2025年人力资源制度：【招聘分析】招聘行业大数据解决方案

招聘数据解决方案

目录背景分析需求分析12总体架构4产品思路3

技术解决方案5

落地实施方案6招聘行业现状分析互联网目前对招聘行业的改变，是极其有限的，只是让服务场景延伸了。和前互联网时代的“人才市场”模式相比，现在招聘企业，在服务上，并没有实质性的提升，仍然是提供一个平台，然后把C端（候选人）卖给B端（用人企业）。但服务场景延伸了.这体现在，以前只能去人才市场找工作，现在在家里找工作；以前只能在家里找工作，现在可以在公交车上用手机找工作。包括新兴的“职场社交”，其实仍然只是服务场景的改变：以前是通过中介、猎头找工作，现在跟HR、跟CEO社交，通过相处，熟悉后找工作。招聘行业如果只是延伸服务场景，却不提升服务品质，是迟早会被互联网市场淘汰的。目前也有一些招聘企业，已经开始升级对C端的服务品质，比如拉勾做的专车送入职者上班，比如强制要求用人企业发布的招聘职位薪资透明，再比如一些公司猎头给付费用户提供的一对一服务，帮他们去完善简历。求职者求职者人才市场互联网招聘平台招聘行业业务痛点分析互联网给人类最大的财富就是前所未有的前沿实时资讯，所以互联网对招聘行业服务品质的提升，最终必然也是依靠资讯的处理。痛点分析服务品质与80，90后的需求相去甚远招聘企业无法给求职者提供深度行业资讯。招聘企业只是简单的中介和信息聚合者求职者心慌，无法找到合适工作服务痛点信息痛点模式痛点需求痛点为什么要引入大数据处理技术移动互联网时代，新业务/新商业模式不断涌现，极大的丰富了人们生活，随之带来的是各种形态业务数据的爆发式增长；新形势下的数据仓库不再局限于传统的经营决策统计分析报表，而是要改变运营方式、提供符合新业务/新商业模式的运营支撑能力；传统数据仓库技术难以满足高速增长的海量数据的处理要求，迫切需要引新的技术来提升支撑系统的能力。大数据特点高端集中式存储设备扩容成本高高端集中式计算小型机设备扩容成本高，且难以扩展传统数据仓库挑战结构化文件数据采集和处理能力有限缺少非结构化网页数据的采集和处理能力海量数据分析及时性难以保障缺乏实时消息/信令数据的采集和处理能力应用多为统计分析报表，数据价值有限缺乏实时商业机会捕捉和处理能力数据量巨大处理速度快数据多样化商业价值高基于廉价X86服务器的Hadoop和MPP数据库的分布式存储和计算技术，降低投资成本，保障长期的可扩展性大数据解决方案基于Hadoop的云化ETL技术，实现海量结构化文件数据的采集和处理基于Hadoop的网页爬取技术，实现非结构化网页数据的采集与解析MPP数据库技术，实现大规模数据的并行处理流处理/内存数据库技术，实现消息/信令数据的实时采集和处理基于Hadoop的分布式数据挖掘技术，实现从海量数据中挖掘更深的价值基于流处理和复杂事件处理技术，及时捕捉商业机会，并基于预定义的策略，执行相应的运营动作观点1：大数据是一种正在进行的业务转型大数据是互联网经济的主要支撑模式，强调以数据先行的方式孕育创新，平台技术以适应变化的方式支持业务发展。数据驱动业务是终极目标。大数据概念席卷了各个领域，造成了传统经济阵营的一种恐慌。但是，这种恐慌的根源并非来自大数据，而是背后充满活力、高速发展的互联网经济。因此，我们无法仅仅借鉴大数据的细枝蔓藤，应用一两种新技术、或模仿建设某一种平台来根本上消除这种差距。从业务角度看，出路在于向数字时代的商业模式转型。观点2：大数据同时是一种技术革新软件发展趋势海量数据处理、实时、智能，既关注群体规模又关注个性化，是商业模式对大数据技术发展的主要诉求。业界软硬件平台总的发展方向，可以总结为两点：更高的处理性能、以及更多的细分领域。灵活、松耦合的设计，适应业务变化分布式架构，充分利用网络的力量混搭，以最合适的技术支撑业务云化，将分散的设备资源聚合善用内存、闪存和高带宽，这些设备发展速度远远超过CPU虚拟化，适用于需要将资源分隔使用的场景硬件发展趋势目录背景分析需求分析12总体架构4产品思路3

