# HR領域的AI不是聯合利華（Unilever）的專利，是中小企業的機會

> 從聯合利華到中小企業：4週內複製企業級工作流程，每月只需€500

Source: https://www.electe.net/tc/post/l-ai-in-hr-non-roba-da-unilever-roba-da-pmi

Site guide: https://www.electe.net/tc/llms.txt

每週，在與歐洲各地企業交談時，我都會聽到同樣的話：
**「HR AI是給大公司用的。我們又不是聯合利華。」**

這是一個代價高昂的迷思。

現實是：讓大企業每年省下數百萬的模式，如今中小企業用**每月€100-500**就能複製，只需搭配免費增值工具、一些自動化流程，以及企業自身早已擁有的數據。

## **企業與中小企業：差距比想像中小得多**

聯合利華每年用AI處理25萬份應徵資料，節省€100萬。
一家50人的新創公司在內部導入一個小型自動化工作流程，每月投資€100-200，每週便能節省10-15小時。

不需要企業級技術，需要的是邏輯：自動化、標準化、預測。

_（以上是DIY實作所需的軟體授權費用。實際建置需要一次性投入20-100小時的內部工作時間，視複雜度而定。）_

## 數據證實了這一點

萬事達卡（Mastercard）透過其AI人才市場平台創造了2,100萬美元的收益。
但中小企業同樣能透過每月€20的Zapier自動化流程，將篩選時間縮短75%。
開源模型（隨機森林、XGBoost）僅使用HRIS數據，就能在離職率預測上達到85-95%的準確率。

## 導入門檻：大幅降低

如今HR領域的AI可以從€0開始：

- 履歷解析 → 免費
- 預測模型 → 開源
- 自動化流程 → Zapier/Make，每月€20起
- ATS應徵者追蹤系統 → 免費增值

只需投入20-40小時內部建置時間，中小企業就能打造出一套系統：

- 消除每週15-20小時的手動作業
- 在員工離職前就找出高風險人員
- 將招募時程縮短40-60%

_複雜度在下降，機會卻在增加。_

## 📊 實際案例：倫巴底大區製造業中小企業（120名員工）

一個DIY預測模型找出了3名HR完全沒有察覺的高風險員工。針對其中2人採取行動後，該公司避免了€9萬的離職成本。第一年總投資：€5,000。投資報酬率：1,700%。

具體建置流程（3週）：

- 匯出HRIS歷史數據（3年）：加班時數、薪資、最近一次升遷、滿意度調查、離職數據
- 以過去180筆離職紀錄與300名在職員工數據訓練隨機森林模型
- 最具預測力的變數：每週加班超過12小時、超過3年未獲升遷、滿意度分數低於6/10

結果：模型標記出3名6個月內離職機率超過85%的員工。
其中兩人完全沒有表現出任何明顯的風險徵兆（「已穩定任職8年以上，沒有任何不滿跡象」）。

標記後的人工分析：

- 員工A：持續加班（每週15小時）+ 4年未獲升遷 → 已收到外部工作邀約
- 員工B：薪資低於市場水準18% + 滿意度5/10 → 正積極瀏覽LinkedIn求職
- 員工C：已決定離職以展開新的職涯方向 → 該決定在離職面談中獲得證實

介入措施：加薪 +12%（A 和 B）+ 書面職涯規劃 + 減少加班。
A 和 B 已成功留任。**C 無法被留任。**

_「我們的 HRIS 裡已經有這些數據好幾年了。一位數據分析師花了 8 小時提取 CSV 並執行 Python 腳本。價值不在於複雜的技術，而在於審視我們已經擁有的數據。」— HR 經理_

問題不是「我們負擔得起嗎？」問題是：你有 20-40 小時來實施它嗎？如果有，回報幾乎是有保證的——不論規模大小。

## 中小企業如何複製企業級 AI（不需要企業級預算）

**拆解 Unilever 的工作流程：每個步驟實際發生了什麼**

Unilever 針對 Future Leaders Programme 的 AI 招募流程是業界的黃金標準。該流程於 2016 年推出，將招募時間從 4-6 個月縮短至 4 週，每年處理 180 萬份申請，對應 30,000 個職缺。

### 步驟 1 → 透過 LinkedIn 申請（10-15 分鐘）

候選人直接連結 LinkedIn 個人檔案，無需傳統履歷。這項選擇將人才庫從 840 所擴大到 2,600 所大學。

### 步驟 2 → Pymetrics 遊戲（20-30 分鐘）

12 款神經科學遊戲測量 91 種認知與情緒特質：注意力、決策能力、風險承受度、情緒辨識、韌性。系統將個人檔案與頂尖表現者的基準進行比對。98% 的候選人完成這個階段（相較於傳統方式的 50%）。

