
实用的招聘人员候选人数据库应从一个可靠信号开始:薪酬。在 Fort McMurray,据报道,技工时薪已升至每小时超过 60 美元,工程师薪资也达到每小时超过 65 美元。这种“市场顶端”薪酬可能会影响加拿大各地候选人的期望。本指南将介绍如何把这些基准转化为可运行的数据库系统:应存储哪些字段、如何在不制造噪音的情况下合规开展免费简历搜索,以及StrategyBrain AI Recruiter如何自动执行 LinkedIn 外联、跟进和简历收集,让数据库保持最新。本文涵盖数据库结构和人才搜寻运营,不提供法律建议,也不预测大宗商品周期。
为什么薪资信号应纳入候选人数据库
大多数招聘人员数据库失败的原因只有一个:它们记录了“是谁”,却没有记录“为什么是现在”。薪酬和生活成本是促使候选人换工作、搬迁或停止回复的两个最快变化的原因。
当某个地区引领薪资增长时,它就会成为候选人交流中的参考点。我曾在筛选电话中看到这种情况:候选人引用的不是全国平均水平,而是他们认为最佳雇主支付的薪资,然后以此为基础进行谈判。
因此,与其把薪资当作消息线程中的备注,不如将其存储为结构化数据。这样一来,你的数据库就可以搜索、分组,并用于开展更具相关性而非千篇一律的外联。
可以作为数据存储的 Fort McMurray 基准
启发这一工作流程的原始文章是一封致谢信,写给在 Fort McMurray 及其周边地区和油砂地区工作的人们,其中包含一些可用作招聘参考的具体薪资和住房数据。
提到的薪资基准
- 技工时薪:每小时超过 60 美元。
- 工程师薪资:每小时超过 65 美元。
- 阿尔伯塔省政府公布的机械工程师时薪中位数:每小时 67.31 美元。
- APEGA公布的阿尔伯塔省拥有 5 至 10 年经验的工程师2017 年薪资:每年超过 138,000 美元。
- Suncor列出的技工岗位薪资,适用于管道工、燃气安装工、机械师、维修钳工、木匠、焊工、起重机操作员、蒸汽管道安装工、制冷与空调技师以及油漆工等岗位:每小时 62.07 至 68.38 美元。
提到的住房成本基准
- Fort McMurray 的一居室公寓平均租金:1,350 美元。
- 多伦多的一居室公寓平均租金:1,762 美元。
- 温哥华的一居室公寓平均租金:1,897 美元。
如何在不过度推断的情况下将这些数字用于数据库
不要把这些数字视为适用于每位雇主或每位候选人的普遍事实。应将其视为沟通参考点和分组输入。实际操作中,我会将其作为带有来源标签和日期的“市场参考”记录存储,然后在数据库中将其关联到岗位和地点。
适用于招聘人员的候选人数据库架构
招聘人员候选人数据库的质量取决于字段设置。如果无法快速筛选,你就会默认群发消息,回复率也会下降。
候选人核心字段
- 身份信息:全名、所在地、时区、首选语言。
- 岗位匹配度:主要工种或专业、资历级别、证书、设备或工厂经验。
- 薪酬:当前薪资类型、目标薪资、可接受的最低薪资、货币和薪资单位。
- 流动性:是否愿意搬迁、轮班偏好、出差限制。
- 可入职时间:以天数计的通知期、最早入职日期。
- 互动情况:上次联系日期、上次回复日期、状态、下次跟进日期。
- 同意与来源:简历来源、同意状态和数据保留日期。
市场参考字段(大多数团队会忽略的部分)
- 市场参考名称:例如“Fort McMurray 技工薪资范围”。
- 数值:例如“每小时 62.07 至 68.38 美元”。
- 地区:加拿大阿尔伯塔省 Fort McMurray。
- 来源:雇主引用、协会引用或政府引用。
- 来源年份:例如 APEGA 数据对应的 2017 年。
- 备注:适用的岗位以及不涵盖的内容。
实用模板:我在外联前使用的“5 个筛选条件”
- 岗位匹配:必须匹配 1 个主要岗位类别。
- 地点逻辑:本地、搬迁或轮班安排必须明确。
- 薪资匹配:目标薪资必须在获批范围内。
- 时效性:上次活动应在 180 天内,或有明确的重新互动理由。
- 同意:根据你的政策和适用法律,允许开展外联。
方法一:通过 AI Recruiter 的 LinkedIn 外联建立数据库
