锐明天行

1、仓促徽聘

匆忙地进行招聘一般也容易使标准降低，或者忽略了应聘者的负面因素。由于招聘工作一般需要90至120天，因此如果一位身处高位的要员突然辞职，接替他的招聘工作便需立刻进行；如要增设新职位，更应提前三至四个月进行招聘。

2、光环效应
在招聘时，可能会由于应聘者的优秀外表或某些出色表现，而把其他如聪明、能干等优点，一并加诸他身上。为避免”光环效应”产生的不良后果，需向应徽者索取一些他自己已准备的报告，或近期的工作总结，作为评估能力的客观依据。

3、用最好的人，而不是最适合那份工作的人
不要为了符合应徽者的能力，而把职位提高至超出本来的要求。为了避免聘用资历过高而最终可能厌倦或离开的人才雇主需研制一份实际的要求细则，并在招聘时以它为范本。HR精英博客!

4、提出假设性的问题
可提出”如你的意见在董事会上受到批评，你会如何应付？”等问题，以取替直接了当的提高：”你如何坚持自己意见？”间接提出问题，较之于一个暗示”正确”答案的提问，更容易获得准确的信息。

5、说话过多
不要将特定的面洽时间，用来拼命推销公司的应徽的职位，而又不认真的评估应徽者的技能。这样很容易掉进片面印象的陷阱，而忽视了待聘者的反应。适当地分配面试时间，以90分钟作详细的倾谈；其中15％时间用来介绍公司和职位的情况。

6、别呆坐空谈
在面谈时需作一些笔记，否则，事后便很难准确地证实或查核曾谈及的内容，特别是有关数据的问题。

7、采用归纳法
询问应徽者一些能具体以数据表示的成就，以证实他的自我介绍。采用计分法也可有效地对应徽者作出测试。以10分为满分，看他如何作自我评估。一般说来，如果自己有某方面的弱点，而又不想被发现，他会给予自己打7分；而充满信心的人，则会给自己打8分或9分。

8、”无意义”问题
与年龄、性别、婚姻、种族或宗教有关的问题，可被视对应聘者的歧视。所提问题应与这项工作所需的能力有关，如”你是否可以加班工作和出差？”

9、冷漠不关心HR精英博客
与推荐人查证，可得悉应徽者过去的表现，并呆发现他潜在的弱点。如果获得材料对候选人是负面的，便应对提供者作出解释，表示他所提供的信息有助于评定 候选人，使他发挥最大潜力，因而坦诚最重要。其中一个提问技巧是：”如果你要向这位应徵者提出忠告，以帮助他在事业上更进一步，你想告诉他什么呢？

10、忽视对方雇主的挽留
优秀应聘者可能会被原雇主提出高价挽留。为避免这类突发事件，询问应聘者会如何处理他雇主提出的条件。提醒应聘者促使他另寻工作的原因所在，并指出大部分最后接受雇主挽留的人，很多在24个月内也会离开。

上图就是决策树，方块为决策点，代表着我需要从哪几种战略中选择一项。圆圈为事件点，事件的发生是有概率的，由于概率不同，所以选择该事件的预期收益也就不同。黄色区域是该项决策的预期收益值，这样就能清楚的看出来做了诚信认证后损失会更大。
图中概率的计算需要用到概率论的算法来得出，下面介绍一下概率的定律：
⑴任何事件发生的概率位于0到1之间，越接近1，代表越容易发生。
⑵当A和B是互斥事件时P(A+B)=P(A)+P(B)
⑶当A和B是两个事件时P(A|B)=P(AB)/P(B)
例A是抽取任何一张牌是Q，B是抽取任何一张牌是花牌，那A|B的意思就是抽取的任何一张花牌中为Q的概率。

⑷如果A和B是互相独立的事件，那么P(A|B)=P(A)
例A是抽取一张5，B是抽取一张梅花，那P(A|B)=4/52，也就是抽取一张梅花中为5的概率是4/52。
⑸贝叶斯定律（Bayes’ Theorem）允许新信息对不确定事件概率进行修正。

