88% ของผู้บริหารองค์กรในสหรัฐอเมริกา สหราชอาณาจักร และเยอรมนี ยอมรับว่าระบบคัดกรองใบสมัครอัตโนมัติขององค์กรตัวเอง คัดผู้สมัครที่มีคุณสมบัติเหมาะกับงานทักษะสูงทิ้งไป เพียงเพราะใบสมัครไม่ตรงกับเกณฑ์ที่ตั้งไว้แบบเป๊ะๆ และถ้าเป็นงานทักษะระดับกลาง ตัวเลขนี้ขึ้นไปถึง 94% ตามรายงาน Hidden Workers: Untapped Talent ของ Harvard Business School ร่วมกับ Accenture ที่เผยแพร่เมื่อเดือนกันยายน 2021
ฟังดูเหมือนเป็นปัญหาของฝ่าย HR ใช่มั้ยครับ แต่ถ้าจากมุมนักการตลาด นี่คือปัญหาเดียวกับการยิงโฆษณาด้วย Targeting ที่ตั้งเงื่อนไขแคบเกินไป จนคนที่น่าจะซื้อที่สุดไม่เคยเห็นโฆษณาเลยสักครั้ง และนี่คือเหตุผลที่สิ่งที่ Jobsdb by SEEK เพิ่งประกาศในไทยเมื่อวันที่ 18 กันยายน 2569 น่าสนใจกว่าการอัปเดตฟีเจอร์ทั่วไป ตัวช่วยใหม่ชื่อ Personalised Targeting คือการยกวิธีคิดของการยิงโฆษณาทั้งชุดมาใช้กับการหาคนเข้าทำงานครับ
บทความนี้ผมเลยอยากชวนเพื่อนๆ นักการตลาดมาถอดรหัสว่า Personalised Targeting ทำงานด้วย Logic เดียวกับการยิงแอดโฆษณาอย่างไร แล้วทำไมผมมองว่าการวัดผลของการหาคนควรขยับจากจำนวนใบสมัครไปสู่ Conversion การจ้างงานจริง
แล้วมีอะไรที่ต้องระวังบ้าง และนักการตลาดกับ HR จะเอาวิธีคิดนี้ไปใช้ต่อยอดกับงานตัวเองได้อย่างไรครับ
The Keyword Filter Problem ทำไมการคัดคนด้วยเกณฑ์ตายตัวถึงทำให้คนที่ใช่หลุดมือ
คำตอบสั้นๆ คือการคัดคนจาก “คำ” ดูได้แค่สิ่งที่ผู้สมัครเขียนไว้ ไม่ได้ดูว่าผู้สมัครทำงานนั้นได้จริงหรือไม่ ระบบคัดกรองแบบเดิมจึงตัดคนที่ใช้คำไม่ตรง หรือมีเส้นทางอาชีพที่ไม่ตรง ออกไปก่อนที่ HR คนไหนจะได้อ่านใบสมัครนั้นด้วยซ้ำครับ
รายงานชิ้นเดียวกันของ Harvard Business School ประเมินว่าในสหรัฐอเมริกามีคนกลุ่มที่เรียกว่า Hidden Workers มากกว่า 27 ล้านคน คือคนที่อยากทำงาน หรืออยากได้ชั่วโมงทำงานมากขึ้น แต่หลุดออกจากกระบวนการจ้างงานไปเรื่อยๆ ส่วนหนึ่งเป็นเพราะระบบคัดกรองให้น้ำหนักกับเงื่อนไขอย่างวุฒิการศึกษา หรือช่องว่างในประวัติการทำงาน มากกว่าความสามารถที่ทำงานนั้นได้จริง
แต่ข้อมูลชุดนี้เป็นข้อมูลของตลาดแรงงานตะวันตก ไม่ใช่ข้อมูลของไทยนะครับ แต่กลไกของปัญหาเหมือนกันทุกที่ที่ใช้ระบบกรองแบบเดียวกัน
ถ้าเทียบกับโลกโฆษณา นี่คือการตั้ง Targeting ด้วย Demographic ล้วนๆ อย่างผู้หญิง อายุ 25-34 ปี รายได้สูง อยู่กรุงเทพฯ แล้วเชื่อว่าได้กลุ่มเป้าหมายครบแล้ว ทั้งที่คนที่ซื้อจริงจำนวนไม่น้อยอยู่นอกกรอบนั้น นักการตลาดเรียนรู้เรื่องนี้มาหลายปีแล้ว แต่ฝั่งการหาคนเพิ่งเริ่มขยับตามครับ
