在恰當(dāng)?shù)牡胤?，使用恰?dāng)?shù)臄?shù)據(jù)！

“大數(shù)據(jù)”已經(jīng)成為21世紀(jì)商業(yè)的代名詞。聚攏大量數(shù)據(jù)的浪潮正變得愈加猛烈。公司無論所屬行業(yè)和規(guī)模大小，都竭力想要實(shí)現(xiàn)招聘自動(dòng)化，將流程數(shù)字化，并且打造出客戶和求職者的信息庫。企業(yè)管理層必須面對(duì)的問題不在于收集了多少數(shù)據(jù)，而在于是否擁有恰當(dāng)?shù)臄?shù)據(jù)，以及如何解讀這些數(shù)據(jù)。

大數(shù)據(jù)太大？

麥克斯維爾·韋塞爾（MaxwellWessel）在《哈佛商業(yè)評(píng)論》的一篇文章中說，我們用來捕捉信息的網(wǎng)正一天天地越鋪越大。可能影響到招聘或管理勞動(dòng)力的所有因素似乎都被一網(wǎng)打盡。

“利用大量的社會(huì)、天氣和政府?dāng)?shù)據(jù)預(yù)測(cè)供應(yīng)鏈中斷?！表f塞爾寫道，“利用大量的用戶數(shù)據(jù)在汪洋般的網(wǎng)站點(diǎn)擊中識(shí)別個(gè)人用戶。企業(yè)甚至開始利用海量的文字交流信息來開發(fā)能夠和客戶對(duì)話的電腦算法。”

如今，這一切在行業(yè)內(nèi)均有發(fā)生，甚至已將人工智能（AI）用作為招聘工具。FirstJob推出了Mya，這款A(yù)I系統(tǒng)利用自然語言處理和機(jī)器學(xué)習(xí)，旨在令75%的招聘過程實(shí)現(xiàn)自動(dòng)化。

與亞馬遜（Amazon）的Alexa和蘋果（Apple）的Siri等虛擬助理一樣，Mya也能模擬對(duì)話，和用戶進(jìn)行復(fù)雜一點(diǎn)的互動(dòng)。通過這些交流，Mya可以不斷收集求職者的數(shù)據(jù)，比如他們的技能、敬業(yè)度、文化契合度等等，然后將這些數(shù)據(jù)被轉(zhuǎn)換成可量化的情報(bào)。

由于Mya才剛剛面世，其效果還有待觀察。但問題依舊：在Mya從無數(shù)求職者那里收集的大量信息中，有多少是有用的？有多少是可執(zhí)行的？有多少是多余的？

小而恰當(dāng)?shù)臄?shù)據(jù)佳例-Uber

盡管毀譽(yù)參半，但Uber的確成功展現(xiàn)了數(shù)據(jù)分析的力量。投資者和商業(yè)專家早就把這款按需網(wǎng)約車應(yīng)用稱為大數(shù)據(jù)的楷模。Uber會(huì)從司機(jī)和乘客那里收集大量信息，按照韋塞爾的說法，這使它能夠規(guī)劃“人類交通的實(shí)時(shí)物流”。然而，韋塞爾也指出了Uber數(shù)據(jù)真實(shí)規(guī)模的一個(gè)關(guān)鍵性的特點(diǎn)。

威塞爾說：“Uber的成功并不在于它收集的大量數(shù)據(jù)，而是來自截然不同的方向：小而恰當(dāng)?shù)臄?shù)據(jù)。Uber就是利用這樣的數(shù)據(jù)來調(diào)度車輛?！?