例A是抽取一张5，B是抽取一张梅花，那抽到任何一张5中为梅花的概率是16/(52×13)。
假如我们一定要做这个认证，那就要努力提高一些关键环节的预期收益，所以就要对上面的决策树进行敏感度分析：


根据敏感度分析，我们可以知道，只有当发展后的收益为100时，我们才刚刚收回成本。而这个点就是一个临界点。
下面分析在设定的承受区间中，如果其他数值发生变化，我们采用该战略的预期收益是怎样的？

一、数据分析与预测
用到的专业知识主要为决策树，概率论，敏感度分析。
⑴数据分析与预测描述
  数据分析与预测主要为了让经过整理和挖掘后的数据关系变得更能支持企业的发展战略和营销策略，能帮助管理人员做出科学的决策，所以数据分析与预测更多的是服务与企业的高层管理人员。
⑵相关名词解释：
a.简单事件（Simple event）从样本空间出现的结果只有一个特征。
 例如：从一副牌中抽出的是一张红桃。
b.联合或混合事件（Joint/Compound event）涉及同时出现两个或以上特征
 例如：从一副牌中抽出的是一张红桃
  这是一张红桃A。
c.结果（outcomes）以某种办法使不确定的事件得到解决。不同于一般意义的结果，这里的结果是指预先得出的。
d.互斥（mutually exclusive）不能同时发生的事件。经济学中的Tradeoff概念。
e.机会成本（Opportunity Cost）在某一时间放弃做的所有事所能带来的收益。
f.敏感度分析（Sensitivity Analysis）对影响结果中的关键值进行分析，找到临界点，从而重点控制该环节
⑶数据整理的注意事项：
a.要建立资源有限的概念（充分考虑在竞争环境中资源的有效性。避免出现一些某某产品的市场有多大，我们做了以后有多少的收益的情况）
b.要建立概率的思维（要尽力量化每种事件出现的概率，以此来支持分析。避免出现我已经考虑了各种因素，但是不能确定每种因素的权重的情况）
c.建立机会成本的理念（充分考虑机会成本的大小，避免因为不知道机会成本而损害利益的情况）
d.要从客户需求和利润的角度来分析数据（不能盲目的为了分析而分析，分析出的结果必须能说明某种问题）
e.重点考虑由敏感度分析得来的关键环节
⑷举例说明
  举个例子，曾经为一个B2B网站策划诚信系统刚刚出来策划草案，涉及到认证方式的问题，美国同事坚持要对每一个会员认证，来体现出网站的诚信度，我不建议采用这种方式。于是进行了如下分析：
我认为我们不适合做自己网站的诚信认证，我会通过一个数学模型来说明。
数学模型地构建：
其中的数字是我们做一项事件会产生的预测值。正值是我们得到的利益，负值是我们产生的损失。
下面进行事件分析。
假设我们做自己的网站诚信认证会使我们的利益+100，那么我们不做这项认证我们的利益就会为0。技术人员开发自己的认证系统所产生的时间成本使我们的利益-50。我们的推广人员进行注册会员的一对一认证所产生的时间成本使我们的利益-150。
假设认证系统做好后，会员登陆我们的网站看到认证标识会有两种反映：
⑴信任此标识（因为使我们网站的会员，所以信任我们的行为或别的原因）
⑵不信任此标识（因为我们不是专业的认证机构或别的原因）。假设不信任这个标识的概率为70%（事实上在初期，不信任此标识的概率更大）
如果会员信任我们的认证标识，会产生两种情况：
⑴用户A因为对有该标识的用户B非常信任，所以与其发生交易，而且交易成功，双方皆大欢喜。用户A会向别人推荐和有此标识的商家进行交易。
这时我们的期望利益会达到最大化能+400=+100(1+3)（根据传播学理论，平均一个人会将自己好的想法与另外3个人分享）
⑵用户A因为对有该标识的用户B非常信任，所以与其发生交易，但是被用户B骗了（因为我们不可能100%保证我们验证过的商家都是诚信的），用户A会非常失望，进而对我们网站的所有服务产生质疑。而且会向别人宣传我们的认证标识不可靠。-350=-50(1+6) (根据传播学理论，平均一个人会将自己对某件事的消极看法与另外6个人分享)
如果会员不信任我们的认证标识，也会产生两种情况：
⑴用户A因为对有该标识的用户B不很信任，只是抱着试试看的心理与其发生交易，结果交易成功，用户A会逐步改变自己的看法，但是不会向别人宣传。
这时他对我们产生的利益为+100。(根据心理学理论，一个人对某件事情的想法刚刚转变时，不会马上向别人传播)
⑵用户A因为对有该标识的用户B不很信任，只是抱着试试看的心理与其发生交易，结果被用户B骗了，那用户A会觉得印证了自己的想法，于是会向别人宣传我们的认证标识不可靠，甚至说我们整个网站不可靠。
这是他对我们的利益会有很大的影响。-700=-100(1+6) (根据传播学理论，平均一个人会将自己对某件事的消极看法与另外6个人分享。根据心理学理论，当一件事会验证某人的消极想法的话，他的消极想法会更加剧)
另外会有一种情况，那就是用户A被用户B欺骗，后果很严重，这是可能会把我们网站牵连进法律纠纷中，因为我们的诚信认证标识的贴出，就体现了我们对客户的承诺。这是我们的利益会得到最大的损失，甚至达到-1000以上（事实上会更多）

