招募指標的信賴區間

招募指標的信賴區間（CI），是在流程比率或時長的周圍標出一個範圍，說明在既定的資料產生設計下，還剩下多少抽樣不確定性。它只用來描述流程的不確定性，不能用來預測候選人表現、判斷公平性，或預估下一次錄用。

下面這份指南幫助創辦人為單一招募指標寫一份衡量說明。想決定先追蹤哪些指標，請參考我們的小型團隊招募指標。

招募指標的衡量說明要寫些什麼？

招募指標的衡量說明先寫決策，再寫區間。只有在母體、事件和時間範圍都定義清楚時，信賴區間才有用。請記錄以下欄位：

欄位	設計問題
決策問題	這個指標可以支援什麼行動？由誰負責？
單位	一筆觀察值是一位候選人、一份應徵、一個面試時段、一份職缺申請，還是一個職缺？
分子	到底什麼才算這個事件？
分母	哪些符合資格的單位有可能產生這個事件？
目標母體	這個主張針對的是這一批流程群組、一組職缺樣本，還是其他母體？
群組規則	適用哪些納入、排除、去除重複和成熟度規則？
時間範圍	起訖時間戳記、時區和流程版本各是什麼？
缺漏值	未知、撤回、延遲或不適用的紀錄要怎麼表示？
方法	在看到結果之前，選定了哪一種信賴區間方法和信賴水準？
實務門檻	落在什麼範圍會改變一項有人負責的行動？什麼範圍不會？
負責人與更新	誰負責重現計算、檢查來源，並訂下一次的日期？

美國 CDC 的 Field Epidemiology Manual（2024 年 8 月 8 日發布，2026 年 9 月 5 日查閱）把母體、樣本和分析都放進設計裡。一份有用的說明可能會寫：「針對職缺版本 3，以每個職缺每位候選人只計一次的方式，估算已成熟的已排定面試完成率，再檢查排程。」它不會寫：「找出真正的錄用率。」

如何固定分母、群組和時間範圍

先固定分母。對於是／否型的流程事件，比率是：

rate = qualifying events / eligible denominator units

分母是在相同範圍下有可能經歷這個事件、且符合資格的單位，而不是一個方便取得的數字。記錄單位是不重複的個人、應徵、面試時段還是職缺申請；把重複的資料列當成彼此獨立，會讓區間過窄。去除重複或為群聚結構建模，並寫明你的選擇。

計算前先關閉群組。還開著的職缺申請或剛發出的邀請，還沒有和成熟紀錄一樣的機會。加上一條事件延遲規則（例如：排定日期至少要在資料擷取日的七天前）。讓時間戳記、時區和流程版本保持可見；定義一旦改變，就要開一條新的序列或建立銜接。把未知、缺漏、撤回、重複和不適用的值和零分開。

信賴區間對招募指標說明了什麼？

95% 信賴區間的意思是：如果用同樣的方法重複抽樣很多次，大約 95% 的區間會包含真實值。它不是針對這一個已經算出來的區間所做的 95% 機率陳述。

對於樣本估計值（theta-hat），信賴水準為 1 - alpha 的雙尾區間，通常寫成：

estimate +/- critical value x standard error

NIST 的說明（2026 年 9 月 5 日查閱）提供了重複抽樣的解讀。CDC 的分析指引（同日查閱）描述了和資料相符的數值範圍，並提醒精確度無法處理偏誤。區間寬度代表精確度，不是品質分數。

每種招募指標適合哪一種信賴區間方法？

平均值和時長用 t 區間；簡單比率（例如完成率）用 Wilson 區間。

平均值與時長

對於 n 筆獨立的時長觀察值，估計標準差為 s 時，平均值常用的區間採用 t 分布：

mean +/- t(1 - alpha/2, n - 1) x s / sqrt(n)

內部流程通常需要估計標準差，所以教學上預設使用 t 形式。NIST 的平均值參考資料（2026 年 9 月 5 日查閱）支持這個做法。如果時長分布偏斜、有同值或有設限資料，就改報中位數／四分位距（IQR），或使用經過審查的 bootstrap 或存活分析方法。

比例

如果有 x 個符合條件的事件，分母是 n 個符合資格的單位：

p-hat = x / n

常見的 Wald 近似法是：

p-hat +/- z(1 - alpha/2) x sqrt(p-hat x (1 - p-hat) / n)

它可能延伸到 0 以下或 1 以上，在樣本小或比例極端時表現不佳。對於簡單、獨立的比例，Wilson 通常是比較好的預設選擇。設 z = z(1 - alpha/2)：

centre = (p-hat + z^2 / (2n)) / (1 + z^2 / n)

half-width = z x sqrt(p-hat x (1 - p-hat) / n + z^2 / (4n^2)) / (1 + z^2 / n)

