Επιστροφή στο σχολείο με μεγάλη ανάλυση δεδομένων

Οι σπουδαστές δεν είναι οι μόνοι που επιστρέφουν στο σχολείο. Μπορούμε όλοι να επιστρέψουμε για να μάθουμε πώς μπορούμε να κατευθύνουμε τις προσπάθειές μας πιο παραγωγικά. Οι προγνωστικές αναλύσεις μπορούν να δείξουν το δρόμο. Είτε εφαρμόζεται στην πρόσληψη πανεπιστημίων είτε στις εταιρικές προσλήψεις, τα μεγάλα δεδομένα που αποκαλύπτουν μπορούν να μας δείξουν ότι οι υποθέσεις μας για το τι μας οδηγεί οδηγούν προς τη λάθος κατεύθυνση.

Analytics σε δράση

Για εκείνους των οποίων η επιχείρηση είναι το σχολείο, η προετοιμασία για αυτή τη σεζόν απαιτεί προγραμματισμό και τα μεγάλα στατιστικά στοιχεία δεδομένων μπορούν να δείξουν πώς να πάρουν τα μέγιστα αποτελέσματα. Αυτή είναι η ιστορία του στρατηγικού σχεδιασμού του Wichita State University. Πριν από δύο χρόνια, ο David Wright, αναπληρωτής αντιπρόεδρος για το ακαδημαϊκό σύστημα δεδομένων και τον στρατηγικό σχεδιασμό, πουλούσε το σχολείο του Κάνσας στη χρήση μεγάλων αναλυτικών στοιχείων για την αύξηση της αποδοτικότητας των δαπανών υποτροφιών και των προσλήψεων.

"Η οικοδόμηση μιας ευφυέστερης πανεπιστημιουπόλεως: Πώς αναβαθμίζει το ακαδημαϊκό τοπίο" αναλύει πώς το λογισμικό της IBM μειώνει το κόστος εντοπίζοντας πού προέρχονταν οι σπουδαστές που ήταν πιο πιθανό να μείνουν στο πανεπιστήμιο. "Ένα σύνολο εξισώσεων που ζυγίζουν δημογραφικά στοιχεία, ακαδημαϊκό ιστορικό και άλλους παράγοντες" αναλύθηκαν για να προσδιορίσουν ποιες "έχουν τις υψηλότερες πιθανότητες να έρθουν στο κράτος της Wichita". Με βάση αυτό, το πανεπιστήμιο υιοθέτησε μια πιο στοχοθετημένη στρατηγική για την πρόσληψη.

Για παράδειγμα, μετά από την ανάλυση που έδειξε πού προέρχεται η μεγάλη πλειοψηφία των φοιτητών του πανεπιστημίου, το τμήμα εισδοχής εστιάστηκε στα γυμνάσια. Η αποκάλυψη ότι ελάχιστοι φοιτητές προέρχονται από έξω από το κράτος ώθησαν το πανεπιστήμιο να κόψει 14 πανεπιστημιακές εκθέσεις και να μειώσει τα ταξίδια. Έλαβαν επίσης μια πιο εστιασμένη προσέγγιση στο άμεσο ταχυδρομείο τους. Στο παρελθόν, έστειλαν 9.000 επιστολές. Μετά την εφαρμογή των αναλυτικών στοιχείων, έπρεπε μόνο να στείλουν 5.000 έως 6.000. Ο μειωμένος αριθμός των επιστολών που πράγματι μεταφράστηκε σε αύξηση των προσλήψεων κατά 26%.

