חזרה לבית הספר עם ניתוח נתונים גדולים

התלמידים אינם היחידים שחוזרים לבית הספר. כולנו יכולים לחזור ללמוד על דרכים לכוון את מאמצינו בצורה יותר יעילה. ניתוח חזוי יכול להראות את הדרך. בין אם מיושם בגיוס אוניברסיטאות או גיוס תאגידים, מה שמגלה נתונים גדולים יכולים להראות לנו שההנחות שלנו לגבי עובדות מובילות אותנו לכיוון הלא נכון.

אנליטיקס בפעולה

עבור מי שעסקיו בבית הספר, ההכנות לעונה זו דורשות תכנון, וניתוח של Big Data יכול להראות כיצד להשיג תוצאות מקסימליות. זה סיפור התכנון האסטרטגי של אוניברסיטת וויצ'יטה. לפני מספר שנים דיוויד רייט, סגן נשיא למערכת נתונים אקדמית ותכנון אסטרטגי, מכר את בית הספר בקנזס תוך שימוש בניתוח נתונים גדולים כדי להגביר את היעילות בהוצאות המלגות והגיוס.

"בניית קמפוס חכם יותר: כיצד אנליטיקס משנה את הנוף האקדמי" מפרטת כיצד התוכנה של יבמ הפחיתה את העלויות על ידי ציון היכן הגיעו הסטודנטים שהיו סבירים יותר להישאר באוניברסיטה. "קבוצה של משוואות ששוקלות דמוגרפיה, היסטוריה אקדמית וגורמים אחרים" נותחו כדי לזהות אילו "יש את ההסתברות הגבוהה ביותר להגיע למדינת וויצ'יטה." בהתבסס על כך, האוניברסיטה אימצה אסטרטגיה ממוקדת יותר לגיוס.

לדוגמה, לאחר שהאנליטיקה חשפה מאיפה רובם הגדול של הסטודנטים באוניברסיטה, מחלקת הקבלה התמקדה באותם בתי ספר תיכוניים. הגילוי שמעט מאוד סטודנטים מגיעים מחוץ למדינה הניע את האוניברסיטה לקצץ 14 ירידי מכללות ולהפחית את הנסיעות. הם גם נקטו בגישה ממוקדת יותר לדואר הישיר שלהם. בעבר שלחו 9, 000 מכתבים. לאחר יישום ניתוחים, הם נאלצו לשלוח רק 5, 000 עד 6, 000. הירידה במספר המכתבים שתורגמה למעשה לגידול בגיוס של 26 אחוזים.

מתכוננים לשינויים טקטיים

בחילופי דוא"ל הסביר רייט את האתגרים הכרוכים במוסד להחליף הילוכים ולחיבוק ניתוחים. לדבריו, מדובר בשלושה היבטים:

• אחת מהן הייתה לגרום לאנשים לראות את היתרון של קבלת החלטות מבוססת ראיות. השימוש בנתונים לקבלת החלטות שונה מאוד משימוש בנתונים לאישור החלטה. בהתחלה, האוניברסיטה התקשתה לגרום לאנשים להשתמש בנתונים לפני נקודת ההחלטה. הנתונים צריכים להיות בשולחן עם קבלת ההחלטות.

• הקושי השני היה לגרום לאנשים לבטוח בניתוח, במיוחד כאשר הנתונים מנוגדים כל כך לאינטואיציה או לשיטות עבר. לקח הרבה זמן עד שהיועצים האמינו בנתונים.
• והשלישית הייתה האיכות בנתונים הנחוצים לשימוש באנליטיקה.

כדי להשיג מערכת אנליזה איתנה, היה עליהם תחילה לנקות נתונים ישנים ו"אלפי שגיאות הזנת נתונים ". זו הייתה משימה מפחידה, אך האוניברסיטה הסכימה לה למען הקמת מערכת האנליטיקה החזקה, הנחוצה כדי להשיג את יעדיהם.

