AI做招聘数据复盘实操：只统计转化率是不够的

三层指标体系：效率、质量、错配

第三层最常被漏掉，也最贵。漏掉的原因不是不知道它重要，是这些数据滞后且分散，没人愿意花力气去串。

一个直接判断：如果你的招聘复盘报告里一个滞后指标都没有，那它不是复盘，是进度汇报。

渠道质量的四个维度，只看前两个会误判

• 进入量
• 通过率
• 入职率
• 留存率，入职后6个月与12个月

常见错误是只看前两维。一个渠道进入量大、通过率高，但入职后半年内人全走了，它不是好渠道，它是一个把不合适的人高效送进来的渠道。按前两维打分，它会排第一。

四维也解决了一个实际问题，就是渠道预算怎么分。单看进入量会持续投给量大的渠道，单看通过率会投给筛得最狠的渠道，两个方向都会跑偏。

失败原因编码表：让AI归类的前提是先有码表

这一步是整篇的技术核心。

没有码表就让AI归类，等于让AI发明分类。每次的分类都不一样，结果不可比，趋势也就看不出来。这不是AI的能力问题，是任务定义的问题。

先给一份可用的码表，只做一级，不要一上来就做二级，二级会让编码者之间的一致性迅速崩掉：

两条编码纪律：

• 一个案例只编一个码，选最主要的那个。多编码会让统计结果无法解释。
• Z码的比例要单独盯。如果超过20%，说明问题出在信息采集本身，不是分析环节。

提示词：归类与归因

下面是一些招聘失败案例的记录，包含面试官备注、候选人反馈、流程日志。

【编码表】
（粘贴上面的码表，含每个码的定义与计入规则）

【任务】
对每个案例：
1. 从编码表里选一个最合适的码。只能从表里选，不要新建分类。
2. 引用原文中的具体语句作为归类依据。
3. 如果信息不足，标 Z，并把缺失的具体信息列出来。
4. 不要推测，不要补充原文没有的内容。

输出格式：
案例编号 / 编码 / 依据原文 / 缺失信息（若有）

第3条是设计的关键：让AI把「我不知道」明确说出来，而不是硬塞一个分类。Z码本身是信号，不是失败。它告诉你该补什么数据。

跑完一轮之后，把编码结果按岗位、渠道、面试官三个维度交叉看。这一步人来做，AI负责前面的归类。

周报模板，可直接复制

四个部分，每部分不超过三行：

• 在招岗位与关键进展：本周在招岗位数，关键岗位卡在哪一环。
• 漏斗快照：本周进入、本周淘汰、本周推进，当前堆积在哪一环。
• 错配信号：本周新增失败案例的编码分布，只报异常。
• 下周要动的三件事：写清楚动哪个环节，预期影响什么。

第三条的「只报异常」很重要。如果每周都把全部编码列一遍，等于没有重点。只报与过去四周均值偏离明显的类别，其余的略过。

第四条的「三件事」要具体到可验证。写「加强候选人沟通」这种，下周复盘时无法判断做没做。写「把终面反馈时长从平均5天压到2天」，下周就能看数字。

哪些指标坚决不上报

指标会塑造行为，所以选什么指标等于在选什么行为。

三类不报：

• 面试场次。会激励刷量，把不必要的人推进面试。
• 触达人数。同上，会激励批量发送。
• offer数。不区分质量，会激励降低标准。

这三类的共同问题是：它们都可以通过降低标准轻松做高，而报表上看不出质量下降。

替代方案：报「进入面试后到offer的转化率」和「入职6个月留存率」。这两个指标刷不了，因为分子分母互相牵制。

一个反直觉：漏斗越快不等于越好

周期压缩到某个点之后，质量会掉。因为压缩周期最常用的手段是砍环节，减少面试官、缩短评估，而砍掉的都是信息采集。

正确做法：找到自己组织的拐点，而不是追行业基准。方法很具体，把招聘周期和错配率放在一起做散点，找错配率开始上升的那个周期值。

这个值每个组织不一样，跟行业基准无关。同一家公司的不同职能序列也可能不同，技术岗和销售岗的拐点通常差很远。

事实与数据来源

• 漏斗前段通过率本身需要被审计：Fuller, J. B. 等，《Hidden Workers: Untapped Talent》（哈佛商学院与 Accenture，2021）：超过90%使用招聘管理系统的雇主依赖系统做首轮筛选或排序（中等技能岗位94%，高技能岗位92%）；调研样本中仅约五分之一的 hidden workers 能通过首轮
• 三层指标体系、渠道四维、失败原因编码表、周报模板：本文作者基于招聘实践的整理，属操作框架而非实证结论