Vad betyder databasmarknadsavkastningen för marknadsundersökning?

Arbetskraftsvetenskap är inte den gamla Taylorian stopwatch-strategin för att få ut det mesta av arbetsgivarna. Faktum är att den nya arbetskraftsvetenskapen är ett kontrariskt tillvägagångssätt som försvårar förvaltningsteorin och kan väl placera personalavdelningarna ur jobbet … spara kanske för funktionen Benefits .

Det är mänsklig natur att överväga potentiella arbetstagares tidigare beteende som en viktig markör för framtida prestationer.

Men forskningen som utförs av arbetskraftsforskare har placerat dem i linje med Securities and Exchange Commission (SEC) som famously ger följande erforderliga upplysningar för att finansiera investerare: Tidigare resultat är ingen garanti av framtida prestanda . Flyktning inför konventionell visdom argumenterar arbetskraftsforskare att arbetsgivare inte bör alltför överväga attribut som jobbhopping eller perioder av arbetslöshet när de fattar ett anställningsbeslut. Och dessa arbetsstyrka forskare kan backa upp deras argument med data. Massor av data. Stora data.

Arbetskraften forskning som utförs av stora datavetenskapare understryker betydande styrkan i förhållandet mellan kvalitetstillsynsmyndigheter och anställdas prestation och befattningshavare. En övervakare med starka kommunikationsförmåga och personlig värme har hittats i ett övervägande av forskningsstudier för att bära mer vikt än de enskilda egenskaperna och arbetslivserfarenheten hos de anställda.

Dessa resultat leder uppfattningen av cheferna upp och ner. Stegvisa processer, som används i regressionsanalys, har anpassats för användning i personalresurser vid rekrytering, anställning och marknadsföring. Men dessa stegvisa modeller ifrågasätts i statistisk modellering - och i en mängd applikationer, som traditionella förvaltningsstrategier.

Stora dataförespråkare säger att dessa modeller inte korrekt återspeglar osäkerheten och att gut feel inte kan förväntas fylla luckorna.

Arbetskraftsrelaterad marknadsundersökning indikerar att om man lämnar sina egna enheter, är chefer (rådgivna och ofta begränsade av personalavdelningar) mycket dåliga. Cheferna tenderar till exempel att anställa personer som är som dem på vissa viktiga sätt (kön, ålder, alumni status, gruppanslutning, fritidsintressen), som alla i huvudsak inte är relaterade till arbetsprestanda. Vad detta kan innebära med tiden är att ett företag kan väsentligt skäva sin arbetskraft mot en viss typ av anställd som i grunden är en klon hos sin chef. Även om denna situation bidrar till ökad komfort bland anställda, garanterar det inte att arbetets prestanda blir bättre på grund av dessa likheter.Faktum är att motsatsen kan vara sant. Höga homogenitetsnivåer kan resultera i en mentalitet som kan vara katastrofal. Exempel på misslyckanden av denna typ inkluderar problemet med O-ringarna på den misshandlade rymdfärdsutmanaren, den stora investeringen i kreditväxlar i 2008 års finansminskning, övertygelse av quants i deras algoritmer och - för historikerna - Tulipmania av 1600-talet. Dessutom är antalet potentiella anställda som kan granskas med hjälp av stora datatekniker i jämförelse med konventionella mänskliga resursprocesser enorm. Som Moneyball visade kan all digital aktivitet hos människor samlas till relativt låg kostnad och den data minas för insikter om kompetens, kommunikation och arbetsattribut. Digitala spår är konstruerade genom telefonsamtal, snabbmeddelanden, e-postmeddelanden, webbsideklick och skriftlig kod. Framför allt verkar digitala infödingar oroade över de konsumentaktivitetsspår som de lämnar. För företag i anställningsläge är dessa enkla plockningar en välsignelse för rekrytering och anställningsbeslut. Gild är ett startföretag som använder ostrukturerad stor data för att automatisera upptäckten av begåvade programmerare. Genom att undersöka de digitala bevisen på realtids deltagande i programmeringsdiskussionsgrupper och Open Source-projekt, söker Gild efter att ha kollat ​​på sin offentliga kod och sociala nätverksaktivitet att kvantifiera vad människor kan göra och hur de utför - ofta medan de bara följer sina egna intressen eller jagar sina egna speciella musser.

Matt Richtel skrev i en nyartikel i

The New York Times

, Hur stora data spelar rekryterare för specialiserade arbetare : Folk i Silicon Valley tenderar att omfamna vissa antaganden: Framsteg, effektivitet och hastighet är bra. Tekniken kan lösa de flesta saker. Ändring är oundviklig; störningar är inte att frukta. Och kanske mer än någonting annat kommer meriter att råda. Kenny Mendes, rekryteringschef på Box hävdar att Gild har konsekvent gett oss nya kandidater som vi vet är bra, men skulle inte ha hittat någon annanstans - den dolda talangen, så att säga. Gilds Vivienne Ming, en chefsforskare vid Gild, hävdar att Silicon Valley inte är så förtjänstbaserad som de utmärker sig själva. Ming argumenterar för att Silicon Valley rekryterings- och anställningspraxis resulterar i starkt begåvad, om någonting lurar, är människor felbedömda och ignoreras i den utsträckning att ett stort antal stora artister faller genom sprickorna.

Kanske gör Gild också fallet för vikten av kvalitativa data. Utan skepticismen (en bestämd kvalitativ variabel) av forskare som Ming and Gild grundare, Luca Bonmassar, skulle de traditionella väggarna i personalresurserna inte ha brutits. Kom och tänka på det, säger Googles analytikers specialister att företaget anser att besluten om sina människor är lika viktiga som sina produktbeslut. Google åberopar mindre antal och betyg och grader när man anställer det på företagets tidiga dagar.