<img height="1" width="1" style="display:none" src="//www.facebook.com/tr?id=1509222356040859&amp;ev=PageView&amp;noscript=1">

填写此表格以请求您访问平台。

职位描述:为成功实施计划而努力的第一步

除了是出色的广告工具外,职位描述还为配备人员的重要信息提供了有效的人才招聘流程。不清楚,过时或不完整的工作[...]

December 02, 2020

阅读更多
所有帖子

大数据可以吸引人才

1954年,达雷尔·霍夫(Darrell Huff)发表 如何说谎统计,后来成为历史上最著名的商业入门书之一。他的目的是用简单的术语来解释统计方法的深奥概念,它们在商业和社会中的地位不断提高以及如何解释它们。尽管现代MBA课程可能不会在要求的阅读清单中包括霍夫的杰作,但应该如此。它在发布时是超前的,并且在我们当前的文化中仍然具有极大的意义-痴迷于大数据。迫切需要收集越来越多的数据,从而消耗了每个行业和市场。在我们的行业中尤其如此。但是,持续存在的问题与访问或收集信息无关,它与我们如何解释信息有关。我们不需要更大的数据,我们需要更好的分析。让我告诉你一个小故事。

统计故事时间-失败的孩子

这个简短的故事来自我们的团队成员之一。他儿子的密友即将读八年级,但由于成绩不及格而被排除在晋升典礼之外。这个孩子,我们叫他山姆,非常聪明。他收到的F使所有人感到惊讶。

山姆上学的学校使用电脑评分系统。教育工作者说,这样做的好处是允许父母和学生实时获取进度。但是,教师没有合同义务对其进行更新。在这种情况下,F直到出现为时已晚才出现。系统会做其他事情-根据分数向老师提出建议。在这种情况下,山姆的父母被告知,他们应该考虑让儿子参加特殊需要计划。那是我的同事决定分析数据的时候。

为了帮助Sam的父母了解发生的情况,他从系统中提取了他们儿子的所有成绩。然后,他运行了三种情况。首先,他只是删除所有零,系统会记录所有零,以表示工作不完整或丢失。几乎所有Sam的零都来自作业。在第二种情况下,我的同事只专注于测试和项目,仅计算那些分数。在第三种情况下,他分析了测试和项目等级,但考虑到那里的相关零点数量很少。在极少数情况下,Sam并未上交重大项目。对山姆感到羞耻。

这是我的同事发现的。

  • 方案1:从系统中删除所有零,Sam的GPA将达到86.69%。
  • 方案2:仅计算测试分数和项目,Sam的GPA就会达到89.65%,B很高或A都很低,具体取决于学校的评估。
  • 方案3:对包含零的评分测试和项目进行评分,Sam仍将获得78.50%的及格分数,相当高的C。
    尽管总分值比测试或项目低得多,但日常作业却在总成绩中高得惊人。

学校对成绩的分析仅涉及对累积GPA的评估,然后得出结论,山姆可能有学习障碍或智力缺陷。现实?山姆懒惰,学习习惯差。

这个男孩的父母得知,山姆(Sam)不想完成功课,因为他想和朋友一起出去玩。他们说,Sam还认为日常任务是不必要的“忙碌工作”,因为他在所有考试和项目中都获得了As或B。山姆的父母向学校校长介绍了这些发现。圆满的结局是,他不会参加特殊需求计划。

数据太大,解释太宽泛

霍夫的书充满了类似的例子。他发现,在某些情况下,数据是故意被误解或操纵的:“统计学的秘密语言在一种具有事实意识的文化中颇具吸引力,因此被用来轰动,夸大,混淆和过分简化。”在其余时间中,结论包含偏见或过于宽泛的解释。

在书中的第一个例子中,霍夫引用了《时代》杂志关于1924年耶鲁大学毕业班的一个臭名昭著的统计数据。“文章开始说,平均耶鲁大学(Yaleman)为24年级,每年赚25,111美元。扣除年度和总通货膨胀因素,今天的薪水为343,316.72美元,真是惊人的钱。这是一个奇怪的数字。这也是不准确的。霍夫用这种表示法说明了连续的问题。

  • 几乎没有任何一个群体的“平均”收入可以算作美元的可能性很小。
  • 报告的收入并非完全基于薪水,“该类别中的人可能会有分散的投资。”
  • 霍夫指出,最重要的是,“毫无疑问,这个平均数是根据耶鲁大学男子所说的收入计算得出的。”
  • 并非每个毕业生都愿意报告自己的收入,从而减少了抽样组的规模和组成。
  • 平均值很宽。例如,比尔·盖茨今年的收入为115亿美元。他所在州的典型软件开发人员的收入约为75,000美元。然而,综合起来,人们可能会得出一个统计数字,声称他们的平均工资接近57亿美元。我们知道那是不对的。