อย่างที่การตลาดวันละตอนเคยเล่าไว้ในบทความ Talent Native Brand เรื่อง Recruitment Marketing ระบบกรองได้แค่สิ่งที่เขียนอยู่ใน Resume ส่วนความสามารถที่ไม่ได้เขียนไว้ก็หลุดไปเพราะไม่ตรงเงื่อนไข Keyword Filtering
ที่น่าคิดต่อคือผลสำรวจผู้บริหารในรายงาน Hidden Workers ที่ยกมาตอนต้น ที่เก็บข้อมูลช่วงต้นปี 2020 ก่อนยุค Generative AI ครับ ส่วนสิ่งที่ทำให้ปัญหานี้ซับซ้อนขึ้นไปอีกในวันนี้คือจากที่ผมสังเกต เห็นว่าผู้สมัครจำนวนมากเริ่มใช้ AI ช่วยปรับ Resume ให้ตรงกับคำในประกาศงาน และเมื่อทุกคนปรับคำให้ตรงได้เท่ากันหมด การจับคู่ด้วย Keyword ก็ยิ่งวัดได้แค่ว่าใครปรับคำเก่งกว่า ไม่ได้วัดว่าใครเหมาะกับงานมากกว่า และ HR ก็ได้ใบสมัครคล้ายกันเยอะขึ้นเรื่อยๆ ครับ
Personalised Targeting เมื่อ Jobsdb เอา Logic การยิงโฆษณามาใช้กับการหาคน
Personalised Targeting คือฟีเจอร์ของ Jobsdb by SEEK ที่ใช้ AI จับคู่ตำแหน่งงานกับผู้สมัครที่มีแนวโน้มตรงกับความต้องการ โดยเรียนรู้จากสองแหล่งพร้อมกัน คือเกณฑ์ของแต่ละองค์กร และพฤติกรรมของผู้สมัคร
ข้อมูลจาก Jobsdb เป้าหมายคือให้องค์กรโฟกัสกับผู้สมัครที่ใช่ได้มีประสิทธิภาพมากขึ้นครับ ในความเข้าใจของผมนี่คือการเปลี่ยนจากการรอใบสมัครแล้วมานั่งอ่านคัดเอง ไปสู่การให้ระบบช่วยพาคนที่มีน่าจะใช่เข้ามาหาตั้งแต่แรก
ฟีเจอร์เดียวกันนี้ถูกประกาศที่ฮ่องกงก่อนไทยราวหนึ่งเดือน ในประกาศของ Jobsdb by SEEK ช่วงงาน HR Conference 2026 ที่เผยแพร่เมื่อ 18 สิงหาคม 2569 ซึ่งอธิบายเพิ่มว่าระบบต่อยอดจากข้อมูลที่มี แล้วเรียนรู้จากกิจกรรมการจ้างงานและความต้องการของแต่ละตำแหน่งของนายจ้างแต่ละราย โดยการยิงเป้าจะแม่นขึ้นในทุกครั้งที่มีการจ้างงาน
ประโยคสุดท้ายนี่แหละที่ทำให้ผมมองฟีเจอร์นี้เป็นเรื่องการตลาดเต็มตัว ถ้าเอามาวางเทียบกับกลไกของการยิงโฆษณาที่นักการตลาดคุ้นเคย จะเห็นภาพแบบนี้ครับ (ตารางนี้เป็นการเทียบเพื่อให้เห็นภาพของผมเอง ไม่ใช่คำอธิบายทางเทคนิคจาก Jobsdb)
| กลไกในโลกโฆษณา | กลไกใน Personalised Targeting |
|---|
| Brief กลุ่มเป้าหมายที่แบรนด์กำหนด | เกณฑ์และความต้องการของแต่ละองค์กร |
| Behavioral Targeting จากพฤติกรรมผู้ใช้ | พฤติกรรมของผู้สมัคร |
| ข้อมูลผู้ใช้ทั้งแพลตฟอร์มที่ใช้หากลุ่มคล้าย | ข้อมูลที่แพลตฟอร์มสะสมไว้ |
