Boss直聘-2019人才资本趋势报告：开源时代-2019.3-100页.pdf

开源时代AGE OFOPEN-SOURCING2019人才资本趋势报告3开源时代 2019 人才资本趋势报告BRIDGING THE PRICE GAP:WHEN DEMAND MEETS SUPPLY趋势1跨越人才价格鸿沟：阅读供需关系改革开放40年以来，劳动力市场作为中国经济最主要的驱动力之一，其活跃程度直接反映了经济的活力。对于求职者而言，活跃的市场会提供更多的就业机会；对于企业而言，活跃的市场也预示着有更多的机会招聘到优秀的人才。在2018年，我们看到了一个信号与噪声共存的就业市场：一方面，企业和求职者双方都有机会接触到更透明的薪资和行业信息，这是信号；另一方面，信息爆炸提升了辨识难度，企业和求职者双方对岗位描述和工作能力的认知也往往存在偏差，尤其是当一个人才出现在某一时间窗口，如果一份工作没有及时吸引他（她），也许就意味着一次错过，这是噪声。随着新兴产业和岗位的不断涌现，如何提升人岗匹配效率，降低资源浪费，成为就业市场设计者面临的巨大挑战。就业市场是由雇主和求职者构成的双边市场。近些年来，由于快速签订就业协议变得越来越容易，市场参与者正在从传统的花大量时间找合适的匹配者并进行薪资谈判中解放出来。这其中的主要原因包括：第一，信息流通更快速。招聘信息可以更方便及时地通过公司的招聘主页或第三方招聘平台发布，极大地降低了信息流通的成本。发达的职业社交平台和社交媒体使得企业能够更快捷有效地寻找、评估以及联系潜在的求职者，同时也大大提高了求职者找到合适工作的机会。第二，信息可得性和透明度提高。就业市场的信息透明度也在逐渐增加。以中国为例，在很多招聘网站上，岗位招聘薪资和求职者期望薪资的范围都已经公开，这使得市场双方对自身价值的评判越来越科学。在BOSS直聘“2018企业人才需求趋势调查”中，当招聘者被问及“招聘人才过程中遇到的主要困难”时，相对于“人才质量参差不齐”的40.6%和“高质量专业人才存量不足”的36.9%，选择“难以把握薪酬水平”的仅占6.5%。（如图1.1）这些改变都使得就业市场更加有效和公平，但也直接导致，市场的任何一方在作决策时都需要借助大量的信息。在这种情况下，无论是求职者还是招聘者都期望在进入市场之前就对市场的状况有清晰的把握。换句话说，他们需要一个简单而具有说服力的市场指数。附录1总结了现有的用来理解就业市场状况的主要指数。现有的工具箱4开源时代 2019 人才资本趋势报告招聘人才过程中遇到的主要困难（图1.1）高质量专业人才存量不足难以把握合理的薪酬水平触达人才范围有限人才质量参差不齐，筛选难度大6.5%36.9%40.6%16%BOSS直聘就业市场繁荣指数JMPI基于均衡价格的JMPI在BOSS直聘“2018企业人才需求趋势调查”中，我们发现，越来越多的企业认识到价格因素在提升效率方面的作用。在被问及“哪种方式对于提升员工绩效最为有效”时，41.5%的参与者强调“奖惩分明”的重要性。（如图1.2）为了更直观地反映就业市场的繁荣状况，BOSS直聘职业科学实验室提出了一个新的评价就业市场状态的指数，即就业市场繁荣指数（Job Market Prosperity Index-JMPI）。如图1.3所示，当市场供需平衡时，其交点是市场的均衡价格P*。利用该均衡价格，我们将就业市场繁荣指数JMPI定义为JMPI=（职位总数/人才总数）x log（均衡价格）注释1为了计算JMPI，我们用机器学习的方法拟合出了就业市场的供求曲线，并对均衡价格P*进行估计。与求职者和雇主各自提供的薪资区间相比，均衡价格能够反映出就业市场达到均衡状态时的人才价格。由于JMPI将就业市场中的薪资因素考虑在内，该指数更能反应经济层面的就业市场繁荣程度1。