กลับไปโรงเรียนด้วยการวิเคราะห์ข้อมูลขนาดใหญ่

นักเรียนไม่ใช่คนเดียวที่กลับไปโรงเรียน เราทุกคนสามารถกลับมาเรียนรู้เกี่ยวกับวิธีที่จะนำความพยายามของเราไปสู่การผลิตที่มีประสิทธิภาพมากขึ้น การวิเคราะห์เชิงทำนายสามารถแสดงวิธีการ ไม่ว่าจะนำไปใช้กับการรับสมัครมหาวิทยาลัยหรือการจ้างงานขององค์กรข้อมูลขนาดใหญ่ที่เปิดเผยสามารถแสดงให้เราเห็นว่าสมมติฐานของเราเกี่ยวกับงานที่กำลังนำเราไปในทิศทางที่ผิด

การวิเคราะห์การดำเนินการ

สำหรับผู้ที่ธุรกิจอยู่ในโรงเรียนการเตรียมการสำหรับฤดูกาลนี้ต้องวางแผนและการวิเคราะห์ข้อมูลขนาดใหญ่สามารถแสดงวิธีการรับผลลัพธ์สูงสุด นั่นเป็นเรื่องราวของการวางแผนเชิงกลยุทธ์ของมหาวิทยาลัยรัฐวิชิตอ David Wright เมื่อสองสามปีที่ผ่านมารองประธานฝ่ายระบบข้อมูลเชิงวิชาการและการวางแผนเชิงกลยุทธ์ขายโรงเรียนในแคนซัสโดยใช้การวิเคราะห์ข้อมูลขนาดใหญ่เพื่อเพิ่มประสิทธิภาพในการใช้จ่ายทุนการศึกษาและการสรรหาบุคลากร

"การสร้างวิทยาเขตที่ชาญฉลาด: Analytics เปลี่ยนแปลงภูมิทัศน์ทางวิชาการอย่างไร" รายละเอียดว่าซอฟต์แวร์ของ IBM ลดค่าใช้จ่ายได้อย่างไรด้วยการระบุตำแหน่งที่นักเรียนที่มีความชอบกว่าอยู่ในมหาวิทยาลัยมา "ชุดสมการที่ชั่งน้ำหนักประชากรประวัติศาสตร์การศึกษาและปัจจัยอื่น ๆ " ได้รับการวิเคราะห์เพื่อระบุว่า "มีความน่าจะเป็นสูงสุดที่จะมาถึงรัฐวิชิตา" จากนั้นมหาวิทยาลัยใช้กลยุทธ์ที่ตรงเป้าหมายมากขึ้นสำหรับการรับสมัคร

ตัวอย่างเช่นหลังจากการวิเคราะห์พบว่านักเรียนส่วนใหญ่มาจากมหาวิทยาลัยแผนกรับเข้าเรียนจะมุ่งเน้นไปที่โรงเรียนมัธยมเหล่านั้น การเปิดเผยว่ามีนักเรียนน้อยมากที่มาจากนอกรัฐทำให้มหาวิทยาลัยลดการจัดงานแสดงในวิทยาลัย 14 ครั้งและลดการเดินทาง พวกเขายังใช้วิธีการที่มุ่งเน้นไปที่ mail โดยตรงของพวกเขา ในอดีตพวกเขาส่งจดหมาย 9, 000 ฉบับ หลังจากใช้การวิเคราะห์พวกเขาจะต้องส่ง 5, 000 ถึง 6, 000 เท่านั้น จำนวนจดหมายที่ถูกแปลลดลงเป็นการเพิ่มจำนวนผู้สมัครงานถึง 26%

การเตรียมพร้อมสำหรับการเปลี่ยนแปลงทางยุทธวิธี

ในการแลกเปลี่ยนทางอีเมลไรท์อธิบายถึงความท้าทายในการทำให้สถาบันเปลี่ยนเกียร์และรับการวิเคราะห์ เขากล่าวว่ามีสามด้านที่เกี่ยวข้อง:

• หนึ่งคือการทำให้ผู้คนเห็นประโยชน์ของการตัดสินใจโดยใช้หลักฐานเชิงประจักษ์ การใช้ข้อมูลเพื่อการตัดสินใจแตกต่างจากการใช้ข้อมูลเพื่อยืนยันการตัดสินใจ ในตอนแรกมหาวิทยาลัยมีปัญหาในการทำให้ผู้คนใช้ข้อมูลก่อนที่จะตัดสินใจ ข้อมูลควรอยู่ที่โต๊ะตามการตัดสินใจ

• ปัญหาที่สองคือการทำให้ผู้คนเชื่อมั่นในการวิเคราะห์โดยเฉพาะอย่างยิ่งเมื่อข้อมูลนั้นตรงกันข้ามกับสัญชาตญาณหรือการปฏิบัติที่ผ่านมา ใช้เวลานานสำหรับที่ปรึกษาจะมีศรัทธาในข้อมูล
• และประการที่สามคือคุณภาพของข้อมูลที่จำเป็นในการใช้การวิเคราะห์

เพื่อให้ได้ระบบการวิเคราะห์ที่มีประสิทธิภาพพวกเขาต้องล้างข้อมูลเก่าและ "ข้อผิดพลาดการป้อนข้อมูลนับพัน" ก่อน นั่นเป็นภารกิจที่น่าวิตก แต่มหาวิทยาลัยเห็นด้วยกับมันเพื่อสร้างระบบการวิเคราะห์ที่แข็งแกร่งซึ่งจำเป็นต่อการบรรลุเป้าหมาย

Better Data = พนักงานที่ดีขึ้น

การใช้การวิเคราะห์ข้อมูลขนาดใหญ่ได้รับการพิสูจน์แล้วว่าช่วยปรับปรุงการสรรหาและรักษาพนักงาน บริษัท ข้อมูลขนาดใหญ่ Evolv อยู่ในธุรกิจการประยุกต์ใช้การวิเคราะห์เชิงพยากรณ์เพื่อการจ้างงานโดยเฉพาะ นั่นเป็นเพราะการใช้ข้อมูลขนาดใหญ่เพื่อการตัดสินใจจ้างงานโดยตรงนั้นเป็นไปตามที่ บริษัท กำหนด

ตัวอย่างเช่นข้อมูลเชิงลึกของ Evolv เปลี่ยนกลยุทธ์การจ้างงานของซีร็อกซ์สำหรับการเลือกพนักงานในศูนย์บริการ ในบทความ WSJ เจ้าหน้าที่ปฏิบัติการหัวหน้าฝ่ายบริการเชิงพาณิชย์ของซีร็อกซ์ยอมรับว่า "ข้อสันนิษฐานบางข้อที่เราไม่ถูกต้อง" นั่นคือคุณค่าที่แท้จริงของการวิเคราะห์ข้อมูลขนาดใหญ่ มันแสดงให้เห็นถึงความสัมพันธ์ที่เกิดขึ้นจริงบนพื้นฐานของข้อมูลที่เป็นเป้าหมายมากกว่าความรู้สึกของการจ้างผู้จัดการ

เมื่อกลับกลายเป็นว่าการดำเนินการต่อและการตรวจสอบประวัติกลายเป็นตัวบ่งชี้ที่น่าเชื่อถือที่สุดของพนักงานซีร็อกซ์ที่จะอยู่ต่อไปจนกว่า บริษัท จะได้รับผลตอบแทนจากการลงทุน $ 5, 000 ในการฝึกอบรม ข้อมูลของ Evolv แสดงให้เห็นว่าบันทึกการจับกุมที่มีอายุย้อนหลังไปกว่าห้าปีไม่ได้บ่งบอกถึง "พฤติกรรมที่ไม่ดีในอนาคต" มากกว่าบันทึกที่สมบูรณ์แบบ บันทึกการหยุดงานก่อนหน้านี้ไม่ได้หมายความว่าการจ้างงานใหม่จะไม่อยู่ต่อไป Evolv เสร็จสิ้นการศึกษาตัวแทนศูนย์บริการ 21, 115 คน การวิเคราะห์ข้อมูลบ่งชี้ว่า "ความสัมพันธ์น้อยมากระหว่างประวัติการทำงานของตัวแทนกับการดำรงตำแหน่งของเขาหรือเธอ"

