用大数据分析企业单位对应届生的简历筛选
招聘数据分析技巧
招聘数据分析技巧数据分析在现代招聘领域扮演着越来越重要的角色。
随着技术的进步和大数据的普及，雇主更加需要依靠数据分析来做出更明智的招聘决策。
本文将介绍一些关键的招聘数据分析技巧，帮助招聘专业人士使用数据来优化招聘流程，提高招聘效率。
一、数据收集与整理1. 确定关键指标：在开始进行数据收集之前，需要明确需要收集哪些关键指标，如应聘者数量、简历筛选比率、面试成功率等。
这些关键指标将帮助你了解招聘过程的整体情况。
2. 数据源选择：选择合适的数据源非常重要。
可以从招聘网站、内部数据库、员工反馈等渠道收集数据。
确保数据来源可靠且具有代表性。
3. 数据清洗与整理：在开始分析之前，需要对数据进行清洗和整理。
删除无效或重复数据，并进行格式化，以便于后续分析和可视化展示。
二、数据分析与挖掘1. 人才来源分析：通过数据分析，可以了解应聘者的来源渠道，从而判断哪些招聘渠道对于寻找合适人才更有效。
比如，可以统计不同招聘渠道的简历投递量、面试通过率等数据，以便优化招聘渠道选择。
2. 人才筛选优化：数据分析可以帮助优化简历筛选过程。
根据历史数据，分析面试成功率与各个关键指标间的相关性，建立合适的筛选标准，提高筛选效率。
3. 面试表现分析：通过数据分析，可以评估不同面试官的表现，并找出面试官评估的一些共性。
这些数据有助于改进面试流程，提高面试官的评估准确性。
4. 候选人预测分析：通过对历史数据的回顾与分析，可以为候选人成功率建模，预测候选人在面试和招聘过程中的成功概率。
这有助于招聘团队更好地评估候选人的潜力，做出更明智的招聘决策。
三、数据可视化与报告1. 选择适当的可视化工具：数据可视化是将数据呈现给非专业人士的最佳方式。
选择适当的可视化工具，如数据透视表、柱状图、折线图等，能够直观地展示数据结果，方便其他团队成员理解和利用。
2. 制作清晰明了的报告：在根据数据分析结果撰写报告时，要尽量避免出现过多的数据和专业术语。
将主要的结论和建议以简明的语言展示，使报告易于理解和实施。
招聘数据分析
招聘数据分析数据分析在现代企业中扮演着至关重要的角色，特别是在招聘过程中。
招聘数据分析是指通过采集、整理和分析招聘相关的数据，以便为企业提供有效的招聘策略和决策支持。
本文将详细介绍招聘数据分析的标准格式，包括数据采集、数据整理、数据分析和决策支持。
一、数据采集在进行招聘数据分析之前，首先需要采集相关的数据。
数据采集可以通过多种方式进行，例如在线问卷调查、面试记录、简历筛选结果等。
以下是一些常见的招聘数据指标：1. 应聘人数：指申请某个职位的人数。
2. 简历筛选比例：指通过简历筛选的人数与总应聘人数的比例。
3. 面试通过比例：指通过面试的人数与通过简历筛选的人数的比例。
4. 入职比例：指最终录用的人数与通过面试的人数的比例。
5. 候选人来源：指候选人的来源渠道，如招聘网站、员工推荐等。
6. 招聘渠道效果：指不同招聘渠道所带来的候选人数量和质量。
二、数据整理数据整理是将采集到的数据进行清洗和整理，以便后续的数据分析。
以下是一些常见的数据整理步骤：1. 数据清洗：排除重复数据、缺失数据和异常数据。
2. 数据归类：将数据按照不同的类别进行归类，如按照职位、部门、招聘渠道等。
3. 数据转换：将数据转换成适合分析的格式，如将文本数据转换成数值型数据。
4. 数据计算：根据需要计算一些额外的指标，如平均应聘人数、平均入职比例等。
5. 数据存储：将整理好的数据存储在适当的数据库或者电子表格中，以备后续分析使用。
三、数据分析数据分析是招聘数据分析的核心环节，通过对数据进行分析，可以发现招聘过程中的问题和趋势，为企业提供决策支持。
以下是一些常见的数据分析方法：1. 数据可视化：使用图表、图形等可视化工具，将数据转化为直观、易于理解的形式，匡助发现数据之间的关系和趋势。
