Sisällysluettelo:
- Analytics toiminnassa
- Valmistautuminen taktisiin muutoksiin
- Parempi data = parempia työntekijöitä
- Eroja koulussa ja liiketaloudessa
Opiskelijat eivät ole ainoita, jotka palaavat kouluun. Voimme kaikki tulla takaisin oppimaan tapoista ohjata ponnistelujamme tuottavammin. Ennustava analytiikka voi näyttää tietä. Mitä suuria tietoja paljastaa, olipa kyse yliopistojen rekrytoinnista tai yritysten palkkaamisesta, se voi osoittaa, että oletuksemme siitä, mikä toimii, johtavat meidät väärään suuntaan.
Analytics toiminnassa
Niille, joiden liiketoiminta on koulua, tälle kaudelle valmistautuminen vie suunnittelun, ja big data -analytiikka voi näyttää kuinka saada parhaat tulokset. Se on tarina Wichitan osavaltion yliopiston strategisesta suunnittelusta. Pari vuotta sitten akateemisen tietojärjestelmän ja strategisen suunnittelun varatoimitusjohtaja David Wright myi Kansas-koulun käyttämällä isojen tietojen analysointia stipendien käytön ja rekrytoinnin tehostamiseksi.
"Älykkään kampuksen rakentaminen: Kuinka Analytics muuttaa akateemista maisemaa" kerrotaan kuinka IBM: n ohjelmisto alensi kustannuksia määrittämällä, mistä yliopistoon jäämiseen todennäköisemmin tulevat opiskelijat tulevat. "Sarja yhtälöitä, jotka punnitsevat väestötietoja, akateemista historiaa ja muita tekijöitä" analysoitiin sen tunnistamiseksi, joilla "on suurin todennäköisyys tulla Wichitan osavaltioon". Tämän perusteella yliopisto hyväksyi kohdennetumman rekrytointistrategian.
Esimerkiksi sen jälkeen kun analytiikka paljasti, mistä suurin osa yliopiston opiskelijoista tulee, pääsyosasto keskittyi noihin lukioihin. Ilmoitus siitä, että hyvin harvat opiskelijat tulevat valtion ulkopuolelta, sai yliopiston leikkaamaan 14 yliopistomessua ja vähentämään matkustamista. He käyttivät myös keskittyneempää lähestymistapaa suoramainontaansa. Aikaisemmin he lähettivät 9000 kirjettä. Analytiikan soveltamisen jälkeen heidän piti lähettää vain 5000–6000. Kirjeiden vähentyminen tosiasiassa merkitsi rekrytointien määrän kasvua 26 prosentilla.
Valmistautuminen taktisiin muutoksiin
Sähköpostinvaihdossa Wright selitti haasteita saada laitos vaihtamaan vaihteet ja omaksumaan analytiikka. Hänen mukaansa asiaan liittyy kolme näkökohtaa:- Yksi oli saada ihmiset näkemään todisteisiin perustuvan päätöksenteon hyödyt. Tietojen käyttäminen päätöksentekoon on hyvin erilaista kuin datan käyttäminen päätöksen vahvistamiseen. Aluksi yliopistolla oli vaikea saada ihmisiä käyttämään tietoja ennen päätöksentekopistettä. Tietojen tulisi olla pöydässä, kun päätöksiä tehdään.
- Toinen vaikeus oli saada ihmisiä luottamaan analytiikkaan, etenkin kun tiedot ovat niin ristiriidassa intuition tai aiempien käytäntöjen kanssa. Kesti kauan, että neuvonantajat uskoivat tietoihin.
- Ja kolmas oli analyysien käyttämiseen tarvittavan tiedon laatu.
Parempi data = parempia työntekijöitä
Suurtietoanalyysin soveltaminen on myös osoitettu parantavan työntekijöiden rekrytointia ja säilyttämistä. Big datayritys Evolv harjoittaa ennustavaa analytiikkaa erityisesti vuokraamiseen. Tämä johtuu siitä, että isojen tietojen käyttäminen vuokrauspäätösten ohjaamiseksi kannattaa yrityksen mukaan.
