亖呉?盀
数据人才们可以处理不确定性。不管我们打交道的数据有多“大”，它含有有限个有偏的潜在样本。我们的模型在太简单以至于无实际意义和太复杂以至于无法置信这两种极端情况间平衡选择。为了能找到控制数据噪声的方法，我们不断尝试模拟、测试验证。一个杰出的数据人才能够对他的数据、方法以及结论保持适度的怀疑态度。
那么当有一天数据科学家面对出现的全新挑战：评估将成为他们团队中一员的面试者。这个样本空间下降的很快，实验方法看起来不会那么实用，面试中的偏差比我们实际工作中精心控制的数据偏差更呈现数量级的显着倍增。
许多数据人才的领导者借助于下面传统的招聘技巧（实际上他们本不该这样做）：
在开始建立我的新团队时，我与许多数据科学人才沟通收集他们的想法和最佳实践经验。Riley Newman（Airbnb公司的数据科学领导，他设计并实施了招聘数据人才完全不同的方法，他也是我之前沟通过几次的这套系统的设计人）的想法对我的影响很大。我也从Florida项目中从Drew Conway身上学到了很多，他持续不断的改进他的数据人才招聘流程，在他着名的数据科学维恩图上正中目标。
在这篇文章里，我将阐释我所采用的Riley开发的新流程目标，描述它的潜在原则，体验我们开展的实验。当然，这个向导离开发掘改善的机会同时更好的改进流程将是不完整的。
如何开始一场招聘改革？
在开展我们的招聘流程时，我们设定了以下测量目标：
准确：使新聘员工成为优秀员工的机会最大化
损失：使有好的应聘者过早离开招聘流程的机会最小化
成功：使聘任意向书被接受的机会最大化
努力：减少招聘团队注意力长期分散机会。
任何有经验的招聘经理乍一看，都会觉得同时提高这四项目标不现实。前三项目标在实际上是相互矛盾（例如：应聘者越优秀，让他们接受聘任意向书的困难越大）。除此之外，提高全部目标看起来会给团队施加更大的前行压力。
在传统的招聘流程中，如果他们的准确性高于50%，多数招聘经理会感到幸运。也就是说，他们所聘任的员工最终被证明优秀的机会将不超过一半。损失则很难测量（毕竟流程中失败的应聘者将不会为你工作），同时多数招聘经理担心他们会时常失去优秀人才，原因是冗长并困难重重的招聘流程。
在招聘数据人才这种竞争激烈的领域，强有力的应聘者经常会接到3个甚至更多offer，因此成功率通常低于50%。
通过设计更智能的招聘流程——提高识别优秀应聘者的机会同时降低失去他们的风险——可以同时提高前三项目标。同时，增加早期投资，团队当下的努力和精力分散状况将会得以改善。
为了保障达成我们的目标，我们设置了一系列核心原则能够用以招聘中任何模块。促使每个人聚焦并使其流程化的原则能够显着的改善整个流程。这也在你不断重复这个流程时也成为一个健康的生态基础：
1、确保你的招聘流程持续完善。
招聘经常被认为是一个你所偶尔参与的任务或者一场周期性强消耗的闪电战。相反，将你招聘流程构架为一台经常运转的发动机，伴随人才通过招聘漏斗不断进入明确的下一步。这保证你不断招聘，无论优秀的人才何时进入市场，你将都有机会参与。
投资一个常规运转的流程将要求你将招聘作为铁律。这将保持协议与结果的一致性，使你能收集你成功和失败数据，促使你能够像管理你的数据管道一样用心的管理人才管道。
2.无情的事实：标准化的面试问题是致命的缺陷
询问应聘者他们之前的经验，你会发现他们是否能够陈述另一项工作发生了什么。问他们技术性问题，你会发现他们重新组织知识的能力。让他们在白板上解决“玩具”一样的问题，你会发现他们能怎样快捷的解决玩具问题。一个能够顺利通过所有障碍的应聘者或许在实践中是完全无用的数据人才。
为了重视这些缺陷，你必须首先对你想要应聘者在实际数据工作做什么有一个非常清晰的理解。最高的要求是，你应该清楚你的团队应该最终呈现什么样的最终产品。是否它是供决策制定者可视觉呈现和可分析的？设计或者原型是否给予开发者？或者实施者能够在生产环境中被测量并给与支持？
接下来，你应该对你想让成功的应聘者做什么有一个清晰的理解。确定给一个数据人才5个解决问题的机会。对于每一个问题，保证你有（或者应该有理由能收集到）所需的数据，能够呈现有效的结果（即使你不能亲自设计它）。这些机会与你公司的近期目标，你的组织或产品如何可靠运转，数据的现有或有理由产生的限制相关。
知道你的团队如何完成数据项目以及你最想让应聘者能够处理什么问题的挑战，你能设计一个近似反映你的工作条件的招聘流程。这意味着你应该把应聘者放进一个近似代表你们天天面对的环境。如果他们能够成功的在面试过程中适应环境，那么他们长期成功的机会将大大增强。
