Kembali ke sekolah dengan analitik data besar

Siswa bukan satu-satunya yang kembali ke sekolah. Kita semua dapat kembali untuk mempelajari cara mengarahkan usaha kita secara lebih produktif. Analitik prediktif dapat menunjukkan jalannya. Apakah diterapkan untuk rekrutmen universitas atau perekrutan perusahaan, data besar yang diungkapkan dapat menunjukkan kepada kita bahwa asumsi kita tentang apa yang berhasil membawa kita ke arah yang salah.

Analytics Beraksi

Bagi mereka yang bisnisnya adalah sekolah, persiapan untuk musim ini membutuhkan perencanaan, dan analisis data besar dapat menunjukkan cara mendapatkan hasil maksimal. Itulah kisah perencanaan strategis Universitas Negeri Wichita. Beberapa tahun yang lalu, David Wright, wakil presiden asosiasi untuk sistem data akademik dan perencanaan strategis, menjual sekolah Kansas menggunakan analitik data besar untuk meningkatkan efisiensi dalam pengeluaran beasiswa dan rekrutmen.

"Membangun Kampus yang Lebih Cerdas: Bagaimana Analytics Mengubah Lanskap Akademik" merincikan bagaimana perangkat lunak IBM mengurangi biaya dengan menunjukkan dari mana siswa yang mungkin tinggal di universitas berasal. "Seperangkat persamaan yang mempertimbangkan demografi, sejarah akademik, dan faktor-faktor lain" dianalisis untuk mengidentifikasi mana yang "memiliki probabilitas tertinggi untuk datang ke Negara Bagian Wichita." Berdasarkan itu, universitas mengadopsi strategi rekrutmen yang lebih bertarget.

Misalnya, setelah analitik mengungkapkan dari mana sebagian besar mahasiswa berasal, departemen penerimaan berfokus pada sekolah-sekolah menengah tersebut. Pengungkapan bahwa sangat sedikit mahasiswa datang dari luar negara bagian mendorong universitas untuk memotong 14 pekan kuliah dan mengurangi perjalanan. Mereka juga mengambil pendekatan yang lebih fokus pada surat langsung mereka. Di masa lalu, mereka mengirim 9.000 surat. Setelah menerapkan analisis, mereka hanya perlu mengirimkan 5.000 hingga 6.000. Menurunnya jumlah surat sebenarnya diterjemahkan ke dalam peningkatan rekrutmen 26 persen.

Mempersiapkan Perubahan Taktis

Dalam pertukaran email, Wright menjelaskan tantangan untuk mendapatkan lembaga untuk mengganti persneling dan merangkul analitik. Dia mengatakan tiga aspek yang terlibat:

• Salah satunya adalah membuat orang melihat manfaat dari pengambilan keputusan berbasis bukti. Menggunakan data untuk mengambil keputusan sangat berbeda dengan menggunakan data untuk mengkonfirmasi suatu keputusan. Pada awalnya, universitas kesulitan membuat orang menggunakan data sebelum titik keputusan. Data harus di meja saat keputusan dibuat.

• Kesulitan kedua adalah membuat orang mempercayai analitik, terutama ketika data sangat bertentangan dengan intuisi atau praktik masa lalu. Butuh waktu lama bagi penasihat untuk memiliki kepercayaan pada data.
• Dan ketiga adalah kualitas data yang diperlukan untuk menggunakan analitik.

Untuk mendapatkan sistem analitik yang kuat, mereka harus terlebih dahulu menghapus data lama dan "ribuan kesalahan entri data." Itu adalah tugas yang menakutkan, tetapi universitas setuju untuk itu demi menyiapkan sistem analitik yang kuat yang diperlukan untuk mencapai tujuan mereka.