技术解决分析5

落地实施方案6招聘行业大数据需求分析—求职端需求智能招聘的入口和核心，高成功率的智能匹配根据用户基本属性与行为，进行精确推荐简历智能优化一键求职智能推荐个人求职里程核心需求之求职端结合求职反馈与招聘需求，提供简历智能优化记录个人求职里程，形成求职基因分析库1234针对求职端而言，亦是求职者，他们急需能够快速的找到合意的工作；求职者也需要了解自身在求职过程中的得失。求职端的信息需求主要表现为对工作机会的精确推荐需求以及有效清晰的掌控求职过程。招聘行业大数据需求分析—企业端需求HR端的智能匹配功能HR智能SaaS系统求职者诚信评价对于企业端而言，大数据驱动的招聘平台能够提供它们针对HR工作的全面解决方案。基于该解决方案不仅能够获取优秀人才而且能全面掌控人才动态，生化HR工作。智能匹配、高精度算法、数据分析推荐。依据求职者的求职经历结合HR反馈形成统一的诚信指标评价体系，对HR工作提供决策支持招聘行业大数据需求分析—增值需求构建社会诚信体系支撑社会治理工作信息服务征信支撑信息服务商HR服务大脑数据价值变现需求社会服务需求核心竞争力提升另外结合内外部数据，招聘大数据还可实现变现，数据直接产生价值，亦即是增值服务。招聘行业大数据需求分析—技术更新需求部分数据开放实时/近实时封闭延时报表/KPI“大”数据更深入目录背景分析需求分析12总体架构4产品思路3

技术解决分析5

落地实施方案6对内数据价值提升—构建数据分析与数据可视化平台大数据基础平台人才画像人才雷达数据智能自有数据网络爬虫PYMK人才测评对外数据直接变现—构建大数据信息服务平台大数据平台信用评估数据服务人才动态监控社会治理服务对于外部合作厂商而言，基于自有大数据基础平台，可推出信用评估数据服务、人才动态监控、社会治理服务。自有数据网络数据交换数据数据生产（价值挖掘）数据消费（价值变现）目录背景分析需求分析12总体架构4产品思路3

技术解决分析5

落地实施方案6大数据平台的建设原则技术-按需频度的数据获取批量和实时数据采用不同的技术手段和工具，遵循统一的文件接口标准技术-多样化数据共存跨同构/异构数据库（物理系统），基于文本、数据库的数据抽取和加载数据-数据即服务业务人员通过逻辑数据对象组件访问数据，而不用关心数据的物理存储方式。通过数据组织与前端应用功能，使业务人员可以较容易、较快地定位和了解数据的内容。数据-数据质量控制通过一系列的技术和业务手段实现数据集成平台数据质量控制，主要体现在数据正确性（技术）、完整性、一致性（业务）、有效性。大数据平台的分层体系大数据平台的总体架构大数据平台的功能结构图数据查询数据统计信息检索数据分析语义分析数据挖掘经营管理人才画像市场口碑人才雷达决策支持用户服务大数据总体数据处理流程目录背景分析需求分析12总体架构4产品思路3

技术解决方案5

落地实施方案6目录123基础平台数据分层规划应用技术方案关键技术分析核心技术路线—基于Hadoop生态圈数据采集技术方案分布式网络爬虫分布式文件系统分布式存储横向扩容(Scale-out)架构分布式软件架构并行计算框架Hadoop技术体系与MPP的集成思路目录123基础平台数据分层规划应用技术方案大数据平台数据分层:分级存储数据分级存储原则数据融合与分级存储实施按数据血缘按逻辑层次按业务种类按设备网络划分按设备物理地址在线、近线、离线按访问频度内存数据库按响应及时性内存数据库数据生命周期中在线数据对高性能存储的需求，以及随着数据生命周期的变更，逐渐向一般性能存储的迁移，是分级存储管理的一条主线。同时兼顾考虑其他分级原则，共同作用影响数据迁移机制。基于生命周期基于访问压力基于业务用途基于物理属性分级原则高性能磁盘库磁带光盘库中低性能磁盘库将核心模型（即中度汇总的模型）通过改造融入到现有主数据仓库的核心模型中，减少数据冗余，提升数据质量。将主数据仓库（MPP）中的历史数据和冷数据迁移到低成本分布式文件系统（hdfs），减轻MPP数据库的计算与存储压力并支撑深度数据分析。数据数据数据1、核心模型融入MPP数据库基础资源库2、历史数据迁移到hdfsHadoop集群大数据平台数据分层:数据分层Hadoop平台传统关系数据库报表数据元数据管理数据临时数据……信息子层各业务平台接口数据非结构化数据信息子层：报表数据、管理数据、元数据等数据来源于汇总层和ETL过程。高度汇总层：主题域之间进行关联、汇总计算。汇总数据服务于信息子层，目的是为了节约信息子层数据计算成本和计算时间。轻度汇总层：主题域内部基于明细层数据，进行多维度的、用户级的汇总。明细数据层：主题域内部进行拆分、关联。是对ODS操作型数据按照主题域划分规则进行的拆分及合并ODS层：数据来源于各生产系统，通过ETL工具对接口文件数据进行编码替换和数据清洗转换，不做关联操作。未来也可用于准实时数据查询。明细数据层