如果你的数据库规模不足或信息陈旧,重建数据库最快的方法就是把外部沟通转化为结构化记录。这正是StrategyBrain AI Recruiter能够自然融入工作流程的地方:它可以自动执行 LinkedIn 招聘中的重复性工作,同时让招聘人员掌控最终资格评估。
AI Recruiter 在此工作流程中的作用
- 自动与符合搜索条件的候选人建立联系。
- 介绍职位机会,并根据你提供的信息回答有关岗位、公司和薪酬的问题。
- 全天候跟进,并可使用候选人的母语进行沟通。
- 从感兴趣的候选人处收集简历和联系方式,并标记简历已收到。
- 通过支持管理 100 多个 LinkedIn 账户,满足团队规模化需求,适用于大批量招聘运营。
步骤
- 定义搜索条件:岗位类别、地点、资历和必备技能。
- 准备薪酬说明:包括薪资单位和范围,以及可以分享的轮班或住房支持详情。
- 开展外联,并让 AI Recruiter 处理首次沟通:建立联系、介绍、问答和跟进。
- 采集结构化数据:简历接收状态、联系方式、兴趣程度和下一步行动。
- 由招聘人员审核和评估资格:AI Recruiter 不会决定最终匹配度。你需要审核简历,然后推进面试安排。
我们会提前考虑的局限
- 最终资格评估仍由人工完成:AI Recruiter 能识别候选人是否愿意继续推进,但不能完成全面的技术匹配。
- 输入信息很重要:如果你提供的薪酬或岗位详情含糊不清,候选人的问题就会暴露这些信息缺口。
- 需要符合内部政策:你仍需制定关于同意、数据保留和消息语气的内部规则。
最适合
- 需要通过可重复的方式,利用外联带来的新主动投递简历,持续更新招聘人员免费简历数据库的招聘人员。
- 跨时区招聘并受益于全天候多语言候选人沟通的团队。
- 高量级 LinkedIn 人才搜寻场景,其中跟进一致性是瓶颈。
方法二:使用质量筛选器开展免费简历搜索
招聘人员经常寻找免费简历搜索,原因可能是预算有限,也可能是希望在购买付费工具前验证市场。风险在于,如果没有应用一致的筛选标准,“免费”很快就可能变成“低信号”,即有效信息不足。
步骤
- 定义最低可行候选人画像:3 项必备技能、1 项优先资质和 1 项不可接受条件。
- 使用精确查询进行搜索:岗位加地点,再加 1 项硬技能。
- 只提取有充分理由存储的信息:在需要时,须取得同意后再保存简历、工作经历和联系方式。
- 统一职位名称:将“蒸汽管道安装工”和“管道安装工”归入你的岗位分类体系。
- 标记薪酬期望:如果候选人提到市场顶端薪资,应将其存储为结构化备注。
质量筛选清单
- 时效性:上一个岗位的结束日期在 24 个月内,或有明确说明。
- 具体性:提及设备、工厂类型或项目范围,而非只有笼统职责。
- 流动性明确:说明搬迁或轮班偏好。
- 可联系性:至少有 1 种可靠的联系方式。
StrategyBrain AI Recruiter 如何融入
通过免费简历搜索确定候选人初选名单后,AI Recruiter 可以接管重复性的 LinkedIn 步骤:建立联系、介绍机会、回答问题,以及收集更新后的简历和联系方式。这样,一次性搜索就能转化为持续刷新数据库的循环。
方法三:将主动投递的简历转化为可搜索数据库
主动投递的简历很有价值,但它们常常被困在电子邮件线程和附件中。目标是将其转化为结构化记录,以便按岗位、地点、薪资和可入职时间进行搜索。
步骤
- 集中接收:使用一个邮箱或一个简历提交表单。
- 解析为字段:岗位类别、证书、地点和日期。
- 附加原始文件:保留简历作为原始依据。
- 设定跟进规则:在收到简历后的 14 天内安排下一次联系。
- 通过外联刷新信息:使用 AI Recruiter 在 LinkedIn 上重新联系候选人,并在需要时请求更新后的简历。
最适合
- 主动投递量稳定、需要更好搜索和分组功能的团队。
- 希望利用真实参考数据开展薪酬沟通的招聘人员。
快速比较:填充候选人数据库的三种方式
| 方法 | 获得首批可用候选人的速度 | 成本特征 | 最适合 |
|---|---|---|---|
| 使用 StrategyBrain AI Recruiter 开展 LinkedIn 外联 | 设定好条件和消息后速度快 | 基于工具,取决于你的方案和 LinkedIn 设置 | 通过持续外联和跟进保持数据库更新 |