Data yang Lebih Baik = Karyawan yang Lebih Baik

Menerapkan analisis data besar juga telah terbukti meningkatkan rekrutmen dan retensi karyawan. Perusahaan big data Evolv dalam bisnis menerapkan analitik prediktif untuk mempekerjakan pada khususnya. Itu karena menggunakan data besar untuk mengarahkan keputusan perekrutan terbayar, menurut perusahaan.

Misalnya, wawasan Evolv mengubah strategi perekrutan Xerox untuk memilih pekerja pusat panggilan. Dalam sebuah artikel WSJ, kepala operasi layanan komersial Xerox mengakui, "Beberapa asumsi yang kami miliki tidak valid." Itulah nilai nyata dari analisis data besar; itu mengungkapkan korelasi aktual berdasarkan informasi obyektif daripada perasaan mempekerjakan manajer.

Ternyata, resume dan pemeriksaan latar belakang ternyata bukan menjadi indikator yang paling dapat diandalkan dari karyawan Xerox yang akan bertahan sampai perusahaan mendapatkan pengembalian investasi $ 5.000 dalam pelatihan. Data Evolv menunjukkan bahwa catatan penangkapan yang berasal dari lima tahun yang lalu tidak menunjukkan "perilaku buruk masa depan" lebih dari sekadar catatan bersih sempurna. Catatan sebelumnya tentang pelepasan pekerjaan juga tidak berarti bahwa karyawan baru tidak akan tinggal diam. Evolv menyelesaikan studi terhadap 21.115 agen call center. Analisis data menunjukkan "sangat sedikit hubungan antara riwayat kerja agen dan masa jabatannya di posisi itu."

Apa faktor yang membuat perbedaan? Kepribadian, koneksi, dan lokasi. Perangkat lunak Evolv mengidentifikasi kandidat ideal sebagai orang kreatif yang aktif di jaringan sosial satu hingga empat dan berada dalam perjalanan yang dapat diatur dari tempat kerja. Faktor kunci lain dalam retensi adalah hubungan. Orang-orang yang terbukti paling mungkin bertahan di perusahaan adalah mereka yang mengenal tiga atau lebih karyawan yang sudah bekerja di sana.

Perbedaan Di Sekolah dan Bisnis

Sementara analitik data besar dapat sama efektifnya dalam rekrutmen perusahaan seperti dalam rekrutmen universitas, ini juga menunjukkan di mana persamaan antara keduanya terpecah. Dalam sebuah artikel Forbes 2013, tentang apa yang dipelajari perusahaan ketika menerapkan analisis prediktif untuk memilih orang-orang penjualan, penulis Josh Bersin menunjukkan bahwa pengalaman sekolah dianggap jauh lebih sedikit daripada yang dipikirkan orang dalam hal memprediksi keberhasilan pekerjaan. Bahkan, bertentangan dengan kepercayaan populer, IPK atau pilihan perguruan tinggi kandidat tidak berkorelasi dengan keberhasilan di tempat kerja.

Itu tidak berarti bahwa pendidikan tanpa nilai; menyelesaikan beberapa bentuk pendidikan adalah salah satu indikator keberhasilan karier, tetapi kuncinya ada pada penyelesaian daripada sekolah atau nilai. Indikator kunci lainnya termasuk resume yang benar secara tata bahasa, menunjukkan keberhasilan dalam pekerjaan, pengalaman penjualan yang sukses dan kemampuan untuk bekerja dalam kondisi yang tidak terstruktur. Setelah perusahaan memasukkan analitik data ke dalam langkah-langkah kualifikasi dan mengidentifikasi faktor-faktor yang merupakan prediktor yang akurat, perusahaan meningkatkan kinerja penjualan hingga mencapai pendapatan $ 4 juta dalam pendapatan.

Apa pun kebutuhan organisasi, analitik prediktif dapat menempatkan mereka di jalur yang benar. Seperti yang dikatakan Wright tentang pengalamannya sendiri, "Dengan memberdayakan orang-orang dengan sumber daya yang mereka butuhkan untuk membuat keputusan yang baik, semua orang menang."