算法模型|数据分析 VS 算法模型，如何高效分工合作？( 二 ) 初创公司|contentcal|彭博|twitte

第二，各省市劳动力数据缺失。
注意：从现在HR收到的简历里筛选出合适的，和从茫茫人海里锁定哪里的劳动力多，完全是两个问题。因为已经收到的可以统计数据，茫茫人海压根连数据都没有。如果盲目开工，很有可能引发误判。
第三，整体部门用人成本与招聘效率，根本就是两个问题。
整个部门用人成本，除了新招聘以外，还有在职工资福利，还有离职人员赔偿等等。如果目标是控部门整体成本，那到底哪一块总量最高，哪一块占比最大，哪一块是冗余，哪一块增长最快，要提前一一分析清楚。再看怎么解决。
此时，可以拆出至少五个任务：
任务1：定义管理岗位的“合适”（可能为了定义合适，要单独建个业务模型，比如胜任力模型）。
任务2：基于过往面试数据，为管理岗位“合适”做标注，为建模做准备。
任务3：收集各地区劳动力市场数据（劳动力市场发布信息、中介提供信息等）。
任务4：结合过往招聘活动，验证分地区招聘合理性（也有可能求职者虽然是内地省份的人，但是找工作还是跑到沿海省份找，分地区意义没那么大，这些假设都待验证）。
任务5：分析整体用人成本结构与走势，找到成本控制关键点。
这五个任务，主要都是数据分析的活。数据分析理清现状，采集数据，后边算法就能有的放矢。比如：
在已有管理岗位“合适/不合适”标注的情况下，结合简历信息、猎头给到信息、招聘渠道信息，对面试人员建分类预测的模型（逻辑回归/决策树），预测“合适”概率。
在已经有整体用人成本结构、增长原因、发展趋势数据情况下，建预测模型（时间序列/多元回归）判断用人成本是否会超出预期，从而干预决策（不要因为短期缺人就大量招聘，对比给加班费和增加新人成本差异）。
当然，还有第三个合作点：在工作中遭遇挑战，大家一起应对。
五、典型合作场景之三：问题解答面对“模型为什么不准！”终极问题，一定是所有人一起努力。首先要排除的，是外部因素、意外波动、业务主动行为的影响。不要是个问题就往模型身上泼脏水。
比如：突然有高管变动，引发管理层招聘要求全变招工来源地发生疫情，人员出不来行业领头企业突然提高了薪资，拉高了整个行业成本原定的招聘计划因为各种原因推迟原定招聘计划，没有达成预期，要加新渠道/新方式所有这些因素都会让原先设计的模型不成立或者效果下降。
应对这些变化，数据分析要冲在前边，在日常监控数据的时候，就及早发现问题，提示业务风险，提醒所有人关注变化。而不是等着业务打上门来再来扯皮。
六、小结算法和分析的工作性质差异，使得这两者合作分工的时候，天生侧重点不同。理想的合作方式，就是：分析扫清业务障碍，算法集中提升效率。大家一起做出成绩。
实际上，如果你工作时间够久，和业务接触的够多，就会发现：大部分直接从业务口中冒出来的“建模型”需求，都不靠谱，不是数据缺失，就是目标不清。别是涉及预测问题的时候（分类问题相对好一点）。经过数据分析师转化的需求，反而靠谱很多。
小插曲我在参加人人都是产品经理2021年度作者评选，希望喜欢我的文章的朋友都能来支持我一下~
点击下方链接进入我的个人参选页面，点击红心即可为我投票。
每人最多可投3票，投票即有机会获得百万惊喜礼品&起点课堂千元豪礼哦！
投票传送门：http://996.pm/zrJ26
#专栏作家#接地气的陈老师，微信公众号：接地气学堂，人人都是产品经理专栏作家。资深咨询顾问，在互联网，金融，快消，零售，耐用，美容等15个行业有丰富数据相关经验。
本文原创发布于人人都是产品经理。未经许可，禁止转载
题图来自Unsplash，基于CC0协议。