派遣行业 Lark 解决方案全景
日本語 Lark 文档

面向日本派遣与业务委托行业

Lark 解决方案全景图

将派遣与业务委托业务中分散的人才、案件、现场、合同与收益信息整合到 Lark 上，让 AI 与业务数据形成判断、执行、改善的闭环，打造 Staffing Operating System。

执行摘要 用同一套业务数据驱动派遣业务的利润结构

在 Lark 上连接案件、人才、稼动、合同与收益，构建直接影响成约率、请款准确性和毛利改善的业务 OS。

共同基础 Lark Base + Messenger + AI 用同一个业务上下文管理人才、案件、客户、稼动与收益。
01 提升成约 更快给出案件 × 人才的推荐与判断材料。 Matching
02 规范稼动 将排班、日报、考勤差异汇总到同一记录。 Operation
03 可视化毛利 连接单价、成本与销售额，推动月度改善。 Profit
价值产出
成约率提升 减少现场录入 检测考勤差异 毛利可视化

1. 希望解决的行业课题

派遣与业务委托的难点，不只是像餐饮、护理那样管理自家公司员工的排班。人才公司、派遣先、工作人员三方共同参与，案件条件、合同单价、考勤审批、请款、教育跟进都会绑定到同一条稼动记录上。

市场规模大，而且每一条记录的管理颗粒度很细

日本厚生劳动省令和 6 年度（2024 年度）劳动者派遣事业报告显示，派遣劳动者人数、派遣先件数、年销售额都处于很大规模。因此，派遣行业的 DX 不是单纯导入聊天工具，而是需要同时管理每一条稼动记录对应的销售额、成本、法务风险和现场跟进。

约 220 万人令和 6 年度的派遣劳动者人数。这意味着人才档案、期望条件、技能更新都需要持续管理。
约 86 万件派遣先件数。按客户划分的审批规则、日报格式、合同条件很容易分散。
9 兆 9,005 亿日元年销售额。按月准确查看稼动时间、单价、成本与毛利，价值很高。
三方关系雇佣公司、工作者与就业务先相互分离，信息和责任归属容易变得不清楚。

来源：日本厚生劳动省《令和 6 年度劳动者派遣事业报告书汇总结果（速報）》

Operational Efficiency

与餐饮、护理相近的是现场运营效率化

排班、考勤、缺勤跟进、日报、教育和现场联络，是餐饮店和护理机构也共同存在的“减轻现场负担”的领域。即使只做这部分，也能减少录入并防止沟通遗漏。

Shift日报考勤教育联络
Profit Core

派遣与委托的核心在于：稼动本身直接变成销售额和毛利

Lark 的派遣解决方案不只是现场管理，而是把案件与人才 Matching、合同条件、考勤审批、请款、毛利连接到同一条稼动记录上。因为它直接影响成约率、请款准确性和成本管理，所以更贴近派遣行业的利润结构。

案件人才推荐稼动请款毛利
Revenue Driver收入入口：案件 × 人才的连接能否基于技能、期望条件、可稼动性和客户要求快速推荐，会左右成约率和稼动开始速度。
派遣利润的流向推荐 → 稼动 → 请款 → 毛利
Profit Control利润出口：按案件、客户查看毛利如果不核对合同单价、稼动时间、成本与销售额，到月底前就很难看清收益改善动作。

Lark 的价值：将人才、案件、客户主数据化，并在同一条稼动记录和同一套沟通体系中运营 AI Mapping、Shift、日报、考勤审批、成本、销售额、毛利和咨询应对。

2. 更容易适用的派遣、业务委托领域与客户画像

适用度不只看行业名称，而是看“人的稼动被管理得有多细”。日次稼动、客户别规则、人才 Matching、收益管理这四项越多，Lark 与 AI 的价值越容易显现。

01日次稼动Shift、日报、考勤每天都在发生
02客户别规则每个现场的截止日、审批、日报都不同
03人才 Matching按技能、资格、期望条件进行推荐
04收益管理追踪单价、成本、销售额、毛利
更容易适用的领域

不再划分优先级高低，而是明确业务切入口。每个领域都可以延展为连接人才、案件、稼动与收益的提案。

呼叫中心・BPOShift、日报、FAQ、培训、按角色 dashboard。
IT・专业职派遣技能 Matching、单价、合同更新、毛利。
销售・活动・门店门店别规则、短期增员、现场教育、日报。
制造・技能类派遣资格、安全教育、考勤、更新期限。
事务・后台办公派遣技能 DB、合同更新、面谈记录、稼动状况。
销售代理・上门销售外勤日报、商谈数、成约、预算实绩管理。

