Преглед садржаја:
Нису ученици једини који се враћају у школу. Сви се можемо вратити да сазнамо како да продуктивније усмјеримо своје напоре. Предиктивна аналитика може показати пут. Без обзира да ли се примењује за запошљавање на универзитетима или за запошљавање у предузећима, велики подаци откривају нам да наше претпоставке о томе шта нас раде воде у погрешном смеру.
Аналитика на делу
За оне чији је посао школа, припрема за ову сезону изискује планирање, а велика анализа података може показати како доћи до максималних резултата. То је прича о стратешком планирању Државног универзитета Вицхита. Пре неколико година, Давид Вригхт, помоћни потпредседник за академски систем података и стратешко планирање, продао је школу у Кансасу користећи велику анализу података да би повећао ефикасност у трошењу стипендија и запошљавању.
„Изградња паметнијег кампуса: Како аналитика мења академски пејзаж“ детаља је како је ИБМ-ов софтвер смањио трошкове прецизирајући одакле долазе студенти који би вероватно били на универзитету. „Скуп једнаџби које важе демографију, академску историју и друге факторе“ анализиран је да би се утврдило који „имају највећу вероватноћу доласка у државу Вицхита“. На основу тога универзитет је усвојио циљанију стратегију за запошљавање.
На пример, након што је аналитика открила одакле долази велика већина студената универзитета, одељење за пријем усредсредило се на те средње школе. Откриће да врло мало студената долази изван државе навело је универзитет да прекине 14 сајмова и смањи путовања. Такође су се усредсредили на свој директни маил. У прошлости су послали 9.000 писама. Након примене аналитике, морали су само да пошаљу 5.000 до 6.000. Смањени број писама заправо се претворио у пораст броја запослених за 26 посто.
Припрема за тактичке промене
У размени е-поште Вригхт је објаснио изазове добијања институције да пребаци зупчанике и прихвати аналитику. Рекао је да су укључена три аспекта:- Један је био да људи добију корист од доношења одлука заснованих на доказима. Употреба података за доношење одлука веома се разликује од употребе података за потврђивање одлуке. У почетку је универзитет тешко натерао људе да користе податке пре доношења одлуке. Подаци се требају налазити за столом када се одлуке доносе.
- Друга потешкоћа била је привући људе да верују аналитикама, нарочито када су подаци тако супротни интуицији или прошлим праксама. Требало је дуго времена да се саветници повере у податке.
- И треће је био квалитет података потребних за употребу аналитике.
Бољи подаци = бољи запослени
Примена аналитике великих података такође је доказала да побољшава запошљавање и задржавање запослених. Велика дата компанија Еволв бави се применом предиктивне аналитике посебно за запошљавање. То је зато што се употреба великих података за директно одлучивање о запошљавању исплати, тврди компанија.
На пример, увид Еволва променио је Ксерокову стратегију запошљавања за избор радника у позивном центру. У чланку ВСЈ-а, Ксероков главни оперативни директор комерцијалних услуга признао је, "Неке од претпоставки које нисмо имали ваљане." То је права вредност аналитике великих података; открива стварне корелације засноване на објективним информацијама, а не на осећају запошљавања менаџера.
Како се испоставило, показали су се да животописи и провере рада нису најпоузданији показатељи запослених у Ксерок-у који ће остати на послу док компанија не добије поврат од својих 5.000 долара улагања у обуку. Подаци Еволва показали су да запис о хапшењу који датира више од пет година не показује „будуће лоше понашање“ више него савршено чист спис. Претходни запис о скакању са посла такође не значи да нови посао неће бити стављен на тржиште. Еволв је завршио студију о 21.115 агената позивног центра. Анализа података указала је на "врло мали однос између радне историје агента и његовог положаја на том положају".
Који су фактори тада значајни? Личност, везе и локација. Еволв софтвер идентификовао је идеалног кандидата као креативну особу која је активна на једној до четири друштвене мреже и налази се унутар управљивих путовања на радном месту. Други кључни фактор задржавања била је повезаност. Они који су се највероватније задржали у компанији били су они који су познавали три или више запослених који су већ радили тамо.
Разлике у школи и послу
Иако аналитика великих података може бити једнако ефикасна у запошљавању компанија као и у запошљавању на универзитетима, она такође показује где се паралеле између њих двоје распадају. У чланку Форбеса из 2013. године, о ономе што је компанија научила када је примењивала предиктивну аналитику на избору продавача, аутор Јосх Берсин истиче да школско искуство рачуна далеко мање него што људи мисле у погледу предвиђања успеха на послу. Заправо, супротно увријеженом мишљењу, кандидаткиња ГПА или избор колеџа нису у корелацији с успјехом на послу.
То не значи да је образовање без вредности; завршетак неког облика образовања био је један од показатеља успјеха у каријери, али кључни је био завршетак, а не школа или оцјена. Остали кључни показатељи укључују граматички тачан животопис, показан успех у послу, успешно искуство у продаји и способност рада у неструктурираним условима. Након што је компанија укључила анализу података у своје квалификационе кораке и идентификовала факторе који су тачни предиктори, побољшала је продајне перформансе у износу од 4 милиона долара прихода.
Без обзира на потребе организације, предиктивна аналитика може их ставити на прави пут. Као што је Вригхт рекао о свом искуству, "Оснаживањем људи с ресурсима који су им потребни за доношење добрих одлука, сви побјеђују."
