猎聘等各大数据平台重新搜寻，或者将招聘要求发至微信朋友圈等待熟人转介绍。这样的场景很常见，但也很低效。如果公司的数据系统足够好，数据量足够大，在系统里能直接搜出很多有用的候选人信息，能找到明确的潜在候选人，这样工作的幸福程度比起不知道打电话联系谁，明显提高了很多。

从公司数据库中，A顾问发现，有一个候选人M从资料来看，非常符合客户的要求。A顾问在公司大群中问了一句，“有谁认识候选人M？”没有人回应，于是A顾问决定亲自面试候选人。约了好几次后，A顾问总算与候选人M认真聊了两个小时，觉得M是非常优秀的候选人，但对自己提供的工作机会确实不感兴趣。A顾问从邀约、路途往返到面谈，花了5个小时以上，最后发现候选人M对客户提供的职位不感兴趣。后来，A顾问跟公司同事聊起这个候选人，意外知道B顾问之前见过候选人M，对候选人M非常了解。A顾问感觉很遗憾，因为复盘这件事，A顾问如果当时就知道B顾问了解候选人M，花上5分钟与B顾问聊一聊，就可能很快判断出候选人M对客户提供的职位不感兴趣，但自己却花费了宝贵的5个小时。

在以上范例中，B顾问见过并了解候选人M，通过B顾问可能获得超越候选人M简历信息的深度数据。如果A顾问能够很快知道并找到B顾问来了解候选人M的情况，这就叫精准协同。深度数据与精准协同的缺失，往往导致企业内部知识及经验的浪费。很多时候，分散的个体知识与经验的浪费是企业最大的浪费。

深度数据的基本维度猎聘等各大数据平台重新搜寻，或者将招聘要求发至微信朋友圈等待熟人转介绍。这样的场景很常见，但也很低效。如果公司的数据系统足够好，数据量足够大，在系统里能直接搜出很多有用的候选人信息，能找到明确的潜在候选人，这样工作的幸福程度比起不知道打电话联系谁，明显提高了很多。

从公司数据库中，A顾问发现，有一个候选人M从资料来看，非常符合客户的要求。A顾问在公司大群中问了一句，“有谁认识候选人M？”没有人回应，于是A顾问决定亲自面试候选人。约了好几次后，A顾问总算与候选人M认真聊了两个小时，觉得M是非常优秀的候选人，但对自己提供的工作机会确实不感兴趣。A顾问从邀约、路途往返到面谈，花了5个小时以上，最后发现候选人M对客户提供的职位不感兴趣。后来，A顾问跟公司同事聊起这个候选人，意外知道B顾问之前见过候选人M，对候选人M非常了解。A顾问感觉很遗憾，因为复盘这件事，A顾问如果当时就知道B顾问了解候选人M，花上5分钟与B顾问聊一聊，就可能很快判断出候选人M对客户提供的职位不感兴趣，但自己却花费了宝贵的5个小时。

在以上范例中，B顾问见过并了解候选人M，通过B顾问可能获得超越候选人M简历信息的深度数据。如果A顾问能够很快知道并找到B顾问来了解候选人M的情况，这就叫精准协同。深度数据与精准协同的缺失，往往导致企业内部知识及经验的浪费。很多时候，分散的个体知识与经验的浪费是企业最大的浪费。

深度数据的基本维度从猎头业务营运协同的角度看，高效的协同必须基于共同的IT系统（微信群只能起到便捷沟通的辅助作用），系统中的候选人简历数据大体只是基于事实的“中性”数据。深度数据，总体而言，是由系统用户提供的“偏主观”的数据。深度数据的内容大致分为两个方面：一个是关于用户身份的数据，另一个是关于用户知识、经验、技能的数据。

用户身份数据可深可浅：“浅”的信息，可以只是姓名、籍贯、所在单位、基本社会关系、联系方式等客观信息；“深”的信息，可以延伸到爱好、对人对事的见解、对自己的评价等，甚至是一个关于自己的简要视频介绍。由用户身份数据可以便捷地获取关于用户的较全面的信息，对不熟悉的用户之间快速建立连接甚至是信任会有很大的帮助。

用户经验数据，大体按照CCSFILL的思路架构，在系统中积累并分享相应的深度数据：

C1——候选人（Cadidate）知识：认识哪些候选人？对他/她的了解程度及关系程度如何？类似于FMC ERP系统的人际关系参数及人才分类备注，既可以支持知识共享，也可以作为顾问盘点自己候选人积累深度的标尺。