许多公司认为自己是数据驱动的,并且严重依赖从各种来源(客户,工人,供应商等)收集的信息。然而,我们经常发现他们对数据的解释是有偏见的,过于简化的,过于广泛的或归纳性的,以证明一个假设,而不是通过演绎分析来揭示一个现实。

开发有意义的分析程序

人员分析和大数据在人员配备方面仍是相对较新的流程。在解释和使用数据方面仍然存在障碍。当招聘经理和人力资源主管努力掌握人员分析的复杂性时,他们通常会退一步去依赖“勇敢的直觉”。然而,问题远不止于此。饰演Michael Skapinker 观测到的 在《金融时报》中,“阻碍我们前进的不仅是偏见,而且过去的业绩也无法预测结果。”

在踏上利用大数据的道路之前,我们需要为思维方式转变做好准备。这是MSP与客户联系时应考虑的第一步。人员分析不是被动的-如果使用得当,它们会提供启发而不是支持。这意味着我们应该好奇心和公正地对待数据,而不是作为证明我们已经相信或别人相信的东西的工具。最后,仔细解释的结果可能不是我们希望的,但它们将为我们指明最佳方向。

了解目标

寻求了解由于结果而可能有所不同或更改的内容。

  • 我们要达到什么目标?
  • 我们理想地需要做出决定性选择或正确纠正当前方向的哪些信息?
  • 我们要解决的实际业务问题是什么?

通过确定这些问题的答案,我们可以向后工作以发现客户所需的数据。

建立周到的样本

  • 推动思想超越单个部门或部门。考虑数据如何影响组织及其整体人才。
  • 抵制可能因类似观点或认为我们做事的人而引起的确认偏差。像“ MythBusters”研究人员一样进行分析。尝试反驳公认的规范。接受风险,失败和意外的结果-所有这些情况都是至关重要的学习经验,可以改善流程。
  • 使用好的数据:可靠,有效,干净和完整。数据应该是客观的,而不是基于特定的业务组,人才类别,公司部门或招聘经理。
  • 跨组和随时间进行设计比较。

尽早加入合作伙伴

如果没有告知利益相关者并将其包括在流程中,那么即使是最周到,最专业的分析也会失败。我们应该努力将其他人带入我们的发现之旅,并征求他们的意见。决策者将更有可能参与,审查研究,了解其价值并实施建议的更改。否则,可能会危及整个工作。没有事先的知识和包容性,过程中的其他利益相关者可能会感到好像被告知如何做工作,特别是如果他们在提交实质性报告时概述了他们需要的所有东西,而现在他们认为事情进展顺利改变。

尽管有最好的意图,但在这种情况下,收件人会感到失明。当发生这种情况时,关键计划就搁置在未实施的架子上,并积collecting灰尘,这等于是浪费了机会,浪费了时间并损失了成本。

建立合适的团队

设计合适的团队是当务之急,应该在任何数据收集或分析之前进行。尽管MSP在其VMS和企业资源系统中拥有大量有用的数据(更不用说内部分析团队了),但为了取得成功,努力必须更加广泛和协作。最好的团队包括众多代表。在外包劳动力计划中,该计划将吸收来自客户组织,MSP,VMS和人员合作伙伴公司的专业人员。这些主题专家将需要解决该项目的原因,内容和方式。

  • 原因:聘请经理,业务负责人和主管提供业务专业知识。
  • 内容:为合作伙伴,采购负责人和人力资源官提供人员,以提供人才方面的专业知识。
  • 方法:来自MSP,客户组织或技术提供商(例如VMS)的数据分析专家,他们了解信息,如何收集信息以及如何将其解释为决策者可以采取行动的有意义的结果。

大数据可以打开我们的视野

人员分析带来的好处是无与伦比的。尽管此过程现在看起来似乎很陌生且不堪重负,但在不远的将来,大数据可以让我们看到一个世界一流的人才和我们从未见过的新一代创新者。我们只需要确保我们在正确的位置寻找并移交正确的石头即可。

 凯西·恩斯特伦
凯西·恩斯特伦
凯西(Casey)是人员编制行业的家喻户晓的名字之一,专门从事销售和运营领导。他带来了有关业务开发和销售策略,预测分析,领导力以及人力资本解决方案的广泛知识。在进行Crowdstaffing之前,Casey曾担任《财富》 1000强公司的北美地区技术销售副总裁。
发表评论

相关文章

职位描述:为成功实施计划而努力的第一步

除了是出色的广告工具外,职位描述还为配备人员的重要信息提供了信息。
人群拥挤 2020年12月2日下午3:51:02

在建立新员工时扩大与现有员工合作伙伴关系的重要性

配备人员的供应商是兴旺的临时员工计划的推动力,并建立了稳定的员工队伍。
人群拥挤 2020年11月4日下午2:05:35