Obsah:
- Analytics v akci
- Příprava na taktické změny
- Lepší data = lepší zaměstnanci
- Rozdíly ve škole a podnikání
Studenti nejsou jediní, kdo se vrací do školy. Všichni se můžeme vrátit, abychom se dozvěděli, jak nasměrovat naše úsilí produktivněji. Prediktivní analytika může ukázat cestu. Ať už se jedná o nábor vysokých škol nebo o najímání firem, ať už se jedná o velká data, může nám ukázat, že naše předpoklady o tom, co funguje, nás vedou špatným směrem.
Analytics v akci
Pro ty, jejichž podnikání je škola, se připravuje na tuto sezónu plánování a analýza velkých dat může ukázat, jak dosáhnout maximálních výsledků. To je příběh strategického plánování Wichita State University. Před několika lety David Wright, zástupce viceprezidenta pro akademické datové systémy a strategické plánování, prodal školu v Kansasu za použití velkých analytických dat ke zvýšení efektivity utrácení stipendií a náboru.
„Vytváření chytřejšího kampusu: Jak Analytics mění akademickou krajinu“ uvádí podrobnosti o tom, jak software společnosti IBM snížil náklady určením místa, odkud pocházeli studenti, kteří měli raději zůstat na univerzitě. "Soubor rovnic vážících demografii, akademickou historii a další faktory" byl analyzován s cílem zjistit, které "mají nejvyšší pravděpodobnost, že přijdou do státu Wichita". Na základě toho přijala univerzita cílenější strategii náboru.
Například poté, co analytika odhalila, odkud pochází velká většina studentů univerzity, se přijímací oddělení zaměřilo na tyto střední školy. Zjevení, že jen velmi málo studentů pochází z cizího státu, přimělo univerzitu snížit 14 veletrhů a omezit cestování. Také se více zaměřili na přímou poštu. V minulosti rozeslali 9 000 dopisů. Poté, co použili analytiku, museli poslat pouze 5 000 až 6 000. Snížený počet dopisů se ve skutečnosti promítl do nárůstu náboru o 26 procent.
Příprava na taktické změny
Při výměně e-mailů Wright vysvětlil problémy, které spočívají v tom, že se musí instituce obrátit na převody a přijmout analytiku. Řekl, že se jedná o tři aspekty:- Jedním z nich bylo přimět lidi, aby viděli výhodu rozhodování založeného na důkazech. Použití dat k rozhodování se velmi liší od používání dat k potvrzení rozhodnutí. Na začátku měla univerzita těžko přimět lidi používat data před rozhodnutím. Data by měla být při rozhodování u stolu.
- Druhým problémem bylo přimět lidi, aby důvěřovali analytice, zejména pokud jsou data tak v rozporu s intuicí nebo minulými postupy. Poradcům trvalo dlouho, než věřili těmto údajům.
- Třetí byla kvalita údajů nezbytných pro použití analytiky.
Lepší data = lepší zaměstnanci
Ukázalo se také, že použití analýzy velkých dat zlepšuje nábor a udržení zaměstnanců. Společnost s velkým objemem dat Evolv se zabývá zejména používáním prediktivní analýzy zejména na nábor. Je to proto, že použití velkých dat k přímému přijímání rozhodnutí se vyplatí, podle společnosti.
Například Evolvův pohled změnil strategii náboru Xeroxu pro výběr pracovníků call centra. V článku WSJ hlavní provozní ředitel společnosti Xerox pro komerční služby připustil: „Některé předpoklady, které jsme měli, nebyly platné.“ To je skutečná hodnota analýzy velkých dat; odhaluje skutečné korelace spíše na základě objektivních informací než na základě pocitů vedoucích pracovníků.
Jak se ukázalo, obnovení a kontrola na pozadí se ukázala jako nejspolehlivější ukazatele zaměstnanců Xeroxu, kteří zůstanou, dokud společnost nezíská návratnost svých investic do školení ve výši 5 000 $. Evolvova data ukázala, že záznam o zatčení, který pochází z pěti let, nenaznačuje „budoucí špatné chování“ víc než dokonale čistý záznam. Předchozí záznam o hoppingu také nutně neznamená, že nový pronájem nezůstane na místě. Evolv dokončil studii 21 115 agentů call centra. Analýza dat naznačila „velmi malý vztah mezi pracovní historií agenta a jeho držením v dané pozici“.
Jaké jsou tedy faktory, které dělají rozdíl? Osobnost, spojení a umístění. Evolvův software označil ideálního kandidáta za kreativního člověka, který je aktivní na jedné až čtyřech sociálních sítích a je v rámci zvládnutelného dojíždění na pracovišti. Dalším klíčovým faktorem v retenci byla asociace. Ti, u kterých bylo pravděpodobné, že zůstanou ve společnosti, byli ti, kteří znali tři nebo více zaměstnanců, kteří tam již pracovali.
Rozdíly ve škole a podnikání
Ačkoli analytika velkých dat může být při náboru firem stejně účinná jako při náboru na univerzitách, ukazuje také, kde se paralely mezi těmito dvěma členěními liší. V článku z roku 2013, který se dozvěděl o tom, co se společnost dozvěděla, když na výběr prodejců použil prediktivní analýzu, autor Josh Bersin zdůrazňuje, že školní zkušenosti se počítají mnohem méně, než si lidé myslí, pokud jde o předvídání pracovního úspěchu. Ve skutečnosti, na rozdíl od všeobecného přesvědčení, kandidátova GPA nebo volba vysoké školy nekorelují s úspěchem v práci.
To neznamená, že vzdělání je bez hodnoty; dokončení některé formy vzdělávání bylo jedním z ukazatelů kariérního úspěchu, klíčem však bylo dokončení, nikoli škola nebo známky. Mezi další klíčové ukazatele patřil gramaticky správný životopis, prokázaný úspěch v práci, úspěšná prodejní zkušenost a schopnost pracovat za nestrukturovaných podmínek. Poté, co společnost začlenila datovou analytiku do svých kvalifikačních kroků a identifikovala faktory, které byly přesnými prediktory, zlepšila prodejní výkon až do výše zisku ve výši 4 milionů dolarů.
Ať už jsou potřeby organizace jakékoli, prediktivní analýza je může dát na správnou cestu. Jak Wright řekl o své vlastní zkušenosti, „Tím, že zmocňuje lidi ke zdrojům, které potřebují k dobrým rozhodnutím, vyhrává každý.“
