Что делает отбор средств маркетинга баз данных для исследования рынка?

Наука о рабочей силе - это не старый подход к Тайлорскому секундомеру, чтобы максимально использовать возможности работодателей. На самом деле, новая наука о рабочей силе является противоположным подходом, который избегает теории управления и вполне может избавить отделы человеческих ресурсов от работы … сохранить, возможно, функцию Преимущества .

Человеческая природа рассматривает прошлое поведение потенциальных рабочих как важный маркер для будущей работы.

Но исследования, проведенные учеными-трудовыми коллективами, поставили их в соответствие с Комиссией по ценным бумагам и биржам (SEC), которая лихо предоставляет следующие обязательные раскрытия для финансирования инвесторов: Прошлые показатели не являются гарантией будущей производительности . Ученые утверждают, что в условиях обычной мудрости работодатели не должны чрезмерно рассматривать такие атрибуты, как скачкообразная перестройка или периоды безработицы при принятии решения о найме. И эти ученые-трудовые коллективы могут поддержать свои аргументы данными. Много данных. Большие данные.

Исследование рабочей силы, проведенное крупными учеными с данными, существенно подчеркивает силу взаимоотношений между контрольными надзорными органами и работой и работой сотрудников. Наблюдатель с сильными навыками общения и личной теплотой был обнаружен в преобладании исследовательских исследований, чтобы иметь больший вес, чем индивидуальные характеристики и опыт работы сотрудников.

Эти выводы перевернули управленческое понимание вверх ногами. Поэтапные процессы, которые используются в регрессионном анализе, были адаптированы для использования в справочниках по человеческим ресурсам по найму, найму и продвижению. Но эти пошаговые модели ставятся под сомнение в статистическом моделировании - и во множестве приложений, таких как традиционные стратегии управления.

Сторонники больших данных говорят, что эти модели не отражают должным образом неопределенность и что ощущение нечувствительности к не может заполнить пробелы.

Исследование рынка труда, связанное с рынком труда, указывает на то, что, если оставить их на своих собственных устройствах, менеджеры (консультируемые и часто сдерживаемые отделами персонала) плохо справляются. Например, менеджеры склонны нанимать людей, которые похожи на них, по каким-то важным причинам (пол, возраст, статус выпускников, членство в команде, интересы отдыха), которые по существу не связаны с работой. С течением времени это может означать, что фирма может существенно перекосить свою рабочую силу в сторону определенного типа сотрудника , который по сути является клоном своего босса. Хотя эта ситуация способствует повышению комфорта среди сотрудников, это не гарантирует, что эффективность работы будет лучше из-за этих сходств.На самом деле, наоборот. Высокий уровень однородности может привести к мысли о мышлении , который может быть катастрофическим. Примеры неудач этого типа включают проблему с уплотнительными кольцами на злополучном космическом челноке Challenger, тяжелые инвестиции в кредитные свопы в финансовом кризисе 2008 года, чрезмерную самоуверенность квантов в их алгоритмах, а для историков - Tulipmania из 1600-х годов.

Кроме того, огромные числа потенциальных сотрудников, которые могут быть пересмотрены с использованием больших методов данных, по сравнению с обычными процессами в области людских ресурсов. Как показал Moneyball, вся цифровая активность людей может быть собрана при относительно низких затратах и ​​данных, полученных для понимания навыков, общения и работы. Цифровые трассы построены по телефонным звонкам, обмену мгновенными сообщениями, электронной почте, кликам по страницам и письменному коду. Цифровые аборигены, в частности, кажутся безразличными по следам потребительской активности, которые они оставляют позади. Для фирм, работающих в режиме найма, эти легкие подборки являются благом для найма и принятия решений о найме.

Gild - это стартап-компания, которая использует неструктурированные большие данные для автоматизации открытия талантливых программистов. Изучая цифровые данные о реальном участии в дискуссионных группах по программированию и проектах с открытым исходным кодом, Бу смотрит на их общественный код и деятельность в социальных сетях, Гилд стремится количественно определить, что люди могут делать и как они выполняют - часто, просто следуя своим собственным интересам или преследуя свои собственные музы.

В недавней статье в The New York Times , Как большие данные играют рекрутера для специализированных рабочих , Мэтт Рихтель писал: Люди в Силиконовой долине склонны охватывать определенные допущения: прогресс, эффективность и скорость хорошие. Технология может решить большинство вещей. Изменения неизбежны; нарушения не следует опасаться. И, может быть, больше всего, заслуга будет преобладать.

Кенни Мендес, руководитель отдела вербовки в «Боксе», утверждает, что Гилд последовательно давала нам новых кандидатов, которые, как мы знаем, хороши, но не нашли бы в другом месте - скрытый талант, так сказать. Гильд Вивьен Минг, главный ученый из Гильда, утверждает, что Силиконовая долина не такая же основанная на заслугах, как и они. Мин утверждает, что практика найма и найма в Силиконовой долине приводит к тому, что талантливые, хотя и несколько преданные, люди недооцениваются и игнорируются до такой степени, что значительное количество великих исполнителей падает через трещины.

Возможно, Гильд также делает вывод о важности качественных данных. Без скептицизма (явно качественной переменной) таких ученых, как основатель Ming и Gild, Лука Бонмассар, традиционные стены силосов для человеческих ресурсов не были бы нарушены. Подумайте об этом, специалисты Google по аналитике людей говорят, что компания считает, что решения своих людей так же важны, как и его решения о продуктах. Google полагается меньше на цифры, оценки и степени при найме, что он делал в ранние дни фирмы.