虚构数据 · 对齐公开作品口径

People Stats Kit · 人力量化报告

把统计学方法落到招聘漏斗、人才触达 AB、Offer 周期与评分校准。纯 Python 标准库，可复现。

触达 AB 结论

显著

p = 0.0007

回复率提升

19.2%

44.4% → 52.9%

开实验每组至少

612

α=0.05 · 功效 80%

入职中位周期

34.4 天

Kaplan–Meier

1. 触达文案 AB · 双比例 z 检验

场景对齐人才评估模型：对照组标准跟进 vs 实验组按 S+/S/A 分层跟进。混合样本不参与对比的排他逻辑见 explainable-talent-scoring。

组	触达	回复	回复率
对照组 · 标准跟进	800	355	44.4%
实验组 · 分层跟进	800	423	52.9%

z = 3.401，双侧 p = 0.0007。相对提升 19.2%。若要在开跑前规划样本量：从 44.0% 做到 52.0%，每组约需 612 人。

阶段名对齐 hiring-copilot。看点估计不够，还要看区间是否重叠。

阶段	人数	上一步转化	95% Wilson CI
新简历	360	—	—
初筛通过	170	47.2%	42.1% – 52.4%
电话面	168	98.8%	95.8% – 99.7%
现场面	145	86.3%	80.3% – 90.7%
Offer	58	40.0%	32.4% – 48.1%
已入职	24	41.4%	29.6% – 54.2%

终点=入职；仍在 Offer / 观察未完记为删失。中位生存时间（一半人已入职）= 34.4 天。

曲线点数 106；事件 87 / 观察 120。对应作品里 Offer 停留超时、接受率偏低时，先看周期分布再拍 SLA。

分数映射到 0–1，分档对齐初筛「0–39 / 40–59 / ≥60」。gap = 真实通过率 − 平均预测分。

分档	人数	平均预测	真实通过率	gap
0–39 分档	119	24.8%	31.1%	6.3%
40–59 分档	142	50.9%	45.8%	-5.1%
≥60 分档	139	75.0%	69.1%	-6.0%

Brier score = 0.2271（越小越好）。高分档通过率应高于低分档，否则回头检查评分卡——与 hiring-copilot 分析页同一问题。

本地：python3 run.py · 测试：python3 -m unittest discover -s tests -v