在数据爆炸时代，不少企业意识到数据对发展战略的推动作用，数据分析能够帮助业务部门洞悉市场机会，提升企业生产效率。但是，根据美国数据管理权威托马斯·H·达文波特（Thomas Davenport）教授近20年在数据治理和数据战略领域的研究，即使在2017年，全球只有不到半数的公司在积极使用结构化数据制定决策、不足1％的非结构化数据被使用或分析。
数据管理能力如今在企业发展战略中已经变得至关重要，但大多数公司的数据能力仍然未提上组织能力建设议程，数据整理缺乏公司级项目主导人、信息孤岛各自为政、无效数据充斥、数据权限松懈等等问题导致业务部门希望应用数据分析时举步维艰。
部分公司在进行新旧系统切换的过程中，才猛然意识到数据整理的重要性，它是整个数据分析流程中最占用精力的过程。从技术上讲，数据整理包含前期数据解析与结构化处理、数据质量评估与数据清洗、数据集成和提纯等过程。由于问题的复杂性，数据整理过程通常无法做到完全自动化的，是一个需要用户介入的交互过程，并且还需要持续迭代。
近十年来，谷露通过丰富的大型项目经验，以及在和多个大型客户的持续交流的过程中，发现招聘业务数据导入和导出的不确定性在于数据整理的复杂性，而这看似技术的问题又天然无法被业务层面用户所捕捉，容易被简单归结属于技术性和工具性问题。而这一连串问题背后的实质问题其实体现了一个公司的数据战略，制定合理的数据战略以支持自身长远发展对每个企业来说都是必修课。
本文引用了托马斯·H·达文波特教授发表于《哈佛商学评论》的《数据战略之进攻型-防御型二分法框架》一文，结合谷露近年来在服务大客户的过程中总结归纳出的招聘业务数据管理和数据分析实践经验，建议猎企重视工具选择背后的数据战略思考，从数据战略出发，在招聘业务数据的“防御性”和“进攻性”用途之间及在管理业务数据时选择“控制性”和“灵活性”之间进行权衡，明确招聘业务数据的主要用途的同时进行建立数据管理的指导原则，进而做出更适合的工具和技术选择，并且制定新技术在组织内部的推广策略。
招聘关乎企业的终极竞争力，在经济进入下行周期时重新审视数据战略，促进招聘业务数据的最大化利用和资源分配，练好相关组织内功，待到山花烂漫时，必有收获。
图表来源：《What’s your data strategy? The key is to balance offense and defense》 Dallemule L., Daveport T.
一、防御-进攻型数据战略
1、数据防御vs数据进攻
数据防御和数据进攻共同组成企业的数据战略。但二者的目标不同，进行数据管理的关键目标、核心动作和管理导向性也不同，需要根据企业的主要业务目标来在二者的平衡之间做出选择。
2、贵公司的核心业务目标与数据战略目标匹配吗？
数据防御的目标是通过优化数据提取、标准化存储和访问，确保数据的准确、完整、安全、隐私、合法合规性，最大程度地降低下行风险。
一家以财务、法务、IT这类监管强度大、数据精准度要求高的部门为核心的企业，如金融公司、律所、科技公司等，那么企业和部门更需要侧重于数据防御的数据策略。
数据进攻的目标则是通过数据分析、建模、可视化等，灵活处理数据以实现业务增长，提高竞争地位和盈利能力，如增加收入、盈利能力和客户满意度。
猎企是以BD、销售、顾问团队等以客户为中心的创收部门为核心的企业，招聘业务为主要创收业务，那么你的企业和部门更需要侧重于可以赋能业务增长发力的数据战略。
如果一个公司处于人才稀缺、知识密集型行业，在招聘网站上发布职位，然后坐等候选人投递简历的做法过于被动，招聘效果大概率差强人意，而旨在实现招聘效率和候选人满意度为目标的主动招聘相对而言就是更为合适的“进攻型”目标。
3、如何平衡数据防御与进攻？
每个公司在业务实践中都需要攻防结合才能成功，但要获得精准的平衡是很难的。
我们的建议是，猎企根据自身不同的业务目标选择相应的数据战略与合适的工具和技术。一方面，需要与主要使用系统的招聘业务人员沟通，听取和辨别真实的业务反馈与建议后再进行权衡，另一方面，要考虑到组织级长远目标。
要权衡防御还是进攻，植根于一个基本二分法：数据标准化和灵活性。数据越标准，数据质量越高。
标准化和灵活性天然存在矛盾。从一线人员角度而言，灵活性可以在短期内节约个体时间，并且有利于个人迅速行动。而标准化，则服务于企业的长期目标，旨在提升组织的整体效率，甚至于未来的组织效率。托马斯·H·达文波特教授提供了一个灵活的数据和信息架构——单一可信数据源（SSOT-Single Source of Truth）和多版本数据应用（MVOTs-Multiple Versions of the Truth）以解决这一矛盾。
