Tilbake til skolen med big data analytics

Elevene er ikke de eneste som går tilbake til skolen. Vi kan alle komme tilbake for å lære om måter å styre innsatsen mer produktivt på. Prediktive analyser kan vise vei. Enten det er brukt universitetsrekruttering eller ansettelse av bedrifter, hva big data avslører kan vise oss at våre forutsetninger om hva som fungerer fører oss i feil retning.

Analytics i aksjon

For de som har skole, tar planlegging for denne sesongen planlegging, og analyse av big data kan vise hvordan du får maksimale resultater. Det er historien om Wichita State Universitys strategiske planlegging. For et par år siden solgte David Wright, assisterende visepresident for akademisk datasystem og strategisk planlegging, Kansas-skolen ved å bruke big data-analyse for å øke effektiviteten i stipendbruk og rekruttering.

"Bygge et smartere campus: Hvordan Analytics endrer det akademiske landskapet" beskriver hvordan IBMs programvare reduserte kostnadene ved å finne ut hvor studentene som var sannsynlig å bo på universitetet kom fra. "Et sett med ligninger som veier demografi, akademisk historie og andre faktorer" ble analysert for å identifisere hvilke "som har de høyeste sannsynlighetene for å komme til Wichita State." Basert på det vedtok universitetet en mer målrettet strategi for rekruttering.

Etter at analyser for eksempel avslørte hvor de aller fleste av universitetets studenter kommer fra, fokuserte opptaksavdelingen på de videregående skolene. Avsløringen om at svært få studenter kommer fra utenfor staten fikk universitetet til å kutte 14 universitetsmesser og redusere reiser. De tok også en mer fokusert tilnærming til sin direktemelding. Tidligere sendte de ut 9000 brev. Etter å ha brukt analytics, måtte de bare sende ut 5.000 til 6.000. Det reduserte antallet brev faktisk oversatt til en økning i rekruttering på 26 prosent.

Forbereder seg på taktiske endringer

I en e-postutveksling forklarte Wright utfordringene med å få en institusjon til å bytte gir og omfavne analyser. Han sa at tre aspekter var involvert:

• Den ene var å få folk til å se fordelen med evidensbasert beslutningstaking. Å bruke data for å ta avgjørelser er veldig forskjellig fra å bruke data for å bekrefte en avgjørelse. I begynnelsen hadde universitetet vanskelig for å få folk til å bruke data før beslutningspunktet. Dataene skal ligge ved bordet når beslutninger tas.

• Den andre vanskeligheten var å få folk til å stole på analysene, spesielt når dataene er så i strid med intuisjon eller tidligere praksis. Det tok lang tid før rådgivere hadde tro på dataene.
• Og for det tredje var kvaliteten på data som er nødvendig for å bruke analyser.

For å få et robust analysesystem på plass, måtte de først fjerne gamle data og "tusenvis av dataregistreringsfeil." Det var en skremmende oppgave, men universitetet gikk med på det for å sette opp det robuste analysesystemet som var nødvendig for å nå sine mål.

Bedre data = bedre ansatte

Å anvende big data-analyse har også vist seg å forbedre rekruttering og oppbevaring av ansatte. Big data-selskapet Evolv er i bransjen med å anvende prediktiv analyse for ansettelser spesielt. Det er fordi bruk av big data for å direkte ansettelsesbeslutninger lønner seg, ifølge selskapet.

Evolvs innsikt endret for eksempel Xerox ansettelsesstrategi for valg av callcenter-arbeidere. I en WSJ-artikkel innrømmet Xerox 'operasjonsleder for kommersielle tjenester: "Noen av forutsetningene vi hadde, var ikke gyldige." Det er den virkelige verdien av big data-analyse; den avslører faktiske korrelasjoner basert på objektiv informasjon snarere enn magefølelse av å ansette ledere.

Da det viste seg, viste CV og bakgrunnssjekker seg ikke å være de mest pålitelige indikatorene for Xerox-ansatte som ville holde på til selskapet får avkastning på $ 5.000-investeringen i opplæring. Evolvs data viste at en journal over arrestasjoner som går tilbake over fem år ikke indikerer "fremtidig dårlig oppførsel" mer enn en perfekt ren registrering. En tidligere registrering av jobbhopping betyr ikke nødvendigvis at den nye leien ikke vil bli satt. Evolv fullførte en studie av 21 115 callcenter-agenter. Analysen av dataene indikerte "veldig lite forhold mellom en agents arbeidshistorie og hans eller hennes funksjonstid i stillingen."

Hva er faktorene som gjør en forskjell da? Personlighet, forbindelser og beliggenhet. Evolvs programvare identifiserte den ideelle kandidaten som en kreativ person som er aktiv i ett til fire sosiale nettverk og befinner seg innenfor en håndterbar pendel fra arbeidsplassen. En annen nøkkelfaktor i retensjon var forening. De som viste seg mest sannsynlig å bo i et selskap, var de som kjente tre eller flere ansatte som allerede jobbet der.

Forskjeller i skole og bedrift

Mens big data-analyse kan være like effektiv i rekruttering til bedrifter som ved universitetsrekruttering, viser den også hvor parallellene mellom de to bryter sammen. I en Forbes-artikkel fra 2013, om hva et selskap lærte da det benyttet prediktiv analyse for å velge selgere, påpeker forfatter Josh Bersin at skolens erfaring teller langt mindre enn folk tror når det gjelder å forutsi jobbsuksess. I motsetning til populær tro korrelerte faktisk ikke en kandidats GPA eller valg av høyskole med suksess på jobben.

Det betyr ikke at utdanning er uten verdi; å fullføre en form for utdanning var en av indikatorene på karrieresuksess, men nøkkelen der var fullføring i stedet for skolen eller karakterene. Andre viktige indikatorer inkluderte en grammatisk korrekt CV, demonstrerte suksess i en jobb, vellykket salgsopplevelse og evnen til å jobbe under ustrukturerte forhold. Etter at selskapet integrerte dataanalysene i sine kvalifiserende trinn og identifiserte faktorene som var nøyaktige prediktorer, forbedret det salgsytelsen til en verdi av en inntekt på 4 millioner dollar.

Uansett organisasjonens behov, kan prediktiv analyse sette dem på rett spor. Som Wright sa om sin egen erfaring, "Ved å styrke folk med ressursene de trenger for å ta gode beslutninger, vinner alle."