Wilson CI = centre +/- half-width

NIST 的比例參考資料（2026 年 9 月 5 日查閱）記載了 Wilson 區間和精確二項區間。保留 x、n、alpha、群組和資料擷取日期。差值、比值、勝算比和群聚觀察值需要依設計選擇方法；絕對不要拿兩個獨立信賴區間的端點相減。

招募樣本很小時怎麼處理

沒有通用的有效樣本數門檻。需要多少，取決於估計目標、期望的半寬、信賴水準、變異程度、設計和實務門檻。CDC 指引指出，樣本的選取和大小應該反映設計、資源和有意義的差異；一個小而完整的群組可以描述它自己，但無法支撐更廣的主張。

為簡單比例做粗略的規劃計算時，如果 m 是期望的半寬，p 是預期比例：

n approximately z^2 x p x (1 - p) / m^2

如果對 p 沒有站得住腳的先驗值，0.5 會給出最大的簡單比例變異數，得到保守的近似值。這是規劃輔助，不是取整數的停止規則；群聚、加權、序列式或非機率抽樣設計需要其他前提假設。

事件數為 0、單位數為 4 時，常態公式算出的標準誤是零，會錯誤地暗示結果很確定。95% Wilson 區間大約是 0% 到 49.0%；雙尾精確二項區間大約是 0% 到 60.2%。四筆觀察值無法證明底層比率接近零。如果資料是一個完整且已關閉的群組，就要說明這個區間只是描述性的輔助，並保留衡量、缺漏值和外推上的但書。

採取行動前，如何解讀信賴區間

在看結果之前先設定實務門檻。把延誤成本、營運風險和下一步診斷都納入；統計門檻不是雇用規則。

對照事先宣告的門檻，結果是	適當的解讀
區間完全低於門檻	在這個方法下，資料和低於門檻的比率相符；在歸咎原因之前，先調查資料擷取、流程阻力和事件定義。
區間跨過門檻	在這個設計下，估計值不夠精確，無法和門檻區分；蒐集更多證據、延長成熟群組，或進行範圍明確的診斷。
區間完全高於門檻	對這個群組而言，資料和高於門檻的比率相符；確認結果可以比較，並判斷門檻是否仍代表原本想採取的行動。
區間非常寬	把這個決定視為尚未解決。寬區間不能證明流程好或不好。
區間很窄，但問題或分母很薄弱	修正衡量方式。精確度無法讓有偏誤或不相符的定義變得有效。

不要把跨過門檻解讀成「沒有效果」，也不要把超過門檻當成對錄取、品質或營運績效的預測。如果要多次查看結果，請事先規定好；一直檢查到出現想要的區間為止，會改變解讀的前提。

虛構的計算範例：面試完成率

在這個虛構範例中，30 場已排定的面試有 12 場完成（40%）。95% Wilson 區間大約是 24.6% 到 57.7%，跨過了 50% 的門檻，所以得不出通過或不通過的結論。這些數字只是虛構的算術。

一位創辦人為職缺版本 v3 定義了一個流程指標：已排定第一次面試的不重複候選人中，在排定時段內完成該場面試的比例。群組涵蓋 2026 年 6 月 1 日到 7 月 31 日。30 場已排定的面試都已超過排定日期至少七天，符合成熟度規則。其中 12 場記錄為已完成：

p-hat = 12 / 30 = 0.40 = 40%

使用 z = 1.96 的雙尾 95% Wilson 區間：

centre = (0.40 + 1.96^2 / (2 x 30)) / (1 + 1.96^2 / 30) approximately 0.411

half-width approximately 0.166

95% Wilson CI approximately 24.6% to 57.7%

這位虛構的負責人把 50% 設為診斷門檻。因為區間跨過了這個門檻，所以不能做出通過／不通過的判斷。逐一核對 18 場未完成的面試，檢查重複／取消的編碼方式，以及成熟度是否一致，然後訂下一個有日期的重新衡量時間。這個結果完全無法說明候選人的投入程度、面試官的品質或招募成效。

保留分子、分母、方法、信賴水準、流程版本、成熟度規則、資料擷取紀錄和負責人。如果提醒政策在時間範圍中途改變，就把結果拆開或分版本。想每週追蹤原始計數，請參考我們附 COUNTIFS 公式的招募儀表板指南。