2. 统计分析：使用统计方法对数据进行分析，如平均值、标准差、相关性等，以揭示数据暗地里的规律和趋势。
3. 招聘渠道分析：通过比较不同招聘渠道的效果，找出最有效的招聘渠道，以提高招聘效率和质量。
大数据分析在人力资源招聘中的应用与效果
大数据分析在人力资源招聘中的应用与效果随着信息技术的不断发展和普及，大数据分析在各个行业中被广泛应用。
作为人力资源管理的一项重要工具，大数据分析在招聘中也发挥着关键作用。
本文将围绕大数据分析在人力资源招聘中的应用与效果展开探讨。
1. 大数据分析在人才需求预测中的应用在进行人力资源招聘之前，企业需要通过分析市场情况和未来发展趋势，来预测自己所需的人才类型和数量。
大数据分析可以帮助企业从大量的历史数据和外部信息中，挖掘出有价值的模式和规律。
通过对企业内外部数据的整合和分析，企业可快速准确地预测未来人才需求，并进行有针对性的招聘计划制定。
2. 大数据分析在简历预筛选中的应用在招聘过程中，收到大量求职者的简历是常有的事情。
如何高效地筛选出符合岗位要求的人才成为很多企业面临的难题。
大数据分析通过自动化和智能化的方式，可以对大量简历进行快速筛选，并从中挑选出候选者。
通过分析简历中的关键词、技能、经验和教育背景等信息，大数据分析可以帮助企业快速找到与岗位要求最匹配的候选人。
3. 大数据分析在面试评估中的应用面试是人力资源招聘中不可或缺的环节。
传统的面试评估方式主要依靠人们主观判断，存在主观性强和容易出现误判的问题。
而大数据分析通过对候选人面试过程中的语音、面部表情、肢体语言等多维度数据进行分析，可以更客观、准确地评估候选人的表现。
此外，大数据分析还可以通过对候选人在社交媒体上的活动进行监测和分析，得出更全面准确的评估结果。
4. 大数据分析在职位推荐中的应用除了招聘新人才，大数据分析还可以应用在内部员工晋升和调岗的过程中。
通过分析员工的工作表现、培训记录、绩效评估等数据，大数据分析可以帮助企业准确评估员工的能力和潜力，并推荐适合其发展的职位。
同时，大数据分析还可以帮助企业识别出潜在的高潜力员工，给予重点培养和发展，为企业的长期发展提供有力支持。
5. 大数据分析在离职预警中的应用员工离职对企业来说是一项巨大的成本和损失。
it公司hr如何筛选简历
it公司hr如何筛选简历IT公司是一个技术密集型的行业，所以HR在筛选简历时需要特别关注候选人的技能和经验。
以下是一个IT公司HR筛选简历的步骤和注意事项。
第一步：初步筛选HR首先会对收到的简历进行初步筛选，将不符合要求的简历剔除。
在这个步骤中，HR会关注以下几个方面：1. 专业背景：HR会看候选人的专业背景是否与公司的需求匹配。
例如，如果公司正在寻找Java开发人员，HR会筛选掉没有Java相关经验或者专业背景的简历。
2. 工作经验：HR会关注候选人的工作经验，看其是否有过类似岗位的工作经历。
通常来说，IT公司对有相关工作经验的候选人更感兴趣。
3. 技能要求：HR会筛选出符合技能要求的候选人。
例如，如果公司需要候选人具备数据库管理的能力，HR会筛选掉没有相关技能的简历。
第二步：细致筛选在初步筛选后，HR会对通过初步筛选的简历进行细致筛选，关注以下几个方面：1. 技术能力：HR会仔细阅读候选人的技术能力描述，看其是否掌握所需的技能。
这包括编程语言、开发工具、数据库、操作系统等方面。
2. 项目经验：HR会关注候选人的项目经验，看其是否有过类似的项目经验。
项目经验可以反映候选人在实际工作中的能力和表现。
3. 教育背景：HR会查看候选人的教育背景，看其是否有相关的学习经历和学术成果。
第三步：面试选拔在筛选出符合要求的简历后，HR会与候选人进行面试选拔。
面试是更全面了解候选人能力和适应性的重要环节。
1. 技术面试：HR会邀请技术团队的成员对候选人进行技术面试，测试候选人的技术水平和解决问题的能力。
