就业
Jobcase筹集1亿美元，将蓝领工人与雇主联系起来
自称面向求职者和雇主的开放获取平台Jobcase今天宣布，在一轮由Providence Strategic growth (PSG)牵头的增长期股权融资中，该公司获得了1亿美元的融资。公司首席执行官弗雷德•戈夫表示，新注入的资金将主要用于产品开发(以及潜在的战略收购)，特别是机器学习、新集成和api领域。
他说:“我们很高兴能有PSG这样的合作伙伴，它明白人们不需要独自面对工作的未来。”Jobcase的核心是一个帮助人们的平台。通常，工作的未来对个人来说是令人生畏的。(Jobcase成员)团结起来更加强大。
戈夫曾在2015年担任Percipio Capital Management的负责人。Jobcase的主要目标客户是大约70%没有四年制大学学位的美国成年人，其商业模式类似于LinkedIn。未来的员工可以看到招聘信息和评论，而企业则可以获得一套招聘工具。Jobcase对包含招聘信息的页面收取费用:一份工作229美元，三份工作每月249美元，十份工作每月599美元。
不过，它的主要业务是围绕团体或中心(用Jobcase的话说)组织的社区门户。戈夫说，他们可以在这个平台上询问指导招聘过程的技巧，比如如何在面试后跟进，以及在筛选面试期间的预期。会员可以加入沃尔玛、Lyft、亚马逊和数百家其他雇主的公司中心，在这些中心发布帖子，对其他人的贡献进行评论，并关注个人用户。
上图：Jobcase的社区门户网站。
图片来源：Jobcase
像LinkedIn一样，Jobcase的会员可以上传他们的工作经历，用“赞扬”来支持其他人，他们可以在角色间互相赞扬。在他们找工作的过程中，他们可以从Glassdoor、CareerBuilder、JobInsider等第三方服务中查看信息。
Jobcase说，它有超过1亿注册会员(2月份为8000万)，每月有2500万独立活跃用户访问该网站。此外，该公司表示，其技术力量覆盖了100多个以地理位置为目标的求职板和求职网站，其中许多网站为Jobcase子公司所有。
在接下来的几个月里，Jobcase计划推出改进的算法，将更多相关内容呈现给用户，同时推出“增加就业机会和与平台上其他人联系的便利”的工具。
PSG首席执行官马克•黑斯廷斯在一份声明中说:“我们很荣幸能够帮助Jobcase公司加快实现这一使命，帮助人们追求幸福而有意义的工作与生活。”Jobcase以社区为优先考虑的独特方法使公司一跃成为行业领导者。该公司处于有利地位，能够满足国内外在这一领域的迫切需求。
Jobcase目前雇佣了近200名数据分析师、科学家和软件工程师，其中一些人来自麻省理工学院、卡内基梅隆大学和普林斯顿大学。并非巧合的是，它是麻省理工学院计算机科学与人工智能实验室(CSAIL)的附属机构，并通过其社会责任项目Jobcase Cares与服务不足社区的非营利组织和慈善组织合作。
以上为AI翻译，内容仅供参考。
原文链接：Jobcase raises $100 million to connect blue collar workers with employers
就业
四分之一的工作岗位处于自动化的“高风险”状态
未来没有人能完全避免自动化，但布鲁金斯学会(Brookings Institute)的一项新研究显示，美国约25%的就业岗位面临“高风险”。在就业市场尚未全面反弹的情况下，这是一个明显的预兆。
研究显示，在交通、食品准备、生产和办公室管理等领域工作的人面临的风险最高，机器人和人工智能可能会使大约70%的任务实现自动化。毫无疑问，涉及处理、数据收集和体力劳动的活动在这里风险最大。
预计自动化将对中国某些地区以及教育程度较低的工人产生巨大影响。同样，它也会以不同的方式影响不同的人群。