| Conversion ที่ป้อนกลับให้ระบบ Optimize | การจ้างงานแต่ละครั้งที่ทำให้การยิงเป้าแม่นขึ้น |
ก่อนจะไปต่อผมขอยอมรับตรงๆ ว่าตัวเองก็เคยมองเว็บหางานเป็นแค่บอร์ดติดประกาศเวอร์ชันออนไลน์ องค์กรเอาประกาศไปแปะ แล้วรอดูว่าใครจะผ่านมาเห็น และเพิ่งมาเปลี่ยนความคิดตอนไล่อ่านวิธีการของ Personalised Targeting ว่าแบบนี้ไม่ใช่บอร์ดรับสมัครงานทั่วไปแล้ว แต่คือ Media ที่มีระบบ Targeting เป็นของตัวเอง และสิ่งที่แพลตฟอร์มขายจริงก็ไม่ใช่พื้นที่ลงประกาศ แต่คือความแม่นในการพาประกาศรับสมัครงานไปเจอคนที่ใช่ครับ
ส่วนที่น่าสนใจที่สุดในความเห็นของผมคือคำว่าพฤติกรรมของผู้สมัคร Resume คือ Declared Data หรือสิ่งที่ผู้สมัครเลือกบอกเกี่ยวกับตัวเอง ส่วนพฤติกรรมคือ Behavioral Data หรือสิ่งที่ผู้สมัครทำจริง ข้อมูลจาก Jobsdb ไม่ได้ลงรายละเอียดว่าพฤติกรรมแบบไหนถูกนำมาใช้บ้าง แต่ในทางหลักการนี่คือหลักเดียวกับที่การตลาดวันละตอนเคยถอดไว้ในเคส Data-Driven Marketing ของ Amazon ว่าสิ่งที่คนทำจริงมักบอกอะไรได้มากกว่าสิ่งที่คนบอกว่าตัวเองเป็น
และถ้ามองต่ออีกชั้น ข้อมูลพฤติกรรมของผู้หางานที่ Jobsdb น่าจะสะสมมาตั้งแต่เริ่มทำตลาดไทยในปี 2542 คือสิ่งที่คู่แข่งใน Category เลียนแบบได้ยากเป็นพิเศษ สิ่งที่ลอกได้คือหน้าตาของฟีเจอร์ แต่สิ่งที่ลอกไม่ได้คือข้อมูลว่าคนแบบไหนเหมาะกับงานแบบไหน ซึ่งยิ่งใช้นานก็ยิ่งแม่นขึ้นครับ
The Conversion Shift จากยอดสมัครสู่ยอดจ้าง
ในมุมของผมสิ่งที่ควรเปลี่ยนตามมาคือนิยามของคำว่าได้ผลครับ จากเดิมที่ความสำเร็จของประกาศงานวัดกันด้วยจำนวนใบสมัคร ไปสู่การวัดที่การได้คนที่ใช่เข้าทำงาน ซึ่งไม่ต่างจากตอนที่นักการตลาดเลิกวัดแคมเปญด้วย Reach อย่างเดียว แล้วหันไปดู Conversion ครับ
ลองนึกภาพประกาศงานที่ได้ใบสมัคร 300 ใบในสัปดาห์เดียว ฟังดูน่าดีใจสำหรับทีมที่วัดผลด้วยตัวเลขนี้ แต่สำหรับ HR ที่ต้องเปิดอ่านทีละใบ ตัวเลขนี้คือภาระงาน ถ้าใน 300 ใบนั้นมีคนที่ใช่อยู่แค่ไม่กี่คน จำนวนใบสมัครก็เป็นแค่ Vanity Metric แบบเดียวกับยอด Reach ที่ดูดีในรายงาน แต่ไม่ได้บอกว่าใครซื้อ
คุณดวงพร พรหมอ่อน กรรมการผู้จัดการ Jobsdb by SEEK ประเทศไทย อธิบายว่าฝ่ายทรัพยากรบุคคลมักเสียเวลาไปกับขั้นตอนการทำงานที่ซ้ำซ้อน Jobsdb จึงนำ AI มาสนับสนุนองค์กรใน 2 ด้าน คือ Better Targeting การเข้าถึงกลุ่มผู้สมัครที่เหมาะสมกับองค์กร และ Smarter Decisions การมีข้อมูลที่สำคัญครบถ้วนเพื่อสนับสนุนการคัดเลือก