从更通俗的角度来看JMPI指数，职位总数与价格的乘积体现的是某个行业或地区中所有岗位的总薪资，也就是企业愿意付出的“人才成本蛋糕”，JMPI指数体现的是在这个行业或地区内每个求职者能够分享到的“蛋糕”大小。JMPI指数越高，这个就业市场就越繁荣，求职者获得的回报也更高。5开源时代 2019 人才资本趋势报告哪种方式对于提升员工绩效最为有效（图1.2）奖惩分明设立淘汰机制高质量的团建和文化活动合理高效的培训41.5%15.1%23.5%19.9%供给与需求曲线（图1.3）6开源时代 2019 人才资本趋势报告价格供给曲线消费者盈余生产者盈余均衡点需求曲线数量Q*均衡数量P*均衡价格我们从BOSS直聘平台2018年的数据中选取了六个具有代表性的行业注释2：教育培训、人工智能、互联网、电子商务、金融和房地产，它们能够一定程度上反映技术革命、政策影响、消费拉动、劳动力素质提升等方面的变化，并计算了它们的JMPI指数。附录2总结了2018年四个季度所有一级行业的JMPI指数。图1.4为六个行业的JMPI指数，我们发现这六个领域的JMPI整体上都呈上涨趋势。其中：教育培训行业呈现出显著增长的态势，教育 x 人工智能的大趋势下，行业前景向好；人工智能领域的JMPI有所波动，但基本上维持在高位平稳状态。人工智能依然是重要风口和未来方向；互联网和电子商务行业的JMPI指数较高。互联网已经成为基础设施，在近几年也始终是最为活跃的就业领域之一。2018年三季度以来的市场波动，并未对整体的就业繁荣程度造成重大影响；电子商务行业的发展能够反映大众对消费品的需求态势。2018年第三季度，我们看到电商行业的职位数远大于人才供应；金融和房地产都是受政策影响比较大的行业，我们同时分析了传统金融以及金融科技领域。2018年，由于薪资水平依然具有明显优势，金融行业的JMPI暂时还处于比较平稳的态势，但今年以来资本市场的动荡、资管新规的出台、P2P理财的大面积爆雷等等，对金融业的就业市场都带来了一定影响，在二季度，我们也观察到了较为明显的波动。这一动荡在三季度有所回暖。7开源时代 2019 人才资本趋势报告六个代表领域2018年JMPI指数（图1.4）JMPI024681月2月3月4月5月6月7月8月9月10月11月互联网金融房地产电子商务人工智能教育平均值基于社会盈余的JMPI为了进一步优化JMPI指数，我们引入盈余（Surplus）的概念2。不难理解，任何薪资高于市场均衡水平的人才需求将会很快被市场消化掉，其直接结果就是为雇主创造了盈余。在图1.3中高于薪资均衡点水平线的需求曲线下方的阴影区域就代表雇主盈余。类似于雇主盈余，任何薪资低于市场均衡水平的人才供应将会很快被市场吸收，其直接结果就是为求职者创造了盈余。如图1.3所示，低于薪资均衡点水平线的供应曲线上方的阴影区域就代表求职者盈余。雇主盈余和求职者盈余共同为就业市场创造了动力，如果将两者相加，则会产生就业市场总盈余，它是社会总盈余重要的一部分。图1.5中，我们绘制出了六个领域的社会JMPI，我们发现，市场盈余较高的行业（互联网、金融和电子商务）与市场盈余较低的行业（教育和人工智能）的社会JMPI进一步拉大。8开源时代 2019 人才资本趋势报告社会JMPI（图1.5）JMPI010203040501月2月3月4月5月6月7月8月9月10月11月互联网金融房地产电子商务人工智能教育平均值价格均衡点在经济学里，均衡价格是供求曲线的交点。我们利用BOSS直聘平台2018年的数据拟合出了不同行业的供求曲线，并得到了一个均衡价格，图1.6显示了六个领域的均衡价格趋势图，为了观察均衡价格和求职者平均期望薪资的差别，我们将每个行业求职者平均期望薪资用同样颜色的线条表示。