Προετοιμασία για τακτικές αλλαγές

Σε μια ανταλλαγή ηλεκτρονικού ταχυδρομείου, ο Wright εξήγησε τις προκλήσεις του να πάρει ένα ίδρυμα για να αλλάξει εργαλεία και να αγκαλιάσει τα αναλυτικά στοιχεία. Είπε ότι υπάρχουν τρεις πτυχές:

• Κάποιος έβγαζε τους ανθρώπους να βλέπουν το πλεονέκτημα της λήψης αποφάσεων βάσει τεκμηρίων. Η χρήση δεδομένων για τη λήψη αποφάσεων είναι πολύ διαφορετική από τη χρήση δεδομένων για την επιβεβαίωση μιας απόφασης. Στην αρχή, το πανεπιστήμιο είχε έναν δύσκολο χρόνο να κάνει τους ανθρώπους να χρησιμοποιούν δεδομένα πριν από το σημείο λήψης αποφάσεων. Τα δεδομένα πρέπει να βρίσκονται στο τραπέζι καθώς λαμβάνονται αποφάσεις.

• Η δεύτερη δυσκολία ήταν να πάρουμε τους ανθρώπους να εμπιστεύονται τα αναλυτικά στοιχεία, ειδικά όταν τα δεδομένα είναι τόσο αντίθετα με τη διαίσθηση ή τις πρακτικές του παρελθόντος. Χρειάστηκε πολύς χρόνος για τους συμβούλους να έχουν εμπιστοσύνη στα δεδομένα.
• Και τρίτο ήταν η ποιότητα των δεδομένων που ήταν απαραίτητα για τη χρήση των αναλυτικών στοιχείων.

Προκειμένου να δημιουργηθεί ένα ισχυρό σύστημα ανάλυσης, έπρεπε πρώτα να ξεκαθαρίσουν παλιά δεδομένα και "χιλιάδες λάθη εισαγωγής δεδομένων". Αυτό ήταν ένα αποθαρρυντικό έργο, αλλά το πανεπιστήμιο συμφώνησε σε αυτό για χάρη της δημιουργίας ενός ισχυρού συστήματος ανάλυσης που ήταν απαραίτητο για την επίτευξη των στόχων τους.

Καλύτερα δεδομένα = καλύτεροι υπάλληλοι

Η εφαρμογή μεγάλων αναλυτικών δεδομένων έχει επίσης αποδειχθεί ότι βελτιώνει την πρόσληψη και τη διατήρηση των εργαζομένων. Η μεγάλη εταιρία δεδομένων Evolv ασχολείται με την εφαρμογή προγνωστικών αναλύσεων για την πρόσληψη, ιδιαίτερα. Αυτό οφείλεται στο γεγονός ότι η χρήση μεγάλων δεδομένων για την άμεση λήψη αποφάσεων μίσθωσης αποδίδει, σύμφωνα με την εταιρεία.

Για παράδειγμα, η διορατικότητα του Evolv άλλαξε τη στρατηγική προσλήψεων της Xerox για την επιλογή των εργαζομένων τηλεφωνικών κέντρων. Σε άρθρο του WSJ, ο επικεφαλής λειτουργός της εμπορικής υπηρεσίας της Xerox παραδέχτηκε: "Ορισμένες από τις υποθέσεις που είχαμε δεν ήταν έγκυρες". Αυτή είναι η πραγματική αξία των μεγάλων αναλυτικών στοιχείων. αποκαλύπτει πραγματικούς συσχετισμούς που βασίζονται σε αντικειμενικές πληροφορίες και όχι σε έντονα συναισθήματα διαχειριστών μίσθωσης.

Όπως αποδείχθηκε, οι επαναλήψεις και οι έλεγχοι ιστορικού αποδείχθηκαν ότι δεν ήταν οι πιο αξιόπιστοι δείκτες των εργαζομένων της Xerox, οι οποίοι θα παρέμεναν μέχρι την απόδοση της επένδυσης στην κατάρτιση των $ 5.000. Τα δεδομένα του Evolv έδειξαν ότι ένα αρχείο σύλληψης που χρονολογείται από πέντε χρόνια δεν υποδηλώνει «μελλοντική κακή συμπεριφορά» περισσότερο από ένα απόλυτα καθαρό ρεκόρ. Ένα προηγούμενο ρεκόρ της αναζήτησης εργασίας δεν σημαίνει απαραίτητα ότι η νέα μίσθωση δεν θα μείνει. Ο Evolv ολοκλήρωσε μια μελέτη 21.115 αντιπροσώπων τηλεφωνικών κέντρων. Η ανάλυση των δεδομένων έδειξε "πολύ μικρή σχέση μεταξύ του ιστορικού εργασίας του πράκτορα και της θητείας του στη θέση του."