### 步驟 3 → HireVue 視訊面試（30 分鐘）

非同步視訊。自 2021 年起取消臉部分析：預測力低（0.25%-4%）且存在偏見。
AI 僅分析語意內容和說話模式。可篩選掉高達 80% 的候選人。

### 步驟 4 → Discovery Center Day

25 萬份申請中的 3,500 名決賽者。每年錄取 800 人。

**已記錄的成果：**
招募人員時間 -75%，每年節省 £1M，勞動力多元性 +16%，達成性別平等，錄取接受率從 64% 提升至 82% ✅

_人工智慧揭示了任何人工流程都無法發現的連結、機會和路徑。曾經隱藏的事物變得顯而易見。_

## 2. 內部人才市場背後的技術

內部人才市場（Internal Talent Marketplace）是內部人才流動 AI 中最進階的形式。
Gloat 透過動態本體論，從自我回報、工作經歷和市場信號中蒐集技能資料。

**Mastercard「Unlocked」案例**
成果：節省 $2100 萬美元，釋放 90 萬工時，62% 採用率，滿意度 +80%，留任率 +30%。

**Schneider Electric「Open Talent Market」案例**
2 個月內達成 60% 採用率，釋放 36 萬工時，節省超過 $1500 萬美元，NPS 60。

## 3. 真正能預測離職率的變數

IBM Watson 模型使用 35 個變數。

最具預測性的變數：

- OverTime
- JobSatisfaction
- YearsSinceLastPromotion
- MonthlyIncome
- JobInvolvement

📊 **典型準確率:**

- Random Forest: 84-87%
- XGBoost/CatBoost: 85-95%
- Logistic Regression: 75-80%

`import pandas as pd`
`from sklearn.model_selection import train_test_split`
`from sklearn.ensemble import RandomForestClassifier`

`# 載入 IBM HR Analytics 資料集(Kaggle 上免費取得)`
`df = pd.read_csv('IBM-HR-Attrition.csv')`
`y = df['Attrition'].map({'Yes': 1, 'No': 0})`
`X = pd.get_dummies(df.drop('Attrition', axis=1))`

`# Train model`
`X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)`
`rf = RandomForestClassifier(n_estimators=40)`
`rf.fit(X_train, y_train)`

`# 前 5 個預測變數`
`importances = pd.Series(rf.feature_importances_, index=X.columns)`
`print(importances.nlargest(5))`

這段程式碼可在 Google Colab 上免費執行。典型輸出:MonthlyIncome、OverTime、Age、TotalWorkingYears、YearsAtCompany 為主要預測因子。

## 工具經濟學:從 €0 到 €500/月(DIY)

HR 領域 AI 工具的版圖已經民主化。**對於內部自行導入者**而言,入門投資已從 5 萬歐元以上驟降至 0-500 歐元/月。這些是需要自行設定的軟體工具成本,而非交鑰匙服務。

**免費增值方案組合(0 歐元/月 - 自主設定):**

- ATS: Breezy HR(免費方案 1 個職缺)
- 視訊面試: myInterview(基本版免費)
- 評估工具: TestGorilla(延長免費試用)
- 履歷解析: pyresparser(開源)
- 預測模型: Python + scikit-learn(開源)
- 分析工具: Google Sheets + 範本

**10-50 名員工的中小企業方案組合(100-300 歐元/月 - 內部導入):**

- LinkedIn Recruiter Lite: 170 歐元/月
- Zapier/Make: 20 歐元/月(需要設定工作流程)
- pyresparser: 免費
- Python 模型: 免費(需要基本 Python 技能)

**50-200 名員工的中小企業方案組合(500-1,500 歐元/月 - 內部團隊):**

- 完整 ATS: 200-400 歐元/月(設定 + 維護)
- 評估平台: 150-300 歐元/月
- 分析儀表板: 100-200 歐元/月
- 進階自動化: 50-100 歐元/月

**重要說明:**這些預算是**軟體授權成本**,不包含導入時間。需要基本技能(設定 Zapier、執行 Python 腳本、閱讀 API 文件)。對於 10-50 名員工的企業:初期設定需要 20-40 小時工作量。對於 50-200 名員工:需要 60-100 小時,分散於 4-8 週內完成。

