Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

姚从磊作者

巧用 AARRR 模型,吸引优秀技术人才(四)

你好,我是百炼智能联合创始人兼CTO姚从磊,上一篇文章中,我分享了吸引优秀技术人才的 AARRR 模型中前两个A阶段,即Acquisition 和 Activiation 阶段的主要策略和一些实操性建议。

在本篇文章中,我将详细讨论模型后三个 R 阶段的主要策略和实操性建议,并在最后给出一些补充说明,希望能对你有用。

Retention - 如何提高技术人才对公司的认同感?

在产品研发中,Retention 阶段的目标是通过持续提升产品用户体验,使用户频繁打开产品,使用产品功能,强化产品核心功能在用户心智中的价值定位,使用户快速转化为忠实用户。为了提升产品体验,不仅要持续打磨核心功能细节、研发新核心功能点,还要持续补足非核心功能的短板,从整体上提升产品的用户体验。

同产品研发类似,在技术人才成功入职后,接下来 Retention 阶段的重点就是如何通过持续优化公司和团队中的工作氛围和体验,持续提高人才对于公司的认同感,越来越坚定地同公司一起走下去,同公司一起成长。为了达到这一目标,不仅要兑现 offer 承诺,还需要在四个关键阶段,破冰、融入、成熟、波动中,持续地优化人才的工作和发展体验。

当然,上述方法奏效的关键前提是业务的长期发展。如果业务长期停滞或长期倒退,是很难提升技术人才对公司认同感的。

1、兑现承诺

Offer 阶段的所有承诺需要清清楚楚地书面确认,并且在入职后需要按照约定按时兑现,不能有半点折扣,这是同人才建立信任的前提,也直接决定了人才是否能够建立对公司的信任感。

在 offer 阶段的过度承诺,在这个阶段就会收到恶果。如果已经出现过度承诺的情况,且人才已经入职,那么公司要不惜代价兑现「过度」的承诺,并通过及时沟通,与做出过度承诺的人在 offer 原则上达成完全一致,避免此类情况再次发生。

可能会有一些公司或个人抱着「反正他/她已经入职,对承诺加以灵活变通,相信他/她也会理解」的心态,或者故意利用信息不对称在 offer 中模糊部分承诺,又在对方入职后不爽快兑现,这些做法会在信任建立之初就破坏信任存在的基础,绝对得不偿失。

2、破冰阶段

破冰阶段,即正式入职后的一到两周。该阶段的原则是尽可能创造机会,让人才在公司各团队中认识足够多的人,初步感受公司的文化,并同某些同事建立初步的信任关系。

为达到目标,需要结合公司定位设计独具匠心的游戏化环节,使得破冰项目充满趣味性和惊喜感,并且使人才能够发挥自己的主动性,乐在其中。例如同团队同事一起完成有趣的任务,采访公司中有特长的同事,参与不同团队的团建活动等等。

在破冰阶段,不建议采用被动式的公司历史和文化培训,这种填鸭式的活动,起效并不明显,甚至会起到负面效果。

3、融入阶段

融入阶段通常为破冰之后,试用期结束前。该阶段人才的目标是熟悉团队的工作习惯和氛围,确定自己接下来主要的工作目标和职业发展路径,并开始投入到业务工作中。

融入阶段中,mentor 需要发挥关键作用。不仅要帮助人才熟悉团队,熟悉公司技术栈和研发过程,还需要结合人才本身特点,同人才一起制定接下来的职业发展路径和主要工作,并在对方工作遇到挑战和困难时,及时提供帮助,在长期工作中加深相互的认同和信任。

