العودة إلى المدرسة مع تحليلات البيانات الكبيرة

الطلاب ليسوا وحدهم الذين يعودون إلى المدرسة. يمكننا جميعًا أن نتعرف على طرق لتوجيه جهودنا بشكل أكثر إنتاجية. يمكن أن تظهر التحليلات التنبؤية الطريق. سواء تم تطبيقه على التوظيف الجامعي أو توظيف الشركات ، فإن البيانات الكبيرة التي يمكن أن تكشفها تبين لنا أن افتراضاتنا حول ما ينجح يقودنا في الاتجاه الخاطئ.

تحليلات في العمل

بالنسبة لأولئك الذين تدرس أعمالهم في المدرسة ، فإن الإعداد لهذا الموسم يتطلب التخطيط ، ويمكن أن تُظهر تحليلات البيانات الضخمة كيفية الحصول على أفضل النتائج. هذه هي قصة التخطيط الاستراتيجي لجامعة ولاية ويتشيتا. قبل عامين ، باع ديفيد رايت ، نائب الرئيس المشارك لنظام البيانات الأكاديمية والتخطيط الاستراتيجي ، مدرسة كانساس عن طريق استخدام تحليلات البيانات الكبيرة لزيادة الكفاءة في الإنفاق على المنح الدراسية والتوظيف.

تفاصيل "بناء حرم أكثر ذكاءً: كيف يغير التحليلات المشهد الأكاديمي" كيف قام برنامج IBM بتخفيض التكاليف من خلال تحديد المكان الذي جاء منه الطلاب الذين كانوا يفضلون البقاء في الجامعة. "تم تحليل مجموعة من المعادلات التي تزن التركيبة السكانية ، والتاريخ الأكاديمي ، وعوامل أخرى" لتحديد "التي لديها أعلى احتمالات الوصول إلى ولاية ويتشيتا." بناءً على ذلك ، اعتمدت الجامعة استراتيجية أكثر استهدافًا للتوظيف.

على سبيل المثال ، بعد أن كشفت التحليلات من أين تأتي الغالبية العظمى من طلاب الجامعة ، ركز قسم القبول على تلك المدارس الثانوية. دفع الكشف عن قلة عدد الطلاب القادمين من خارج الولاية الجامعة إلى قطع 14 معرضًا في الكلية وتقليل السفر. كما اتبعوا نهجًا أكثر تركيزًا على بريدهم المباشر. في الماضي ، أرسلوا 9000 رسالة. بعد تطبيق التحليلات ، كان عليهم فقط إرسال 5000 إلى 6000. انخفاض عدد الحروف المترجمة في الواقع إلى زيادة في التوظيف بنسبة 26 في المئة.

التحضير للتغييرات التكتيكية

في تبادل البريد الإلكتروني ، أوضح رايت تحديات الحصول على مؤسسة لتبديل التروس وتبني التحليلات. وقال ثلاثة جوانب متورطة:

• أحدهما جعل الناس يرون فائدة اتخاذ القرارات القائمة على الأدلة. يختلف استخدام البيانات لاتخاذ القرارات اختلافًا كبيرًا عن استخدام البيانات لتأكيد القرار. في البداية ، واجهت الجامعة صعوبة في حمل الناس على استخدام البيانات قبل نقطة القرار. يجب أن تكون البيانات على الطاولة عند اتخاذ القرارات.

• الصعوبة الثانية كانت تكمن في جعل الناس يثقون في التحليلات ، لا سيما عندما تكون البيانات مخالفة تمامًا للحدس أو الممارسات السابقة. استغرق الأمر وقتًا طويلاً حتى يكون لدى المستشارين ثقة في البيانات.
• والثالث هو نوعية البيانات اللازمة لاستخدام التحليلات.

من أجل الحصول على نظام تحليلات قوي ، يجب عليهم أولاً مسح البيانات القديمة و "الآلاف من أخطاء إدخال البيانات". كانت هذه مهمة شاقة ، لكن الجامعة وافقت عليها من أجل إنشاء نظام تحليلات قوي كان ضروريًا لتحقيق أهدافها.

