招聘网站猎头活度.docVIP

招聘网站猎头活跃度 本篇论文目录导航： 　　 　　【题目】中高端人才招聘网站中猎头行为探析 　　【第一章】网络中猎头人群现状调查研究引言 　　【第二章】Z招聘网站的成立与发展 　　【第三章】网站猎头的行为分析 　　【第四章】招聘网站猎头活跃度 　　【结论/参考文献】招聘网站注册猎头的特点研究结论与参考文献 　　 　　4 猎头活跃度 　　 　　网站的活跃用户，也称为网站的黏性用户，是网站用户的核心，对网站的发展起着关键作用。网站的活跃用户占比是衡量网站运营的重要指标。提高活跃用户的行为多样化，不断的吸收新的用户并增加活跃用户的数量和占比，才能实现网站的可持续发展。因此，衡量网站活跃用户的数量就显的尤为重要。 　　 　　方法介绍 　　 　　本文使用 Logistic 回归展示不同的变量对活跃度的影响。 　　 　　Logistic 回归理论 　　 　　Logistic 回归模型是离散选择模型之一，属于多重变量分析范畴，是社会学、生物统计学、临床、数量心理学、市场营销、会计与财务等实证分析的常用方法。 　　 　　Logistic 回归分析是对因变量为定性变量的回归分析。它是一种非线性模型。其基本特点是：因变量必须是二分类变量，若令因变量为 y,则常用 y=1 表示“yes”,y=0 表示“no”.自变量可以为虚拟变量也可以为连续变量。从模型的角度出发，不妨把事件发生的情况定义为 y=1,事件未发生的情况定义为 0,这样取值为 0、1 的因变量可以写作： 　　 　　 　　 　　我们可以采用多种方法对取值为 0、1 的因变量进行分析。通常以 P 表示事件发生的概率（事件未发生的概率为 1-P），并把 P 看作自变量 x 的线性函数。由于 y 的取值在 0 与 1 之间，因此有如下分布： 　　 　　 　　 　　所以 Logistic 变换能将接近 1 或 0 的这些 p 值分隔开。越是接近 1 或 0 的 p 值被Logistic 变换分隔的越开。 　　 　　设相应变量 Y 仅取 0 和 1 两个值，p=P（Y=1）是我们的研究对象，设有 k 个因素x1,…，xk影响 Y 的取值，则称 　　 　　 　　 　　为二值 Logistic 回归模型，简称 Logistic 回归模型。其中 k 个因素 x1,…，xk称为Logistic 回归模型的协变量。Logistic 线性回归模型是 　　 　　 　　 　　 　　 　　假设我们做了 n 次观察，其中对应于（x1,…，xk）的一个组合（xi1,…，xik）的观察值有 ni个，则 Logistic 回归模型的数据结构如小标所示： 　　 　　根据这些数据，可以求得未知参数β0,β1,… βk 的极大似然估计值。 　　 　　评价模型 　　 　　需对建立的模型判断拟合的优劣。从系数检验、模型判别和模型校验以及模型的拟合优度等方面评价模型。 　　 　　对于较大样本的系数检验，使用基于卡方分布的 Wald 统计量。当自由度为 1 时，Wald 值为变量系数与其标准误比值的平方。 　　 　　模型校验，评估观测概率、预测概率与整个概率之间的关系，它对观测量概率与预测概率之间的差异进行解释。当协变量配对的数量巨大，且不能使用标准卡方拟合度卡方检验时，常用的检验方法 Hosmer 和 Lemeshow 卡方统计量检验。 　　 　　模型的拟合度是用来判断模型与样本的拟合优劣。利用已有的参数，得出的观察结论的可能性称为“似然比”.似然比的值小于 1,习惯上用对数似然比值乘以-2 来度量模型对数的拟合度，记做-2ll.好的模型的似然比比值较高，其-2ll 值相对较小。似然比值的变化说明当变量进入与被剔除出模型时模型对数据拟合度方面的变化。 　　 　　数据的处理 　　 　　用户拥有积分的数量可以衡量网站的活跃程度。积分是一个积累的过程，与猎头在网站注册时间有关。所以本文用“平均积分=总积分/注册月份”,得到平均每个月获得的积分数量，衡量猎头在网站的活跃度。平均积分高的用户在网站上更活跃。 　　 　　网站运营数据显示，平均每个工作日大约有 4000 位猎头使用网站，由此，我们假定网站的活跃猎头用户大约占总数的 1/4.活跃用户指的是每天登录以及经常登录的用户。根据经验认为网站有大约 1/4 的活跃用户。根据数据的分布计算得到平均每个月获得不少于 100 个积分的用户被认为是网站的活跃用户。 　　 　　因为其他获得积分的途径都是一次性的，只有发送推荐职位和回应求职者是可持续的途径。因此，模型忽略一次性影响因素，只考虑这两个行为对积分的正影响。推荐职位越多会获得越多的积分，同样的，回应次数越多也会获得越多的积分。 　　 　　通过推荐职位等行为获得的积分可以用来下载简历，网站优秀的简历库为猎头搜寻人才提供了很多的便利。网站的作用在于