该研究称:“未来几年，年轻人、受教育程度较低的工人，以及代表性不足的群体，似乎都可能面临自动化带来的更为严峻的挑战。”“年轻工人和拉美裔将尤其受到影响。”
这一切似乎都有一定的必然性。当然，我们已经看到这种情况的不同版本，在十年之后。但布鲁金斯学会表示，地方政府和行业可以通过教育和培养现有工人的技能，帮助应对冲击。
以上为AI翻译，内容仅供参考。
原文链接： One-quarter of jobs are at ‘high-risk’ of being automated
就业
什么是员工'放鸽子'？ 公司如何造就了自己最糟糕的噩梦
文/Justin Bariso
上周末，LinkedIn发布了一个引人入胜的故事，讲述了许多公司最新的噩梦：员工“放鸽子”。
“从食品服务到金融等领域，招聘人员和招聘经理表示，紧缩的就业市场和持续的劳动力短缺，导致对专业人士的需求激增。招聘人员可能发现与在线约谈人士突然断了联系并变得沉默 - 比起办公室生活，与专业人士在线约谈断联这种行为通常更常发生。“LinkedIn的Chip Cutter写道。 “这种做法正在延长招聘时间，迫使公司彻底改革他们的流程，并折磨那些发现自己处于持续压力之下的招聘人员。”
那么，什么是“放鸽子”？
求职者可能同意面试但永远不会去面试。 或者求职者可能接受一份工作，但在工作的第一天从未出现。而且这样的行为不仅限于求职者；公司越来越多地报道了员工的故事，员工没有正式的辞职，也没有给出任何解释，就离开公司并且永远不回来。
“老板只有试图不停联系员工，未成功，才意识到放弃，”切特写道。 “招聘过程只能重新开始。”
为什么会行成员工“放鸽子”现象？
这种行为究竟源于何故？ 这是一个复杂的问题。 事实是，有多种因素。
一方面，失业率低于近二十年来的失业率。由于工作岗位比失业人员更多，工人有一个新的优势：如果他们不喜欢一份工作，或者他们找到更好的工作，那么换工作比以往任何时候都容易。
另一个因素，与技术对年轻一代的沟通方式的影响有关。社交媒体和消息应用软件帮助人们更快地取得联系，但缺乏面对面的对话和私人联系，这往往会导致关系缺乏深度。
简而言之，许多人认为如果他们可以轻松地结束面试，或突然放鸽子，就没有必要与招聘人员或经理进行尴尬的对话。
但公司现在不得不考虑另一个因素：
他们只是自食恶果。
“让我们记住，老板一直在放员工鸽子，”一位LinkedIn评论员说。“你有没有在这样一家公司工作过，管理层决定裁掉30％的员工，以便他们能够达到业绩，获得奖金？员工周五下午发现，周一早上他们被禁止进入公司大楼......就业变得残酷，员工可以出于任何原因随时离开公司，老板可以随时以任何理由解雇员工。 厌恶这样的游戏，而不是厌恶游戏玩家。
那么，公司领导者可以采取哪些措施来阻止潜在和现有员工放鸽子？
情商可以提供帮助。 以下是一些入门提示：
1、尊重
请记住尊重会带来尊重。
当公司和招聘人员把员工当成人来看待，而不是把他们看成一种十分勉强但必要开支的商品，他们就更有可能以实物回应。
2、保持透明
技术使直接和透明的沟通比以往任何时候都更加重要。努力与您正在交往的人保持持续和诚实的沟通。不要以虚假的承诺或不切实际的希望误导他们。
换句话说，保持真实。
3、减少你的损失
无论喜欢与否，放鸽子已成为新常态。公司必须学会适应，否则他们将继续遭受重创。例如，公司可能会考虑简化入职程序，以使新员工更快地入职，这也将适用于新员工。
最后，请记住，在许多情况下，放鸽子暗示未来行为的趋势，或至少表示事情终将愈演愈烈。所以，如果你是放鸽子的受害者 - 无论你是老板还是员工 - 祝你工作顺利，并努力找到适合你的工作。
以上由HRTech AI翻译完成，仅供参考
就业
就业性别歧视真的存在吗？我们分析了1382份简历，得出了一个答案
