Vissza az iskolába nagy adatok elemzésével

Nem csak a hallgatók járnak vissza az iskolába. Mindannyian visszatérhetnek, hogy megismerjük az erőfeszítéseink hatékonyabb irányításának módjait. A prediktív elemzés megmutathatja az utat. Az egyetemi felvétellel vagy a vállalati bérbeadással alkalmazva a nagy adatok azt mutatják, hogy a mi működésünkkel kapcsolatos feltételezéseink rossz irányba vezetnek.

Analytics működésben

Azok számára, akiknek iskolája van, a szezonra való felkészülés tervezést igényel, és a nagy adatok elemzése megmutathatja, hogyan lehet elérni a maximális eredményt. Ez a Wichita Állami Egyetem stratégiai tervezésének története. Pár évvel ezelőtt David Wright, az akadémiai adatrendszer és a stratégiai tervezés társult alelnöke eladta a Kansas iskolát a nagy adatok elemzésének használatával, hogy növelje az ösztöndíjak kiadásának és felvételének hatékonyságát.

Az „Intelligens campus felépítése: Hogyan változtatja meg az Analytics az akadémiai tájat” című részben bemutatja, hogy az IBM szoftvere hogyan csökkentette a költségeket azáltal, hogy meghatározta, hogy honnan jöttek azok a hallgatók, akik valószínűbben tartózkodtak az egyetemen. "A demográfia, az akadémiai történelem és egyéb tényezők súlyát képező egyenletkészletet elemeztük annak meghatározására, hogy" melyiknek a legnagyobb valószínűsége a Wichita államba való érkezés ". Ennek alapján az egyetem célzottabb stratégiát fogadott el a toborzáshoz.

Például, miután az elemzések felfedték az egyetemi hallgatók túlnyomó többségét, a felvételi osztály ezekre a középiskolákra összpontosított. Az a kijelentés, hogy nagyon kevés hallgató érkezik az állam kívülről, arra késztette az egyetemet, hogy lezárja a 14 főiskolai vásárt és csökkentse az utazások számát. Emellett koncentráltabb megközelítést alkalmaztak a közvetlen levelezésükben is. A múltban 9000 levelet küldtek. Az elemzés alkalmazása után csak 5000 és 6000 között kellett küldeniük. A levélszám csökkenése valójában 26% -kal növeli az alkalmazottak számát.

Felkészülés a taktikai változásokra

Egy e-mailes csere során Wright elmagyarázta azokat a kihívásokat, amelyekkel egy intézmény megkapja a sebességváltót és átveszi az elemzést. Azt mondta, hogy három szempont van szó:

• Az egyik az volt, hogy az embereket látják a bizonyítékokon alapuló döntéshozatal előnyeivel. Az adatok felhasználása döntések meghozatalához nagyon különbözik az adatok felhasználásától a döntés megerősítéséhez. Az elején az egyetemnek nehéz volt rávenni az embereket, hogy az adatokat felhasználják a döntés meghozatala előtt. Az adatoknak az asztalnál kell lenniük, amikor döntéseket hoznak.

• A második nehézség az volt, hogy az emberek meggyőzzék az elemzőket, különösen akkor, ha az adatok annyira ellentétesek az intuícióval vagy a múltbeli gyakorlatokkal. Hosszú időbe telt, amíg a tanácsadók meggyőződtek az adatokban.
• Harmadszor pedig az elemzéshez szükséges adatok minősége volt.

Annak érdekében, hogy megbízható elemző rendszert működtessenek, először ki kellett törölniük a régi adatokat és "több ezer adatbeviteli hibát". Ijesztő feladat volt, de az egyetem beleegyezett abba, hogy felállítsa a robusztus elemző rendszert, amely szükséges a céljaik eléréséhez.