（DW）轻度汇总层（MK）高度汇总层（MK）分析支撑精准推荐应用库分布式数据库MPP信息服务应用层：应用系统的私有数据，应用的业务数据。关系库做为大数据平台的一个上层应用，由大数据平台提供数据支撑数据访问SQLFTPHQLAPIETL数据采集ETL互联网视频非结构化数据系统1系统2APP外围系统合作系统其他平台结构化数据数据源获取层12123344大数据平台数据分层:数据处理流程源数据导入ETL，进行数据的清洗、转换和入库。基础数据加载到主数据仓库，规划保存3年清洗、转换后的ODS加载到分布式数据库规划保存1+1月，在分布式数据库内完成明细数据和轻度汇总数据加工生成，规划保存2年ODS数据和非结构化数据，如爬到的网页数据ftp到Hadoop平台做长久保存非结化数据分析处理在Hadoop平台完成，产生的结果加载到分布式数据库生成KPI和高度汇总数据加载到主数据仓库。Hadoop平台主数据仓库报表数据标签库客户统一视图……信息子层话单数据非结构化数据明细数据层

（DW）轻度汇总层（MK）高度汇总层（MK）应用库分布式数据库MPP数据访问SQLFTPHSQLAPIETL数据采集ETL互联网GN口非结构化数据系统1系统2APP外围系统合作系统其他平台结构化数据数据源获取层123465业务应用通过数据访问接口获取所需求数据。7分析支撑精准推荐信息服务指标数据大数据平台数据管控思路目录123基础平台数据分层规划应用技术方案数据应用思路—人才画像职业背景：利用文本挖掘技术从用户的社交账户中获取其教育经历和从业经历，以此来判定其职业背景，工作地点：根据其Cookie地址，历史填写信息、言论等多维度判别，可以了解该被推荐人合适的工作地点好友匹配：社交关系也是判断一个人职业能力的因素之一。求职意愿：用户在网络上的言行有一些明显暗示或变化时，可能表示其将要转换职业方向或离职。性格匹配：依据人类行为语言学，将其在网络上的抽象言行转换为对应的性格特点。信任关系：通过对用户社交网络的分析，判断出招聘者到达用户的最有效关系链和这个层级中用户之间的信任关系，职业倾向：用户在社交网络上的行为表现将有助于系统判别其对职业的符合程度是否与其个人描述的职业愿景相符行为模式：例如发微博的时间规律，在专业论坛上的时间长短，这些行为模式可以用来判别其工作时间规律，数据应用思路—构建基于人才画像的PYMK体系数据应用思路—推荐系统通过大数据分析、匹配、推荐基于人才画像，让HR不再为搜索和筛选简历浪费时间，通过机器在亿级简历库中匹配合适简历，企业只需对合适简历批量发起约Ta邀请，按效果付费，有意向面试才产生收费。数据应用思路—人才测评可考虑接入专·业的测评公司，包括（适职能力，销售素质，领导力，认知力），多维度评估候选人。数据应用思路—征信服务简历认证（生成简历征信报告）信用视图大数据服务平台岗位胜任力对外数据交互平台考拉征信个人诚信用工成本法律风险芝麻信用其他征信求职者外部合作机构对于职场人士来言，个人信用得分或将成为未来求职的重要考量指标之一，也是能否在职场赢得尊重、获得长足发展的重要品质。个人的信用不仅仅体现在金融、消费、生活理财等方面，也要注意，在线社交平台上的个人信息也可能对自身的信用造成影响。大数据平台与技术进入人力资源行业做个人职业征信与职业信用体系建设。目录背景分析需求分析12总体架构4产品思路3

技术解决分析5

落地实施方案6总体实施蓝图第一阶段：应用场景驱动的大数据开发第二阶段：各业务系统、各渠道系统等配合大数据改造优化第三阶段：管理信息体系下的大数据平台建设第四阶段（目标）：以大数据驱动的，实时的、整体联动的IT解决方案Think

big，

start

small.大处着眼,小处着手。大数据实施方法论大数据业务战略大数据建设目标大数据架构设计大数据实施大数据运维企业战略目标业务目标业务模式大数据治理目标应用场景服务模式服务对象大数据服务定义大数据信息模型大数据管理定义技术选择验证测试容量规划安装