这里我们单独分析三个领域的薪资水平，可以看出如下特点：第一、人工智能领域的均衡月薪达到了2万元以上，远远高于互联网（1万元以上）以及教育行业（5千元以上）。但求职者平均期望薪资要低于行业的均衡价格，这反映出目前市场上人工智能人才的整体素质还不高，对自身的估值也无法达到企业真正的需求水平，高质量人工智能人才高度紧缺的现状依然在持续。第二、互联网行业求职者的平均期望薪资和拟合的均衡价格几乎重合。这表明互联网行业已经达到了相对成熟平稳的阶段。第三、教育行业求职者的平均期望薪资普遍高于行业的均衡价格。随着人工智能在教育领域中应用的不断扩大，许多高级技术人才进入教育行业，但行业的整体薪酬水平还没有升级，行业仍然处在转型中。9开源时代 2019 人才资本趋势报告均衡价格与求职者平均期望薪资的对比（图1.6）k/月05101520251月2月3月4月5月6月7月8月9月10月11月互联网金融房地产电子商务人工智能教育价格弹性我们使用价格弹性来量化供求双方对价格的敏感度。具体说来，作为人才供应方，薪资的波动对于人才供应数量的影响就可以用供应价格弹性（Wage Elasticity of Supply,WES）来表示：WES=人才供应数量变化百分比/薪资变化百分比与此类似，薪资的波动对于人才需求数量的影响可以用需求价格弹性（Wage Elasticity of Demand,WED）来表示：WED=人才需求数量变化百分比/薪资变化百分比综合说来，WES值体现的是：单位比例薪资波动引起多少比例的人才进入，或者离开就业市场；WED值体现的是单位比例薪资波动引起多少比例的职位进入或者离开就业市场。因此，将WES和WED与JMPI指数结合起来，可以帮助我们理解就业市场繁荣程度与价格变动的关系。10开源时代 2019 人才资本趋势报告WED（图1.7）WED0.00.51.01.52.01月2月3月4月5月6月7月8月9月10月11月互联网金融房地产电子商务人工智能教育图1.7和1.8中，我们分别计算了六个行业的WES值和WED值。我们发现：第一、企业看待就业市场应该重点参考WES值，WES值较低直接反映了人才对薪资不敏感。对于能够把握住的人才，企业应该珍惜。在六个行业中，WES值最高的是人工智能和金融行业，WES值最低的是教育和互联网行业。对低WES值的理解可以回答企业经常遇到的一个招聘迷思：“为什么我提高工资了，但还是招不到适合的人？”第二、人才看待就业市场应该重点参考WED值，WED值普遍呈现高弹性特征，直接反映了职位对薪资敏感。在六个行业中，WED值最高的是人工智能和教育行业，WED值最低的是互联网和金融行业。对于高WED值的理解能够回答求职者经常遇到的求职困惑：“为什么我那么有能力，但找一份高薪工作那么难？”11开源时代 2019 人才资本趋势报告WES（图1.8）WES0.00.10.20.30.40.51月2月3月4月5月6月7月8月9月10月11月互联网金融房地产电子商务人工智能教育跨越价格鸿沟尽管价格透明化还处于起步阶段，就业市场的“开源时代”却在2018年的最后一个季度悄然到来。对于供需双方来说，“开源”代表着信息的有效性、可控性和稳定性。基于此，一个市场设计者和管理者应该具备把握价格“脉搏”的能力，对供应和需求的理解越充分，就越能够设计出更加有效的机制来协助市场参与者跨越价格的鸿沟。12开源时代 2019 人才资本趋势报告供需比（DSR）注释 3指数含义指数评价注释当DSR 1，求职者会有更多的选择机会；当DSR A*，则能够得到，E(A+k-1A+kA*)A*)(1)上式等价于E(k-1A+kA*)A*)为了简单但不失一般性，可以假设Ek=0，又由于k-1和k是独立的，可知E(k-1A+kA*)=0所以（1）等价于E(kA+kA*)0将上式展开，则有E(kkA*-A)=+d(a)+xd(x)0这是因为d(a)0,且+xd(x)0（注意到+xd(x)=0），便得到了公式（1）的结论。