编者按：本文转载自微信公众号“DT数据侠”（ID：DTdatahero），作者 | Prasanna Parasurama，编译 | 慈兆佳 胡世龙。
在求职时，性别真的有影响吗？不同行业、不同职业类别的人对此或许有不同看法。这样的看法是如何产生的？有没有一种科学的方法来衡量呢？美国旧金山的一位数据侠Prasanna Parasurama通过对1382份简历的分析得出了结论：性别不平等往往和求职者的个人客观条件无关，而更多来自公司主管不可控的主观因素。
用大数据的方法来衡量职场的性别不平等
在科技业，求职时的性别不平等一直是个重要话题。但针对该议题，在实际操作层面却鲜有基于大数据的系统性研究。
对于那些拥有大量数据的企业来说，缺乏一个严格而科学的系统很容易导致人力资源部门仅仅根据道听途说来推测性别不平等问题产生的原因，而忽略了真正的根源。
为了这个目的，本文提出了一种可重复地用来评价求职性别不平等的系统研究方法，并且附带使用这种方法进行评价的案例。
样本和研究方法：基于1382份简历的数据分析
这次研究中用到的是一个数据工程师职位的1382名求职者的简历数据，其中1029人为男性，占74.4%，353为女性，占25.5%。
需要指出的是，因为不知道这些求职者的性别（DT君注：在美国等一些国家，为了避免各种偏见，简历一般不附带求职者个人照片和性别信息等），因此上述性别人数和比例是基于求职者的姓名和Atipica公司（DT君注：即本文作者所在的公司）的性别预测模型得到的，总的准确率可以达到96%，但会产生4%的误差。在后续的分析中，这一误差也可能会有所影响。
而求职者的职业技能也由Atipica公司的技能映射模型获得。
首先，我们需要明确的是，如何通过指标来衡量性别不平等？
通过比较特定职位的男女求职者的被拒比例，我们可以确定是否存在潜在的性别不平等，因为在其他条件相同的情况下，理论上被拒比例应该是接近的。
（图片说明：被拒比例=被拒的申请者人数/总申请人数）
在这项研究中，我们通过比较在审查求职申请阶段的被拒率来衡量不平等。选取这个阶段的原因主要有以下两个：
在审查求职申请的阶段，雇主会有多重方式来评价一个求职者，例如，电话沟通技巧等，而不是单一通过简历来评价。为了减少不可控因素，我们把数据的收集固定在这个阶段。
审查求职申请通常对于之后的进一步考察影响最大。我们发现约90%的求职者在这个阶段会被拒。
那么在审查求职申请阶段产生的被拒率的差异都可以被归结为：
客观因素：工作经验、教育背景和技能体系。
主观因素：被认为教育背景不符合、被认为工作经验不符合、故意或者非故意的偏见。
由于主观因素的本质，它本身是不可控的，所以我们把研究对象限定在客观因素。
我们基于以下假设对统计数据的显著性做了测试：
在测量显著性过程中，我们必须要考虑到两类误差。一是样本误差，二是性别预测的误差（4%）。考虑到性别预测误差，我们放弃了T检验（DT君注：即t-test，是用t分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著）。这类传统参数测试，而改用了置换测试并且配合蒙特卡洛方法，在每次重复测试中都在男性和女性中做了4%的样本交换，并且验证了重复性假设。
数据分析：男性和女性技能相差不大，但女性被拒率更高
被拒率的差异：
（图片说明：男女求职者的被拒比例）
男性和女性的被拒率分别为83.0%和88.6%，女性比男性高出5.6个百分点，这个偏差在统计上表现出显著性（p=0.03）。紧接着作者评估了各项客观因素在偏差显著性上起的作用。
技能总数量上的差异：
（图片说明：男女求职者职业技能数量的分布）
女性求职者简历上平均罗列96项技能，男性求职者简历上平均罗列93项技能。根据上图所显示出来的情况，技能数量的平均数和中位数相差不大。