Personalised Targeting คือครึ่งแรกของสมการนี้ ส่วนครึ่งหลังคือ Assist ผู้ช่วย AI ที่จัดอันดับใบสมัครตามเกณฑ์ขององค์กรพร้อมระบุเหตุผล สรุปข้อมูลสำคัญไว้เตรียมสัมภาษณ์ ช่วยตรวจสอบข้อมูลอ้างอิง และแนะนำขั้นตอนถัดไป พูดง่ายๆ คือตัวแรกทำให้คนที่ใช่เข้ามาในกรวย ส่วนตัวที่สองช่วยให้ HR ตัดสินใจเร็วขึ้นเมื่อคนเหล่านั้นเข้ามาแล้ว
ที่ผมอยากชวนคิดต่อคือ ในทางหลักการ ถ้าการจ้างงานคือ Conversion ที่ป้อนกลับให้ระบบเรียนรู้ ความฉลาดของระบบก็ขึ้นอยู่กับคุณภาพของข้อมูลที่ไหลกลับมาจากฝั่งองค์กรด้วย เหมือนแบรนด์ที่ติด Conversion Tracking ไม่ครบ ระบบโฆษณาก็จะ Optimize ไปหาคนที่กดคลิก ไม่ใช่คนที่ซื้อ องค์กรที่ปิดตำแหน่งงานแล้วไม่เคยบอกระบบว่าสุดท้ายจ้างใคร ก็อาจได้ระบบที่เรียนรู้ช้ากว่าองค์กรที่ส่งข้อมูลกลับก็เป็นได้ครับ
ทั้งหมดนี้ไปเชื่อมกับแคมเปญ Just Jobsdb it ที่มาพร้อมกันพอดี แนวคิดของแคมเปญคือ ไม่ต้องเสียเวลาหาคนที่ใช่ แค่ใช้ Jobsdb สิ่งที่แบรนด์สัญญากับลูกค้าจึงไม่ใช่จำนวนใบสมัครที่มากขึ้น แต่คือเวลาที่ HR ได้คืนมา และฟีเจอร์ทั้งสองตัวคือหลักฐานที่ทำให้คำสัญญานั้นจับต้องได้ ซึ่งเป็นการสื่อสารที่ผูก Benefit เข้ากับ Product ได้แน่นกว่าการบอกว่ามี AI เฉยๆ เยอะครับ
The Feedback Loop Risk สิ่งที่ต้องระวังเมื่อ AI เรียนรู้จากการจ้างครั้งก่อน
ความเสี่ยงหลักของระบบที่เรียนรู้จากการจ้างงานในอดีต คือระบบอาจเรียนรู้ Bias ในอดีตครับ ถ้าองค์กรเคยจ้างแต่คนโปรไฟล์แบบเดิมซ้ำๆ ระบบที่เก่งเรื่องหาคนคล้ายเดิมก็มีแนวโน้มจะพาโปรไฟล์แบบเดิมกลับมาอีก ความแม่นจึงมาพร้อมโจทย์ว่าเรากำลังแม่นไปในทิศที่ถูกหรือเปล่าครับ
หนึ่งในเคสที่ถูกยกมาเตือนบ่อยมากคือระบบให้คะแนน Resume แบบ 1 ถึง 5 ดาวที่ Amazon ทดลองพัฒนาขึ้น ตามรายงานของ Reuters ที่ Euronews นำมาเผยแพร่เมื่อเดือนตุลาคม 2018 ระบบนี้เรียนรู้จาก Resume ที่ส่งเข้ามาย้อนหลัง 10 ปี ซึ่งส่วนใหญ่มาจากผู้ชาย ผลคือระบบลดคะแนนใบสมัครที่มีคำว่า women’s อย่างเช่นกัปตันชมรมหมากรุกหญิง สุดท้าย Amazon ยุบทีมที่ทำโปรเจกต์นี้ไปตั้งแต่ต้นปี 2017 หลังผู้บริหารหมดความหวังกับโปรเจกต์ โดยผู้ให้ข้อมูลในรายงานระบุว่าทีมสรรหาดูคะแนนจากระบบประกอบ แต่ไม่เคยใช้คะแนนนั้นตัดสินเพียงอย่างเดียว
จากเคสนี้และวิธีการทั้งหมดที่เล่ามา ผมมองว่ามีอย่างน้อย 4 เรื่องที่บริษัทควรคิดให้ครบก่อนปล่อยให้ AI ช่วยหาคนที่ใช่ให้
