因为经营指标最终需要由具体岗位和团队动作推动，招聘如果脱离业务结果，就很容易只围绕学历、年限和工具关键词筛选。把两类数据结合，并不是把候选人简单打分，而是先从业务目标倒推岗位任务，再用面试证据和入职结果验证画像。例如销售额增长但贡献毛利下降时，真正需要的可能是利润分析和商品策略能力，而不一定是更多泛运营人员。这样可以减少错招、重复招聘和岗位目标模糊的问题。

你的担心是合理的。GMV只能说明结果规模，不能自动说明候选人的个人贡献和方法质量。评估时应继续追问候选人负责的范围、使用的资源、当时的约束、关键判断和失败复盘，并结合岗位当前阶段判断是否可迁移。对于潜力候选人，可以使用案例作业、结构化问题和阶段性试用目标观察其分析方法，而不是要求其必须复制过去的绝对数字。数据的作用是增加证据，不是取消人的判断。

在这个主题中，我更建议先把E数通放在数据整合、指标呈现、筛选下钻和经营协作的位置进行评估，优先解决手工拼表、口径分散和复盘难复用的问题。先选择一个主题做最小闭环，例如渠道效率或商品利润，再将招聘漏斗和岗位需求作为另一个可关联主题。是否进一步做预测模型，要看数据是否稳定、样本是否充分以及团队是否有解释和复核能力。本文中的E数通案例与数字均为示例，不代表官方承诺或真实客户数据。

可以从岗位未来90天的结果开始拆解：这个人要改变什么指标，完成哪些关键任务，拥有哪些权限，需要和谁协作。然后把抽象词换成可观察证据，例如让候选人讲清一次预算调整、库存异常或活动复盘的背景、个人责任、判断步骤、行动与结果，并追问当时的数据口径和限制。评分时将必须项、加分项和可培养项分开，保留具体证据与不确定性，不用一个总分掩盖关键短板。

我会把招聘漏斗拆成来源、阶段转化、耗时和入职后质量四个方向。比如简历很多但初面通过率低，可能是渠道定位或职位描述有问题；初面通过但作业完成率低，可能是流程体验、任务难度或候选人意愿问题；录用后试用期达标率低，则要回看评估标准、岗位资源和用人经理反馈。招聘周期是结果指标之一，不能替代质量指标。分析时还要按岗位、渠道和时间段分组，避免用一个平均值掩盖差异。

确实存在这种风险，因此自动化评分不能直接成为拒绝或录用的唯一依据。首先只收集与岗位相关且必要的信息，限制访问角色和保留周期；其次记录指标来源、评分逻辑和人工复核规则，不使用与工作无关的敏感特征；再次定期检查不同渠道和群体的通过率是否出现无法解释的差异。候选人的个人经历、评价和联系方式应按照适用的隐私与劳动法规谨慎处理，企业还应向相关人员说明数据用途，并保留纠错与申诉机制。

可以从小范围开始，但要降低结论强度。先选一个关键岗位和一个经营主题，使用能够核验的少量数据建立指标字典，记录数据来源和缺失情况，再用结构化面试和阶段任务补充定量信息。比如先跟踪招聘来源、各阶段转化、入职30天任务完成度与用人经理反馈，而不是一开始预测长期绩效。数据不足时明确写出限制，采用趋势和对照观察，持续积累样本。可靠性来自口径透明、过程可复盘和错误可修正，不来自系统名称或模型复杂度。