可以发现，尽管在技能平均数量上存在差异，但这种差异一方面小到不存在实际影响，另一方面在统计显著性上也不显著（p=0.38）。
技能体系上的差异：
（图片说明：职业相关技能的分布）
为了查明技能体系上的差异，我们根据技能映射模型找出了34项核心技能，并把我们从简历里挖掘出来的技能进行比较。上图显示了一些技能在简历中呈现的比例，例如，不论男女，约80%的求职者都在简历中提到Java。
通过定性分析，我们可以看出技能分布在男女求职者上区别不大。
定量分析男女求职者在技能集合上的相似性，我们可以看出分布的标准差。
我们用 Aᵢ和Bᵢ分别表示掌握技能i的男女求职者比例，例如，A_java = 0.8并且B_java = 0.8。则n种技能的总平均偏差比例为：
这就意味着，平均来看，对于每一项技能，男性掌握该技能的比例都要高于女性掌握该技能的比例2.2个百分点，偏差并不大。
偏差的百分数看上去直观，但缺点是我们并不知道相对偏差。我们进一步利用平均数标准化偏差计算相对偏差：
在标准化之后，技能集合上男女求职者的偏差为5.3% —— 换句话说技能集合上94.7%都是一样的。
5.3%的偏差虽然小，但也可能影响巨大，尤其是如果这种差异体现在核心技能上时。
为了搞清楚这个问题，我们运用置换测试/蒙特卡洛法计算了男女求职者在特定技能掌握比例上的偏差。比如，如果50%男性和53%女性都会“hadoop”，我们就要计算这3%的差异是不是显著。
结果发现，在剩余的33项技能中，只有SQL和统计两项技能显示出性别差异性，而且这两项都是女性的掌握程度高于男性。
大体上，我们可以说在技能的大多数方面男女之间不存在差异，而SQL和统计上又是女性有显著的优势。
工作经验上的差异：
下表列出了男女求职者工作年限的平均数和中位数，值得注意的是职位要求并不包含工作年限。
我们发现工作年限上只有半年的差异，尽管在差异上表现出显著性，但在实际录用的层面上并没有什么实际意义，很少有公司会把半年经验的缺失作为拒绝的主要因素。
教育背景上的差异：
下表列出了求职者最高学历的分布情况（百分比），职位的要求是理工科本科或者硕士毕业生。
女性求职者比男性求职者在高学历中所占比例更高，82.7%的女性求职者拥有硕士及以上学历，只有69.9%的男性求职者拥有同等学历。这方面的差异非常显著。
结论
从上面的研究可以发现，女性求职者在被拒率上高出男性求职者5.6个百分点，尽管女性拥有高学历的比例更高、工作年限上和技能体系上也没有实际意义上的差异。
当然，如果仅仅根据上面的实验结果就得出“被拒率上的差异是因为有意或者无意的偏见”的结论，还缺乏充分的理由。但考虑到在实验中至少已经排除一些客观因素的影响，那么有理由相信这种差异更有可能是来自于主观因素的影响。
研究的局限性
当然，需要指出的是，本次实验还具有一些局限性：
1. 经验和教育背景的含金量
尽管工作经验和教育背景是简历审查的一个基准线，但其中的含金量却是极其关键的因素，甚至影响到能否通过简历审查。然而，这方面又太主观并且难以控制。
2. 技能不是纸上谈兵
我们仅仅根据技能一栏填写的情况来考虑，那么会造成一个熟练掌握该技能并有5年经验的求职者和一个刚会一点的菜鸟求职者没什么区别的情况。
3. 所有相关技能所占权重都一样
全部34项技能权重都一样，这在简历审查时肯定不现实，很明显一些职位对于一些核心技能的要求要高过其他技能，也就是权重更重。然而，这方面我们可以通过招聘官给出每项技能的权重来解决。
4. 之前做过的项目没有被考虑进去
求职者之前做过的项目或者写过的代码（比如github等）有时在简历审查时是会被调阅的，而这一点在本次实验中没有被考虑。
注：本文编译自Medium.com网站文章《A Framework to Assess Gender Inequity in Hiring using Data》
就业
【奶兄微点评】从百度迁徙看招聘与就业