優勢在於:一旦導入完成,維護成本極低(每月 2-5 小時),投資報酬率是永久性的。

## 快速見效方案 #1:1 天內實現自動履歷篩選

結合無程式碼工具(Zapier)與簡單的 Python 腳本,可在 6-8 小時內實現自動履歷解析。

**方案 A:僅使用 Zapier(無需程式設計,2-3 小時)**

不需撰寫程式碼的完整流程:

1. **觸發條件:**收到附件於 _hr@electe.net_ 的新郵件
2. **動作:**Zapier Parser 自動從履歷中提取資料(姓名、電子郵件、電話、技能)
3. **動作:**在 Google Sheet 中建立包含提取資料的新列
4. **動作:**透過 Slack 通知招募人員:「收到新履歷:\[姓名\] - \[技能\]」
5. **動作:**將候選人加入電子郵件序列(例如:「感謝您,我們將再次與您聯繫」)

**費用:**Zapier Professional 20 歐元/月
**設定時間:**2-3 小時點選設定
**所需技能:**無需程式設計,只需熟悉網頁介面

**方案 B:Zapier + Code by Zapier(內嵌 Python/JS,4-5 小時)**

如果 Zapier Parser 功能不足,可直接在 Zapier 中加入自訂邏輯:

1. 觸發條件:收到帶附件的新郵件
2. **動作:Code by Zapier(Python)** - 內嵌進階解析:

`# 直接在 Zapier 中執行的 Python`
`import re`
`cv_text = input['cv_text']`
`email = re.findall(r'[\w\.-]+@[\w\.-]+', cv_text)[0]`
`phone = re.findall(r'\+?\d[\d\s\-\(\)]{8,}', cv_text)[0]`
`return {'email': email, 'phone': phone, 'text': cv_text}`

1. 動作：建立 Google Sheet 資料列
2. 動作：Slack 通知
3. 動作：Email sequence

**成本：**Zapier Professional 每月 €20（含 Code）
**設置時間：**4-5 小時（自訂邏輯開發＋測試）
**所需技能：**基礎 Python/JavaScript

**方案 C：外部伺服器上的 pyresparser（最大化解析能力，6-8 小時）**

適用於非常複雜的履歷或高量處理（每月 500+ 份履歷）：

`# 專屬伺服器上的腳本`
`pip install pyresparser`
`from pyresparser import ResumeParser`
`data = ResumeParser('/path/to/resume.pdf').get_extracted_data()`
`# 輸出：name, email, mobile, skills, college, degree, experience`

Zapier 透過 webhook 呼叫伺服器，接收解析後的 JSON，接著執行 Sheet/Slack/Email 流程。

**成本：**Zapier 每月 €20 + DigitalOcean 每月 €5
**設置時間：**6-8 小時（伺服器設置＋部署）
**所需技能：**Python＋部署經驗，或外部開發人員

⚡ 典型節省時間：對於每月處理 200+ 份履歷的團隊，每週可省下 15+ 小時。

_自動化的複利效應：固定成本低，節省效益持續增長。_

## 10 週實戰手冊（DIY）

**前提條件：**擁有內部技術資源（開發人員、數據分析師），或準備 €2,000-3,000 預算聘請自由工作者協助設置。

**第 1 週：**使用 pyresparser + Zapier 流程自動解析履歷。首次可衡量的節省：10-15 小時。

**第 2 週：**審核 HR 資料，匯出至 Sheets/Airtable，設置關鍵指標儀表板（招募時間、招募成本、員工人數）。

**第 3 週：**基於歷史數據建立離職預測模型，運用現有變數進行訓練，並與 HR 經理進行驗證。

**第 4 週：**針對重複性工作流程（面試排程、入職清單、請假申請）設置 Zapier 自動化。完成最終 ROI 計算。

**第 5-10 週：**迭代與擴展。只在已驗證 ROI 的地方增加複雜度。

_📥 想探索這些工作流程是否適用於你的情況？_
_本文中提到的 Google Sheet 範本、Python 腳本與 Zapier 自動化流程皆已可實際運作。依你的實際狀況調整即可。_

## 總結

常見的誤解是認為需要企業級預算或昂貴的顧問。
其邏輯——自動化篩選、標準化評估、預測風險——完全可以透過開源工具與平價 SaaS 服務複製實現。

價值不在於昂貴的工具，而在於方法本身。
第一年 ROI 輕鬆超過 600%。

**備註：**本文中的 Python 程式碼與 Zapier 範例皆已可正常運作。複製、依你的實際狀況調整、實作即可。不需要額外範本：你已擁有開始所需的一切。