优先级较低的情况：

  1. 单一据点、人数较少，Shift、日报、考勤、收益管理基本没有分散的公司。
  2. 派遣、考勤、请款、工资、毛利管理都已经由成熟专用系统标准化的公司。

但第 2 类并不是完全排除。如果专用系统在 AI Mapping、现场沟通、知识与教育、经营报告等方面仍有薄弱点，就可以从这些入口切入。

3. 全景设计：数据与业务流程

先把“人、案件、客户”转化为可复用数据，再用 AI Mapping 支援分配，并将 Shift、日报、考勤审批、单价、成本、销售额、毛利都放在同一个 Base 和沟通流中运转。

Complete Solution Overview

One Lark Staffing Operating System

以 Base 数据中枢作为派遣、业务委托运营的核心，把 AI Mapping、Shift、日报、考勤审批、成本、销售额、毛利 dashboard 连接到同一流程。AI 会在各环节先整理“供人判断的材料”，并推动到下一步行动。

Data从人才、案件、客户生成 Shift、日报、考勤、收益数据
AI负责 AI Mapping、日报抽取、差异检测、月度分析、报告生成
Flow将现场录入、考勤审批、收益确认、请款准备连接到同一业务流
1. 数据模型 区分主数据与业务记录，形成便于 AI 参照的结构
Core Data Hub

Lark Base：以稼动记录为中心，连接主数据与日次、月次数据

数据模型的中心不是“人才”“案件”“客户”本身，而是连接这三者的稼动记录。以稼动记录为轴，就能在同一上下文中追踪 AI Mapping 的推荐结果、Shift、日报、考勤审批、成本、销售额与毛利。

Master Data 不易变化的信息
人才主数据技能、资格、期望条件、可稼动日期、面谈履历、过往评价
案件主数据职种、工作地点、单价、期间、紧急度、招聘人数、必要条件
客户・派遣先主数据派遣先、据点、负责人、合同条件、例外规则、审批规则
AI Mapping 候选推荐・分配判断
Key Record 派遣・委托管理记录 用一条记录管理谁、为哪个客户、在哪个案件、以什么条件稼动。
人才 案件 客户 合同单价 负责人 状态
Record ID 关联日次・月次数据
Generated Data 日次增加，月次汇总
Shift・日报数据1〜31 日录入、按业务委托分类的日报、稼动时间、件数指标、现场备忘
考勤审批・差异数据本人申报、管理者掌握、CRM 考勤审批、差异确认、未审批
收益管理数据合同单价、成本、销售额、毛利、预算实绩差异、请款草案
销售・协调员在同一记录中追踪推荐理由、沟通、面谈、拒绝理由。
SV・现场负责人按日确认日报、缺勤、稼动时间、考勤差异。
部长・管理本部查看按案件、客户划分的销售额、成本、毛利、预算实绩差异。
2. 业务流程 把 AI 辅助嵌入各步骤，并推动到下一行动
01 案件・人才登记

将人才、案件、客户、合同单价、工作条件、业务委托规则登记到 Base。

总结案件票和技能信息，整理 Matching 所需条件
02 AI Mapping・分配

比较案件条件与人才档案，管理推荐候选、进度、拒绝理由。

生成 Match Score、推荐理由、顾虑点、沟通文案
03 Shift・日报录入

继续使用接近 Excel 的 Shift 表和 1〜31 日日报录入，并以行追加方式在同一表中累积。

从格式不同的日报中抽取按业务委托分类的指标和现场备忘
04 考勤审批・差异确认

核对本人申报、管理者掌握、CRM 考勤审批数据，确认未审批和差异。

检测差异较大的日期、人员、业务委托，并创建确认任务
05 成本・销售额・毛利管理

根据个别合同劳动条件通知书的单价和稼动实绩，自动计算时薪、成本、销售额、毛利。

检测预算实绩差异、成本率、毛利下降并通知管理者
06 按职位 dashboard・AI 分析

按 SV、正式员工、部长区分所需指标，确认月度 dashboard 和预算实绩管理。

Base AI 生成月度摘要、原因分析和改善行动
3. 成果・KPI 将 AI 与业务数据连接到现场改善指标
成约率提升通过 AI Mapping 可视化推荐精度、面谈设置率、拒绝理由
减少现场录入保留接近 Excel 的 Shift・日报录入，同时自动汇总到 Base
检测考勤差异可视化本人申报、管理者掌握、CRM 考勤审批数据的差异
提升毛利管理水平按职位确认单价、稼动、成本、销售额、毛利、预算实绩差异

4. AI 层：驱动派遣业务的 Lark AI

Lark AI 的优势不在于一次性的文本生成。它通过 AI Mapping 支援案件与人才分配，并在之后的 Shift、日报、考勤差异、成本、销售额、毛利、教育知识中，使用同一个业务上下文生成判断材料和下一步行动。