二、SSOT-MOVTs数据架构
1、单一可信数据源（Single Source of Truth，简称“SSOT”）
单一可信数据源（SSOT）通常是基于云的包含所有权威版本的关键数据存储库，以招聘管理系统为例，就是候选人、猎头顾问、面试官、客户对接人、职位等详细信息。单一可信数据源要求数据录入规则是单一的，数据定义名称是通用的，以确保使用与分析数据的精准性。
缺乏单一可信数据源（SSOT）设计会导致数据管理混乱。回顾一下你在搭建人才库或者尝试对招聘业务进行管理时，有没有遇到这些情况：
✦ 录入候选人时没有统一的录入标准：
· 在候选人的中文名字段录入英文、英文名字段却录入中文
· 对系统内的行业、职能参数缺乏统一的理解，导致这两个关键的分类参数选择不准确
· 对工作经历的公司名称没有进行校准，导致生成了多条重复的公司
· 缺少电话、邮箱等唯一标识性数据，使得候选人重复被录入系统
✦招聘流程的推进中没有统一的操作标准:
· 推荐报告没有上传至系统留档
· 简历推荐、客户面试等关键流程没有提交反馈，导致过程数据丢失
· Offer信息填写的时候，薪资没有按正确的货币单位输入
· 候选人入职后，没有在系统内操作入职，并定义试用期
这都是因为猎头缺乏单一可信数据源（SSOT）的意识和落实规范，会大大降低猎头顾问的工作效率，导致与目标候选人在茫茫人海中擦肩而过。
2、多版本数据应用（Multiple Versions of the Truth，简称“MVOTs”）
多版本数据应用（MVOTs）是将数据转换为信息的结果，根据不同的业务需求将数据应用于不同的情景和计算公式中形成多样化的信息，最终达到利用数据分析获取业务洞见。
原始数据是“单一可信数据源”（SSOT），但当业绩场景、统计范围和计算逻辑不统一时，就会产生“多个数据版本”（MVOTs）：
✦ 以对客户和候选人进行行业分类为例，为了方便归类、精准搜索和分析，对于行业分类可能有一个统一的企业级标准；但对于不同项目团队或者顾问来说，企业级的行业分类不够精细，这时就需要利用自定义标签对客户和候选人行业进行进一步的分类
✦ 有的希望统计候选人的复推次数，有时则希望统计每个团队的候选人复推率
✦ 希望了解招聘周期的全流程时效，有的团队将offer回签时间作为offer环节记录事件，而有的团队则将offer发出时间作为记录事件
✦ 又一个汇报季到了，Global总部有不同的汇报维度要求，赶紧把中国区的数据重新汇总加工，按照Global的要求来准备报表吧。
3、多版本数据应用（MVOTs）根植于高质量的单一可信数据源（SSOT）
各个数据应用版本都反映了客观事实的一个方面。当用户疑惑数据不准时，往往需要问的问题是：“我们公司的基础招聘数据是否是单一可信数据源？是不是不同的团队各有自己的数据组和数据录入标准？”
构建单一可信数据源的数据标准时，往往需要考虑的是整个组织不同部门的需要，面向的是整个组织对于业务数据的应用场景。
想象一下如果你在搭乐高，首先要做的就是把手里的乐高零件分类，然后按照不同的规则取用不同零件将其搭建起来形成不同的模型。虽然事先整理零件需要耗费一些时间，但是后续搭建模型时会更快速、更准确。如果零件事先没有做好分类归纳，在组建模型时，需要从一堆零件里找到需要的那一个就如同海底捞针，非常耗时耗力，而且很容易出错。
是否有必要为各个数据应用场景都维护一套数据源？现实情况是，少有公司会选择耗费资源建立多套不同的数据源，一方面是一致性遭到破坏，另一方面也不经济。在这个环节务必确保是在为你的公司构建基础数据标准。
单一可信数据源（SSOT）就是分类归纳数据“零件”的过程；MVOTs则是按照不同规则组建零件形成不同的模型的过程。基于精确的数据得出的信息更真实、准确，更能支持决策。一个可靠的数据策略要求一个公司的单一可信数据源（SSOT）中的数据是高质量且具有一致性的。
精准的数据与数据处理方法组成合理的数据策略，可以有多种应用：
✦ 顾问与团队leader在分析本年/季度金额贡献率时，辨别出哪些是重要客户
✦ 回顾单个顾问的在行业职能成单数，可以得知顾问的擅长领域是否有偏科
✦ 分析职位的lead time，可以得知每个客户、每个岗位平均需要耗时多久，哪个招聘流程的停留时间相对较长，通过过程诊断优化顾问的工作效率，将时间投到对结果最有促进作用的事情上。
✦ 分解对比岗位的招聘各环节，找到招聘周期到底在哪个环节有最大的提升空间