| 使用质量筛选器进行免费简历搜索 | 中等,取决于搜索范围和数量 | 直接成本低,但时间成本较高 | 验证市场并建立初始候选人名单 |
| 将主动投递简历接收至结构化数据库 | 中等,效果会随时间改善 | 低至中等,取决于解析和存储方式 | 主动申请者来源稳定的组织 |
运营规则:隐私、同意与数据卫生
数据库质量不仅取决于人才搜寻,也取决于信任。候选人会注意招聘人员是否妥善处理数据,或是否发送不相关的消息。
防止数据库衰退的数据卫生规则
- 每周去重:根据电子邮箱、电话和 LinkedIn 个人资料标识符合并记录。
- 使过时记录失效:设定数据保留日期,并在重新联系前进行审核。
- 记录每次互动:上次联系日期和结果必须设为必填字段。
- 区分“感兴趣”和“符合资格”:有兴趣不等于匹配度高,你的候选人流程应体现这一点。
AI Recruiter 用户的安全与合规说明
StrategyBrain AI Recruiter 表示,其符合欧盟、美国和加拿大的隐私法规,并且客户提供的数据不会用于训练 AI 模型。该产品还表示,LinkedIn 账户凭据经过加密,并在获得明确授权的情况下按用户独立存储。请将这些内容视为产品实施方面的声明,并根据你的内部安全审查流程进行验证。
常见问题
什么是招聘人员候选人数据库?
招聘人员候选人数据库是一种结构化系统,用于存储候选人资料、简历和互动历史,以及岗位、地点和薪酬等可搜索字段,从而高效地寻找和重新联系候选人。
招聘人员免费简历数据库现实可行吗?
对于早期人才搜寻来说,如果采用严格的质量筛选并投入时间进行标准化,这是可行的。由于时间最终会成为限制性成本,大多数团队最终会增加自动化工具或付费数据源。
如何开展免费简历搜索而不向候选人发送垃圾信息?
从精确查询开始,只存储相关字段,并且只有在你拥有与候选人资料和薪资期望相匹配的岗位时才联系候选人。跟踪同意状态和外联结果,避免反复联系不感兴趣的人。
StrategyBrain AI Recruiter 如何帮助建立数据库?
AI Recruiter 可以自动执行 LinkedIn 联系请求、首次外联、关于岗位和薪酬的问答、跟进以及简历收集。这样就能将沟通转化为可存储和搜索的结构化记录。
AI Recruiter 会取代招聘人员筛选吗?
不会。AI Recruiter 可以识别候选人的兴趣,并收集简历和联系方式,但不会判断简历是否完全符合岗位要求。最终资格评估仍由招聘人员完成。
应如何在数据库中存储薪酬数据?
将薪酬存储为包含单位和货币的结构化字段,并添加来源备注。对于市场参考数据,应记录地区、数值、来源标签和年份,以便在沟通中准确引用。
为什么要在招聘人员数据库中纳入住房成本?
住房成本会影响搬迁决定和对实际到手收入的感受。存储参考数据有助于招聘人员在候选人比较 Fort McMurray、多伦多和温哥华等城市时解释其中的权衡。
开始使用时至少需要哪些字段?
至少应存储岗位类别、地点、联系方式、上次联系日期、状态和简历附件。接下来应添加薪酬和流动性字段,因为它们会直接影响回复率和转化率。
应该多久刷新一次候选人数据库?
对于正在招聘的岗位,应通过外联和主动投递处理每周刷新一次。对于长期人才储备,至少每 90 天刷新一次,确认候选人的可用性、地点和薪资期望。
结论
如果你希望建立一个招聘人员真正会使用的候选人数据库,就应将薪酬视为一级数据。上文引用的 Fort McMurray 数据清楚地说明了一个领先的高薪市场如何影响其他地区候选人的期望。设计数据库架构时,应确保可以按薪资、地点和流动性进行搜索,然后根据自身限制选择填充策略:使用免费简历搜索进行验证,使用主动投递解析应对稳定流量,使用 StrategyBrain AI Recruiter 持续开展 LinkedIn 外联、跟进和简历收集。
下一步:选择一个岗位类别,在数据库中实施“5 个筛选条件”,并运行为期两周的刷新周期。如果跟进是你的瓶颈,可以先在一个 LinkedIn 账户上试用 AI Recruiter,待消息内容和合规检查稳定后再扩大规模。















