聘宝，算法＋人工，打造推荐为导向的招聘利器

“招聘市场信息不对称、传统招聘平台的局限，其实是有限职位与不断增长的 JD 间的矛盾。” 聘宝的方园告诉我。

对于某些企业及其职位需求，如果无法获得足够的曝光，就难以获得足够多、匹配的简历（及人才）。另一方面，即便候选人没有投递行为，也很可能对某职位或公司很来电。

聘宝创立于2013年9月，目标是成为招聘领域最高效便捷的第三方推荐服务，更智能、高效地对接企业和人才。在美国，Jobr 与聘宝异曲同工——前者上线数月，就拿到了200万美金天使投资。

“我们做的是推荐型的招聘产品，而不是搜索。”

我觉得这像极了通用类知识引擎的发展思路。

推荐与搜索类的招聘产品，有着相似的出发点：更快地找到信息。区别呢？搜索的场景 ＝ 你明确知道一个要求，用该要求进行信息筛检。 与此相比，推荐的场景 ＝ 你只知道需求范围，得阅读相关信息进一步明确需求。同时，推荐与个性化几乎是天生一体。相同的需求输入，不同用户获得的推荐结果不尽相同。

聘宝调研后发现：招聘方在 Po 出某些岗位时，其实很难决定，嗯，这个工作需要你有 “三年以上” 或者 “两年以上” 的相关经验——2.5年的你要还是不要呢？或者在某些公司（比如：BAT）有从业背景——在某知名创业公司工作过的，你觉得会不会输给 BAT 出来的呢？当筛选条件过于严苛（而死板），企业就很可能错失优质的候选人。求职者方面，则往往难以确定适合的行业——是电商、PM、还是运营？

聘宝的推荐系统则在了解招聘需求的同时，根据用户行为不断修正推荐结果。推荐会愈发接近使用者偏好，同时提供探索性内容。

具体怎么做？

• 企业登录聘宝，进行简单的勾选，就能完成招聘需求录入

• 聘宝收到招聘需求后进行解析、匹配，并将算法认为匹配的候选人推荐给该企业的某条招聘需求

• 每次仅推荐3～5份候选人简历，以确保推荐准确

• 企业收到推荐时，可选直接下载联系，或发送求职意向确认

• 候选人收到企业的意向邀请邮件时，可选择“感兴趣，愿意进一步接触” 或 “不感兴趣”

• 同时，聘宝会记录用户行为、分析用户喜好，以便下次推荐更符合用户需求

聘宝的原始数据来自于自身的 IT 猎头团队，同时聘宝还创造了“人才伙伴”的独立角色——上传闲置人才，推荐成功则获得其他简历的下载额度。借助这2种方式，聘宝目前已累计逾10万份人才简历。

为了更快地切入 C 端，聘宝预计12月上线微信版本。求职者能匿名录入部分信息、获得工作推荐。当对某一份工作确认求职意向时，再录入完整信息。

“我们考虑对接第三方语音录入接口，尽可能简化移动端用户的信息录入。”

谈谈聘宝的技术

聘宝的算法 ＝ 大数据＋人工优化——人工中的招聘经验和知识体系是基础：

首先，聘宝花费了大量精力建立行业招聘的 “人工智慧”。

每开通一个行业，会先邀请这个行业有猎头经验或 HR 经验的顾问，来共同讨论、建立原始模型和知识库。聘宝团队内部还全职招募了2名前 IT 行业猎头。

其次，聘宝的算法设计比较深入、全面。更好的“理解”需求和文本简历是机器算法的基础——聘宝的匹配算法不仅是纯文本的包含关系匹配，还扩展到知识体系、薪资测算等数十个环节。

再次，聘宝算法的目标是做到 “大规模定制化”。当用户行为数量足够多时，算法能更快了解用户偏好——从而做到同样的招聘需求文案，不同招聘方得到的推荐结果会依据偏好差异而不同。

聘宝不光是一样互联网产品，也是一项服务

作为一项“服务”，聘宝希望无论用户处于何种场景，都能便捷地获得人才或工作推荐。

访问的方式多种多样：Web、邮件、微信。

想象一下这样的使用场景：当 HR 工作时，收到一份业务部门发送的招聘要求。接下来，HR 只要将招聘要求邮件转发给聘宝，后者就会迅速开始匹配人才，再回复邮件将匹配结果发给 HR。另一方面，求职者能通过微信方便地获得匹配的工作推荐。

聘宝内测版已于去年12月上线，邀请了少量用户参与体验。今年6月正式对外发布，不到半年已获得1500名企业用户。方园告诉我：聘宝推荐简历的点击率高达 60%。有意思的是：对于并未对推荐职位投递过简历的求职者，表示对职位“感兴趣”的比例达到了40%。