✦ 对比HR简历筛选率与一面率，可以判断不同顾问在简历推荐环节对人才画像的把握准确度
✦ 通过offer发放与最终入职的数据对比，同时辅之以淘汰原因分析，可以判断特定公司的薪资待遇福利设置是否符合市场水平
三、如何进行数据迁移
通常企业切换到新系统，大多是为了实现三个最核心基本的业务诉求：更强大的数据库搜索能力、更强大的报表分析能力以及更为便捷友好的用户界面。
前两个核心基本业务诉求有赖于建立单一可信数据源。
在系统切换过程中，数据迁移就像是搬家，需要把家具从旧的房子中移入新的房子里，但问题在于，这些在旧房子中合适的家具移到新房子中尺寸可能就不合适了。数据就是你的家具，新的数据库就是新的房子。
不是所有的“家具”都需要搬到“新房子”里，可能这些家具有坏掉的、重复多余的或者无法使用的，对于你的你生活并没有帮助，而且会耗费你的体力。搬到新房子后，你可能也需要更改家具的摆放或者布局，使之更有条理，更方便你今后的生活。
更好地迁移数据建议注意这三点：
1、把数据迁移看作一个单独的项目而不是一个简单的动作
不要低估数据迁移的复杂性。数据迁移不是单纯的“导入和导出”，而是一项复杂的活动，企业在准备进行数据迁移前，应当做好足够的心理预期，要把它当作一个单独的项目，并制定计划、寻找方法、做好预算和组建团队。
2、数据迁移时要与业务人员持续沟通
数据迁移不是简单机械的一一对应，任何迁移项目不能企图通过工具“一键式”实现自动化迁移。新系统有新系统的规则，旧系统中的数据可能会违反这些规则。从旧系统中迁移到新系统，数据就需要改变新的位置。
数据的位置是根据企业业务流程和情况决定的，负责数据迁移的人无法做到全知全解，这就需要参与项目的工作人员最好是业务线同事告知该数据迁移后应当放在哪个位置。负责业务的人是唯一了解数据的人，他们可以决定哪些数据能被舍弃，哪些数据需要保留。这就和搬家师傅搬沙发到新房子里，你得告诉他沙发要摆放在哪里一样。
当你要更换新的招聘管理系统，需要把旧的人才库数据转移到新的数据库中时，可能会遇到这种情况：
✦ 旧系统中会标识候选人的“户口所在地”，但新的系统并没有这个字段名称，如何对这部分的数据进行处理呢？这时就需要数据迁移实施工程师与之前使用这个系统的业务人员沟通，当了解到新系统有“户籍”这个字段名称时，双方确认后就可以把原“户口所在地”字段数据移至新“户籍”字段中。
✦ 旧系统中候选人姓名是按照姓名这个单一字段进行存储，而新系统录入规则却是姓、名两个字段进行存储的，以什么形式拆分组合旧字段并录入新字段就需要业务人员与数据迁移实施工程师达成共识。
3、拒绝“脏数据”
数据迁移是最大的部署成本之一，重复、不一致、不完整的数据是造成数据迁移混乱的罪魁祸首，这些数据被称为“脏数据”，可能会导致猎头顾问在工作过程中搜索人才库无功而返，长此以往，逐渐丧失对自有数据库的信心。因此，数据不一致和不完整问题需要在进行数据迁移之前解决。
搬家前清点一遍家具和物品，把很久都没有用过、重复的、坏掉的家具和物品先扔掉，搬家的过程就能更轻松，整理新家的时候也能更有条理。当企业数据库里存在超过5%的重复数据和差异数据时，一个充满“脏数据”的数据库会很大程度上影响数据迁移的进度，数据清理的动作必不可少。必要的重复数据删除方案不仅可以加快数据迁移流程，还可以降低迁移的总体成本。
如果数据迁移之后，一个系统中出现了两套格式的数据，极有可能是因为数据迁移过程中只考虑了当下的低成本，未考虑脏数据之后会给企业经营带来的额外长期成本。这种做法只是将问题踢向未来，每天录入的新数据都意味脏数据也日益增加，加之缺乏一个刻意为之的“熵减”动作，那日久天长，只会演变成一个形式“数据库”，终端用户日益抱怨“数据查重不了”、“想要的人都搜不到”，而管理层想要通过数据分析赋能业务则终将成为无本之木，无水之源。
为准时、高效地完成数据迁移，我们建议客户在将数据迁移至谷露招聘管理系统之前做好三项准备工作：
1、对准备和迁移数据可能花费的时间及精力做好心理预期，有助于谷露数据迁移实施工程师和客户成功经理在数据审查后帮助推进实现你的预期。
2、向谷露数据迁移实施工程师和客户成功经理提供企业各个部门/团队所希望编制的最终报表。让猎企中熟悉招聘系统及数据的业务同事参与其中，他们可以决定哪些数据可以被舍弃，哪些数据需要保留，同时谷露数据迁移实施工程师和客户成功经理也非常愿意与你探讨数据分析在各个场景的有效应用。
3、在迁移前先清理一遍原数据库中的“脏数据”，为后续的数据迁移工作减负。何不借这个机会，让谷露数据迁移实施工程师和客户成功经理协助你做一次“数据大扫除”？