2. 面试表现：HR会关注候选人在面试中的表现，包括沟通能力、团队合作能力和问题解决能力等。
3. 文化适应性：HR会考察候选人的价值观和文化适应能力，看其是否与公司文化和团队氛围相符。
综上所述，IT公司的HR在筛选简历时需要关注候选人的专业背景、工作经验、技能要求和项目经验等方面。
候选人通过初步筛选后，会进行细致筛选和面试选拔，以更全面地了解候选人的能力和适应性。
如何利用大数据分析招聘更加精确的候选人
如何利用大数据分析招聘更加精确的候选人近年来，大数据分析技术在各个领域发展迅猛，其中包括人力资源管理。
利用大数据分析进行招聘，可以帮助企业更加精确地筛选和选拔候选人。
本文将探讨如何利用大数据分析，在招聘过程中实现更高效、准确的候选人选择。
一、大数据招聘的优势大数据分析在招聘中具有诸多优势。
首先，大数据分析可以处理大量的数据，从而更好地发现潜在的优秀候选人。
其次，大数据分析可以直观地呈现招聘过程中的关键指标，如招聘渠道、候选人来源等，帮助企业进行数据驱动的决策。
再次，大数据分析可以通过模型建立和分析，预测候选人未来的表现和潜力。
最后，大数据分析可以帮助企业提高招聘效率，节省时间和资源。
二、大数据分析在候选人筛选中的应用1. 候选人数据收集与整合通过各种渠道收集候选人的个人信息、教育背景、工作经历等，将这些数据整合到一个数据库中。
这个数据库将成为大数据分析的基础。
2. 数据清洗与标准化对收集到的候选人数据进行清洗和标准化处理，消除数据中的冗余和错误，确保数据的质量和准确性。
3. 候选人筛选模型的构建利用机器学习和数据挖掘等技术，构建候选人筛选模型。
该模型应基于历史数据，并结合企业的招聘需求和筛选要求。
模型可以通过分析候选人的特征与绩效的关联来预测候选人的工作表现。
4. 候选人筛选与排名根据候选人筛选模型进行筛选和排名，将候选人按照符合企业要求的程度进行排序，以便进一步评估和选择。
5. 候选人核查与验证在候选人筛选后阶段，进行更加详细的核查和验证。
可以利用大数据分析来验证候选人提供的信息和简历的真实性，从而进一步剔除不符合要求的候选人。
三、大数据分析在面试过程中的应用1. 面试评估模型的构建构建面试评估模型，评估候选人在面试过程中的表现，并与其他候选人进行比较和排名。
模型可以基于面试官的评价、候选人的回答、面试过程中的情绪变化等多个因素进行分析。
2. 面试效果分析通过分析面试数据，如面试问卷、面试笔录等，对面试效果进行评估和分析。
招聘数据分析——预测未来的人才需求
招聘数据分析——预测未来的人才需求随着科技的不断发展和商业竞争的加剧，数据分析在招聘行业中扮演着至关重要的角色。
通过分析大量的数据，企业可以预测未来的人才需求，为招聘团队提供参考和指导，以确保企业的人才储备与业务发展的需求相匹配。
在这篇文章中，我将详细介绍招聘数据分析的重要性，以及如何使用数据分析来预测未来的人才需求。
招聘数据分析是指通过收集、整理和分析招聘相关的数据，以获取洞察力和知识，并以此为依据做出决策。
这些数据可以包括招聘渠道、简历信息、面试表现、员工绩效等。
通过对这些数据的分析，企业可以了解各个环节的情况，评估招聘策略的有效性，并预测未来的人才需求。
招聘数据分析可以帮助企业了解当前的人才市场。
通过分析招聘渠道、求职者数量、竞争对手的雇佣状况等数据，企业可以了解当前的人才供需情况。
比如，某个行业的人才需求可能在增加，而人才供应可能相对匮乏。
这种情况下，企业就需要及早做出相应的调整，例如增加招聘预算，积极开展校园招聘活动等，以确保及时获得所需的人才。
招聘数据分析可以帮助企业预测未来的人才需求。
通过收集和分析历史招聘数据，企业可以发现人才需求的周期性规律和趋势。
例如，在某个特定的时间段，企业的人才需求可能会明显增加，比如年度项目的启动，销售旺季等。