נתונים טובים יותר = עובדים טובים יותר

הוכח כי החלת ניתוח נתונים גדולים גם כשיפור הגיוס והשימור של העובדים. חברת Big Data Evolv עוסקת ביישום אנליטי חזוי על גיוס עובדים בפרט. הסיבה לכך היא ששימוש בנתונים גדולים כדי לכוון את החלטות ההעסקה משתלם, לדברי החברה.

לדוגמה, התובנה של Evolv שינתה את אסטרטגיית הגיוס של זירוקס לבחירת עובדי מוקד טלפוני. במאמר של WSJ הודה מנהל התפעול הראשי של שירותיקס מסחרית, "חלק מההנחות שלא היו לנו תקפות." זה הערך האמיתי של ניתוח נתונים גדולים; זה חושף מתאם בפועל המבוסס על מידע אובייקטיבי ולא על תחושות בטן של מנהלים שכירים.

כפי שהתברר, קורות חיים ובדיקות רקע התבררו כאל האינדיקטורים המהימנים ביותר של עובדי זירוקס שיישארו בעד עד שהחברה תקבל החזר על השקעתה בסך 5, 000 דולר בהכשרה. הנתונים של Evolv הראו כי תיעוד מעצר שנמשך יותר מחמש שנים אינו מצביע על "התנהגות רעה עתידית" יותר מאשר רקורד נקי לחלוטין. תיעוד קודם של קפיצות עבודה גם לא בהכרח אומר שההשכרה החדשה לא תישאר. Evolv השלים מחקר שנערך על 21, 115 סוכני מוקד טלפוני. ניתוח הנתונים הצביע על "מעט מאוד קשר בין היסטוריית העבודה של סוכן לבין כהונתו בתפקיד."

מהם הגורמים שעושים שינוי אז? אישיות, קשרים ומיקום. התוכנה של Evolv זיהתה את המועמד האידיאלי כאדם יצירתי הפעיל באחת עד ארבע רשתות חברתיות ונמצא בנסיעות ניתנות לניהול של מקום העבודה. גורם מפתח נוסף בשימור היה שיוך. מי שהתברר שהסביר ביותר שהייה בחברה היו אלה שהכירו שלושה עובדים או יותר שכבר עבדו בה.

ההבדלים בבית הספר והעסקים

בעוד ניתוח של נתונים גדולים יכול להיות יעיל בגיוס תאגידים כמו בגיוס האוניברסיטאות, הוא מראה גם היכן ההקבלות בין השניים מתפרקות. במאמר פורבס משנת 2013, על מה שלמדה החברה כאשר יישמה אנליטי חזוי בבחירת אנשי מכירות, הסופר ג'וש ברסין מציין כי ניסיון בית הספר נחשב להרבה פחות ממה שאנשים חושבים מבחינת חיזוי הצלחה בעבודה. למעשה, בניגוד לאמונה הרווחת, ה- GPA של המועמד או בחירתו במכללה לא מתואמים עם ההצלחה בתפקיד.

זה לא אומר שחינוך חסר ערך; סיום לימודי צורה כלשהי היה אחד האינדיקטורים להצלחה בקריירה, אך המפתח שם היה השלמה ולא בית הספר או הכיתות. אינדיקטורים מרכזיים אחרים כללו קורות חיים נכונים מבחינה דקדוקית, הדגימו הצלחה בעבודה, חווית מכירות מצליחה ויכולת לעבוד בתנאים לא מובנים. לאחר שהחברה שילבה את ניתוח הנתונים בצעדים הכשירים שלה וזיהתה את הגורמים שהיו מנבאים מדויקים, היא שיפרה את ביצועי המכירות עד לרווח של הכנסה בסך 4 מיליון דולר.

יהיו צרכי הארגון אשר יהיו, אנליטיקה חזויה יכולה להציב אותם בדרך הנכונה. כפי שרייט אמר על החוויה שלו, "על ידי העצמת אנשים עם המשאבים הדרושים להם בכדי לקבל החלטות טובות, כולם מנצחים."