Обратно към училище с анализи на големи данни

Студентите не са единствените, които се връщат на училище. Всички можем да се върнем, за да научим за начините да насочим усилията си по-продуктивно. Прогнозната анализа може да покаже пътя. Независимо дали се прилага за набиране на университет или за наемане на предприятия, разкритите големи данни могат да ни покажат, че нашите предположения за това, което работи, ни водят в грешна посока.

Анализ в действие

За тези, чийто бизнес е училище, подготовката за този сезон изисква планиране, а анализирането на големи данни може да покаже как да постигнете максимални резултати. Това е историята на стратегическото планиране на Държавния университет Уичита. Преди няколко години Дейвид Райт, асоцииран вицепрезидент по академичната система за данни и стратегическото планиране, продаде училището в Канзас, използвайки анализи на големи данни, за да увеличи ефективността на разходите за стипендии и набирането на персонал.

„Изграждане на по-интелигентен кампус: Как Анализ променя академичния пейзаж“ подробно описва как софтуерът на IBM намали разходите, като посочи откъде идват студентите, които биха могли да останат в университета. „Набор от уравнения, които тежат демографски данни, академична история и други фактори“ бяха анализирани, за да се идентифицират кои „имат най-голяма вероятност да дойдат в щат Уичита“. Въз основа на това университетът прие по-целенасочена стратегия за набиране на персонал.

Например, след като аналитика разкри, откъде идват по-голямата част от студентите в университета, приемният отдел се фокусира върху тези гимназии. Разкритието, че много малко студенти идват извън държавата, подтикна университета да съкрати 14 панаира на колежа и да намали пътуванията. Те също така взеха по-фокусиран подход към директната си поща. В миналото са изпратили 9 000 писма. След прилагането на анализи те трябваше да изпратят само 5000 до 6000. Намаленият брой писма всъщност се превърна в увеличение на набирането с 26 процента.

Подготовка за тактически промени

В размяна на имейли Райт обясни предизвикателствата да се накара институция да превключва предавки и да предприема анализи. Той каза, че са замесени три аспекта:

• Единият беше да накара хората да видят ползата от вземането на решения, основани на доказателства. Използването на данни за вземане на решения е много различно от използването на данни за потвърждаване на решение. В началото на университета беше трудно да накара хората да използват данни преди момента на вземане на решение. Данните трябва да са на масата при вземане на решения.

• Втората трудност беше да накараме хората да се доверят на аналитиката, особено когато данните са в противоречие с интуицията или миналите практики. Отне много време на съветниците да се доверят на данните.
• Трето беше качеството на данните, необходими за използване на анализа.

За да се създаде стабилна система за анализ, те трябваше първо да изчистят стари данни и „хиляди грешки при въвеждане на данни“. Това беше обезсърчаваща задача, но университетът се съгласи с нея заради създаването на здрава система за анализ, която беше необходима за постигане на целите им.

По-добри данни = По-добри служители

Прилагането на анализи на големи данни също доказано подобрява наемането и задържането на служители. Голямата компания за данни Evolv се занимава с прилагането на аналитична анализа за по-конкретно наемане на работа. Това е така, защото използването на големи данни за директни решения за наемане на работа се отплаща, според компанията.

Например, прозрението на Evolv промени стратегията за наемане на Xerox за избор на работници в телефонния център. В статия на WSJ, главният оперативен директор на търговските услуги на Xerox призна, "Някои от предположенията, които имахме, не бяха валидни." Това е реалната стойност на анализа на големи данни; тя разкрива действителни корелации, основаващи се на обективна информация, а не на чувствата на червата при наемането на мениджъри.

Както се оказа, резюметата и проверките на миналото се оказаха не най-надеждният показател за служителите на Xerox, които ще продължат, докато компанията не получи възвръщаемост от инвестицията си в $ 5000 в обучение. Данните на Evolv показаха, че запис на арест, който датира от пет години, не показва "бъдещо лошо поведение" повече от съвършено чист запис. Предишен запис на скачане на работа също не означава, че новият наем няма да остане поставен. Evolv завърши проучване на 21, 115 агенти за обаждания. Анализът на данните показа "много малка връзка между трудовата история на агента и неговото назначение на длъжността."

Кои са факторите, които имат значение след това? Личност, връзки и местоположение. Софтуерът на Evolv идентифицира идеалния кандидат като креативна личност, която е активна в една до четири социални мрежи и е в рамките на управляемо пътуване до работното място. Друг ключов фактор за задържането беше асоциацията. Тези, които се оказаха най-вероятни да останат в една компания, бяха тези, които познаваха трима или повече служители, които вече са работили там.

Разлики в училище и бизнеса

Докато анализа на големи данни може да бъде толкова ефективен при набирането на корпоративни клиенти, колкото при набирането на университети, той също показва къде се разпадат паралелите между двете. В статия на Forbes от 2013 г. за това, което научи една компания, когато прилага аналитична анализа при подбора на продавачи, авторът Джош Берсин посочва, че училищният опит е далеч по-малък, отколкото хората мислят по отношение на прогнозирането на успеха в работата. Всъщност, противно на общоприетото схващане, GPA на кандидата или избор на колеж не корелира с успеха на работата.

Това не означава, че образованието е без стойност; завършването на някаква форма на обучение беше един от показателите за успех в кариерата, но ключът към това беше завършването, а не училището или оценките. Други ключови показатели включваха граматически коректна автобиография, демонстриран успех в работата, успешен опит в продажбите и способност за работа при неструктурирани условия. След като компанията включи анализа на данните в своите квалификационни стъпки и идентифицира факторите, които са точни прогнози, тя подобри продажбите си в размер на печалба от 4 милиона долара.

Каквито и да са нуждите на организацията, прогнозната анализа може да ги постави на правилния път. Както Райт каза за собствения си опит, „Чрез овластяване на хората с необходимите ресурси за вземане на добри решения, всеки печели“.