基于文本分析、标签匹配的招聘引擎——内聘网如何改善招聘市场撮合效率？

白领招聘是个高度碎片化、非标准的市场。站在求职者一端，面对海量的招聘信息无从做出选择，只能去无脑海投，这造成了整个市场上垃圾信息的充斥。在招聘企业一端，同样需要面对海量的求职简历，要在成千上万份简历中筛出最合适的人选宛如大海捞针。这里的情况是，越是知名的企业，无效简历越会向你集中，导致大企业HR的简历筛选成本过高、筛选过程简单粗暴。而不那么知名的企业，往往无法搜集到充足简历，需要你打广告找猎头，付出额外的成本。

注意力分配的不均、供求信息的碎片化，这是白领招聘市场匹配效率低下的根源，而专注互联网人才招聘的内聘网，则试图用文本分析+标签匹配的方法让这一状况得到扭转：

针对求职者一端，内聘网会搜集他的简历和职业诉求（行业、薪资、职位等），通过对简历做文本分析，提取出求职者的标签。

针对企业一端，则会搜集企业的用人诉求、职位信息、行业属性、产品信息和媒体报道，同样是用文本统计、分析的方式，提取出关于该企业的标签。这里由于企业数据的复杂性，内聘采用了机器初筛、人工调优的办法来校正和迭代算法。目前已经提取出来的6000个标签中，约有三分之二是人工生成。

当原本高度非结构化的求职者信息和企业信息都变得相对结构化，招聘引擎就可以在二者之间建立更精准的联系。内聘网会在标签之间构建关联，形成一幅职场标签图谱。求职者和企业可以在图谱上找到自己的位置，两者的位置越接近，则说明他们潜在匹配的概率越高。

内聘网典型的使用体验是：求职者只需提交简历和职位诉求，系统将自动生成一份职位推荐列表，列表会以标签的形式告诉你这家企业的特点（比如工资高、美女多），也会告诉你你们之间的匹配分数，以此作为用户定向投简历的依据。而HR们则只要简单发布职位，系统将依匹配度排序，告诉你哪些简历可能需要你的重点关注。由于不同类型的企业招聘同一职位的需求不尽相同，所以职位匹配的基础应该是“标签组合”。比如一家做to B软件的公司（“to B”+“软件”），和一家做to C软件的公司（“to C”+“软件”），当两者同时发布一个“产品经理”的职位时，得到的结果应该是个性化的。

内聘网创始人肖恒是北大计算机硕士，毕业后旅日工作，曾在京瓷和松下电器任项目经理。肖恒曾创办一家面向日企的人才派遣和软件外包公司，据说一度业绩不错。在随后经历了若干次职场调整后，12年4月二次创业做了内聘网。我们现在看到的内聘网上线于今年3月份（此前尝试过做微信招聘），次月即拿到某机构的数百万人民币天使。

十一期间，内聘网进行了一次大改。肖恒介绍，目前使用内聘网的企业用户有6000多家，改版后的日UV已达1万左右，个人用户则已超过10万。下一步他们将试图向职场社交延伸。

关于用大数据做职位匹配，其实还有一些有意思的玩法，比如：

1、可以绑定求职者的社交账号，通过社交数据为求职者打上更丰富的标签，同时评估他背后的人脉价值。人脉优质的候选人显然应该得到更多的关注，同时在为其匹配职位上，或许BD、市场类的工作排名应该更靠前。这点是以前依靠一纸简历无法实现的，做职场社交的脉脉，在这个方向已经做了较好的表率。

2、企业可以主动触达潜在候选人，激活对方的跳槽意愿，变被动的等人上门为主动的上门招人。

3、让企业将现有员工的背景资料上传，在引擎里跑上一圈，构建出企业现有员工的素质模型。再结合该企业的历史表现，分析该模型的有效性，以及改进方向，从而更精准地评判是否应该吸纳某类型的新人进入——这或许算是一种“量化HR”？