用到的专业知识主要为协方差，相关性。
⑴数据挖掘描述
  数据挖掘主要为找到表面看来杂乱无章的数据背后的联系。
⑵相关名词解释：a.协方差（covariance）是两个随机变量同步变化的一种度量。
b. 相关性（correlation）两个随机变量相互关联的标准化度量。
⑶数据挖掘的注意事项：
a.分析两种不同业务间的相关性（如果发现业务1和业务2属于正相关，那就可以把业务1和业务2打包出售，例麦当劳的汉堡+薯条+可乐）
b.分析业务和顾客属性的相关性（某项业务特别受具有某类特点的客户喜爱，就可以针对特点进行业务整合，如白领客户增长量和无糖蛋糕的销量正相关，那可以判断白领喜欢无糖蛋糕）
c.分析客户间的相关性（如果某类客户的增加总是伴随着另一类客户的增加或减少，就需要详细分析其中的原因，如饭店中像民工的人多了，总是伴随着白领客户的减少）
⑷举例说明
假设我们网站现在有3项业务。
分别是：业务1，业务2，业务3

协方差的公式为：
协方差能大体判断出两列数值到底时正相关还是负相关，但是却不能反映出相关的程度为多少。只有当两个协方差比较时才能知道，谁更相关一些。
相关性的公式为：
相关性的出现就是要解决上面的问题，相关性是-1到1之间的数值，所以只需求出相关性就能较准确的看出相关程度。
根据上图我们就能清楚的知道业务1和业务2是高度相关的，如果他们客户群一致，那就可以打包出售。

一、数据整理
用到的专业知识主要为频数分布，数据汇总，数据统计。
⑴数据整理描述
数据整理主要为了让采集来的数据更有条理，更适于后期的挖掘与分析。
⑵相关名词解释：
a.频数（frequency）用于描述某种因素出现的频率。
b.众数（mode）众数是在数据集中发生频率最高的数据值。
c.标准差（standard deviation）各数据值与平均值之间的差异。
⑶数据整理的注意事项：
a.针对客户总体需求进行统一整理（如客户对我们有哪些要求，对什么功能的需求比较旺盛）
b.对客户自身数据进行整理（如所有客户是什么情况？他们自身的行业，规模，企业类型等）
c.针对客户需求进行分开整理（如客户对我们网站有A，B，C三种需求，那这三种需求要分开统计整理，如A需求的客户是什么规模，地域分布等）
⑷举例说明
假如我们制作了以下一份问卷
①您企业的类型是？类型1，类型2，类型3
②您企业的规模是？规模1，规模2，规模3
③您企业所在地是？地点1，地点2，地点3
④您希望从我们网站满足的需求是？需求1，需求2，需求3，需求4，需求5
然后找了若干人进行测试，得到了很多数据，那面临着大量的数据，我们没必要将所有数据，所有因素都详细的整理，而是要对与我们业务高度相关的数据进行整理归类。

