Späť do školy s analýzou veľkých dát

Študenti nie sú jediní, ktorí sa vracajú do školy. Všetci sa môžeme vrátiť, aby sme sa dozvedeli, ako produktívnejšie nasmerovať naše úsilie. Predikčná analytika môže ukázať cestu. Či už ide o nábor vysokých škôl alebo o najímanie firiem, z veľkých údajov vyplýva, že naše predpoklady o tom, čo funguje, nás vedú nesprávnym smerom.

Analytics v akcii

Pre tých, ktorých podnikanie je škola, príprava na túto sezónu vyžaduje plánovanie a analýza veľkých dát môže ukázať, ako dosiahnuť maximálne výsledky. To je príbeh strategického plánovania Wichitskej štátnej univerzity. Pred niekoľkými rokmi David Wright, zástupca viceprezidenta pre akademické dátové systémy a strategické plánovanie, predal školu Kansasu pomocou analýzy veľkých dát na zvýšenie efektívnosti výdavkov na štipendiá a náboru.

„Vybudovanie inteligentnejšieho kampusu: ako služba Analytics mení akademické prostredie“ uvádza podrobnosti o tom, ako softvér spoločnosti IBM znížil náklady určením miesta, odkiaľ pochádzajú študenti, ktorí mali radi zostať na univerzite. Analyzovala sa skupina rovníc vážiacich demografiu, akademickú históriu a ďalšie faktory, aby sa zistilo, ktoré „majú najvyššiu pravdepodobnosť príchodu do štátu Wichita“. Na základe toho univerzita prijala cielenejšiu stratégiu náboru.

Napríklad po tom, ako analytika odhalila, odkiaľ pochádza veľká väčšina študentov univerzity, sa prijímacie oddelenie zameralo na tieto stredné školy. Zjavenie, že len veľmi málo študentov pochádza z vonkajšej strany štátu, viedlo univerzitu k zníženiu 14 veľtrhov a obmedzeniu cestovania. Taktiež zaujali cielenejší prístup k svojej priamej pošte. V minulosti rozposlali 9 000 listov. Po použití analytických údajov museli poslať 5 000 až 6 000. Znížený počet listov sa skutočne premietol do nárastu počtu zamestnancov o 26 percent.

Príprava na taktické zmeny

Pri výmene e-mailov Wright vysvetlil problémy so zriadením inštitúcie na zmenu výstroja a na analýzu. Uviedol, že ide o tri aspekty:

• Jednou z nich bolo prinútiť ľudí, aby videli výhody rozhodovania založeného na dôkazoch. Používanie údajov na prijímanie rozhodnutí sa veľmi líši od používania údajov na potvrdenie rozhodnutia. Univerzita mala spočiatku ťažké získať ľudí, aby používali údaje pred rozhodnutím. Pri rozhodovaní by mali byť údaje pri stole.

• Druhým problémom bolo prinútiť ľudí, aby dôverovali analytike, najmä ak údaje sú v rozpore s intuíciou alebo minulými postupmi. Poradcovia mali dlhú dobu dôveru v údaje.
• Tretia bola kvalita údajov potrebných na použitie analytických metód.

Aby mohli mať k dispozícii robustný analytický systém, museli najprv vyčistiť staré údaje a „tisíce chýb pri zadávaní údajov“. Bola to náročná úloha, ale univerzita s ňou súhlasila kvôli vytvoreniu spoľahlivého analytického systému, ktorý bol potrebný na dosiahnutie ich cieľov.

Lepšie údaje = Lepší zamestnanci

Ukázalo sa tiež, že použitie analytických údajov veľkých dát zlepšuje nábor a udržanie zamestnancov. Spoločnosť Evolv s veľkými dátami sa zaoberá najmä aplikovaním prediktívnej analýzy na najímanie pracovníkov. Je to preto, že použitie veľkých údajov na priame rozhodnutia o prenájme sa vyplatí, podľa spoločnosti.

Napríklad prehľad spoločnosti Evolv zmenil stratégiu prijímania zamestnancov spoločnosti Xerox na výber pracovníkov call centra. V článku WSJ, hlavný prevádzkový riaditeľ pre komerčné služby spoločnosti Xerox, pripustil: „Niektoré z predpokladov, ktoré sme mali, neboli platné.“ To je skutočná hodnota analýzy veľkých dát; odhaľuje skutočné korelácie založené skôr na objektívnych informáciách ako na pocitoch vedúcich pracovníkov.

Ako sa ukázalo, obnovenie a previerky na pozadí sa nejavili ako najspoľahlivejšie ukazovatele zamestnancov spoločnosti Xerox, ktorí by zostali v platnosti, kým spoločnosť nezíska návratnosť svojich investícií do vzdelávania 5 000 dolárov. Evolvove údaje ukázali, že záznam o zatknutí, ktorý siaha do piatich rokov, nenaznačuje „budúce zlé správanie“ viac ako dokonale čistý záznam. Predchádzajúce záznamy o zamestnaní tiež nemusia nevyhnutne znamenať, že nové zamestnanie nezostane na mieste. Evolv dokončil štúdiu 21 115 agentov call centra. Analýza údajov naznačila „veľmi malý vzťah medzi pracovnou históriou agenta a jeho funkčným obdobím“.

Aké sú faktory, ktoré potom robia zmenu? Osobnosť, kontakty a umiestnenie. Softvér Evolv identifikoval ideálneho kandidáta ako tvorivého človeka, ktorý je aktívny na jednej až štyroch sociálnych sieťach a je v rámci zvládnuteľného dochádzania na pracovisku. Ďalším kľúčovým faktorom pri udržaní bola asociácia. Najpravdepodobnejšie zostali v spoločnosti tí, ktorí poznali troch alebo viacerých zamestnancov, ktorí tam už pracovali.

Rozdiely v škole a podnikaní

Aj keď analýza veľkých dát môže byť pri nábore spoločností rovnako účinná ako pri nábore univerzít, ukazuje sa tiež, kde sú rozdiely medzi týmito dvoma rozpadmi. V článku z roku 2013 o spoločnosti Forbes o tom, čo sa spoločnosť dozvedela, keď pri výbere predajcov použila prediktívnu analýzu, autor Josh Bersin zdôrazňuje, že školské skúsenosti sa počítajú oveľa menej, ako si ľudia myslia z hľadiska predpovedania pracovného úspechu. V skutočnosti, na rozdiel od všeobecného presvedčenia, kandidátova GPA alebo voľba vysokej školy nekoreluje s úspechom v práci.

To neznamená, že vzdelávanie nemá hodnotu; ukončenie určitej formy vzdelávania bolo jedným z ukazovateľov kariérneho úspechu, ale kľúčom bolo dokončenie skôr ako škola alebo ročníky. Medzi ďalšie kľúčové ukazovatele patrilo gramaticky správne pokračovanie, preukázaný úspech v práci, úspešné predajné skúsenosti a schopnosť pracovať v neštruktúrovaných podmienkach. Potom, čo spoločnosť začlenila analýzu údajov do svojich kvalifikačných krokov a identifikovala faktory, ktoré boli presnými prediktormi, zlepšila predajnú výkonnosť na úroveň zisku vo výške 4 milióny dolárov.

Bez ohľadu na potreby organizácie ich môže prediktívna analýza umiestniť na správnu cestu. Ako povedal Wright o svojej vlastnej skúsenosti, „Tým, že zmocňuje ľudí prostriedkami, ktoré potrebujú na dobré rozhodnutia, každý vyhrá.“