


2013被视为人力资源的社交化元年,这一年企业广泛地将社交技术应用于人才招聘领域。比如借助六度人脉在社交网络上搜寻靠谱的人才(SkillPages),或是通过排名算法和语意分析量化衡量求职者的社交网络影响力(Klout)。那么2014年社交化与人力资源会擦出什么样的新火花呢?金蝶HR产品事业部总经理柴晓波表示,2014年社交化将从人才招聘领域拓展至企业人力资源管理“选、用、育、留”的全方面,社交化将深入固化到企业人力资源管理的业务流程中,与人力资源管理软件充分整合,用技术手段帮助HR真正做到“以人为本”、并实现“以角色为中心”。
社交化HR的应用环境:企业社交
柴晓波谈到,社交网络是用技术手段构建新型的人际关系。比如,微博解决的是陌生人间的相知相识,以新浪微博为例,它的媒体属性偏强,用户对它的核心诉求是“我要号外地球人who、when、what”;微信解决的是熟人间的情感联络,以腾讯微信为例,它的圈子属性偏强,用户对它的核心诉求是“我要分享给我的朋友我此刻的心情和感悟。”而在微博和微信都触及不了的空白地带——企业内部同事间的业务联系,就依赖于“私密的”企业社交。以金蝶“云之家”为例,它解决的是企业内部员工之间如何简洁高效的“沟通、协作、分享”的难题,用户对它的核心诉求是“我要通知我的同事(上级、下级、平级)某项事务的进展、问题、解决方法”,而在这个过程中,对企业非常有价值的历史信息和知识得以沉淀在“云之家”中,不会随着人员的变动而流失。
以“人”为中心的企业社交,为社交化HR提供了良好的应用环境。过去封闭式的人力资源系统,在与企业社交平台无缝整合后,变得“更透明”、“更互动”、“更便捷”、“更人性”。从企业文化建设、到人才培养、到员工考核与激励、到员工关系管理,社交化HR将更好地体现出“以人为本”。
以经理人任免为例,作为后备人才的候选人必须经过申请竞聘、HR组织答辩、评委评分,跨部门收集意见、层层组织报批、高管终审、发布任命才能完成内部竞岗的复杂流程,而传统HR软件是无法覆盖并管理这样的业务,必须借助其他的手段,比如开会、电话、邮件、各类材料文档,可是这种非结构化的信息无法整合进HR系统里。社交化HR软件的优势在于,你可以在系统里直接向所有相关人士发起一个话题,人们就主题发表自己的意见,发送短邮及分享提交各类材料,组织调查评分或民主评议,所有的历史发言或材料都会作为“呈堂证供”一字不差地记录在社交化HR系统里。
社交化HR软件的未来:以角色为中心的自助服务平台 
“业界对社交化HR还没有一个统一的定义,金蝶不去做下定义这个事,但我们认为社交化HR软件的未来发展方向必然是‘以角色为中心的自助服务平台’”柴晓波回答说。传统HR软件仅仅服务于 HR 部门的工作人员,而社交化HR软件会突破这个局限,去服务于企业的全体员工。
比如金蝶s-HR的设计思想是,通过人力资源核心平台、社交化的全员自助服务平台、以及开放的云端创新应用,让企业五大角色——员工、直线经理人、高管、 HR 专员和IT系统管理员,能够自助式地使用系统提供的服务。比如,员工可以在智能手机上请销假、查工资、刷考勤、看绩效结果;部门经理可以在智能手机上实时查询部门的人力配备,岗位空缺状况,以及下属员工的历史薪酬、绩效等级、岗位任职的全部变化过程,还可以随时随地审批各项人事业务;高层管理者可以在智能平板上查看企业的人力投资收益、人力成本、人力效能变化等各类统计图表。
“金蝶s-HR的‘s’有四层含义: Social(社交)、Service(服务)、Support(支持)、Strategic(战略)”,柴晓波说,“金蝶用产品创新对社交化HR做出了自己的诠释。”
 0赞
 0赞好文章,需要你的鼓励
 推荐文章
 推荐文章
浙江大学团队提出动态专家搜索方法,让AI能根据不同问题灵活调整内部专家配置。该方法在数学、编程等任务上显著提升推理准确率,且不增加计算成本。研究发现不同类型问题偏爱不同专家配置,为AI推理优化开辟新路径。
清华大学研究团队提出SIRI方法,通过"压缩-扩张"交替训练策略,成功解决了大型推理模型"话多且准确率低"的问题。实验显示,该方法在数学竞赛题上将模型准确率提升43.2%的同时,输出长度减少46.9%,真正实现了效率与性能的双重优化,为AI模型训练提供了新思路。
南洋理工大学与腾讯联合研究团队开发出Rolling Forcing技术,实现AI视频实时流式生成的重大突破。该技术通过滚动窗口联合去噪、注意力锚点机制和高效训练算法三项创新,解决了长视频生成中的错误累积问题,可在单GPU上以16fps速度生成多分钟高质量视频,延迟仅0.76秒,质量漂移指标从传统方法的1.66降至0.01,为交互式媒体和内容创作开辟新可能。
华中科技大学研究团队发现,通过让AI模型学习解决几何问题,能够显著提升其空间理解能力。他们构建了包含约30000个几何题目的Euclid30K数据集,使用强化学习方法训练多个AI模型。实验结果显示,几何训练在四个空间智能测试基准上都带来显著提升,其中最佳模型达到49.6%准确率,超越此前最好成绩。这项研究揭示了基础几何知识对培养AI空间智能的重要价值。