上图就是经过整理的需求数据，由于excel中代入汉字运算较麻烦，所以将5个需求分别赋值为15，25，35，45，55。而数值的确定要按照功能，利润，开发难度这3个纬度进行相关性分析，在编号上挨的越近的需求，要求相关性越高。如15号需求与35号需求间的关联程度要高于15号需求与55号需求间的关联度。这样就能直观的了解，样本的需求倾向，便于后期分析，而且有助于安排后期的开发改进工作。
对每一个问题按上述的方式进行数据整理，然后从需求的角度出发，对每项需求分开整理。

根据以上两张图图就能清楚的看出来，最受欢迎的需求1，大部分是由类型为2，规模为1，地点为2的企业提出的。这样后期就可以专门针对这种企业进行有效的产品设计和广告策划。

我们无论做市场调研还是分析数据库的数据，一个重要的目的就是满足绝大多数客户的需求，实际上就是满足由中心极限定律产生的正态分布中95%以上的人的需求。也就是说满足的需求越接近100%，那这个样本选取的就越科学。那么满足最低科学要求的样本均值 就应该处于95%的置信区间内（大约处于的1.96 Sigma水平，6 Sigma为99.99966%）

其中b为任意数，为什么要有这个数？因为取的样本，我们能确定它肯定在总体中，但我们不知道是偏大还是偏小，它不变化，我们就不知道它在哪，这样的话就人为加上一个变量b，如果b就是总体的标准差，那我们可以肯定，我们取的样本有68%的可能性是完全正确的，当然如果b大于标准差的越多，那样本就越能准确反应实际情况，反之就越不能反应实际。
下面对上述的公式开始推导：

因为根据中心极限定律Z符合正态分布：


再把b代入原始等式：

这样就得到了在95%置信水平下的样本均值区间：

这样用A仪器的例子就能大概知道平均公司买A仪器的价格为一个区间中的某个数值。
还有一个就是希望知道北京公司所占的比例，比例的置信区间为：

为样本中的比例，n为样本量。
c为置信水平的参数，也就是95%可能性下取1.96之类的数。
一系列参数为90%取1.645，95%取1.96，98%取2.326，99%取2.576。
根据以上的几个公式，就能较为科学的采集到相关数据。

