職業社交王者LinkedIn不止幫你找工作,還能幫你挑選「好大學」

職業社交王者LinkedIn不止幫你找工作,還能幫你挑選「好大學」
Photo Credit: AP/達志影像
我們想讓你知道的是

最近一年來LinkedIn積極的發展大學部分的功能,希望結合商業社交與大學社交,來讓會員們可以更順利的找到理想的工作。

作者:卡卡(小時候的夢想是當遊戲設計師,可惜在國中屁孩時期被C++給嚇到。長到後靠MOOC重新拾回對程式語言的熱誠。深知自己不是做遊戲的一塊料反而對數據分析發展出莫名的愛。立志用網路資源學習程式語言並利用在自己的熱忱上)

商業社交與大學社交的融合

最近一年來LinkedIn積極的發展大學部分的功能,希望結合商業社交與大學社交,來讓會員們可以更順利的找到理想的工作。去年暑假LinkedIn推出「大學頁」(University Page)藉此凝聚各個大學的校友,接著又推出「大學引擎」藉由會員選擇不同的選項來推薦大學,選項包括專業、想進的公司、居住地、以及工作類型。對許多人而言選大學是ㄧ個很重大的決定,因此LinkedIn再推出「意見板」(Decision Boards)讓有興趣的學生與在校生或校友做聯繫。

碰出新火花

在10月1日LinkedIn發布自己的大學排名。不同於其他的大學排名像最廣為人知的US NewsLinkedIn大學排名是基於超過3億會員人數的強大數據庫,來分析校友的就業數據。LinkedIn通過使用複雜的演算法來分析人們如何選擇合意的公司。此排名先是看一家公司吸引人才的能力,然後再分析留不留得住人才,如果一個職員從公司A離職到同一行業的公司B,相比下公司B就比公司A更讓員工滿意。換句話說這項排名是由各公司的留職率/離職率所組成。

目前已有美國大學、加拿大大學、以及英國大學的排名,分為八種職業:會計、金融、投資銀行、市場營銷、軟體開發、創業公司的軟體開發、設計。

(相關新聞:LinkedIn就業市場大調查 常春藤盟校排名吃癟

點開後會顯示代表學校的照片以及相關的數據,在照片左側可以添加學校的志願表以及推薦學校。照片左方顯示本領域校友的就職去向的前四名、左下角是會員自己跟這些校友的聯結、右邊則是從事相似職業的校友。

在最下方點擊「了解更多學生和校友的職業發展道路」連到大學頁,會顯示更詳細的數據包含居住地區、就職去向、工作領域、所學專長、技能專長、以及人脈關係。

分析

大學知名度(排名)、大學本身的強項跟地緣關係,對於就職去向有關鍵的影響力。越知名的大學大公司越愛使用,這是不變的定律。可是有更多學校像University of Illinois at Urbana-Champaign或Rochester Institute of Technology這種,在國際知名度比不上常春藤盟校,可是校友卻在科技業裡非常搶手,原因就是理工是他們的強項所以大公司也會去那裡招生。

也有些學校像San Jose State University這種連在全美國都不太具有知名度,可是卻有許多校友在Apple這種科技強權裡工作,原因是這所大學落在創業之心矽谷裡(因為Apple跟創業風潮的關係此大學也越來越有名了)。又或者像University of Washington這種全美排名也不差理工也不錯,但因為校區落在西雅圖,所以許多畢業生都被Microsoft以及Amazon招攬(兩個總部都在西雅圖)。

如果以上三個因素都有具備的話,就是像Stanford University或New York University這樣的大學。前者校區落在舊金山又全球聞名,理工又是最好中的最好,因此理工強權公司到處都有Stanford校友的影子。而後者的校區落在設計跟媒體的中心,因此New York University在LinkedIn的兩個職業排名也相當的高(分別是第五與第一)。

小結

LinkedIn的使用者普遍都是剛出社會的新鮮人,或者是在職業中期的上班族,因此捕捉資料上無法代表所有人。此外不同學校有不同的文化,有些學校走在科技的尖端因此校友更會善用LinkedIn建立職場人脈,而某些學校沒有提倡使用科技產品增加自己的優勢。

雖然如此但是這個排名還是非常具有參考價值,尤其是對正在申請大學的會員,可以更準確的選擇理想的大學以及未來的道路。除此之外在校生或畢業生也可以透過LinkedIn上的數據,來幫助自己衡量進某公司的機會有多少。

透過獨一無二的數據,LinkedInd可以做出「大學排名」,相對的也有能力做出「公司排名」。LinkedIn可以運用一樣的演算法算出在一個行業裡哪幾家公司的離職率最低(或留職率最高),再藉由評測每個行業最合意的公司。可是這是不明智的做法,公司排名不會為網站帶來更多的流量,也不沒有幫助到會員連接起校友跟業界的人脈,反而會得罪到不少公司,這不是LinkedIn願意樂見的。

參考資料

本文發表於作者部落格