当企业身负降本增效的重责,人力资源部门通常都被认为是冲锋军般的存在,降低招聘成本,提高员工人效,于整个组织而言都意义重大,尤其是在人才需求量大,高级技术人才占比高的新能源科技企业。
ATL新能源集团(简称ATL)作为全球排名第一的聚合物锂离子电池供应商,其人才招聘也具有「补给需快、质量需高」的特点。在企业加速发展之际,如何快速筛选出适合企业的优质人才,同时降低人才招募成本成为ATL急需解决的问题。
降本增效,ATL的刚性任务
招聘量激增
新能源是一个快速发展的行业,业务的快速扩张需要人才的强力支持。一个新板块的开拓往往需要HR快速供给大量人才,招聘人员的招聘效率直接影响了企业跑马圈地的速度。此外,新能源企业的人才招募具有专业性及复杂性等特点,HR需要准确判断候选人的能力及特质,以匹配企业的发展需要。人才招聘不仅要快,更要准,ATL提效已是当务之急。
招聘成本走高
新能源行业对人才要求较高,企业间对优质人才的争夺十分激烈,这也导致了新能源企业的外部招聘渠道成本持续走高。ATL每年会投入大量的招聘费用在各类外部渠道,投入产出比降低。ATL需要摸索渠道创新方式,低成本规模化地触达潜在候选人。
用友大易招聘云助力ATL实现降本增效
用友大易帮助ATL搭建了线上一体化招聘管理平台,实现包括人才吸引、简历投递、筛选、面试、录用等在内的全流程线上化高效运转,减少HR事务性工作,优化应聘者体验,提升招聘管理效率。
渠道提效,搭建私域网络
不依赖外部渠道,用友大易为ATL搭建PC端与移动端招聘官网,建立人才直接进入企业的快捷通道,在校招中,ATL还将官网作为唯一投递渠道及宣传统一出口,持续更新校招最新动态,沉淀官方渠道的影响力。
此外,ATL通过用友大易招聘系统创建内推码活动,同时制定内推规则与奖励,通过微信公众号高频传播,借助裂变玩法增强内推码曝光机会。
筛选提效,加速人才甄选
数智化的招聘解决方案能够帮助ATL高效筛选人才。在校招中,借助用友大易招聘云,ATL可以按照项目设置志愿投递数,根据候选人投递志愿锁定简历,第一志愿优先处理,第二志愿锁定,当第一志愿淘汰放入共享池后可才能解锁第二志愿,保障面试筛选流程的有序推进。
此外,用友大易招聘云支持设定多个校招筛选规则,不同的职位绑定对应的筛选规则,系统将不符合要求的简历自动过滤进入相应的人才库,便于日后进行二次激活,降低未来的招聘成本。
最后,针对各环节面试通过/不通过的简历,HR可设置自动流转规则将简历转移到对应环节,有效缩减流程推进所用时间,大幅提高招聘效率。
面试提效,科学面试管理
面试流程繁琐往往会占用企业大量的资源,因此优化面试流程、提高面试效率成为企业招聘提效的重要环节。在校招中,ATL借助用友大易招聘云实现面试的科学管理。
首先,面试时间支持学生自由选择,充分尊重学生意愿,提升应聘体验感和到场率,同时,HR也可集中查看和掌控各场次的预约进度。候选人成功预约后,系统会线上发起测评邀约,兼顾考核候选人软/硬实力,实现高效、精准招聘。
其次,ATL通过用友大易的视频面试平台,让线上面试随时随地开启。候选人无需注册,扫码直达面试间,面试官也可边看简历边面试边评价,提升面试效率与双方面试体验。
ATL降本增效成绩单
全流程管控,效率显著提升
从HC同步到入职同步,完成与内部流程的无缝集成,实现全流程线上化;简历自动筛选和流转,优化HR使用体验,减少事务性工作,自动淘汰简历占初筛淘汰简历总数的29%。
玩转私域,渠道成本降低
通过官网/微官网建设、内推码、人才库运营等手段降低了外部招聘渠道的成本投入,2024秋招简历收取较往年提升142%,其中内推码简历占比34%,通过人才库运营带来1100+简历的二次盘活。
企业加入降本增效的阵列,组织内的各部门也纷纷交上自己的「降本增效」成绩单。于招聘而言,提招聘之效的意义不仅仅在于可以以更低的成本、更快的速度招到人,更在于借助科学的方法帮助企业择优劣汰,让真正优秀并适合的人才进入企业。而用友大易招聘云所做的,就是借专业的服务和领先的技术,通过优化招聘流程、提升筛选效率、精准匹配人才,为企业打造高效的人才引入和筛选体系,助力企业在激烈的人才市场竞争中获得优势。在未来,用友大易将继续想企业所想,急企业所急,以降本增效为旨,帮助企业高效高质网罗人才,为组织发展引入强劲动力。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。