公式（1）说明了员工从等级k的岗位晋升到等级k-1的岗位后，员工的在新岗位上的平均工作能力Ek-1要低于在原职位上的工作能力Ek。在经济学模型中，为了使结果具有解析性，往往加入了较强的模型假设条件。在过去的几年中，借助基于智能主体的计算模型（agent-based model）对复杂社会经济系统中的人类行为进行了更为深入的探索12,13，提供了更有洞见的分析结论。在对彼得原理的研究中，Phelan和Lin14首先使用计算机仿真模型验证了彼得原理的正确性，比较了不同的晋升方式对组织效率的影响，发现在某些情况下随机选择人员晋升机制的组织效率要高于基于绩效选择的晋升方式。Pluchino等人15同样利用计算机仿真模型验证了彼得原理，并且发现在每层选拔时随机选择或者晋升能力最差的员工可以提高组织的整体效率。77开源时代 2019 人才资本趋势报告-A*-AA*-A上述反直觉的研究成果虽然指出了改进彼得原理负面影响的方式，但是也从一个侧面揭示出了彼得原理模型的局限性。彼得原理在理论分析中，假设了各级岗位上所要求的特殊工作能力是完全独立无关。我们可以得到公式（1）的结果，但同样若假设通过的晋升条件是员工能力没有达到标准A*，即A+kA*，也可以得到E(A+k-1A+kE(A+kA+kA*)(2)上述结论说明了通过晋升在上一个岗位上表现能力较差的员工可以提升该员工在下一岗位上的表现，与通过计算模型14,15得到的仿真结果相一致。对于彼得原理的模型，可以从公式（1）和公式（2）两个方向去理解。公式（1）表达了由“盛”到“衰”的过程，公式（2）则反映了“衰”到“盛”的情况，但是其中的统计学规律都是一致的，就是“一切表现都会回归到平均值”。78开源时代 2019 人才资本趋势报告Level 1:Level 2:Level 3:Level 4:Level 5:.Level N:.79开源时代 2019 人才资本趋势报告SEARCHING AND MATCHING:THE MICRO-DYNAMICS OF JOB MARKET趋势9搜索与匹配：就业市场动态变化的微观基础在趋势1中，我们用JMPI指数解释了，价格是影响市场宏观表现的一个重要因素。而从微观市场的角度来看，招聘者与求职者之间每一次互动行为都体现了从搜索到匹配微观过程的演进。在经济增长保持良好势头的情况下，企业会持续不断地提供新的工作岗位；同时，包括高等院校和职业培训机构在内的教育系统也会源源不断地为就业市场提供劳动力供给。因此，搜寻时间直接影响失业和岗位间转换的时间，而人岗匹配的程度则影响就业市场的稳定性和效率。从20世纪末互联网的兴起开始，技术进步极大地推动了就业市场的发展。从最初以信息汇总为主，到后来的提供搜索功能，再到现在的智能匹配和推荐，招聘服务的规模化和平台化正在赋予平台新的能力：通过保障每一个微观层面的高质量用户交互，使得宏观层面的就业市场效率更高。移动招聘平台的崛起彻底改变了传统的雇主单向选择为主的招聘模式，大幅改善了信息滞后、等待回应时间过长、匹配效率和质量低下等问题。作为招聘者与应聘者信息沟通的媒介，招聘平台承载着重塑市场的重任，具体体现在如下三个方面：一、就业原本就是一个双向选择的过程。在趋势1中，我们对于价格弹性的分析表明，整体而言，招聘者的价格弹性往往高于求职者，这也解释了为什么在传统的招聘市场中，议价能力占上风的往往是雇主，因为同样比例的价格波动，对招聘者的影响更大。随着就业市场的精细化，价格弹性在不同的行业甚至岗位之间都是不同的，招聘平台有责任考虑这些微观层面上的差别。正是为了解决这个问题，BOSS直聘构造了一个更便于双向沟通的平台，使得雇主在挑选求职者的同时，求职者也能挑选雇主。