Managershare：算法和直觉，哪个更容易犯错呢？
马里兰州的 Adventist HealthCare 医院遭遇了一件烦心事，他们的医护人员正在快速流失，这一比率已经超出了市场平均离职率，让医院的经营成本也随之提高，如果这一状况无法改善的话，很可能还会进一步威胁到该医院的护理服务质量。这家医院雇佣了那些训练有素且资格齐备的护理人员，然而他们却连招呼都不打一声就离开了。
到底是哪里出了问题？
每离职一位护理人员平均就要使得医院付出6到 9个月的工资成本，据估算，这些成本中包含了招聘与培训费用，以及生产力的损失。
「如果护理人员能够坚持干满两年，而不是干了一年就离开，医院可以从中节省 6000-20000 美元。」Adventist 医院 CEO Bill Robertson 在 5 年前就已经有此预判。护理人员在医院的工作时间越长，医院就能从中节省越多的成本。如果医院有的选的话，他们更愿意雇佣那些从来没有主动辞职或者不得不被开除的员工。
到了算法大显身手的时候了。在过去的几年中，招聘算法领域已经出现了多家专业公司，他们都承诺「帮你招到更好的人」。在招聘软件的世界中，可以参考多种指标来让整个招聘过程变得更好更有效，但是其中大部分公司不会参考应聘者过往经历。招聘算法提供了一种计算公式，将数据代入其中可以得到结果，帮助雇主更快或者找到更多样化的候选者。然而这些应聘者入职之后会有何表现？他们能够在新岗位上待满 1 年、2 年还是 3 年呢？算法能够帮助企业找到一直干到退休的忠实员工吗？
「将应聘者之前的职业表现与之后的职业表现联系起来的方法在算法中并不常见。」Kieren Snyder 是 Texio 的 CEO，这家公司专注于帮助星巴克与巴克莱银行优化招聘流程。Textio 公司已经开发出了相关技术，可以解决从职业历史中预测求职者入职后表现的问题。
Robertson 想要找到最适合 Adventist 医院的招聘算法，用其识别出「最适合我们医院」的应聘者。他找到了一家成立于 2009 年名为 Pegged 的招聘算法公司，这家公司与其他利用算法预测员工何时可能离职的公司不同，他们所追求的是在招聘时就帮助客户找到不会离职的候选人。
在经过 Pegged 公司所用的算法大致调整了一遍之后，虽然算法没有给出明确的结果，但是 Adventist 医院已经看到了「员工离职率的显著下降」。Robertson 指出医院员工离职率下降了 30-50%，「这为我们在招聘成本与生产力损失上挽回了数百万美元。」Robertson 如今已经去到了一家新成立的医疗机构 MultiCare 工作，在新公司当中他也用上了 Pegged 提供的招聘算法。
比方说要测试出人们在高压环境下会做何反应，Pegged 就会给没有数学背景的人抛出一个微积分测试题，然后记录他相应的反应。他会被题目吓住而久久没有反应吗？他会直接关掉网页吗？他会尝试输入答案并修改吗？所有这些数据都会汇总到一起创建一个完善的数据库，Pegged 会将这些数据与可能的结果进行对比，比如说看这些反应是否符合一个长期员工的测试反应。Pegged 指出自己的算法可以帮助客户公司在 6-12 个月的时间里离职率降低 38%，最差的一次记录也能够将离职率降低 13.5%。Pegged 公司表示他们能够通过一个应聘者过去的被雇佣以及离职数据，判断出其是否能够在一个岗位上长久地工作。
根据 Pegged 公司 CEO Michael Rosenbaum 的说法，现如今已经有 310 家公司利用 Pegged 的算法解决了离职率过高的问题，公司的算法在帮助客户提高员工留存率这一问题上从未失手。
Pegged 公司拥有 25 名员工，据说一年要处理超过 300 万份求职申请，在招聘算法领域中已经是一个老玩家，算不清到底有多少通过该算法选拔出来的申请者可以在岗位上长久地干下去。Pegged 服务的客户主要分布在医疗行业，美国医疗行业就业人数位居前列且增长快速，但是与此同时从 2011 年起医院的离职率就在稳定上升。不过 Rosenbaum 表示招聘算法是通用的，Pegged 与 Catalyst 公司进行了合作，后者帮助诸如耐克公司、喜达屋酒店寻找软件工程师，还帮助医院招进那些非医疗岗位的人员。
位于孟菲斯的 Regional One 医疗机构拥有 3000 名雇员，去年他们就委托 Pegged 公司帮忙招聘了 10 类岗位人员，从护士到保洁应有尽有。Pegged 公司在 60 天之内就完成了这 10 类岗位中的 7 类招聘任务，同时在 90 天内就使得其中 5 类岗位的离职率显著下降（Pegged 的离职率计算区间通常在入职后的 3 个月到 1 年间）。
算法会随着时间的推移变得越来越聪明，因为它在计算过程中积累了越来越多人们的招聘、解雇与离职数据。决定了一个应聘者能否在工作岗位上长期干下去的因素是多种多样的，不仅仅要考虑工作类型，还要考虑其供职的部门与岗位。不同类型企业在相同岗位上需要的雇员也是各不相同。就拿医疗行业来说吧，Pegged 公司发现可以用于预测急症护理员工留存率的指标就无法套用到相同岗位从事长期护理人员身上，原因至今仍然不明。
这一事实对于那些想要找到简单且固定的解决方法的客户来说是很令人崩溃的。「有时候想要预测员工留存率就像是黑箱操作，」Robertson 深知其中困难，算法会依赖多种因素来判断一个人是否符合岗位要求。「想让客户接受这一现实并非易事，客户希望我们给出明确的程序化的解决途径，比如说这个人使用了这种方式回答问题，因此他就是你要找的那个人。但是通过 Pegged 算法你是不能直接得出这一答案的。」
正是因为反复强调员工留存率预测的复杂性，经常得出违背直觉的结果，这些都让算法在用于招聘员工时比人类更加靠谱。Rosenbaum 表示：「人们在招聘时会抱有潜意识的偏见。」人们总是倾向于招聘那些与自己相似的人。
研究发现那些拥有一个「倾向于黑人」的名字的求职者可能更难找到工作，这并不是一件小事。我们还总是偏爱那些掌握了某种被认为有助于工作的技能的求职者。比方说招聘人员通常很看重求职者的经验，但是 Pegged 公司也发现依靠求职者的工作经验来预测其留存率往往是不准确的。
怀疑论者认为依靠算法来招聘员工丧失了招聘工作的精髓，难道电脑真的能够理解人类行为吗？
「作为人类我们总是太过信任自己的直觉，」Anthony Boyce 是怡安翰威特（Aon Hewitt）的一名人力资源咨询顾问，「秉持直觉会让你陷入一个典型的招聘经理的思维误区，仅仅因为欣赏某个人表现出来的特质，就判断他符合岗位的要求。」