几乎所有的人才在融入阶段都会有大大小小的心理波动,所以,在这个阶段我们一定要对其足够关心,建立良好的沟通渠道,一起找到并解决导致心理波动的小问题。

并且,融入阶段中的人才,由于独特的视角,往往更容易发现公司的问题,所以要主动地收集和感谢他们反映的问题和建议,并且在第一时间解决问题,不断优化工作体验。

4、成熟阶段

到了成熟阶段,最重要的事情就是如何通过日常工作,使得人才收获足够强的「成就感」。正如第二篇文章中「成就感」痛点所讲的,业务增长、技术提升和现实收益这三种「成就感」,缺一不可。

达到这一目标的通用方法基本不存在。唯一的原则就是因时、因地、因人而异,在不同的阶段、不同的岗位,对于不同的人才提供不同的个性化帮助和指导,使其充分发挥自己的能力,收获应得的成就感。

5、波动阶段

有统计数据表明,员工入职后的一些关键时间节点(例如三个月和两年)是离职高发期;但事实上,波动是随时可能发生的,如果等到这些所谓的关键节点再努力,则会悔之晚矣。

有波动并不可怕,只要时刻关注和发现波动,真诚给予人才帮助,共同面对和解决问题,就可以把问题消灭在萌芽阶段。如果由于某些原因的确不可挽回,则不要强人所难,强扭的瓜不甜。

此外,员工离职是正常现象,不应过度关注和责难相关leader/mentor,而更应该本着后续如何更好的帮助员工发展和成长的出发点,来进一步优化工作和发展体验。

Revenue - 如何使技术人才更好实现价值?

在产品研发中,创造营收的模式通常有两种。

一种是「羊毛出在猪身上」的被动模式,利用核心功能不断吸引用户增加流量,利用核心功能无关的功能(例如广告)来进行流量变现,并同时尽可能最小化对用户体验的伤害;另一种是「羊毛出在羊身上」的主动模式,在用户使用产品核心功能的同时产生营收(例如电商),并通过营收的增加进一步提升用户体验。

同样,技术人才实现价值也有两种模式。

被动模式的特点是,「干自己的活,拿应得的钱,公司好坏与我无关」,这里的原因通常是人才在公司中没有发挥的空间和清晰的业务目标,也没有因为业务的发展而得到应得的激励,更谈不上收获足够的「成就感」。与之相反,主动模式的特点是,每位技术人才都肩扛具体业务目标,在具体工作中有足够大的权限和自由度,自身乐于承担更多,一切为了团队和公司发展更好;并且,公司有简单清晰的考核方式,每位人才的收益同个人、团队和公司业务目标的完成情况直接绑定,「成就感」爆棚。

显然,通过主动模式实现价值的技术人才,其个人发展会更顺利,对公司的认同感也会更强。为了实现主动模式,一要目标清晰,二要信任放权,三要利益绑定。做到这三点,技术人才才能更好地实现价值,公司也才能实现更大的价值。

Referral - 如何使优秀人才积极推荐朋友入职?

好产品才有好口碑,而好口碑会通过传播的方式吸引更多的用户。只有好口碑的产品,才是有长久生命力的。对于产品来说,在满足好口碑的前提下,如何通过良好的设计,让忠实用户自发传播,吸引更多的用户,是 Referral 阶段的主要目标。以互联网产品为例,好产品通过社交裂变(分享拼团等)来进行传播吸引更多优质用户,已经被证明是行之有效的方法。

相应地,在吸引优秀技术人才方面,Referral 阶段的目标是使人才积极推荐朋友入职,同样可以借鉴社交裂变的方式来实现这一目标。

一方面,可以通过长期运营精心设计的内推(内部推荐)项目,使得优秀人才在推荐优秀朋友加入一起工作的同时,可以有令人惊喜的收益(例如大额红包或者Google I/O 这样的参会机会);同时,可以借鉴互联网产品的运营思路,通过内推排行榜和内推大奖的方式,来激励更多的技术人才参与到内推项目中来。

另一方面,可以通过 Hack Day、Family Day 和高水平技术沙龙这样的社交活动,邀请优秀技术人才的家人朋友参与到活动中来,使得他们对于公司的定位和优秀的工作环境有第一手的认知,与其建立长期的联系,并不断吸引适合的人才择机加入,实现真正的「社交裂变」。