- Past Bias Loop ระบบที่เรียนรู้จากการจ้างครั้งก่อน อาจเพิ่มความลำเอียงที่บริษัทเคยมีโดยไม่รู้ตัว
- Sameness Risk ทีมที่ได้คนหน้าตาโปรไฟล์คล้ายกันไปหมด อาจเสียมุมมองใหม่ที่ธุรกิจต้องการในวันที่ตลาดเปลี่ยน
- Cold Start ตำแหน่งงานใหม่ หรือธุรกิจขนาดเล็ก SME ที่จ้างไม่บ่อย น่าจะมีข้อมูลให้ระบบเรียนรู้น้อยกว่าองค์กรใหญ่
- Candidate Transparency ผู้สมัครไม่รู้ว่าทำไมตัวเองเห็นหรือไม่เห็นงานบางตำแหน่ง ซึ่งกระทบความรู้สึกเรื่องความเป็นธรรมได้
ข้อดีคือจุดยืนที่ Jobsdb วางไว้ชัดตั้งแต่แรก ข้อมูลจาก Jobsdb ย้ำว่าข้อมูลที่เป็นระบบช่วยให้ HR เห็นคุณลักษณะของผู้สมัครชัดขึ้น แต่การพิจารณาความเหมาะสมยังต้องอาศัยดุลยพินิจขององค์กรเสมอ และการตัดสินใจขั้นสุดท้ายยังเป็นบทบาทของ HR ซึ่งเป็นดีไซน์ที่ถูกทางสำหรับงานที่ผลของการตัดสินใจกระทบชีวิตคนจริงครับ
4 บทเรียน Recruitment Targeting ที่นักการตลาดและ HR เอาไปใช้ได้
เล่ามาถึงตรงนี้ผมว่าเราคงได้เห็นทั้งปัญหาของการกรองคนด้วย Keyword เห็นวิธีการของ Personalised Targeting ที่ยกหลักการยิงโฆษณามาใช้กับการหาคน เห็นการเปลี่ยนตัววัดจากยอดสมัครเป็นยอดจ้าง และเห็นความเสี่ยงที่มาพร้อมระบบที่เรียนรู้จาก Data ในอดีต
คำถามต่อไปที่นักการตลาดอย่างเราน่าจะอยากรู้ก็คือ ถ้าองค์กรของเราไม่ได้เป็นแพลตฟอร์มหางาน แต่เป็นคนที่ต้องหาคนเข้าทีมเหมือนทุกธุรกิจ วิธีคิดชุดนี้จะเอาไปใช้ได้อย่างไร ผมสรุปออกมาเป็น 4 บทเรียนแบบนี้ครับ
1. Conversion over Volume วัดที่คนที่ใช่ ไม่ใช่จำนวนใบสมัคร
เปลี่ยน KPI ของการหาคนจากจำนวนใบสมัคร ไปเป็นตัวที่ใกล้ผลลัพธ์จริงมากขึ้น เช่น สัดส่วนผู้สมัครที่ผ่านเข้าสัมภาษณ์ สัดส่วนที่ได้รับข้อเสนอ หรือสัดส่วนคนที่อยู่ผ่านช่วงทดลองงาน ตัววัดแบบนี้บอกได้ว่าประกาศงานและช่องทางไหนพาคนที่ใช่เข้ามาจริง ไม่ใช่แค่พาคนเข้ามาเยอะ
ลองนึกภาพร้านกาแฟที่หาบาริสต้า 2 คน ประกาศในช่องทางแรกได้ใบสมัคร 150 ใบ แต่ผ่านสัมภาษณ์แค่ 3 คน ส่วนอีกช่องทางได้ 20 ใบ แต่ผ่าน 8 คน ถ้าวัดด้วยจำนวนใบสมัคร ช่องทางแรกชนะขาด แต่ถ้าวัดที่คนที่ใช่ ช่องทางที่สองคุ้มเวลาเจ้าของร้านกว่าหลายเท่าครับ
2. Behavioral Fit over Keyword Match ดูสิ่งที่คนทำ มากกว่าคำที่คนเขียน
ในขั้นคัดกรอง ให้น้ำหนักกับหลักฐานของพฤติกรรมและผลงาน มากกว่าการเช็คว่า Resume มีคำที่ตรงกับประกาศครบหรือเปล่า เงื่อนไขอย่างชื่อตำแหน่งเดิมหรือจำนวนปีประสบการณ์ ควรเป็นแค่ตัวช่วยอ่าน ไม่ใช่ประตูที่ปิดใส่คนตั้งแต่แรก