按业务场景使用 AI：从 Mapping 到收益分析

AI Mapping 用于提升销售、协调员的成约率；日报抽取和 Base AI 分析用于减轻现场运营与收益管理负担。先保留价值更容易被看到的前台业务，再连接到月度考勤和毛利分析。

人才・销售・知识 AI 培养人、沉淀商谈、连接案件与人才

AI 知识问答：标准化人才培养

通过提问调取教育资料、派遣法与劳务规则、按职种的 Know-how、过往应对案例，支援新人教育和现场判断。

AI Notes：自动化商谈、面谈后的整理

自动抽取派遣先商谈和员工面谈的要点、决定事项、To-Do，并转换为带负责人的 Lark 任务，减少遗漏。

AI Mapping：推荐案件 × 人才

比较案件条件、技能、资格、期望条件、可稼动性、过往评价，生成候选人、推荐理由、顾虑点和沟通文案。

现场运营・收益・治理 AI 整理日次数据，可视化月度收益和风险

AI 日报抽取：吸收格式差异

从不同客户的 Excel / Google Sheets 日报中抽取稼动时间、件数、评论和异常值。

Base AI：分析月度收益

读取按业务委托、员工、职位划分的 dashboard，总结成本率、毛利下降、预算实绩差异和改善行动。

AI 预兆检测：提前发现差异与延迟

从考勤未审批、与本人申报的差异、日报未提交、更新期限、毛利下降中抽取关注记录，并创建确认任务。

合同审查 Agent：一次法务检查

将合同、劳动条件、单价、请款条件与 Base 中的案件、人才、客户数据进行核对，整理风险和确认论点。

AI Implementation Cases

详细 AI 场景：只在需要时展开阅读

为了保持页面整体清晰，将信息量较大的三个 AI 场景做成标签页。可以根据销售、教育、法务的关注点切换知识问答、案件 Mapping、合同审查的详情。

AI 知识问答：将知识资产连接到人才培养和现场回答

在派遣行业，派遣法与劳务规则、各派遣先的运营方式、按职种的技能、问题应对、员工跟进方法都会成为竞争力。AI 知识问答可以横跨 Docs、Wiki、Helpdesk、面谈记录、培训资料进行回答，并显示参考来源，支援新人协调员、销售和派遣员工自助解决问题。

Docs / Wiki 知识 AI Helpdesk Minutes AnyGen Task
01收集知识将就业规则、派遣先手册、培训资料、FAQ、过往咨询记录汇总到 Wiki 和 Docs
02分类按法务・劳务、职种技能、派遣先规则、员工应对、销售 Know-how 打标签
03提问新人、销售、劳务、员工用自然语言提问，并获取符合负责领域的回答
04带依据的回答AI 汇总回答草案、参考来源、注意点、需要确认的例外条件
05连接专家将不确定问题转为给法务、劳务、教育负责人的任务，并保留回答历史
06回流到教材将常见问题和知识缺口反映到培训内容、检查清单、OJT 课题中
使用者 提问示例 AI 返回内容 如何连接到人才培养
新人协调员 “首次面谈应该确认什么？” 提示访谈项目、禁止提问、期望条件确认、技能深挖、面谈后记录模板。 自动生成面谈角色扮演课题和检查清单，并共享给教育负责人。
销售负责人 “这个派遣先的考勤审批规则是什么？” 带参考来源回答派遣先别手册、截止日、审批者、加班申请、例外处理。 更新派遣先知识，并创建下次商谈前的确认任务。
派遣员工 “带薪休假申请和排班变更从哪里提交？” 引导员工操作步骤、申请表单、截止时间、审批流程、咨询窗口。 将自助解决率 KPI 化，并将咨询较多的项目加入入职指南。
劳务・教育负责人 “新人经常搞错的派遣法论点是什么？” 从 Helpdesk 和培训测试结果中统计高频论点，抽取误答较多的项目。 用 AnyGen 生成月度培训主题、确认测试、Wiki 修订候选。

导入效果：减少依赖“问熟悉的人”的属人状态，改善现场回答速度、新人上手速度、派遣员工自助解决率和教育内容更新周期。

5. 案例：从参考案例看 4 条探索路线

在派遣与人才业务中，可以沿着“稼动与收益一体化”“使用人才数据提升 Matching”“整合现场与技术员工接点”“面向建筑・脚手架行业 package 化”四个方向扩展 Lark。

Vinculum

从 Shift、日报、考勤连接到收益管理的模式

公开案例中实现的内容 将派遣合同管理、员工考勤管理、派遣先・客户・员工信息、请款・工资计算、员工管理整合到 Lark Base。
本提案中的探索方向 将 Shift、日报、考勤审批回归到稼动记录，并一体化可视化合同单价、成本、销售额、毛利。
查看公开案例
YNP