通过把握这些规律和趋势，企业可以提前做好人才储备和招聘计划，以满足未来业务发展的需求。
招聘数据分析还可以帮助企业优化招聘流程和提高招聘效率。
通过对招聘流程中各个环节的数据进行分析，企业可以找出瓶颈和问题所在，并针对性地改进和优化。
例如，企业可以通过分析简历筛选环节的数据，了解哪些招聘渠道获得的求职者质量更高，从而优化招聘渠道的投入。
企业还可以通过分析面试表现的数据，了解不同面试官的评判标准和偏好，并以此为基础培训面试官，提高面试效果。
招聘数据分析可以帮助企业评估招聘策略的有效性和投入产出比。
通过对招聘渠道的数据进行分析，企业可以了解每个渠道所带来的求职者数量和质量，以及招聘成本和效果。
数据分析在人力资源招聘中的应用案例
数据分析在人力资源招聘中的应用案例在当今信息时代，数据分析已经成为各行业的重要工具，人力资源管理也不例外。
数据分析在人力资源招聘中的应用可以帮助企业更加科学地进行招聘决策，提高招聘效率和准确性。
本文将通过几个案例来阐述数据分析在人力资源招聘中的应用。
案例一：简历筛选优化传统的简历筛选方式通常是由人工进行，需要耗费大量的时间和人力。
而通过数据分析，可以借助人工智能技术，对大量简历进行自动筛选和分析，从而提高筛选效率和准确性。
某公司招聘某岗位的简历数量庞大，人工筛选困难。
他们将简历数据导入数据分析平台，通过机器学习算法进行简历筛选，并根据历史数据和岗位要求建立筛选模型。
通过数据分析，他们发现在过去的招聘中，某些特定的关键词和经历与成功的员工有着明显的相关性。
基于这些发现，他们优化了筛选模型，将有潜力的简历筛选出来，大大提高了招聘效率和准确性。
案例二：面试评估优化面试是招聘过程中非常重要的环节，但传统的面试评估方式往往主观且容易受到主观因素的影响。
通过数据分析，可以建立客观的面试评估体系，提高面试评估的准确性和公正性。
某公司在面试评估中引入了数据分析技术。
他们通过记录面试官的评分和面试者的表现，建立了一个面试评估模型。
该模型基于历史数据进行训练，通过分析面试官的评分和面试者的表现之间的关联性，可以预测出一个面试者的综合表现得分。
这大大减少了主观评分的影响，提高了面试评估的准确性和公正性。
案例三：人才流失预测人才流失对企业来说是一个严重的问题，通过数据分析可以预测哪些员工可能会离职，从而采取相应的措施留住他们。
某公司通过数据分析平台，将员工的绩效数据、薪资数据、晋升历史等信息进行整合，建立了一个人才流失预测模型。
通过分析员工的历史数据和离职情况，他们发现一些特定的模式和因素与员工流失有关。
基于这些发现，他们可以预测出哪些员工可能会离职，并采取相应的措施，如提供培训机会、调整薪资待遇等，来留住这些有潜力的员工。
大学生大数据求职信与简历
大学生大数据求职信与简历尊敬的用人单位领导：您好！我系某某大学信息管理与信息系统专业的一名应届毕业生，很荣幸能有机会向贵企业申请相关工作岗位。
我在阅读了贵公司的招聘信息后，深感自己与贵公司的理念高度契合，希望能够为贵公司的发展贡献自己的力量。
我研究生阶段专攻大数据分析，具备扎实的统计学和计算机知识基础。
大数据时代的到来，企业纷纷将目光投向海量数据的利用，以获得商业洞察和竞争优势。
作为一个即将走入社会的年轻人，我深感大数据领域充满了机遇和挑战。
因此，我对大数据的应用价值和潜力有着强烈的兴趣，并且希望能够通过自己的努力，将大数据技术与企业实际相结合，为企业带来更大的价值和发展。
在校期间，我通过学习课程和参加项目实践，掌握了大数据分析的基本理论和方法。
我熟悉Python编程语言和Hadoop等大数据处理工具，并且能够灵活运用SQL和R语言进行数据分析和可视化。
我具备良好的数据处理能力，能够从海量数据中提取有价值的信息，并通过建立数据模型进行预测和决策支持。