二、减少沟通壁垒，鼓励直接对话。沟通壁垒的打破，使得信息流通的速度加快，职位和人才的搜寻变得更加方便，达成匹配所需的时间大大缩短。招聘者与求职者的无障碍沟通，使得市场的交易频率和市场密集程度提高。这两种机制的结合使得我们更容易实现经济学上的“稠密市场”（thick market）2。三、注重平台安全，保障疏而不漏。与任何一个大数据平台一样，数据安全是招聘平台面临的一个核心问题。一方面，参考趋势1中我们对市场的观察，虚假噪音与真实信号并存，招聘平台应该承担信号分离和过滤的职责；另一方面，平台有责任建立一套智能信息处理机制，使得在平台性能不受影响的情况下最大限度地做好反欺诈工作。招聘平台的责任：双向选择、直接沟通、保障安全80开源时代 2019 人才资本趋势报告市场设计者的责任：稳定性、有效性、抗操控性招聘平台服务能力的不断提升和就业服务的市场化，为管理者提供了市场设计基础。作为“社会工程师”，市场设计者承担着重新定义和优化就业市场规则的角色。通过对招聘者和求职者行为的挖掘与分析，并对各维度的信息进行整合与优化，更准确地扮演“搭桥者”的角色。那么，应该从哪些维度来评估平台的效果，如何让求职者与雇主之间实现更快速、高效、公平地匹配呢？附录1中，我们介绍了市场设计理论的基本常识。通常说来，一个良好的匹配市场应该具备三个特点：稳定性就业市场上人岗不匹配的现象越少市场就越稳定。通过对BOSS直聘平台大数据进行观察，我们发现，人岗不匹配的原因主要有两种：一、需求定义不清楚。招聘者或求职者在进入市场的时候，尚未完整定义需求或处于需求定义阶段。随着对就业市场更深入的观察和接触，其需求被市场的噪声和信号持续影响，最终因为选择了没有完全满足其要求的人才或职位而离开市场。这一类求职者在新的工作中通常无法全心全意，一部分人一边工作一边重新加入求职市场，并伺机跳槽；一部分人因为无法适应该工作而不得不离职。这种选择错误在经济学上称为“非理性”。二、市场参与者耐心不足或匹配机制设计不合理。当求职者和一个岗位匆忙达成了配对，而不再关注更适合自己的职位时；或者市场没有能将最适合的配对呈现给彼此时，就会极大地影响市场的稳定性。在这种情况下，完成匹配的双方一旦发现更适合自己的职位或者人才，就会有强烈的动机去替换当前的对象。比如，因为市场设计的机制，一个软件工程师的岗位因为与一名物理学博士学历求职者完成匹配，而使得更适合该岗位的计算机科学硕士生错过了这次机会，这种现象在经济学上被称“正当的嫉妒”。影响市场稳定性的因素，通常具备较强的动态特性。我们有理由相信，任何一个宏观层面的市场“衰落”，都是由一个个基本单元的不稳定事件日积月累产生的。作为市场设计者，我们应该时刻警醒，通过设计具有快速反应和调整能力的市场机制来确保市场的长期稳定。有效性当无法在不损坏其他人利益的情况下提高任何人的利益时，这个市场就是一个有效的市场，在经济学中，我们用“帕累托最优”来描述这个条件。如图9.1所示，位于供应曲线上的A、B和81开源时代 2019 人才资本趋势报告82开源时代 2019 人才资本趋势报告商品服务帕累托有效示意图（图9.1）C三点的效用（utility）都无法再提高，因此他们都是“帕累托最优”点。而位于曲线下方的D点，一个指标的提升并不受制于另一个指标的下降，因此D点为“非帕累托最优”。在就业市场中，如果重新配对能使某些人的效益提高，而又不会伤害其他人，则我们称该市场有“帕累托改善”的空间。市场设计者正是遵循着“帕累托改善”而逐步的改进市场的设计规则。B 帕累托效率C 帕累托效率A 帕累托效率D帕累托无效22182127借用之前的IT岗位和物理学博士的例子，假如物理学博士在完成匹配之后，发现有一份在中科院物理所的工作出现，能够提供丰厚的科研资金，而且研究方向也非常符合该物理博士的兴趣，他就有较强的动机打破现有的匹配。