Ποιοι είναι οι παράγοντες που κάνουν τη διαφορά τότε; Προσωπικότητα, συνδέσεις και τοποθεσία. Το λογισμικό του Evolv αναγνώρισε τον ιδανικό υποψήφιο ως δημιουργικό άτομο που δραστηριοποιείται σε ένα έως τέσσερα κοινωνικά δίκτυα και βρίσκεται μέσα σε ένα εύχρηστο σημείο εργασίας στο χώρο εργασίας. Ένας άλλος βασικός παράγοντας στη διατήρηση ήταν η συσχέτιση. Αυτοί που αποδείχθηκαν πιο πιθανό να παραμείνουν σε μια εταιρεία ήταν εκείνοι που ήξεραν τρεις ή περισσότερους υπαλλήλους που εργάζονταν ήδη εκεί.

Διαφορές στο σχολείο και τις επιχειρήσεις

Ενώ τα μεγάλα στοιχεία ανάλυσης δεδομένων μπορούν να είναι εξίσου αποτελεσματικά στην πρόσληψη επιχειρήσεων, όπως και στην πρόσληψη πανεπιστημίων, δείχνουν επίσης και πού καταρρέουν οι παραλληλισμοί μεταξύ των δύο. Σε ένα άρθρο της Forbes του 2013, σχετικά με το τι έμαθε μια εταιρεία όταν εφάρμοσε προγνωστικά για την επιλογή των πωλήσεων, ο συντάκτης Josh Bersin επισημαίνει ότι η σχολική εμπειρία μετρά πολύ λιγότερο από ό, τι οι άνθρωποι σκέφτονται όσον αφορά την πρόβλεψη της επιτυχίας της εργασίας. Στην πραγματικότητα, αντίθετα με τη δημοφιλή πεποίθηση, η ΣΔΣ του υποψήφιου ή η επιλογή του κολλεγίου δεν συσχετίζονται με την επιτυχία στην εργασία.

Αυτό δεν σημαίνει ότι η εκπαίδευση δεν έχει αξία. η ολοκλήρωση κάποιας μορφής εκπαίδευσης ήταν ένας από τους δείκτες επιτυχίας της σταδιοδρομίας, αλλά το κλειδί ήταν η ολοκλήρωση παρά το σχολείο ή οι βαθμοί. Άλλοι βασικοί δείκτες περιελάμβαναν ένα γραμματικά σωστό βιογραφικό σημείωμα, κατέδειξε επιτυχία σε μια θέση εργασίας, επιτυχημένη εμπειρία πωλήσεων και την ικανότητα να εργάζεται υπό αδόμητες συνθήκες. Αφού η εταιρεία ενσωμάτωσε τα στοιχεία ανάλυσης δεδομένων στα προκριματικά βήματα της και προσδιόρισε τους παράγοντες που ήταν ακριβείς παράγοντες πρόβλεψης, βελτίωσε την απόδοση των πωλήσεων στο ύψος κέρδους 4 εκατομμυρίων δολαρίων.

Όποια και αν είναι οι ανάγκες της οργάνωσης, τα προγνωστικά αναλυτικά μπορούν να τα βάλουν στο σωστό δρόμο. Όπως δήλωσε ο Wright για τη δική του εμπειρία, «Με την εξουσιοδότηση των λαών με τους πόρους που χρειάζονται για να κάνουν καλές αποφάσεις, ο καθένας κερδίζει».