我曾参与学校的大数据分析项目，通过对某电商公司的用户数据进行挖掘和分析，为该公司提供了一系列增长策略，并取得了良好的效果。
我相信，通过自己的不断努力和学习，我能够成为一名优秀的大数据分析师。
除了专业知识，我还注重培养自己的综合素质和团队合作能力。
在校期间，我担任信息管理与信息系统实验班班长，组织、协调了许多班级活动。
通过这些经历，我培养了良好的组织能力和沟通能力，具备团队合作的精神和领导能力。
我相信，在团队的协作中，每个人的智慧和力量都能得到最好的发挥。
同时，我也积极参加校园社团活动，担任某团队负责人，带领团队参加了多个大型创业活动，锻炼了自己的创新意识和解决问题的能力。
大数据时代已经到来，未来的就业市场对于大数据分析师的需求将更加火热。
作为一名信息管理与信息系统专业的毕业生，我有信心能够在这个领域中脱颖而出。
我对贵公司的发展前景充满信心，并且渴望能够为贵公司做出自己的贡献。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
用大数据分析企业单位对应届生的简历筛选随着秋风习习而至，又到了各位应届生秣马厉兵霍霍猪羊的时节，不过这次待割的不是羊毛，收获的也不是果实，而是众位心甘情愿嗷嗷待宰的即将出圈的应届生求职大军们。
去年中国大学生史上最难就业年的寒冬过去，本届应届生又要面对史上更难就业年。
尚未杀至面试、笔试、群面PK、boss面种种环节，多路英雄就已倒在了网申简历的雄关险隘之前，虽自负怀有斗战群儒三寸不烂之舌却终得铩羽而归。
在眼花缭乱的校招宣讲背后，也是有着哭爹骂娘霸面跪求种种姿态。
到底企业需要什么样的人，企业需要的人是要什么样的条件，恐怕也是幕后大boss和各位神龙见首不见尾的HR才会知道。
但咱家既然是响当当研究生，那么揭露迷雾后面的真相自然也是我们的神圣使命和职责。
那么用人单位到底是要什么样的人，需要什么素质，需要什么专业，需要什么经历和要求，各家单位也有所不同。
知己知彼才能百战不殆，在信息不断透明健全的今天，除了各种七嘴八舌讨论臆测猜想之外，大数据也为我们提供了一个很不错的分析思路和方法。
近日，招商证券在去年放出的笔试名单为我们提供了充足的数据和资料，并且招聘部门和岗位要求齐全，那么我们现在就以招商证券——这所招商局集团的御用券商为例，和小伙伴们一起来分析用人单位的简历筛选的要求和条件。
OK，let go.招行的网申系统已经关闭，因此只能通过有限的途径来搜集我们所需要的信息。
总结，数据来源：招行官网、年报、Wind以及其他公开信息。
o招收部门总体情况。
让我们先来看一下总体情况，此次招商证券招聘共收到简历18000余份，审核通过给予机试名额共3157人次，网申审核通过比例为17%多一点。
而最终21个部门的33个岗位将在其中录取238人（不包括招商期货和招远资本），网测至此通过比例为7.5%左右，也就是说13录1的概率。
也就是说在所有申请人中通过层层选拔后最终通过比例为1.3%，可真谓是百里挑一了。
下面我们主要针对这3157人次的笔试名单来分析，希望可以从中发现大家所报岗位和岗位筛选要求双方面的信息。
在所有部门中，招人最多前三岗位是营业部财富管理岗、投行部分析师岗和营业部柜台岗。
分别是110人、34和30人，而其余岗位所招人数都是个位数。
网申通过人数最多的三个岗位分别是投行分析师岗（608）、财富顾问（429）和债券销售交易（421），可以推测出计划招聘人数、门槛和专业限制以及预期收入等综合作用下的热门岗位。
在这3157人次中，从录取比例来看，竞争最为激烈的岗位是债券销售交易岗，招聘4人，当前421人，为105：1。
其次是固收部的投资研究岗（368/5）和债券承揽岗（255/5），固定收益部毫不意外的成为了第一热门部门。
零售经纪部人力资源管理岗（47/1）与投行部并购研究岗（42/1）紧随其后。
竞争最为轻松地部门要数私人客户部的营销服务岗，招聘2人，审核通过1人。