写在结尾

虽然我们将吸引优秀技术人才的工作分为五个阶段来看,但这五个阶段应该是一个统一的整体,不同阶段的效果会相互影响,在实际操作过程中需要有全局性思维。

由于个人经历的局限,前面文章中的不少观点不免有些主观,且其中的方法更多适合于互联网行业,还希望你多多批评指正。

不过,作为高速发展的行业,互联网人才竞争的激烈程度在所有行业中都名列前茅,其方法论对于其他行业也具备一定的借鉴意义。

并且,借鉴 AARRR 这样的以用户为核心、以产品体验为中心的模型,来运营技术人才的吸引工作,其本质是充分地换位思考,以技术人才的视角来分析他们的需求,使得日常的工作有的放矢且能够不断优化。这一点,在所有的行业,都是通用的。

作者简介:

姚从磊,百炼智能联合创始人兼CTO,致力于利用深度自然语言处理技术,将无结构的公开互联网信息结构化,构建以商业机构和商业人物为核心的知识图谱,服务于各种商业场景。2008年博士毕业于北京大学计算机系“天网”实验室,师从李晓明教授。毕业后,先后在惠普中国研究院、腾讯负责文本挖掘和搜索引擎相关技术和产品研发。2012年加入豌豆荚先后负责技术团队和搜索、营收等业务,主导建设的技术团队成为当时国内最有吸引力和竞争力的团队。2016年加入Kika任CTO,负责AI技术团队打造、输入法AI引擎、语音识别等业务,大幅提升 Kika 的技术实力。

百炼智能
百炼智能

百炼智能是一家提供知识引擎服务的人工智能公司,旨在应用AI技术,把互联网上非结构化的信息,再组织成结构化的知识,提高人们获取知识的效率,并从中受益。

http://bailian.ai/
专栏二维码
产业招聘工程师人力资源
1
相关数据
知识图谱技术

知识图谱本质上是语义网络,是一种基于图的数据结构,由节点(Point)和边(Edge)组成。在知识图谱里,每个节点表示现实世界中存在的“实体”,每条边为实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式。通俗地讲,知识图谱就是把所有不同种类的信息(Heterogeneous Information)连接在一起而得到的一个关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。 知识图谱这个概念最早由Google提出,主要是用来优化现有的搜索引擎。不同于基于关键词搜索的传统搜索引擎,知识图谱可用来更好地查询复杂的关联信息,从语义层面理解用户意图,改进搜索质量。比如在Google的搜索框里输入Bill Gates的时候,搜索结果页面的右侧还会出现Bill Gates相关的信息比如出生年月,家庭情况等等。

语音识别技术

自动语音识别是一种将口头语音转换为实时可读文本的技术。自动语音识别也称为语音识别(Speech Recognition)或计算机语音识别(Computer Speech Recognition)。自动语音识别是一个多学科交叉的领域,它与声学、语音学、语言学、数字信号处理理论、信息论、计算机科学等众多学科紧密相连。由于语音信号的多样性和复杂性,目前的语音识别系统只能在一定的限制条件下获得满意的性能,或者说只能应用于某些特定的场合。自动语音识别在人工智能领域占据着极其重要的位置。

自然语言处理技术

自然语言处理(英语:natural language processing,缩写作 NLP)是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言;自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

文本挖掘技术

文本挖掘有时也被称为文字探勘、文本数据挖掘等,大致相当于文字分析,一般指文本处理过程中产生高质量的信息。高质量的信息通常通过分类和预测来产生,如模式识别。文本挖掘通常涉及输入文本的处理过程,产生结构化数据,并最终评价和解释输出。'高品质'的文本挖掘通常是指某种组合的相关性,新颖性和趣味性。

推荐文章
暂无评论
暂无评论~