Jobb adatok = jobb alkalmazottak

Bebizonyosodott, hogy a big data elemzés alkalmazása javítja a munkavállalók felvételét és megtartását. Az Evolv nagyvállalat prediktív elemzéseket alkalmaz különösen a bérbeadások területén. Ennek oka az, hogy a cég szerint a nagy adatok felhasználása a bérleti döntések közvetlen irányába megtérül.

Például az Evolv betekintése megváltoztatta a Xerox felvételi stratégiáját a call center munkatársainak kiválasztására. A WSJ-cikkben a Xerox kereskedelmi szolgáltatásokért felelős vezérigazgatója beismerte: "Néhány feltételezésünk nem volt érvényes." Ez a nagy adatelemzés valós értéke; feltárja a tényleges összefüggéseket objektív információk alapján, nem pedig a menedzserek felbukkanása miatt.

Mint kiderült, az önéletrajz és a háttér-ellenőrzés nem a Xerox alkalmazottainak legmegbízhatóbb mutatói, akik addig maradnak, amíg a vállalat megtérül 5000 dollárnyi képzésbe. Az Evolv adatai azt mutatták, hogy az öt évnél régebbi letartóztatási nyilvántartás nem utal a "jövőbeli rossz magatartásra", mint egy tökéletesen tiszta nyilvántartásra. A korábbi állásajánlat a foglalkoztatásról szintén nem feltétlenül jelenti azt, hogy az új bérleti díj nem marad megmaradt. Az Evolv 21 115 hívóközpont-ügynök tanulmányát készítette el. Az adatok elemzése azt mutatta, hogy "nagyon kevés kapcsolat áll fenn az ügynök munkatörténete és a beosztásban betöltött megbízatása között".

Milyen tényezők változnak akkor? Személyiség, kapcsolatok és hely. Az Evolv szoftvere az ideális jelöltet olyan kreatív emberként azonosította, aki egy-négy közösségi hálózaton aktív, és a munkahely irányítható ingázója alatt áll. A retenció másik kulcsfontosságú tényezõje az asszociáció volt. Azok, akiknek valószínűleg a társaságban maradtak, azok voltak, akik máris három vagy több alkalmazottat ismertek, akik már ott dolgoztak.

Különbségek az iskolában és az üzleti életben

Noha a nagy adatok elemzése ugyanolyan hatékony lehet a vállalati toborzásban, mint az egyetemi toborzásban, ez azt is megmutatja, hogy hol oszlanak meg a kettő közötti párhuzam. Josh Bersin, a Forbes 2013-as cikkében arról, hogy mit tanulott egy vállalat, amikor prediktív elemzést alkalmazott az eladók kiválasztására, írja Josh Bersin, hogy az iskolai tapasztalatok sokkal kevesebbet számítanak, mint az emberek gondolják a munka sikerének előrejelzése szempontjából. Valójában, a közvélemény által ellentétben, a jelölt GPA-ja vagy a főiskola megválasztása nem volt összefüggésben a munka sikerével.

Ez nem azt jelenti, hogy az oktatás értéktelen; Az oktatás valamilyen formájának befejezése volt a karrier siker egyik mutatója, de a kulcsa inkább a befejezés volt, mint az iskola vagy a fokozat. Egyéb kulcsfontosságú mutatók közé tartozott a nyelvtanilag megfelelő folytatódás, a sikeres munkavégzés, a sikeres értékesítési tapasztalat és a strukturálatlan feltételek melletti munka képessége. Miután a vállalat beépítette az adatanalitikát minősítő lépéseibe, és azonosította a pontos előrejelzőket, a 4 millió dolláros bevételnövekedés mellett javította az értékesítési teljesítményt.

Bármelyik is legyen a szervezet igénye, a prediktív elemzés a megfelelő útra teheti őket. Mint Wright mondta a saját tapasztalatáról: "Ha mindenki nyeri a hatalmat, amelyek meghozják a megfelelő döntések meghozatalához szükséges erőforrásokat, mindenki nyer."