数据采集：
用到的专业知识主要为统计抽样，置信区间。
(1)数据采集的描述
数据采集的主要用途是服务于市场调研，客户反馈收集，数据库数据收集。
数据采集主要作用是提供分析的素材，100%的研究对大部分事情来说是不现实的。市场调研，数据采集都是要从有限的个体中提取一部分样本，使其能反映出绝大部分的情况。所以采集来的数据是否科学直接影响着分析结果的准确性。
(2)相关名词解释：
a.总体（population）是研究中所有感兴趣个体的集合
b.样本（sample）是总体的一个子集
样本结果只是提供了总体特征价值的一个估计
c.参数（parameter）是总体的一个数量特征
应用合理的抽样方法样本结果能够提供总体特征的一个很好的估计
(3)数据采集的注意事项：
a.围绕产品针对的客户群进行采集（如我生产蛋糕，想卖给白领，那我们数据就要针对白领和与白领有关的人进行采集，要了解白领目前的状况，他们的朋友和家人对他们起到的作用。）
b.根据客户的需求进行采集（还是蛋糕卖给白领，白领需要快捷的获取方式，需要对自己身体有保护作用，需要精致的形状，需要干净卫生。）
c.根据自身产品的特性来进行采集（依然是蛋糕卖给白领，就要从味道，口感，外观，价格等方面来设计样本的范围。）
d.根据公司自身的能力来采集（就是要把蛋糕卖给白领，还需要结合自身情况，我是北京的小企业，纽约的客户我就不考虑了。我只有面糊和烤箱，精致的外观就没可能做出来。）
(4)举例说明样本选择：
全球市场每年能有7,000个公司买一台A仪器，买A仪器的人各种各样。人们能接受的A仪器价格不同，有的是北京的公司。
我作为在北京生产A仪器的公司，就需要知道：人均能接收的A仪器价钱，还有北京的公司有多少。
如果我够牛，我会亲自问全球所有买A仪器的人，你花了多少钱，是北京的公司吗？那样的话，我会得到非常准确的市场调查结果。
人均买A仪器的价格为：（∑xi是总价格）
价格的标准差：（反应人们能接受的价格的波动幅度）
北京公司占的比例：（占72%）
实际上我不可能跑遍全球去问所有人这两个问题。所有就要进行抽样统计，我只是在大街上按着数据采集的注意事项找了50个人。
50个人，人均买A仪器的价格为：
50个人，价格的标准差：
50个人中，北京公司占的比例：
⑸举例说明置信区间：
上面的计算反应了，我选的50个公司的情况，但是，这50个公司到底能否反映出7000个公司的行为？当然，我选的样本容量越大，那数据就越准确，但是我就想省事，想用50个公司反应7000个人，那就要进行置信区间来进行估计了。
  先引入一个概念，是中心极限定律：对与足够大的n值来说（n>=30），样本的均值，近似的服从均值为并且标准差为 的正态分布。

  数据在现代化企业管理中的地位越来越高，我非常偏好数字化管理，所以针对自己公司制定了一份数据挖掘与分析的课程，现在拿出来分享一下，希望高手多多指教。

一、数据挖掘与分析的意义
⑴数据挖掘与分析的来源于科研领域：
数据挖掘与分析最开始时辅助科学研究而产生的一门综合科学，它由运筹学，统计学，模糊数学，以及其他相关数理科学构成，并根据不同的目的进行组合应用。它的目的就是要找出客观数据背后隐藏的某种内在联系。
⑵数据挖掘与分析在现代商业中的重要意义：
现代商业不同于古代的买卖，生意，而更像是一门独立的学问，从亚当.思密发表《国富论》，以至后来不断涌现出的如彼得.德鲁克，明茨.博格，麦克尔.波特，格雷格里.曼昆等无数与商业，管理，经济有关的专家学者，他们带来了越来越多，变化越来越快的新知识和理念。
逐渐的商业从一种谋生手段，变成了推动人类发展的动力，商业活动从简单个体行为变为了群体行为，而商业决策也从最初的一人拍脑瓜想主意变为通过科学预测，集体裁决而产生决策。于是科学经营，数字化管理，就成了现代企业生存的基础。
数据挖掘与分析也就作为科学经营，数字化管理的一个重要因素，被一些有先进思想的企业管理者从科研领域引入到了商业领域。主要目的就是想借助数据挖掘与分析来找到一些现象的内在联系，从而更好的预测和掌握商业行为。

二、数据挖掘与分析的方法
数据挖掘与分析涉及到的各类型知识多如牛毛，在不同类型的企业中用到的知识组合也是各不相同，其中生产型企业用到的范围最广，金融企业用到的最高深，服务型企业用到的较为简单。针对互联网企业来说，尤其是像我们这样的服务平台，用到的东西并不很复杂，我认为根据目的来说主要会用到数据采集，数据整理，数据挖掘，数据分析，科学预测中的一部分知识。