C2——客户（Cliet）知识：跟哪些公司接触过？跟哪些公司签过合同？跟哪些公司做过业务？……

S——技能（Skills）：有哪些擅长的技能？比如，擅长网络搜索、擅长打电话拓展客户、擅长制作PPT等。从猎头业务营运协同的角度看，高效的协同必须基于共同的IT系统（微信群只能起到便捷沟通的辅助作用），系统中的候选人简历数据大体只是基于事实的“中性”数据。深度数据，总体而言，是由系统用户提供的“偏主观”的数据。深度数据的内容大致分为两个方面：一个是关于用户身份的数据，另一个是关于用户知识、经验、技能的数据。

用户身份数据可深可浅：“浅”的信息，可以只是姓名、籍贯、所在单位、基本社会关系、联系方式等客观信息；“深”的信息，可以延伸到爱好、对人对事的见解、对自己的评价等，甚至是一个关于自己的简要视频介绍。由用户身份数据可以便捷地获取关于用户的较全面的信息，对不熟悉的用户之间快速建立连接甚至是信任会有很大的帮助。

用户经验数据，大体按照CCSFILL的思路架构，在系统中积累并分享相应的深度数据：

C1——候选人（Cadidate）知识：认识哪些候选人？对他/她的了解程度及关系程度如何？类似于FMC ERP系统的人际关系参数及人才分类备注，既可以支持知识共享，也可以作为顾问盘点自己候选人积累深度的标尺。

C2——客户（Cliet）知识：跟哪些公司接触过？跟哪些公司签过合同？跟哪些公司做过业务？……

S——技能（Skills）：有哪些擅长的技能？比如，擅长网络搜索、擅长打电话拓展客户、擅长制作PPT等。F——职能（Fuctio）：关于具体职能（如财务、营销、HR等）的知识及做单经验。

I——行业（Idustry）：关于具体行业（如房地产、半导体、互联网等）的知识及做单经验。

L1——地域（Locatio）：关于具体地域（如华东、西南等）的公司及候选人知识等。

L2——级别（Level）：主要定位什么级别的职位，如年薪50万元以上、100万元以上、个人平均收费等。

精准协同的基本要点

具备了用户身份数据及知识、经验、技能数据这样的基础，就可以逐步进入精准协同的良性循环。以下几个要点，对促进这样的良性循环会很有帮助。

1.动态完善与更新的顾问画像：每个顾问使用系统的习惯、偏好不同，完整的顾问画像（用户数据与经验数据的组合）需要一步一步地推进。可以以顾问个人主页的方式，设定相对稳定的标准框架，然后以拼图积累的方式逐步完善。

2.顾问自述数据与系统算法数据并重：比如，擅长哪些职能的职位，可以由顾问描述，也可以通过用户在系统上的实际行为来推算。双轨并行，顾问画像会越来越精准。

3.系统推荐基础上的个人选择：定向合作时，比如，为客户的某F——职能（Fuctio）：关于具体职能（如财务、营销、HR等）的知识及做单经验。

I——行业（Idustry）：关于具体行业（如房地产、半导体、互联网等）的知识及做单经验。

L1——地域（Locatio）：关于具体地域（如华东、西南等）的公司及候选人知识等。

L2——级别（Level）：主要定位什么级别的职位，如年薪50万元以上、100万元以上、个人平均收费等。

精准协同的基本要点

具备了用户身份数据及知识、经验、技能数据这样的基础，就可以逐步进入精准协同的良性循环。以下几个要点，对促进这样的良性循环会很有帮助。

1.动态完善与更新的顾问画像：每个顾问使用系统的习惯、偏好不同，完整的顾问画像（用户数据与经验数据的组合）需要一步一步地推进。可以以顾问个人主页的方式，设定相对稳定的标准框架，然后以拼图积累的方式逐步完善。

2.顾问自述数据与系统算法数据并重：比如，擅长哪些职能的职位，可以由顾问描述，也可以通过用户在系统上的实际行为来推算。双轨并行，顾问画像会越来越精准。

3.系统推荐基础上的个人选择：定向合作时，比如，为客户的某个具体职位寻找候选人或尝试向客户主动推荐一个高潜力候选人时，系统会基于用户画像推荐相关度最高的顾问，在具体项目的负责顾问被选择和确认后，再知会和邀请相关度较高的顾问来协同合作。

4.常设组合与专项组合并行：在业务交集较大的顾问之间，可以基于系统形成常设的协同小组，便于他们高效协同。对特定项目可以按需专项临时组合。

5.私密评估，权重优化：顾问可以对其他顾问，以及具体的合作单子进行匿名的协同满意度评价，评价结果将影响以后两者之间系统推荐的权重因子。

“深度数据与精准协同”的理想状态

在用户身份数据、用户经验数据、精准协同机制较为完善的前提下，同一平台的顾问协同有可能一步一步地接近以下理想状态。

1.单边机会兑现率提升：手里有单边资源（客户或候选人）的顾问，将单边机会的核心参数在系统中明确后，系统将分析单边机会的内容，与顾问画像进行匹配，向用户推荐可以在该机会上进行合作的潜在顾问。顾问选择合作伙伴，自动根据机会线索建立一个合作群，进行线上沟通交流。