也就是说只要此人过了笔试，面试不要太2，基本也就进了。
其次为财富顾问岗（429/110）、固收部交易员岗（13/3）和场外的内控综合岗（5/1）。
另外，传统较为热门的岗位，如研究所行研（76/3），明显人数已有下降，可能与当前行研性价比下降有关，也有可能大家都了解到行研基本都是实习内定，所以缺乏热情。
目前看来，各部门的热门程度与我们大家所了解也几近相当。
接下来让我们看看都有哪些名校毕业生能入招商法眼呢？2. 学校分析剔除掉学校名称不全不详的，有效数据3140人次。
其中共有149所海外及港澳台地区大学459人次，香港四所大学共占120，其余在美国、英国、法国、澳洲、新加坡的学校都有涉及，而学校排名从国际前列的芝加哥大学、纽约大学、哥伦比亚大学等顶尖学府到其他泛泛欧美各学院都有分布，分布较为平均。
国内大学共分布在127所高校，总计2504人次。
其中人数最多前十名分别为北京大学-（包括光华、汇丰等学院，315）、复旦大学（219）、中国人民大学（212）、中央财经大学（205）、对外经贸大学（161）、上海财经大学（138）、清华大学（129）、厦门大学（105）、上海交通大学（82），共计1566，占比62.5%，前20名高校共计1992，占比80%。
其他高校分布较为平均，且有部分非985、211院校也有通过简历筛选（非重点院校还是有机会的，不过可能关系户，也不排除个别牛人）。
可见，招商证券对于国内高校招聘方面仍是以老牌经济金融名校与重点985院校为主。
从人事关系方面来看，招商证券9名高管分别来自西南财经大学、北京大学、辽宁大学、华中科技大学、清华大学、华南理工大学、上海海运学院、澳州南昆士兰大学，可见，传言中的高管母校与应届生招聘并没有直接关系。
下面看一下各类部门岗位人员的学校分布。
所有研究类部门海归的总体占比18%，其中最高的是量化套利投资岗（33%），且人员中无论国内外也都是清一色金融或工科的名校，其次是研究员岗，海归占22%；另外产品设计岗、场外产品交易设计岗和投资研究岗等也都达到了20%，且无一例外的也都是名校。
接下来是业务类部门中，总部业务岗位债承债揽等海龟比例为19%，最高的为债券销售交易岗24%，且学校以欧洲居多。
而在一线业务岗位中，海龟比例仅为8%，最低的为，基金销售经理0人，其次柜台业务岗仅占5%。
后台类岗位中，合规和风控等专业技术较强的岗位海归比例较高，总体为13.6%。
其他后台类，如软件开发、数据支持、业务运维、营销策划服务等，都没有海归，主办会计岗海归比例也仅为3%。
网申和筛选是一个双向选择的动态过程，那么从以上可以看出，券商如投行研究、行业研究及量化研究等研究类岗位仍是非常重视需要名牌院校重点相关专业。
其次在一般研究类岗位上，院校间差异并不显著。
在业务类岗位上，基层业务岗位学校分布广泛，且海归较少，核心业务岗位上，海归较多，且学校分布较为分散。
可见对于基层业务岗，门槛要求相对较低，而对于核心业务岗，国内方面仍是需要在国内业界有着一定人脉资源的金融经济重点专业的院校，在海归中对自有业务资源要求较高。
后台类岗位，一是信息技术支持类，并不需要海归，并且毕竟现在海归出国很少有学IT方面专业，且IT精英在微软等大公司做远远比在券商做后台支持有发展前景。
其他后台类，如合规和人力资源等，技术要求限制较多，且收入一般，因此也有较少的海归愿意投这些岗位。
3.学历分析3157人次中，初中及以下2人，本科245人，硕士研究生2836人，MBA18人，博士56人，硕士为此次应聘的主力。
本科学历人数最多的岗位为柜台业务岗（78）、财富顾问岗（95）及主办会计岗（19），本科生大都从事业务及后台类岗位，而从事研究岗的本科生仅有2人（投行分析师岗）。
