Terug naar school met big data-analyse

Niet alleen studenten gaan terug naar school. We kunnen allemaal terugkomen om te leren hoe we onze inspanningen productiever kunnen richten. Voorspellende analyses kunnen de weg wijzen. Of het nu wordt toegepast op universitaire werving of werving van bedrijven, wat big data onthult, kan ons laten zien dat onze veronderstellingen over wat werkt ons in de verkeerde richting leiden.

Analytics in actie

Voor diegenen die zaken doen op school, is voorbereiding op dit seizoen een planning en big data-analyse kan laten zien hoe ze maximale resultaten kunnen behalen. Dat is het verhaal van de strategische planning van de Wichita State University. Een paar jaar geleden verkocht David Wright, geassocieerd vice president voor academisch datasysteem en strategische planning, de Kansas school over het gebruik van big data-analyses om de efficiëntie van de beursuitgaven en werving te verhogen.

"Een slimmere campus bouwen: hoe Analytics het academische landschap verandert" beschrijft hoe de software van IBM de kosten verlaagde door aan te geven waar de studenten vandaan kwamen die waarschijnlijker op de universiteit wilden blijven. "Een set vergelijkingen met een gewicht van demografie, academische geschiedenis en andere factoren" werden geanalyseerd om te identificeren welke "de grootste kansen hebben om naar de staat Wichita te komen." Op basis daarvan heeft de universiteit een meer gerichte strategie voor werving aangenomen.

Nadat bijvoorbeeld uit analyses bleek waar de overgrote meerderheid van de studenten van de universiteit vandaan komt, concentreerde de toelatingsafdeling zich op die middelbare scholen. De onthulling dat heel weinig studenten van buiten de staat komen, heeft de universiteit ertoe aangezet 14 universiteitsbeurzen af ​​te snijden en het aantal reizen te verminderen. Ze namen ook een meer gerichte benadering van hun direct mail. In het verleden stuurden ze 9.000 brieven. Na het toepassen van analyses hoefden ze slechts 5.000 tot 6.000 te sturen. Het verminderde aantal brieven vertaalde zich feitelijk in een toename van de werving met 26 procent.

Voorbereiding op tactische veranderingen

In een e-mailuitwisseling legde Wright de uitdagingen uit om een ​​instelling te laten schakelen en analyses te omarmen. Hij zei dat er drie aspecten bij betrokken waren:

• De ene was om mensen het voordeel te laten inzien van evidence-based besluitvorming. Het gebruiken van gegevens om beslissingen te nemen is heel anders dan het gebruik van gegevens om een ​​beslissing te bevestigen. In het begin had de universiteit moeite om mensen gegevens te laten gebruiken vóór het beslissingspunt. De gegevens moeten aan tafel liggen als er beslissingen worden genomen.

• De tweede moeilijkheid was om mensen de analyses te laten vertrouwen, vooral wanneer de gegevens zo in strijd zijn met intuïtie of eerdere praktijken. Het duurde lang voordat adviseurs vertrouwen hadden in de gegevens.
• En ten derde was de kwaliteit van de gegevens die nodig is om analyses te gebruiken.

Om een ​​robuust analysesysteem te krijgen, moesten ze eerst oude gegevens en "duizenden fouten bij gegevensinvoer" verwijderen. Dat was een ontmoedigende taak, maar de universiteit stemde ermee in om het robuuste analysesysteem op te zetten dat nodig was om hun doelen te bereiken.

Betere gegevens = betere werknemers

Het is ook bewezen dat het toepassen van big data-analyse de werving en het behoud van werknemers verbetert. Big data-bedrijf Evolv houdt zich bezig met het toepassen van voorspellende analyses in het bijzonder bij aanwerving. Dat komt omdat het gebruik van big data voor het aansturen van beslissingen volgens het bedrijf loont.

Het inzicht van Evolv heeft bijvoorbeeld de aannamestrategie van Xerox voor het selecteren van callcentermedewerkers veranderd. In een WSJ-artikel gaf de Chief Operating Officer van Commercial Services van Xerox toe: "Sommige van de aannames die we niet hadden gedaan." Dat is de echte waarde van big data-analyse; het onthult feitelijke correlaties op basis van objectieve informatie in plaats van onderbuikgevoelens van managers aanwerven.

Het bleek dat cv's en achtergrondcontroles niet de meest betrouwbare indicatoren waren voor Xerox-werknemers die zouden blijven tot het bedrijf zijn investering van $ 5.000 terugverdient. Uit de gegevens van Evolv bleek dat een arrestatie van meer dan vijf jaar niet meer duidt op "toekomstig slecht gedrag" dan op een perfect schoon dossier. Een eerder record van banenhoppen betekent niet noodzakelijkerwijs dat de nieuwe aanstelling niet zal blijven bestaan. Evolv voltooide een studie van 21.115 callcentermedewerkers. De analyse van de gegevens wees op "zeer weinig relatie tussen de werkgeschiedenis van een agent en zijn of haar ambtstermijn in de functie."

Welke factoren maken dan het verschil? Persoonlijkheid, verbindingen en locatie. De software van Evolv identificeerde de ideale kandidaat als een creatief persoon die actief is op één tot vier sociale netwerken en zich binnen een beheersbaar woon-werkverkeer bevindt. Een andere belangrijke factor bij retentie was associatie. Degenen die het meest waarschijnlijk in een bedrijf bleven, waren degenen die drie of meer werknemers kenden die er al werkten.

Verschillen in school en bedrijf

Hoewel big data-analyse even effectief kan zijn bij werving van bedrijven als bij universitaire werving, laat het ook zien waar de parallellen tussen de twee uit elkaar vallen. In een Forbes-artikel uit 2013, over wat een bedrijf leerde toen het voorspellende analyses toepaste bij het selecteren van verkoopmedewerkers, wijst auteur Josh Bersin erop dat schoolervaring veel minder meetelt dan mensen denken in termen van voorspellend succes op de baan. In tegenstelling tot wat vaak wordt gedacht, correleerde de GPA of de studiekeuze van een kandidaat niet met succes op het werk.

Dat betekent niet dat onderwijs waardeloos is; het afronden van een vorm van onderwijs was een van de indicatoren voor carrièresucces, maar de sleutel daar was voltooiing in plaats van de school of cijfers. Andere belangrijke indicatoren waren een grammaticaal correct cv, aangetoond succes in een baan, succesvolle verkoopervaring en het vermogen om onder ongestructureerde omstandigheden te werken. Nadat het bedrijf de data-analyse in zijn kwalificatiestappen had opgenomen en de factoren had geïdentificeerd die nauwkeurige voorspellers waren, verbeterde het de verkoopprestaties met een winst van $ 4 miljoen.

Wat de behoeften van de organisatie ook zijn, voorspellende analyses kunnen ze op het juiste spoor zetten. Zoals Wright zei over zijn eigen ervaring: "Door mensen de middelen te geven die ze nodig hebben om goede beslissingen te nemen, wint iedereen."