بيانات أفضل = موظفون أفضل

كما ثبت أن تطبيق تحليلات البيانات الكبيرة يعمل على تحسين التوظيف والاحتفاظ بالموظفين. تعمل شركة البيانات الكبيرة Evolv في تطبيق التحليلات التنبؤية على التوظيف بشكل خاص. ذلك لأن استخدام البيانات الكبيرة لتوجيه قرارات التوظيف يؤتي ثماره ، وفقًا للشركة.

على سبيل المثال ، غيرت رؤية Evolv إستراتيجية التوظيف لدى زيروكس لاختيار العاملين في مركز الاتصال. في مقال نشر في وول ستريت جورنال ، أقر كبير مسؤولي التشغيل في شركة زيروكس للخدمات التجارية قائلاً: "بعض الافتراضات التي كانت لدينا غير صالحة". هذه هي القيمة الحقيقية لتحليلات البيانات الكبيرة ؛ يكشف عن الارتباطات الفعلية القائمة على معلومات موضوعية بدلاً من الشعور الغريزي لمديري التوظيف.

كما اتضح فيما بعد ، تبين أن السيرة الذاتية وفحوصات الخلفية ليست أكثر المؤشرات موثوقية لموظفي زيروكس الذين سيظلون حتى تحصل الشركة على عائد على استثمارها البالغ 5000 دولار في التدريب. أظهرت بيانات Evolv أن سجل الاعتقال الذي يعود إلى أكثر من خمس سنوات لا يشير إلى "سلوك سيء في المستقبل" أكثر من مجرد سجل نظيف تمامًا. سجل سابق من التنقل بين الوظائف لا يعني بالضرورة أن التوظيف الجديد لن يظل قائماً. أكملت Evolv دراسة 21115 وكلاء مركز الاتصال. أشار تحليل البيانات إلى "وجود علاقة قليلة جدًا بين تاريخ عمل الوكيل ومدة ولايته في المنصب."

ما هي العوامل التي تحدث فرقا بعد ذلك؟ شخصية ، اتصالات والموقع. حدد برنامج Evolv المرشح المثالي كشخص مبدع ونشط على واحد إلى أربع شبكات اجتماعية ، وهو ضمن تنقل سهل في مكان العمل. عامل رئيسي آخر في الاحتفاظ كان الارتباط. أولئك الذين أثبتوا احتمال بقائهم في الشركة هم أولئك الذين يعرفون ثلاثة موظفين أو أكثر ممن عملوا هناك بالفعل.

الاختلافات في المدرسة والأعمال

في حين أن تحليلات البيانات الضخمة يمكن أن تكون فعالة في توظيف الشركات مثلما هي الحال في التوظيف الجامعي ، إلا أنها تُظهر أيضًا أين تتشابه أوجه الشبه بين الاثنين. في مقال Forbes لعام 2013 ، حول ما تعلمته الشركة عندما طبقت التحليلات التنبؤية على اختيار موظفي المبيعات ، يشير المؤلف جوش بيرسين إلى أن الخبرة المدرسية تعد أقل بكثير مما يعتقده الناس من حيث التنبؤ بنجاح الوظيفة. في الواقع ، خلافًا للاعتقاد السائد ، لم يرتبط المعدل التراكمي للمرشح أو اختيار الكلية بالنجاح في الوظيفة.

هذا لا يعني أن التعليم بلا قيمة. كان الانتهاء من بعض أشكال التعليم أحد مؤشرات النجاح الوظيفي ، ولكن المفتاح كان هناك إكمال بدلاً من المدرسة أو الدرجات. من بين المؤشرات الرئيسية الأخرى السيرة الذاتية الصحيحة نحويًا والنجاح الواضح في الوظيفة وتجربة المبيعات الناجحة والقدرة على العمل في ظل ظروف غير منظمة. بعد أن قامت الشركة بدمج تحليلات البيانات في خطواتها المؤهلة وتحديد العوامل التي كانت تنبؤات دقيقة ، فقد حسنت أداء المبيعات بما يصل إلى 4 ملايين دولار من العائدات.

مهما كانت احتياجات المنظمة ، فإن التحليلات التنبؤية يمكن أن تضعها على المسار الصحيح. كما قال رايت عن تجربته الخاصة ، "من خلال تمكين الناس بالموارد التي يحتاجونها لاتخاذ قرارات جيدة ، يفوز الجميع".