อะไรคือปัจจัยที่ทำให้เกิดความแตกต่าง? บุคลิกภาพการเชื่อมต่อและที่ตั้ง ซอฟต์แวร์ของ Evolv ระบุผู้สมัครในอุดมคติว่าเป็นคนที่มีความคิดสร้างสรรค์ซึ่งทำงานในเครือข่ายสังคมหนึ่งถึงสี่แห่งและอยู่ในการเดินทางที่สามารถจัดการได้ ปัจจัยสำคัญอีกประการหนึ่งในการเก็บรักษาคือความสัมพันธ์ คนที่พิสูจน์แล้วว่าน่าอยู่ที่สุดใน บริษัท คือคนที่รู้จักพนักงานสามคนขึ้นไปที่ทำงานอยู่ที่นั่น

ความแตกต่างในโรงเรียนและธุรกิจ

ในขณะที่การวิเคราะห์ข้อมูลขนาดใหญ่นั้นมีประสิทธิภาพในการรับสมัครองค์กรเช่นเดียวกับการรับสมัครในมหาวิทยาลัย ในบทความ Forbes 2013 เกี่ยวกับสิ่งที่ บริษัท เรียนรู้เมื่อนำการวิเคราะห์เชิงพยากรณ์มาใช้ในการเลือกพนักงานขายผู้เขียน Josh Bersin ชี้ให้เห็นว่าประสบการณ์ในโรงเรียนนับว่าน้อยกว่าที่คนคิดในแง่ของการทำนายความสำเร็จของงาน ในความเป็นจริงตรงกันข้ามกับความเชื่อที่นิยมเกรดเฉลี่ยหรือทางเลือกของวิทยาลัยของผู้สมัครไม่ได้มีความสัมพันธ์กับความสำเร็จในงาน

นั่นไม่ได้หมายความว่าการศึกษาไม่มีคุณค่า การจบรูปแบบการศึกษาบางอย่างเป็นหนึ่งในตัวชี้วัดของความสำเร็จในอาชีพ แต่สิ่งสำคัญคือความสำเร็จมากกว่าโรงเรียนหรือเกรด ตัวชี้วัดสำคัญอื่น ๆ รวมถึงประวัติย่อที่ถูกต้องตามหลักไวยากรณ์แสดงให้เห็นถึงความสำเร็จในงานประสบการณ์การขายที่ประสบความสำเร็จและความสามารถในการทำงานภายใต้เงื่อนไขที่ไม่มีโครงสร้าง หลังจาก บริษัท รวมการวิเคราะห์ข้อมูลไว้ในขั้นตอนที่มีคุณสมบัติและระบุปัจจัยที่เป็นตัวทำนายที่แม่นยำ บริษัท จะปรับปรุงประสิทธิภาพการขายให้สอดคล้องกับรายรับที่เพิ่มขึ้น 4 ล้านดอลลาร์

ไม่ว่าความต้องการขององค์กรจะเป็นอย่างไรการวิเคราะห์เชิงพยากรณ์สามารถทำให้พวกเขาติดตามได้อย่างถูกต้อง ดังที่ Wright พูดถึงประสบการณ์ของเขา "ด้วยการเสริมพลังให้กับคนที่มีทรัพยากรที่พวกเขาต้องการเพื่อการตัดสินใจที่ดี