“大数据”一词已成为21世纪商业的代名词。在临时性的劳动力行业中，涌现大量数据的需求变得越来越强烈。各种规模和规模的公司都在自动进行招聘，数字化流程并构建有关客户和候选人信息的库房中处于领先地位。但是，临时员工领导需要面对的问题与所收集的数据量无关，而是要确定他们是否拥有正确的数据以及如何解释它们。

大数据太大了吗？

饰演Maxwell Wessel 观察 在最近 哈佛商业评论 文章中，我们为捕获信息而投入的网络日益扩大。看来，任何可能影响雇用或管理劳动力的因素都被纳入考虑范围。

“大量的社会，天气和政府数据被用于 预测供应链中断”，韦塞尔说。 “大量的用户数据正在被 大规模利用以识别个人 在众多的网站点击中。公司甚至开始利用巨大的 文本交换数量 建立能够与客户对话的算法。”

所有这些事情现在都在临时员工队伍中发生，直到引入人工智能作为招聘工具。 第一份工作 正在推出Mya，这是一种使用自然语言处理和机器学习的AI，可自动完成多达75％的招聘流程。

与Amazon的Alexa或Apple的Siri等虚拟助手类似，Mya可以模拟对话以及与用户的某种复杂交互。通过这些交流，她不断收集有关候选人，技能，参与水平，文化适应度等方面的数据。 第一份工作 说，这些信息随后被转化为可量化的情报。

由于Mya是新的，因此结果仍有待观察。问题仍然存在：在Mya将从成百上千的个人候选人获得的所有信息中，有用的有多少？可付多少钱？多少是太多了？

Uber，小型正确数据的成功案例

称赞或侮辱它，Uber代表着有关数据分析功能的成功故事。投资者和业务专家长期以来一直将按需个人交通应用程序视为大数据的典范。正如Wessel所说，该系统确实从驾驶员和乘客那里捕获了大量信息，从而可以绘制“人类运输的实时物流流”。不过，他还对Uber数据的实际大小做出了至关重要的区分。

Wessel解释说：“但是，Uber的成功与它收集的大数据无关。” “优步的成功源于截然不同的事物：小型， 对 它需要做的非常简单的数据-调度汽车。”

在Uber迅速崛起之前，通勤者依靠出租车来提供类似服务。甚至在没有计算机接收和处理数据的情况下，韦塞尔也指出，“侦查城市周围的眼球网络”本身就是一个庞大的收集和分析数据程序。

他补充说：“计算发生在人脑内部这一事实不会改变捕获和分析的数据量。” “ Uber的优雅解决方案是停止对视觉数据运行生物异常检测算法-只是要求正确的数据才能完成工作。城市中谁需要乘车，他们在哪里？关键信息使Uber，Lyft和Didi Chuxing等公司彻底改变了整个行业。”

合理化大数据

识别废物

发现正确数据大小的关键在于识别“浪费”。韦塞尔以花店为例。平均零售花店的商品腐败率高达50％。这意味着所有这些漂亮花束中的一半最终会进入垃圾箱。但是，浪费是机会的宝贵来源。

Wessel写道：“无论是在工业生产，零售还是法律调查中，弄清您浪费的精力和资源，都应该为正确的数据提供指导。”临时劳动力计划也是如此。

对于临时的劳动力领导者，确定合适的人才数据的第一步涉及寻找浪费的工作或无效的过程。为了说明起见，假设您的每工作提交人数比为1：5或更低。这意味着您的招聘人员或员工合作伙伴提供的简历不足。您已经揭示了“浪费”的根源，并有机会改善自己的流程。

减少浪费

此时，您已经决定集中精力减少浪费。是时候对如何更改流程进行理论化和防止浪费或无效的工作了。面对每份工作的提交数难题，我们需要开始积累，分解和综合与该问题相关的数据。

• 工作说明的表现如何？他们引人注目吗？对于客户和候选人，他们是否准确反映了职位的要求和利益？
• 我们是否在利用正确的采购渠道？如果传统的工作委员会无法取得成果，请分析社交网络，在线团体，社区，大学系统和其他媒体上的数据。也许LinkedIn和Facebook胜过Monster，因为后者是收获顶级候选人的沃土。
• 候选人推广计划有多成功？过程是手动的吗？可以自动化吗？
• 与错误的开始或不响应相比，成功的招募工作看起来如何？分析此数据将帮助您创建可测量性能的配置文件以进行复制和部署。

建立有意义的数据集

• 推动思维延伸到单个部门或部门之外。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以您的方式思考的人而引起的确认偏差。像“ MythBusters”研究人员那样进行分析。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。
• 使用可靠，有效，干净和完整的良好数据集。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。

立即招募盟友，利益相关者和合作伙伴

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。努力带动其他人一起探索之旅，并征求他们的意见。您会发现决策者更有可能参与，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，特别是如果他们认为目前情况良好。尽管有最好的意图，但在这种情况下，收件人会感到失明。当这种情况发生时，关键计划就会瘫痪而无法执行，这意味着机会浪费，时间浪费和成本损失。

建立数据团队

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。尽管临时员工计划经理的头脑和跟踪系统（例如VMS，ATS，企业资源系统等）拥有大量有用的数据，但必须更加协作以做出全面的决策。最好的团队包括众多代表。在一个临时劳动力计划中，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。

• 为什么团队 ：雇用经理，业务负责人和执行官以提供业务专业知识。
• 什么团队 ：人员配备合作伙伴，采购负责人和人事官员，以提供人才方面的专业知识。
• 团队如何 ：来自临时劳动力公司，客户组织或技术提供商（例如VMS）的数据分析专家-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结果的专业人员。

更重要的是，确保组建的团队体现出各种各样的思想和观点。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。但是，当团队成员过于相似时（例如，来自同一部门），我们经常发现他们对数据的解释变得有偏见，过于简化，过于宽泛或归纳推理，以证明假设，而不是演绎出真实的事实。

让我们回想一下我们的“每份工作的submittals”示例。如果负责收集数据的人员深入参与寻找或招募候选人的小组，则他们可能会采取防御措施。发生这种情况时，人们倾向于寻找可以证明或免除其挫折的数据。或者，他们沉迷于要检查的内容。在适当的情况下，考虑包括人力资源，市场营销，运营，人员合作伙伴和招聘经理的团队成员。通过从临时员工计划的其他领域吸收利益相关者，您将对挑战及其解决方案有更清晰的了解。

找到正确的数据最佳位置

正如Wessel在他的文章中指出的那样：“有时候正确的数据很大。有时正确的数据很小。但是对于创新者来说，关键是要弄清楚哪些关键数据可以推动竞争地位。这些将是您应该认真寻找的正确数据。”

关于我们的临时劳动力计划的数据，无论规模大小，都可以让我们看到杰出人才的世界-以及我们从未见过的新创新者。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。