一个符合“帕累托最优”的推荐引擎应该能够捕捉这个微妙的市场变化，并将该信息及时传递到匹配市场的两端，以使得市场变得更加有效。基于这种思想，一个好的就业市场设计不应该只是考虑一对求职者-岗位匹配质量的好坏，还应该照顾到市场的各个层面，让尽可能多的人找到满意的匹配。市场的设计者应该有全局的视角，以最大化社会总福利为目标。抗操控性在招聘和求职过程中，人们是否不敢表达自己的真实信息与偏好？比如，前面提到的软件工程师岗位的求职者，如果发现自己提供的信息准确与否不会影响自己的求职，或者故意隐瞒或编造某些信息会增加自己被某家心仪公司接受的概率，那么用户就可以利用这个机制漏洞操控市场，以期实现自己的利益最大化。在市场设计理论上，如果某种市场机制，使得人们表达自己的真实偏好符合他们利益的最大化，则我们称这个市场具有“抗操控性”。在一个具有抗操控性的就业市场中，人们敢于大胆追求自己的职业梦想，敢于表达自己真实的求职或人才偏好，因为他们相信这样更有利于自己从市场中获得最大价值。虽然绝对抗操控的市场在现实中是不存在的，但可以通过完善设计甚至重新设计来提高就业市场的抗操控性。通过对BOSS直聘用户的调研和科学实验，我们发现，如果将用户充分表达自己真实信息的行为和其在平台的收获直接关联，就会促使市场朝着更抗操控的方向优化。83开源时代 2019 人才资本趋势报告平台化的招聘具有明显的优势，随着法制和市场机制的完善，未来的招聘市场也会变得更加公平和高效。据此，我们对招聘者和求职者提出如下倡议：一、鼓励市场参与者提供真实的信息。在依赖大量数据的机器学习模型中，真实的信息能够帮助产生更加有效的预测与推荐；同时，在市场设计机制的保障下，提供更完善和真实信息的参与者也会收到市场的奖励，他们从招聘平台获得的服务质量会更高。机器学习和市场机制对于数据的消耗和完善相辅相成，互相加强彼此的功能。二、鼓励市场参与者主动表达偏好。随着市场设计的优化和市场密度的增加，以及系统信号表达机制和匹配算法的优化，市场供求两方的需求都将越来越容易被满足，市场流动性大大增强。在市场匹配机制的引导下，那些主动表达自己偏好和主动向对方发送求职/邀请申请的参与者更容易实现自己的效益最优化。市场参与者的责任：信息真实、主动表达84开源时代 2019 人才资本趋势报告附录：匹配理论背景介绍中央匹配理论最早源于大卫盖尔（David Gale）和劳埃德S沙普利（Lloyd S.Shap-ley）在1962年对婚姻市场上男女如何匹配以及学校如何招生的论述。他们提出了稳定匹配的理论1。后来阿尔文罗斯（Alvin E.Roth）与他的同事们对此理论进行了完善与扩展，并广泛地将此运用于房屋分配、学校选择、肾脏交换等真实世界的分配系统中。因为此贡献，沙普利和罗斯在2012年获得了诺贝尔经济学奖。一个著名的例子是罗斯把稳定匹配理论运用到美国住院医师配对项目（National Resident Matching Program，NRMP）中。NRMP每年为医学院毕业生找工作的匹配过程如下：医学院毕业生提交自己对住院医项目的偏好排序列表（ROL）。各项目也有自己相关的录取政策来决定如何对每个申请者进行排序。一个集中的匹配系统根据ROL帮助医师匹配到合适的项目，如果在一方将另一方所有的选项都申请了还没有匹配上，或者在任何一方的资源因得到匹配而离开了市场时，这种匹配过程就会终止。市场匹配的算法有很多种，其中NRMP采用的算法叫“延迟接受算法”（Deferred Accep-tance algorithm，简称DA）。与之相对的是“及时接受算法”（Immediate Acceptance algorithm，简称IA）。