2.快速切入潜在客户：基于系统信息快速定位哪些顾问跟这个潜在客户打过交道，认识这个公司中的哪些人，跟他们的关系程度如何，从而精准地连接能够提供支持的顾问。

3.快速连接潜在候选人：基于系统信息精准了解哪些顾问认识潜个具体职位寻找候选人或尝试向客户主动推荐一个高潜力候选人时，系统会基于用户画像推荐相关度最高的顾问，在具体项目的负责顾问被选择和确认后，再知会和邀请相关度较高的顾问来协同合作。

4.常设组合与专项组合并行：在业务交集较大的顾问之间，可以基于系统形成常设的协同小组，便于他们高效协同。对特定项目可以按需专项临时组合。

5.私密评估，权重优化：顾问可以对其他顾问，以及具体的合作单子进行匿名的协同满意度评价，评价结果将影响以后两者之间系统推荐的权重因子。

“深度数据与精准协同”的理想状态

在用户身份数据、用户经验数据、精准协同机制较为完善的前提下，同一平台的顾问协同有可能一步一步地接近以下理想状态。

1.单边机会兑现率提升：手里有单边资源（客户或候选人）的顾问，将单边机会的核心参数在系统中明确后，系统将分析单边机会的内容，与顾问画像进行匹配，向用户推荐可以在该机会上进行合作的潜在顾问。顾问选择合作伙伴，自动根据机会线索建立一个合作群，进行线上沟通交流。

2.快速切入潜在客户：基于系统信息快速定位哪些顾问跟这个潜在客户打过交道，认识这个公司中的哪些人，跟他们的关系程度如何，从而精准地连接能够提供支持的顾问。

3.快速连接潜在候选人：基于系统信息精准了解哪些顾问认识潜在候选人，跟他的关系如何，从而借助同事对候选人现有的了解和与候选人的关系，快速而精准地连接潜在候选人。

4.快速精准地寻求帮助与支持：需要特定支持时，基于用户身份数据、用户经验数据，通过系统推荐快速、精准地了解到谁可以帮忙，而非简单地在微信群里寻求支持。

5.借力成长文化的良性循环：“深度数据与精准协同”使协同成本极大地降低。随着大家在协同中彼此借力，互促成长的收益增加，整个组织进入借力成长文化的良性循环。

达成路径及难点分析

很多时候，我们之所以不想协同，不是因为协同不好，而是因为协同的成本太高、协同体验太差……从“大数据与泛协同”到“深度数据与精准协同”，屏蔽更多似是而非的协同杂音，做到精准协同，协同成本会降低，协同体验会更好。以上所描述的思路，从理论上看技术难度不大，达成的效果也很好，但实现起来未必容易。下面简要分析“深度数据与精准协同”的达成路径及相应难点：

1.基于远见的耐心：组织最大的浪费，往往是知识、经验的浪费。在有结果才付费的生意模式下，通过精准协同，在尽可能大的范围内去兑现单边机会，将是猎头业务模式的终极出路。持守这种方向性的远见，更容易在过程中，尤其是遇到挑战和障碍时保持耐心。

2.基于效果的框架拼图，小步快跑：有了精准协同的前提，理论上看，协同的范围越大，兑现单边机会的可能性就越高。但参与的人在候选人，跟他的关系如何，从而借助同事对候选人现有的了解和与候选人的关系，快速而精准地连接潜在候选人。

4.快速精准地寻求帮助与支持：需要特定支持时，基于用户身份数据、用户经验数据，通过系统推荐快速、精准地了解到谁可以帮忙，而非简单地在微信群里寻求支持。

5.借力成长文化的良性循环：“深度数据与精准协同”使协同成本极大地降低。随着大家在协同中彼此借力，互促成长的收益增加，整个组织进入借力成长文化的良性循环。

达成路径及难点分析

很多时候，我们之所以不想协同，不是因为协同不好，而是因为协同的成本太高、协同体验太差……从“大数据与泛协同”到“深度数据与精准协同”，屏蔽更多似是而非的协同杂音，做到精准协同，协同成本会降低，协同体验会更好。以上所描述的思路，从理论上看技术难度不大，达成的效果也很好，但实现起来未必容易。下面简要分析“深度数据与精准协同”的达成路径及相应难点：

1.基于远见的耐心：组织最大的浪费，往往是知识、经验的浪费。在有结果才付费的生意模式下，通过精准协同，在尽可能大的范围内去兑现单边机会，将是猎头业务模式的终极出路。持守这种方向性的远见，更容易在过程中，尤其是遇到挑战和障碍时保持耐心。

2.基于效果的框架拼图，小步快跑：有了精准协同的前提，理论上看，协同的范围越大，兑现单边机会的可能性就越高。但参与的人