Esimerkiksi Evolvin näkemys muutti Xeroxin palkkausstrategiaa puhelinpalveluiden työntekijöiden valintaa varten. Xeroxin kaupallisten palveluiden johtaja myönsi WSJ-artikkelissa: "Jotkut oletuksista, joita meillä ei ollut, olivat päteviä." Se on suurten tietojen analytiikan todellinen arvo; se paljastaa tosiasialliset korrelaatiot, jotka perustuvat objektiivisiin tietoihin mieluummin kuin palkata johtajia.
Kuten kävi ilmi, jatkaminen ja taustatarkastukset osoittautuivat olematta luotettavimpia indikaattoreita Xeroxin työntekijöille, jotka pysyisivät voimassa, kunnes yritys saa tuoton 5000 dollarin investoinnistaan koulutukseen. Evolvin tiedot osoittivat, että yli viiden vuoden takaisesta pidätysmääräyksestä ei käy ilmi "tulevaisuuden huonoa käyttäytymistä" kuin täysin puhdasta asiakirjaa. Aikaisempi ennätys työn hyppäämisestä ei myöskään välttämättä tarkoita, että uusi palkkaus ei pysy. Evolv suoritti tutkimuksen 21 115 puhelinkeskuksen edustajasta. Tietojen analysointi osoitti, että "edustajan työhistorian ja hänen virkakautensa välillä on hyvin vähän suhdetta".
Mitkä tekijät tekevät muutoksen sitten? Persoonallisuus, yhteydet ja sijainti. Evolvin ohjelmisto tunnisti ihanteellisen ehdokkaan luovaksi henkilöksi, joka on aktiivinen yhdestä neljään sosiaaliseen verkostoon ja on hallittavissa työmatkan työmatkalla. Toinen keskeinen tekijä retentiossa oli assosiaatio. Niiden, jotka osoittautuivat todennäköisimmiksi pysyä yrityksessä, tunsivat vähintään kolme työntekijää, jotka jo työskentelivät siellä.
Eroja koulussa ja liiketaloudessa
Vaikka suurten tietojen analysointi voi olla yhtä tehokasta yritys rekrytoinnissa kuin yliopisto rekrytoinnissa, se osoittaa myös, missä näiden kahden väliset rinnat hajoavat. Forbesin vuoden 2013 artikkelissa siitä, mitä yritys oppi soveltaessaan ennakoivaa analytiikkaa myyntihenkilöiden valintaa varten, kirjoittaja Josh Bersin huomauttaa, että koulukokemuksen on oltava paljon vähemmän kuin ihmiset ajattelevat työmenestyksen ennustamisessa. Itse asiassa toisin kuin yleisesti uskotaan, ehdokkaan GPA tai yliopistovalinta eivät korreloineet onnistumisen kanssa työssä.
Tämä ei tarkoita, että koulutuksella ei olisi arvoa; Minkään koulutuksen päättäminen oli yksi uran onnistumisen indikaattoreita, mutta avain siihen oli loppututkinto eikä koulu tai arvosanat. Muita avainindikaattoreita olivat kieliopillisesti oikea jatkaminen, osoitettu menestys työssä, menestyvä myyntikokemus ja kyky työskennellä rakenteettomissa olosuhteissa. Kun yritys on sisällyttänyt tietoanalyysit osaamisvaiheisiinsa ja tunnistanut tekijät, jotka olivat tarkkoja ennustajia, se paransi myyntitehokkuuttaan 4 miljoonan dollarin tulojen nousun seurauksena.
Ennakoiva analytiikka voi viedä heidät oikealle tielle riippumatta organisaation tarpeista. Kuten Wright sanoi omasta kokemuksestaan, "jokainen voittaa antamalla ihmisille voimavarat, joita he tarvitsevat hyvien päätösten tekoon."
