接了一个新职位，把JD从头到尾读了三遍，自认为理解透了。
开始找人。关键词敲进去，刷出来一批简历，看着都挺符合——学历、年限、行业背景，一条条对得上。满怀信心推过去，初面一过，客户反馈回来了：这个人方向不对、那个缺少某块经验、还有一个沟通方式跟团队不太合。
推荐的几个人，全军覆没。
问题出在哪？职位理解停留在“读JD”的层面，没有深入到“读行业”的层面。
JD是客户写的，写的是“要什么样的人”。但客户没写的那些东西——这个岗位放在团队里的真实定位是什么、跟竞品公司比需要什么差异化能力、市场上这样的人分布在哪些公司的哪些团队——这些信息，JD上一个字都没有。
把这些问题搞清楚的过程，就叫 Mapping。
Mapping是猎头的分水岭
只会看JD的猎头，和能做Mapping的猎头，面对同一个职位，看到的完全是两个世界。
只会看JD的猎头看到的是：一个岗位描述——需要什么学历、几年经验、哪些技能。
能做Mapping的猎头看到的是：一张人才地图——这个岗位在行业里面对标哪些公司、那些公司里相关团队怎么配置的、哪些人可能看机会、谁跟谁可能是前同事、这个行业的人才流动趋势是什么。
Mapping是猎头从“简历搬运工”变成“行业专家”的分水岭。一个职位Mapping做透了，推荐的人选命中率会高出几倍，因为每一次推荐都建立在“懂行业”的基础上，而不是“看简历”的基础上。
一张好的Mapping报告长什么样
一份让客户愿意“抢着要”的Mapping报告，不需要多厚，但需要包含以下核心信息：
对标公司清单：这个岗位在市场上对标哪些公司的哪些部门。不是泛泛地列一个行业名单，而是具体到“某公司某业务线的某类型团队”。
组织架构草图：每一家对标公司里，相关团队的架构是什么样的。团队负责人是谁、下面分几个小组、每个小组的职能侧重是什么、团队规模大概多少。
关键人员分布：这些团队里，谁在什么位置、大概从业年限、过往履历背景、业内口碑如何。不用列详细简历，但要有“谁是谁”的基本判断。
人才流动趋势：这个细分领域里，最近人才往哪个方向流、哪些公司成了新的“黄埔军校”、哪些公司人员流失率偏高、原因大致是什么。
这四块信息拼在一起，客户拿到手就知道：这个猎头懂这个行业，不是来碰运气的。
一个AI算法岗的Mapping流程
用一个真实的流程来拆解。假设接了一个AI算法工程师的岗位，方向是AI芯片上的模型部署。
第一步，拆解JD里的关键信息。 不只看技能清单，先找出三个核心要素：赛道、职能、层级。赛道是AI芯片、职能是算法部署、层级是高级工程师到资深专家。这三个要素定下来，找人的范围就有了边界。
第二步，锁定对标公司。 这个赛道上，哪些公司有类似团队？头部大厂的芯片部门、几家AI芯片创业公司、传统芯片厂商新成立的AI部门、以及几家跟这个方向相关的自动驾驶公司。列出一份20家左右的对标名单。
第三步，逐个公司画组织架构。 这一步不需要内部信息，靠公开资料和行业人脉拼凑就够了。LinkedIn上搜索公司名称+相关职位关键词，看职位分布；行业新闻里找团队负责人的公开演讲或采访；脉脉上看相关公司员工的履历标签。
第四步，精准捞人。 有了对标公司和架构认知之后，搜索就不是盲目的了。知道要搜哪些公司、哪些部门、哪些职级，关键词组合就清晰了。
比如LinkedIn上用这样的指令：
site:linkedin.com/in/ ("AI芯片" OR "深度学习部署" OR "模型优化") "算法工程师" (某芯片公司 OR 某大厂芯片部门) -intitle:jobs
脉脉上直接搜索公司名称+部门关键词，过滤出来的人选列表里，每个人都能对应到第三步画出来的架构图上。知道这个人“在哪条线上、在什么位置”，沟通的时候就有方向了。
第五步，持续补点。 跟每位候选人沟通时，顺便问一句：“您觉得这个方向上，还有哪些公司的团队做得不错？” 候选人的回答会不断丰富那张地图。每沟通一个人，地图就完善一点。
Mapping做完，推荐就变简单了
Mapping做透之后，给客户推荐人选就变成了一件很“轻”的事。
因为已经知道市场上这个方向的人才分布在哪儿、谁可能合适、谁大概不看机会。推过去的人选，每一个都经过了“能不能对上客户真实需求”的校验，而不是“简历上关键词匹配”的校验。
客户初面通过率，自然就上去了。
弗兰克组织的“兼职猎头”社群，把Mapping作为做单前的必修课。每一个职位启动之前，先拉一张对标地图出来，大家共享信息、互相补点。地图画清楚了，共同做单的效率就高了很多，实现了高效的成交。
猎头的功力，不在搜了多少人，在地图画得有多准。
下一次接到新职位，不急着搜简历。先画一张地图。地图画好了，人就自己浮现出来了。