什麼時候該把招募指標標為 HOLD

只要符合以下任何一項，就把指標標為 HOLD，並在使用區間之前先修正設計：

分子事件或符合資格的分母無法從來源紀錄重現；
群組仍在開放中、事件延遲未知，或紀錄成熟的機會不相等；
候選人、應徵、面試時段和職缺申請混在一起，卻沒有單位規則；
重複、群聚、加權或反覆的觀察值未經審查，就被當成彼此獨立；
流程、狀態定義、負責人或資料擷取方式改變了，卻沒有版本斷點或銜接；
缺漏、撤回、隱藏或不適用的值被編碼為零；
一個方便取得的子集被當成全公司或市場層級的估計值；
對小樣本或極端比例，選用了沒有邊界限制的常態近似公式；
區間太寬，無法對照事先宣告的實務門檻做判斷；
群體層級的區間被當成個人雇用決策的規則；或
想得到的結論是基準值、錄用機率、候選人品質主張、因果解釋或結果保證。

可能的處置方式有作為限定範圍的背景資訊使用、修正衡量方式、蒐集成熟的群組、規劃範圍明確的診斷或結束這次比較。有紀錄的未知也是有效的結論。

Talent Summoner 在招募指標衡量中的位置

Talent Summoner 不參與衡量本身。由你授權的負責人定義指標、樣本和分母，並持續負責權限、來源品質、方法、查證和雇用決策。Talent Summoner 是我們的人才搜尋與候選人排序產品。它的候選人排序工具（2026 年 10 月 3 日查閱）會依你提供的職缺說明，整理你提供的候選人資料，交由人來審閱。

為招募指標套用信賴區間：從哪裡開始

建置儀表板之前，先為一個已成熟的指標完成這份說明：

重現 x 和 n；
保存群組和時間範圍規則；
選定方法和信賴水準；
寫下門檻；
指定負責停止條件的人。

只把候選人排序用在它另外那套由人審閱的流程上。

對招募指標來說，95% 信賴區間代表什麼？

在對同一個已定義的母體、用同一種方法重複抽樣的情況下，大約 95% 的區間會涵蓋那個固定的母體參數。它不是針對這一個算出來的區間所做的 95% 機率陳述，也無法修正有偏誤的樣本或錯誤的分母。

招募漏斗比率的正確分母是什麼？

使用在相同範圍和時間範圍內有可能產生該事件、且符合資格的單位，例如計算面試完成率時，就用已成熟的已排定面試。把單位、排除條件、去除重複、事件延遲和缺漏值規則放在結果旁邊。

招募樣本很小時，應該用常態公式嗎？

對於小樣本或極端比例，通常不應該。Wald 區間可能沒有邊界限制，或在邊界時標準誤為零。簡單比例請使用有紀錄的 Wilson 或精確二項方法；群聚、加權或重複資料，則要尋求依設計而定的建議。

多少筆觀察值才夠？

沒有通用的數字。根據期望的精確度、預期的變異程度、信賴水準、抽樣設計和實務門檻來規劃。一個小而完整的群組可以用於範圍明確的診斷，但仍不適合支撐更廣的主張。

區間很窄，就能證明招募流程很好嗎？

不能。窄只代表在所選前提假設下的精確度；效度、公平性、因果關係、候選人品質、未來表現和結果，都需要另外的證據。

Talent Summoner 能幫我的招募漏斗計算信賴區間嗎？

不能。Talent Summoner 的候選人排序流程會依你提供的職缺說明，整理你提供的候選人資料。由你授權的負責人或統計顧問定義母體、分母、群組和抽樣設計，並負責衡量和錄用決策。

查閱過的來源

以下每個來源都是方法論參考資料，各自標有查閱日期：

NIST/SEMATECH e-Handbook: What are confidence intervals?，方法論參考資料；2026 年 9 月 5 日查閱。
NIST/SEMATECH e-Handbook: Confidence Limits for the Mean，方法論參考資料；2026 年 9 月 5 日查閱。
NIST/SEMATECH e-Handbook: Confidence Intervals for Proportions，Wilson 和精確二項方法；2026 年 9 月 5 日查閱。
CDC Field Epidemiology Manual: Collecting Data，章節於 2024 年 8 月 8 日發布；2026 年 9 月 5 日查閱。
CDC Field Epidemiology Manual: Analyzing and Interpreting Data，章節於 2024 年 8 月 8 日發布；2026 年 9 月 5 日查閱。

依賴所選的方法論來源之前，先重新打開它，保存來源版本和參考日期；只要分母、群組、成熟度規則、相依結構或實務決策規則不清楚，就讓指標維持 HOLD。