Powrót do szkoły dzięki analizie dużych zbiorów danych

Uczniowie nie są jedynymi, którzy wracają do szkoły. Wszyscy możemy wrócić, aby dowiedzieć się, w jaki sposób kierować naszymi wysiłkami w bardziej produktywny sposób. Analityka predykcyjna może wskazać drogę. Niezależnie od tego, czy dotyczą rekrutacji na uniwersytet, czy zatrudniania w firmach, dane big data ujawniają, że nasze założenia dotyczące tego, jakie prace prowadzą nas w złym kierunku.

Analytics w akcji

Dla tych, których działalnością jest szkoła, przygotowanie do tego sezonu wymaga planowania, a analizy dużych zbiorów danych mogą pokazać, jak uzyskać maksymalne wyniki. Taka jest historia planowania strategicznego Uniwersytetu Stanowego Wichita. Kilka lat temu David Wright, zastępca wiceprezesa ds. Systemu danych akademickich i planowania strategicznego, sprzedał szkołę w Kansas za korzystanie z analityki dużych zbiorów danych w celu zwiększenia wydajności wydatków na stypendia i rekrutacji.

„Budowanie mądrzejszego kampusu: jak analityka zmienia krajobraz akademicki” szczegółowo opisuje, w jaki sposób oprogramowanie IBM obniżyło koszty, wskazując, skąd pochodzili studenci, którzy chcieliby zostać na uniwersytecie. „Przeanalizowano zestaw równań ważących dane demograficzne, historię akademicką i inne czynniki” w celu ustalenia, które „mają największe prawdopodobieństwo dojścia do stanu Wichita”. Na tej podstawie uniwersytet przyjął bardziej ukierunkowaną strategię rekrutacji.

Na przykład po tym, jak analizy ujawniły, skąd pochodzi ogromna większość studentów uniwersytetu, dział rekrutacji skupił się na tych szkołach średnich. Ujawnienie, że bardzo niewielu studentów pochodzi spoza stanu, skłoniło uniwersytet do ograniczenia 14 targów i zmniejszenia liczby podróży. Przyjęli również bardziej skoncentrowane podejście do swojej bezpośredniej poczty. W przeszłości wysłali 9 000 listów. Po zastosowaniu analizy musieli wysłać tylko 5000 do 6000. Zmniejszona liczba listów faktycznie przełożyła się na wzrost rekrutacji o 26 procent.

Przygotowanie do zmian taktycznych

Podczas wymiany wiadomości e-mail Wright wyjaśnił wyzwania związane z zmuszeniem instytucji do zmiany biegów i zastosowania analizy. Powiedział, że w grę wchodzą trzy aspekty:

• Jednym z nich było przekonanie ludzi do korzyści wynikających z podejmowania decyzji opartych na dowodach. Wykorzystywanie danych do podejmowania decyzji różni się bardzo od wykorzystywania danych do potwierdzenia decyzji. Na początku uniwersytet miał trudności z nakłonieniem ludzi do korzystania z danych przed podjęciem decyzji. Dane powinny znajdować się przy stole podczas podejmowania decyzji.

• Drugą trudnością było przekonanie ludzi do analityki, zwłaszcza gdy dane są tak sprzeczne z intuicją lub wcześniejszymi praktykami. Długo trwało, zanim doradcy uwierzyli w dane.
• Po trzecie, jakość danych niezbędnych do korzystania z analityki.

Aby stworzyć solidny system analityczny, musieli najpierw usunąć stare dane i „tysiące błędów wprowadzania danych”. Było to trudne zadanie, ale uniwersytet zgodził się na to, aby stworzyć solidny system analityczny, który był niezbędny do osiągnięcia ich celów.

Lepsze dane = lepsi pracownicy

Udowodniono również, że stosowanie analizy dużych zbiorów danych poprawia rekrutację i zatrzymywanie pracowników. Firma Big Data, Evolv, zajmuje się w szczególności analizami predykcyjnymi, szczególnie w przypadku rekrutacji. Jest tak, ponieważ według firmy wykorzystanie dużych zbiorów danych do bezpośrednich decyzji o zatrudnieniu się opłaca.

Na przykład wiedza Evolv zmieniła strategię zatrudniania Xerox w zakresie wyboru pracowników call center. W artykule WSJ dyrektor operacyjny Xerox ds. Usług komercyjnych przyznał: „Niektóre z naszych założeń były niepoprawne”. To jest prawdziwa wartość analizy dużych zbiorów danych; ujawnia rzeczywiste korelacje oparte na obiektywnych informacjach, a nie na przeczuciu zatrudniania menedżerów.

Jak się okazało, wznowienia i kontrole w tle okazały się nie być najbardziej wiarygodnymi wskaźnikami pracowników Xerox, którzy pozostaną, dopóki firma nie uzyska zwrotu z inwestycji w szkolenie w wysokości 5000 USD. Dane Evolv pokazały, że historia aresztowania sprzed pięciu lat nie wskazuje na „przyszłe złe zachowanie”, jak na idealnie czysty zapis. Poprzedni rekord skoku pracy niekoniecznie oznacza, że ​​nowy pracownik nie pozostanie na miejscu. Evolv ukończył badanie z udziałem 21 115 agentów call center. Analiza danych wykazała „bardzo niewielki związek między historią pracy agenta a jego statusem na tym stanowisku”.

Jakie są zatem czynniki, które mają znaczenie? Osobowość, połączenia i lokalizacja. Oprogramowanie Evolv zidentyfikowało idealnego kandydata jako osobę kreatywną, która jest aktywna w jednej do czterech sieci społecznościowych i znajduje się w zarządzalnej drodze do pracy. Kolejnym kluczowym czynnikiem w retencji było skojarzenie. Ci, którzy najprawdopodobniej pozostali w firmie, to ci, którzy znali trzech lub więcej pracowników, którzy już tam pracowali.

Różnice w szkole i biznesie

Chociaż analiza dużych zbiorów danych może być tak samo skuteczna w rekrutacji korporacyjnej, jak i w rekrutacji uniwersyteckiej, pokazuje również, gdzie rozkładają się podobieństwa między nimi. W artykule Forbes z 2013 r., O tym, czego firma dowiedziała się, gdy zastosowała analitykę predykcyjną do wyboru sprzedawców, autor Josh Bersin wskazuje, że doświadczenie szkolne liczy się o wiele mniej, niż ludzie sądzą, jeśli chodzi o przewidywanie sukcesu zawodowego. W rzeczywistości, wbrew powszechnemu przekonaniu, GPA kandydata lub wybór uczelni nie korelowały z sukcesem w pracy.

To nie znaczy, że edukacja jest bez wartości; ukończenie jakiejś formy edukacji było jednym ze wskaźników sukcesu zawodowego, ale kluczem było ukończenie, a nie szkoła czy stopnie. Inne kluczowe wskaźniki obejmowały poprawne gramatycznie wznowienie, wykazanie sukcesu w pracy, udane doświadczenie sprzedażowe i zdolność do pracy w nieuporządkowanych warunkach. Po tym, jak firma włączyła analizę danych do swoich etapów kwalifikacji i zidentyfikowała czynniki, które były dokładnymi predyktorami, poprawiła wyniki sprzedaży, osiągając zysk w wysokości 4 milionów USD.

Niezależnie od potrzeb organizacji, analizy predykcyjne mogą skierować je na właściwą ścieżkę. Jak powiedział Wright o swoim własnym doświadczeniu: „Zapewniając ludziom zasoby potrzebne do podejmowania dobrych decyzji, wszyscy wygrywają”.