— Essay · N° 02

       数据科学之外 —       一位前 tech recruiter 的诚实回答。     

Armillary sphere & astrolabe — instruments of a science that came before Newton.

Davide Facchinelli，Albert School 米兰校区数学讲师，前 Bending Spoons 技术招聘。数据科学的技能帮他招过人——但它们真的必要吗？一位从业者，对一个被多数团队答错的问题，给出诚实的回答。

文 / Davide Facchinelli  —  Albert’s Deep Dive · 2026

现在是 2026 年——我们已经走进了人类历史上最具影响力的转型之一约 25 年：数据和 AI 革命。在这样的时代，几乎所有人都会自然地问自己：「把 AI 和数据科学塞进我的工作，对我有好处吗？」

在拿到纯数学和数据科学两个硕士学位之后，我在 Bending Spoons 做过一段时间的技术招聘。我现在是 Albert School 的数学讲师。做招聘的那些日子里，我经常问自己：到底该多大程度上依赖我的技术背景？我的同事和经理也在问同样的问题。这篇文章是对那段经历的反思，以及由此形成的观点。它不是一篇硬科学的论述。我们谈的是人的行为——一种至今没有任何形式化模型能可靠捕捉的东西。所以它也不可能是。

在回答这个问题之前，我们得先弄清它到底意味着什么。一个技术招聘官，能怎么用数据科学？有两个可能的角度：一是理解你要招的人所担任的角色和所需的技能；二是分析招聘流程本身产生的候选人数据——简历、测试结果、面试信号——以便随时间改进招聘决策。

这两个角度都是真实的。问题不是数据科学能不能给招聘官带来优势——它能。问题是这些优势是否足以让数据科学成为这个岗位的标准能力之一。

评估候选人 · 人的问题

我先从招聘工作中我认为最常被误解的那一面开始说起。

候选人——尤其是学生——倾向于认为申请工作时最重要的事情，是展示自己的技术知识。事实并非如此。最重要的特质，是学习的能力和协作的能力。理想的候选人是这样一种人：对这份工作真正感兴趣到这样的程度——他们当下能不能做到几乎不重要——他们自己会想办法搞定。

招聘官真正困难、也真正重要的工作，正是评估这件事：候选人是不是有内在动机，是不是契合团队的价值观，是不是会在这个特定的环境里发光。能做这样一种面试——并能读懂它所透露的信号——才是这个岗位的核心能力。

这种看法有时会被轻视。有人认为，招人就该完全看硬技能。我觉得这种立场没有说服力。绝大多数人和自己的工作之间都有一种情感联系。假装不是这样，并不严谨；只是天真。承认人这一面，并学会把它评估好，不是个「软选项」——它就是工作本身。

评估数据 · 一个严肃的成本-收益问题

现在说第二个角度：用数据科学构建更好、更有预测力的招聘流程。

确实有一门真正的学科为此而生——心理测量学（psychometrics），它专门研究如何用数字测量人的特质，比如智力、动机、人格。一个设计良好的招聘框架，原则上可以把招聘过程中观察到的信号，和入职之后的实际表现关联起来，并随时间持续改进。

这件事确实有用。但它不需要每一个招聘官都变成数据科学家。团队里有一个人具备相应背景，或者从其他职能调一位数据科学家来，就足以搭建和维护这样一个框架。团队其他人享受它的产出，不必参与生产。

更深一层的问题是：要搭建一个稳健的、公司专属的预测模型，需要的不仅是数据科学的专业能力，还需要扎实的心理测量学基础。作为一门科学，心理测量学还很年轻。我们认真研究「如何用数字测量人的特质」这件事，大约只有一百年。和物理学相比——物理是最古老的科学之一，背后有大约 3000 年的发展史——我们对宇宙运行的理解仍然非常有限。

让一个招聘团队在没有大量历史数据的前提下，从零搭建一个预测人类绩效的模型，打个直白的比方——就像试图用牛顿之前的物理学登月。严格意义上说不是不可能，但失败的概率极高。

这是不是意味着我们就不该尝试了？不。一个能把「招对人」的比例从 60% 提升到 65% 的流程，已经是值得追求的积极结果。但对「我们应该自建，还是买一个经过验证的框架？」这个问题，诚实的回答是：几乎总是买。市面上的心理测量工具并不完美，但它们建立在更大的数据集和更严谨的方法论之上，多数公司内部团队难以复制。在大多数情况下，自建一个更好的东西，所花的时间和成本都不划算。

我得出的结论

我的数据科学技能在招聘工作中是有用的。但它们并不必要。我的同事里那些不具备这些技能的人，每周向一位工程师寻求几个小时的技术支持，最后达到了一样的效果。我不会建议他们中的任何一个，把时间花在学数据科学上，而不是深化自己的面试功底，或者去学心理测量学。

所以：不，我不认为每个 tech recruiter 都该学数据科学。不是因为它没用——它有用——而是因为，我很难想出一种情形，让数据科学成为招聘官时间最好的去处——相比之下，他们本可以学的还有那么多别的东西。

它是加分项。它很少必要。而在大多数情况下，它甚至不该被列为优先学习项。

两点补充

给那些正在读这篇文章、同时在考虑是否要学数据科学的人，一句实用的提醒：效率不是一切。如果你是一个真正觉得数据科学有意思的招聘官——去学。我大概不是处在自己时间效率比的顶点上，但我享受那份工作——而动机所带来的产出，比单纯靠优化得到的产出要更好。

一个更宏观的补充：心理测量学还年轻、还不精确——这不是放弃这件事的理由。每一门科学都是从一堆混乱、松散的观察开始，然后慢慢收敛到更贴合现实的模型。心理测量学会沿着同样的路走下去。真正的问题不是要不要发展它，而是——每一家公司的招聘团队，是不是发展它的合适场所。

#AlbertSchool  ·  #米兰校区  ·  #AI招聘  ·  #数据科学  ·  #商业教育