ลองนึกภาพแบรนด์ค้าปลีกที่หาผู้จัดการสาขา แล้วตั้งเงื่อนไขว่าต้องเคยเป็นผู้จัดการร้านค้าปลีกมาก่อน ผู้สมัครที่เคยดูแลร้านอาหารที่มีพนักงาน 20 คน คุมสต็อก และรับมือลูกค้าหน้าร้านทุกวัน จะหลุดไปทันทีทั้งที่ทักษะแทบจะตรงกันทุกข้อ
3. Closed-Loop Feedback บอกระบบเสมอว่าใครคือคนที่ใช่
ไม่ว่าจะใช้แพลตฟอร์มไหนหรือใช้ระบบภายในองค์กรเอง ให้บันทึกผลลัพธ์ปลายทางกลับเข้าไปเสมอ ว่าสุดท้ายจ้างใคร คนไหนผ่านช่วงทดลองงาน คนไหนทำผลงานได้ดีในปีแรก ข้อมูลชุดนี้คือ Conversion Data ของการหาคน ถ้าไม่มี ระบบก็เรียนรู้ได้แค่ว่าใครกดสมัคร ไม่ได้เรียนรู้ว่าใครคือคนที่ใช่
ลองนึกถึงทีมการตลาดที่ยิงโฆษณาโดยไม่ได้ส่งข้อมูลยอดขายหน้าร้านกลับเข้าระบบเลย สุดท้ายระบบจะหาคนที่ชอบกดโฆษณาเก่งขึ้นเรื่อยๆ แต่ยอดขายไม่ขยับ การหาคนก็เจอปัญหาเดียวกันได้ถ้าไม่ปิดวงจรข้อมูลครับ
4. Message-Target Fit ประกาศงานต้องพูดภาษาเดียวกับคนที่ใช่
Targeting ที่แม่นแค่ไหน ถ้าพาประกาศงานที่เขียนแบบ Copy Template ไปเจอคนที่ใช่ ก็ยังจบที่คนเลื่อนผ่านได้อยู่ดี ประกาศงานคือ Ad Creative ของการหาคน และเป็นจุดที่นักการตลาดในองค์กรช่วย HR ได้มากเป็นพิเศษ ทั้งเรื่องการเล่าว่างานนี้ได้ทำอะไรจริง และทำไมคนเก่งควรเลือกที่นี่ ใครอยากเห็นตัวอย่างแบรนด์ที่ทำการหาคนให้เป็นแคมเปญการตลาดเต็มตัว การตลาดวันละตอนเคยรวมเคสไว้ในบทความHiring Marketing จ้างงานอย่างไรได้ทั้งคน ได้ทั้งลูกค้า และแบรนด์องค์กร
ลองนึกภาพประกาศงานสองแบบ แบบแรกขึ้นต้นว่ารับสมัครเจ้าหน้าที่การตลาด คุณสมบัติจบปริญญาตรี มีประสบการณ์ 2 ปี ส่วนแบบที่สองเล่าว่าในเดือนแรกคุณจะได้ดูแลแคมเปญเปิดสาขาใหม่ร่วมกับทีม 4 คน คนที่อยากทำงานแบบนั้นจริงจะหยุดอ่านแบบที่สองก่อนเสมอครับ
Talent Targeting สรุปบทเรียน Jobsdb Personalised Targeting ที่นักการตลาดจำเป็นต้องรู้
สิ่งที่ Jobsdb ประกาศรอบนี้ ผิวนอกคือฟีเจอร์ AI สองตัวสำหรับ HR แต่แก่นข้างในคือการเปลี่ยนบทบาทของเว็บหางาน จากบอร์ดที่รอให้คนเดินผ่านมาเห็น ไปเป็น Media ที่ยิงเป้าหาคนได้ และเรียนรู้จากผลลัพธ์ของการจ้างงานทุกครั้ง ซึ่งเป็นเส้นทางเดียวกับที่วงการโฆษณาเดินผ่านมาแล้วเมื่อหลายปีก่อน