两者的差别在于，在算法执行的每一轮中，用IA的算法，录取一旦完成，则结果是最终的；而DA的每一轮结果都是暂时的，如果下一轮的结果更好，之前的结果就会被覆盖。表9.1中，我们总结了DA和IA算法的性能。85开源时代 2019 人才资本趋势报告抗操控性稳定性是否否否否否是否是否发起方接收方发起方接收方有效性延迟接受（DA）及时接受（IA）两种市场匹配算法的性能分析（表9.1）参考文献1 D.Gale and L.S.Shapley,College Admissions and the Stability of Marriage,Am.Math.Mon.,vol.69,no.1,pp.915,1962.2 L.Gan and Q.Li,Efficiency of thin and thick markets,Journal of Econometrics,Elsevier,vol.192(1),pages 40-54,2016.86开源时代 2019 人才资本趋势报告开源时代：2019年人力资本趋势报告由BOSS直聘职业科学实验室&BOSS直聘研究院出品。本报告中的观点来自大数据分析、对公开资料的整理、对行业专家的访谈、对企业用户的问卷调研，以及团队的理论研究。针对报告中的细分主题，研究团队对数据样本进行了严格清洗和校验。在部分涉及到跨领域、跨年度对比的主题下，均对数据进行了标准化处理。作为第三方机构，我们的主要数据非来源自官方普查数据库，或有更权威更完善的数据库，我们未获得使用权。受平台特性限制，我们的分析方法也可能存在不完善之处，因此数据结果可能存在一定偏差，不能作为商业、投资或政策决策的确定性依据，仅展现人才趋势判断，作为参考。希望读者们认真辨别，多多批评。版权声明本报告中所有的文字、数据和图表均受到中国法律和知识产权相关条例的版权保护，任何形式的引用均须详细表明出处。没有经过BOSS直聘的书面许可，任何组织和个人不得将本报告中的信息用于其他商业目的。数据说明87开源时代 2019 人才资本趋势报告关于我们“BOSS直聘”是一款在全球范围内首创移动互联网“直聘”模式的招聘 App，于 2014 年 7 月 13 日上线，致力于为职场 Boss 和求职者搭建高效沟通、信息对等的平台。BOSS直聘产品的核心是“直聊+精准匹配”，通过将在线聊天功能引入招聘场景，让应聘者和用人方直接沟通，跳过传统的冗长应聘环节，提升招聘效率。BOSS直聘应用大数据与人工智能技术，不断追求岗位与人才的多维度精准推荐与匹配，提升招聘效果。BOSS直聘职业科学实验室（Career Science Lab，CSL）致力于在科学方法的基础上，构建职业科学领域的研究结构，汇聚跨领域人才，促进对于职业科学领域重大问题的突破，促进BOSS直聘在工业上的进步。CSL是一个跨学科的实验室，希望将心理学、社会学、经济学等学科与机器学习技术进行有机结合，通过理论研究+工程实践的方式，真正在线上平台还原求职者及招聘方需求的完整画像。CSL由薛延波博士牵头组建。薛延波博士毕业于加拿大麦克马斯特大学电子与计算机工程专业，拥有13年机器学习领域研究经验，5年量子计算领域研究经验。2018年7月加入BOSS直聘并担任首席科学家。BOSS直聘研究院以自有人才大数据平台为基础，长期保持对人才市场和行业动向的关注与观察，每季度发布BOSS直聘人才吸引力指数报告，并针对各行业和就业市场热点，不定期发布相关主题研究报告。BOSS直聘研究院与具有重要影响力的学术机构和企业合作，开展跨领域视角研究。BOSS直聘研究院与主流媒体保持良好互动，提供报道数据支持和专家观点。报告负责人联系方式BOSS直聘首席科学家 薛延波 BOSS直聘研究院院长 常濛 微信：mengcathy88（添加请备注“开源时代”）88开源时代 2019 人才资本趋势报告