将人才・招聘数据扩展到 AI Mapping 的模式

公开案例中实现的内容 将人事、招聘、销售的信息统一到 Lark Base，可视化招聘进展和销售数据，提升决策速度。
本提案中的探索方向 组合人才档案、面谈记录、销售与案件信息，尝试案件条件 × 人才候选的 AI Mapping。
查看公开案例
Willof Construction

将建设技术人员管理汇集到 Lark 入口的模式

导入资料中确认的内容 将技术员工、综合职的信息入口统一到 Lark，汇总培训文本、手册、内部门户、咨询、任务分发、资格与经历申请。
后续探索余地 现阶段待探索。未来可将汇总到 Lark 的接点数据扩展到人才跟进和业务改善主题。
ASNOVA

将建筑・脚手架业务扩展为销售 package 的模式

公开案例中实现的内容 在建筑脚手架租赁业务中，将受注、返却检查、车辆点检、运输安排连接到 Lark Base，构建跨部门使用的统一信息平台。
本提案中的探索方向 面向脚手架业者，连接案件、客户、员工、外包分配、日报、车辆与高速费等成本，可视化现场别收益和盈亏平衡。AI 支援聊天日报的自动接入。
查看公开案例

6. Lark 与同业竞品的对比分析

在派遣行业，与其只看是否替换竞品，更现实的是区分在哪个业务层取胜。相比工资、会计等深层基幹处理，Lark 更容易在用同一套业务数据驱动人才、案件、现场、知识、AI、毛利可视化的领域发挥优势。

Win Area连接现场与经营的业务 OS在同一个 Base 与 Messenger 上运转案件、人才、日报、考勤、知识、AI、毛利 dashboard。
Not Replace All对专用基幹系统先从补完切入对于工资、社会保险、法规变更应对等已经成熟的公司，Lark 从 AI、现场接点、分析层切入。
Google Included也适用于以 Sheets 为起点的公司对于使用 Google Workspace / AppSheet / Looker Studio 的企业，容易提出从电子表格分散走向业务 DB 化的方案。
类别 强项领域 在派遣行业容易看到的限制 Lark 的赢点
派遣专用系统
STAFF EXPRESS 等		 擅长派遣先、派遣元、就业者、合同、请款、工资等基幹管理。 现场日报、教育知识、AI Mapping、客户别 dashboard 容易成为额外设计。 不是替换而是补完。在专用系统外侧建立 AI、现场接点、毛利可视化层。
kintone 便于用无代码创建业务应用，并已深入日本企业的现场改善。 要把聊天、Docs / Wiki、审批、AI 知识应用一体化运营，需要追加设计。 把 Base + Messenger + Docs / Wiki + Approval + AI 连接在同一界面，缩短从现场录入到判断的路径。
Salesforce 擅长 CRM / SFA、客户管理、商谈管道和企业级治理。 要落到派遣的人才 DB、稼动、考勤、日报、毛利等日常运营，设计负担较高。 不仅管理销售案件，也用同一业务记录处理候选人、稼动、现场报告与收益。
Microsoft
Teams / Power Platform		 强在以 Microsoft 365 为前提的企业标准，以及 Power Apps、Power Automate、Power BI。 覆盖现场员工的轻量录入体验，以及业务 DB 与对话的一体化运营，设计容易变重。 以 Messenger 为起点收集现场输入，用 Base 与 Automation 业务化，由 AI 支援摘要、确认和差异检测。
Google
Workspace / AppSheet / Looker Studio		 强在 Gmail、Docs、Sheets、Drive 的普及度，AppSheet 的轻量应用化，以及 Looker Studio 的可视化。 当 Sheets 按客户、据点不断增加时，权限、审批、履历、日报、AI 知识容易分散。 将以 Sheets 为起点的业务汇总到 Base，并一体化运营审批、通知、AI 回答、毛利 dashboard。
考勤・工资・会计专用系统 擅长工资计算、社会保险、会计分录、结账处理等准确性与制度应对。 案件获取、Matching、现场教育、日报、客户别改善等前工程容易不在覆盖范围内。 提升前工程的数据质量，整理可将已审批考勤、销售额、成本交给专用系统的入口。

提案信息：对于已有成熟派遣基幹系统的公司，不提“替换”，而提“AI、现场接点、收益可视化的补完”。对于业务分散在 Excel / Google Sheets / kintone 的公司，则提案“用 Lark Base 业务 OS 化”。

参考信息

日本厚生劳动省 劳动者派遣事业报告 Vinculum 公开案例 YNP 公开案例 ASNOVA 公开案例 STAFF EXPRESS kintone Salesforce Sales Cloud Microsoft Power Platform Google AppSheet Looker Studio Lark 文档版