这个文章奶兄给大家交流分享一个非常有意思的话题，从百度迁徙看招聘与就业。
每年过年的春运就是一次人口大迁徙，人口流动的背后意味着各地劳动力的输入与输出（当然这当中还包括旅游、探亲访友、出差等情况，这里谈的是大的趋势，请勿较真），从百度迁徙的实时动态图来看，目前国内劳动力输入的十大城市是北京12.77%、上海10.73%、深圳5.63%、广州3.94%、东莞3.44%、重庆3.42%、天津3.20%、南京2.58%、杭州2.44%、成都1.78%，北上深广依然是排名前四的劳动力输入城市，这十个城市占了总迁徙人口的49.93%，也就是说近乎一半的劳动力输入输出发生在这十个城市及周边地区。
当然我们也要考虑这些因素，比如广深东莞等地的很多制造业工人没有多少假期不能回家，所以珠三角的数据略显偏低。
我们先来看看北京的情况，北京迁出的热省前十名是河北39.55%、山东9.68%、河南8.17%、山西4.90%、天津3.96%、辽宁3.94%、安徽3.12%、黑龙江3.01%、内蒙古2.78%、湖北2.75%；
从数据上来看北京的人口输入来源集中在中原地区、东北地区，基本上是长江以北的省份。
看看上海的情况，上海迁出的热省前十名是江苏30.48%、安徽20.60%、浙江12.17%、河南6.55%、江西4.94%、山东4.57%、湖北3.82%、福建2.34%、四川2.14%、湖南2.13%；
从数据上来看上海的人口输入来源集中在长三角地区、黄海东海沿海地区、长江流域中下游地区，基本上是以上海为中心辐射扇形区域省份。
再来看看深圳的情况，深圳迁出的热市前十名是玉林、吉安、邵阳、黄冈、重庆、荆州、襄阳、南阳、孝感、达州，分布在广西、江西、湖南、湖北、重庆、河南、四川等省市地区，集中分布在长江中上游地区、长江以南地区。
广州迁出的热市前十名是衡阳、赣州、贵港、重庆、荆州、黄冈、南充、武汉、驻马店、襄阳，基本和深圳相同集中分布在长江中上游地区、长江以南地区。
估计你看到这里会问奶兄，你这是扯得啥东西，在给我们温习地理知识是吧。各位不着急，奶兄看到今年的百度迁徙数据，第一反应就是劳动力的流动情况。从上面几组数据我们可以看出来，地域性是一个影响招聘与就业非常大的因素，我们不管是做HR的还是做招聘第三方的都需要考虑地域性与籍贯这个因素。HR角度，不管是社招还是校招，从长远来看员工的稳定性，要考虑地域与籍贯这个条件要素。
下面是几点观察百度迁徙数据的小结：
1、东北地区、中原地区、北京周边地区的人更加偏好在北京周边就业生活；
2、长三角及环黄海东海扇形地区的人更加偏好在长三角周边就业生活；
3、长江以南地区、长江中上游中下游地区的人更加偏好在广深及珠三角地区就业生活；
4、富士康对当地劳动力输出影响很大，从数据当中可以看出，劳动力大省四川和河南的输出人数不再是热点，富士康在成都郫县和河南郑州开设了新工厂，人数超过35万，还不包括富士康的下游供应链的厂家。
另外奶兄也关注过针对地域性与籍贯做的一些招聘与就业活动，比如楚才回家计划，“楚才回家”计划是由武汉政府发起、猎聘网携手科锐国际联合承办，为有意回归武汉谋求职业发展的精英搭建求职渠道，目前已经举行了两期。另外类似成都高新区管委会等部门也经常组织所在区域的企业到北上广深等地来抢人才。
这类招聘就业活动就是充分利用求职者的地域与籍贯情节来开展的，估计今后会有越来越多类似的项目出来，很多知名企业内迁与到内地开子公司分公司，高铁越来越快一小时生活圈两小时生活圈逐渐形成，内地很多二线城市工作与生活环境越来越好，北上广深房价与生活水平越来越高不再是白领蓝领们的首选。
欢迎各位关注奶兄新浪微博@打劫买奶粉，以及个人微信@kinwa2002
扫一扫 加微信
hrtechchina
就业
就业
就业
就业
就业
扫一扫 加微信
hrtechchina