博士人数最多的岗位为投行部分析师岗（13）和固定收益部投资研究岗（25），博士参与比例最高的为量化投资研究岗（80/8），而业务及后台岗位都只有1个博士，可见越是研究类技术岗位有着越高的学历要求，此次招聘并没有限制博士学历的岗位，可见目前研究生学历仍足以应聘大部分的券商岗位工作（研究或业务）。
4.部门专业要求分析3157人次中，涉及具体细分的专业小类600余个，其中金融263个，会计管理类144个，法律类42个，统计或数学类50个。
其中分布最为广泛的为投资管理岗，559的有效人次上共有181个专业小类分布。
下面依次来分析各类岗位上的专业录取情况：并购研究支持岗（83）：研究类，经济（21）、管理（19）、金融（35）、法律（6），额，怎么还有自动化、工程机械这种奇怪的专业；财富顾问（429）：业务类，其中经济管理类的占95%以上，也有少部分语言及工科专业；产品估值（7）: 研究类，资产估值（1）、会计（3）、金融经济（3）；产品开发与研究支持（25）：研究类，金融（17）、金融工程数学类（8）；产品设计岗（20）：研究类，数学（4）、法律（3）、会计（2）、金融（11）；场外产品设计交易岗（10）：研究类，数学、运筹控制学（5）、金融学（5）；场外业务销售交易岗（12）：业务类，管理（4）、金融（5）、经济（3）创新业务支持岗（54）：研究类，几乎全为经济、金融专业，法律3个，没有管理专业；投行-分析师岗（608）：研究类，纯理工专业共20个，剩余金融、经济、会计管理、数学统计比例为4:2:2:2；柜台业务岗（191）：业务类，金融、经济、管理、其他比例为3:2:2:2:1；基金销售经理（37）：业务类，金融（13）、经济（12）、管理（8）数学计算机（4）；监控分析岗（45）：后台类，金融（22）、经济（23）；结算管理岗（7）：后台类，经济、会计、计算机；量化套利投资（80）：研究类，金融学（10）较少，几乎为数学、统计、运筹、工程、计算机建模等专业占据；内控综合岗（5）：后台类，清一色法律专业；清算管理岗（19）：后台类，金融（6）、会计（4）、数学计算机（9）；渠道营销岗（13）：业务类，金融（6）、管理（5）、经济（2）；人力资源管理岗（54）：后台类，金融（5）、管理（35）、社会心理学（9）；软件开发岗（63）：后台类，清一色计算机和通信工程专业；数据支持岗（8）：后台类，计算机与自动化；投资研究岗（368），研究类，金融（150）、金工数学统计运筹计算机（60）、其余为经济与管理等专业；网点建设岗（12）：业务类，都为金融与管理专业研究员（76）：研究类，金融经济学（50）、理工类（26）业务审核岗（56）：后台类，管理（12）、金融经济（38）、其他（8）业务运行维护岗（22）：后台类，都为计算机与通信专业营销策划岗（7）：后台类，管理、金融、新传、经济、统计都有债券承揽（255）：业务类，金融、经济、管理、其他占比5：2：2：1左右；债券交易岗（13）：业务类，金融（7）、经济（6）债券销售交易岗（421）：业务类，金融、经济、管理、数学及其他占比5:2:2：1左右；主办会计岗（121）：后台类，金融（3）、财务会计（102）、企管税务（14）综合调研岗（12）：后台类，新传、语言、政治、经济专业均有5.其他因素分析校友人脉因素：这个对于实习真的是帮助很大，然后对于校招没什么实际作用，但是想进券商的话，实习起到的助推作用也是毋庸置疑的。
实习生因素：有些岗位尤其是研究岗某些名额已经被长期于此的实习生给拿下了。
公布名额和网申网测也都是走走流程。
关系户因素：那些个闻所未闻的学校，不对口的专业，还有学历等等可以看出，关系户确实是存在的，可是券商能够拒绝这些关系户为自己带来的实际和潜在收益吗？帅哥美女因素：如果你相貌堂堂，一表人才，倾国倾城，恭喜也是有很大把握进的。
这些嘛，从简历和个人中完全可以发掘出来。
业务型人才，至于高富帅和白富美们，进的必须也都是核心业务岗呢。