之一。在中国，成功的陌生人社交，好像只有荷尔蒙社交。
因此LinkedIn在中国似乎总是处于一个叫好不叫座的情况。LinkedIn据称在中国有千家客户，根据HREC智享会在2016年的调研报告，其中似乎只有10%的客户会检测其使用效果，而剩下的90%，主要是把LinkedIn作为一个新的渠道进行没有明确预期的尝试。
回到主题，因为中国不存在一个连接广大被动求职者群体的平台，（或者说这个平台实际上就是微信：根据企鹅智库的数据报告，平均来说，实际上微信朋友关系中超过60%的每月新增朋友都是泛职场关系；换句话说，你的老朋友和老同学不会每月再增加，增加的一般都是工作相关的关系。微信已经越来越成为一个职业社交工具，而不再是纯粹的熟人社交工具。）导致这个品类在中国实际上是一个空白，也导致雇主不得不仍旧往往依赖于第三方猎头机构才能有效触达大量较为资深的专业人士。
有没有什么办法可以让这些被动求职者聚集到一处，并且不断主动访问呢？这个问题牵涉到社交网络、推荐算法、内容制造、ChatBot技术等一系列技术的综合运用。对被动求职者的触达和激活，意味着技术不再是仅仅去匹配一小部分的主动求职者，而是帮助雇主把视野扩大到全体劳动人民的范围。
相关引用：
智联招聘卖简历案终审 主管获刑三年半
TALENTBIN CANDIDATE PROFILE CLASS ACTION SETTLEMENT
“In Head-Hunting, Big Data May Not Be Such a Big Deal,” by Adam Bryant, New York Times, June 19, 2013.
“The Science of Smart Hiring,” by Derek Thompson, The Atlantic, April 10, 2016
扫一扫 加微信
hrtechchina