และถ้าให้ผมรวบทุกอย่างที่เล่ามาทั้งบทความนี้ให้เหลือเพียงคำเดียว คำนั้นคือ Talent Targeting หรือการยิงเป้าหาคนด้วยวิธีคิดของนักการตลาด หัวใจของวิธีคิดนี้ไม่ใช่การได้ใบสมัครเยอะขึ้น แต่คือการรู้ว่าคนที่ใช่มีพฤติกรรมแบบไหน แล้วทำให้ระบบรู้ตามด้วยการบอกผลลัพธ์กลับไปทุกครั้ง โดยที่คนยังเป็นผู้ตัดสินใจขั้นสุดท้ายเสมอ
นับจากนี้ไป การหาคนจะไม่ใช่งานของ HR ฝ่ายเดียวอีกต่อไป แต่จะกลายเป็นโจทย์ที่ต้องใช้ทั้ง Data การวัดผล และการสื่อสารแบบเดียวกับการทำการตลาด ถ้าองค์กรยังวัดความสำเร็จของการหาคนด้วยจำนวนใบสมัครอยู่ คุณอาจกำลังเสียเวลาไปกับกองใบสมัครที่ไม่มีวันกลายเป็นคนที่ใช่อย่างน่าเสียดายครับ
FAQ คำถามที่พบบ่อยเกี่ยวกับ Jobsdb Personalised Targeting
Jobsdb Personalised Targeting คืออะไร
Personalised Targeting คือฟีเจอร์ของ Jobsdb by SEEK ที่ใช้ AI จับคู่ตำแหน่งงานกับผู้สมัครที่มีแนวโน้มตรงกับความต้องการขององค์กร โดยเรียนรู้จากเกณฑ์ของแต่ละองค์กรและพฤติกรรมของผู้สมัคร ประกาศในไทยเมื่อวันที่ 18 กันยายน 2569 และตามคำอธิบายของ Jobsdb by SEEK การยิงเป้าจะแม่นขึ้นในทุกครั้งที่มีการจ้างงาน
Personalised Targeting ต่างจากการคัดกรองใบสมัครด้วย Keyword อย่างไร
การคัดกรองด้วย Keyword ตัดสินจากคำที่ผู้สมัครเขียนไว้ใน Resume ว่าตรงกับเงื่อนไขหรือไม่ ส่วน Personalised Targeting ในความเข้าใจของผม ทำงานตั้งแต่ก่อนมีใบสมัคร ด้วยการช่วยพาตำแหน่งงานไปเจอผู้สมัครที่มีแนวโน้มเหมาะสม โดยดูทั้งเกณฑ์ขององค์กรและพฤติกรรมของผู้สมัคร เทียบกับโลกโฆษณาคือความต่างระหว่างการกรองคนด้วยเงื่อนไขตายตัว กับการใช้ Behavioral Targeting ที่เรียนรู้จากผลลัพธ์จริง
Personalised Targeting กับ Assist ของ Jobsdb ต่างกันอย่างไร
สองฟีเจอร์นี้ทำงานคนละช่วงของการหาคน Personalised Targeting อยู่ฝั่ง Better Targeting คือช่วยให้องค์กรเจอผู้สมัครที่ใช่ ส่วน Assist อยู่ฝั่ง Smarter Decisions คือผู้ช่วย AI ที่จัดอันดับใบสมัครตามเกณฑ์ขององค์กรพร้อมเหตุผล สรุปข้อมูลเตรียมสัมภาษณ์ และช่วยตรวจสอบข้อมูลอ้างอิง โดยการตัดสินใจขั้นสุดท้ายยังเป็นของ HR
องค์กรควรระวังอะไรเมื่อใช้ AI ช่วยหาผู้สมัคร
เรื่องสำคัญที่ควรระวังคือ AI ที่เรียนรู้จากการจ้างงานในอดีตอาจทำซ้ำ Bias เดิมขององค์กร และทำให้ได้คนโปรไฟล์คล้ายกันไปหมด องค์กรจึงควรทบทวนผลลัพธ์ของระบบเป็นระยะ เปิดช่องให้ผู้สมัครที่มีเส้นทางอาชีพไม่เป็นเส้นตรง และให้คนเป็นผู้ตัดสินใจขั้นสุดท้ายเสมอ รวมถึงบันทึกผลการจ้างงานกลับเข้าระบบ เพื่อให้ระบบเรียนรู้จากคนที่ใช่จริง ไม่ใช่แค่คนที่กดสมัคร