在Uber急速崛起之前，乘客是靠出租車來實(shí)現(xiàn)類似的服務(wù)。韋塞爾說，雖然沒有電腦收集和處理數(shù)據(jù)，但“在城市街道上用眼睛搜索潛在乘客”的做法本身就是一種收集和分析數(shù)據(jù)的大型程序。

“盡管計(jì)算發(fā)生在人腦內(nèi)部，但被收集和分析的數(shù)據(jù)量并沒有不同。”他說，“Uber巧妙的解決方案就是不再對(duì)視覺數(shù)據(jù)應(yīng)用生物異常探測(cè)算法，而是利用恰當(dāng)數(shù)據(jù)來完成這項(xiàng)任務(wù)。誰需要打車？他們?cè)谀睦?？這些至關(guān)重要的信息讓Uber、Lyft和滴滴出行等公司徹底改革了一個(gè)行業(yè)?！?

恰當(dāng)調(diào)整你的大數(shù)據(jù)規(guī)模

1. 識(shí)別浪費(fèi)

想要弄清楚數(shù)據(jù)的恰當(dāng)規(guī)模，關(guān)鍵是識(shí)別“浪費(fèi)”。韋塞爾以花店為例。普通零售花店的損耗率高達(dá)50%，這意味著一半的漂亮花束還沒有賣出去就被扔進(jìn)垃圾箱。不過，浪費(fèi)卻是機(jī)遇的一個(gè)寶貴來源。

“無論是工業(yè)生產(chǎn)、零售還是法律調(diào)查，應(yīng)該弄清楚精力和資源遭到浪費(fèi)的源頭，以此找出邁向恰當(dāng)數(shù)據(jù)的方向。”韋塞爾寫道。

對(duì)于領(lǐng)導(dǎo)層來說，在確定恰當(dāng)?shù)娜瞬艛?shù)據(jù)時(shí)，第一步就是找出浪費(fèi)掉的精力或者無用的流程。假設(shè)你的工作應(yīng)聘率為1:5或更低，這就意味著你的招聘人員或者招聘合作方收到的簡(jiǎn)歷不夠多。于是你就找出了“浪費(fèi)”的源頭和改善流程的機(jī)會(huì)。

2. 減少浪費(fèi)

這時(shí)，你決定將重點(diǎn)放在減少浪費(fèi)上，想辦法改變流程，防止精力被浪費(fèi)或者無效。還是以工作應(yīng)聘率問題為例，我們需要開始積累、分析和合成與這個(gè)問題有關(guān)的數(shù)據(jù)。

?職位描述寫得怎么樣？是否有吸引力？對(duì)客戶和應(yīng)聘者雙方來說，是否都準(zhǔn)確反映了該職位的要求和福利？

?是否利用了恰當(dāng)?shù)恼衅盖?？如果傳統(tǒng)的招聘渠道效果不好，那就分析社交網(wǎng)絡(luò)、在線群體、社區(qū)、大學(xué)系統(tǒng)和其他媒介的數(shù)據(jù)。也許LinkedIn和Facebook是比全球最大招聘網(wǎng)站Monster更好的招聘渠道。

?招聘宣傳做得怎么樣？這個(gè)過程是人工完成的嗎？能不能實(shí)現(xiàn)自動(dòng)化？

?對(duì)比失敗的開端或者應(yīng)聘者寥寥無幾的場(chǎng)面，那些成功的招聘工作又是怎么樣的？分析這些數(shù)據(jù)將幫助你從中吸取經(jīng)驗(yàn)。

3. 建立有意義的數(shù)據(jù)集

?著眼全局，思考數(shù)據(jù)如何影響整間公司和所有員工。

?防范確認(rèn)性偏見。像《流言終結(jié)者》節(jié)目主持人那樣進(jìn)行分析。嘗試推翻被廣泛接受的標(biāo)準(zhǔn)。敢于承擔(dān)風(fēng)險(xiǎn)、失敗和意外結(jié)果。所有這些都是重要的學(xué)習(xí)經(jīng)歷，將會(huì)幫助你改善流程。

?利用可靠、有效、干凈和完整的數(shù)據(jù)集。數(shù)據(jù)應(yīng)該是客觀的，而不是僅僅基于特定的商業(yè)團(tuán)體、人才類別、公司部門或者招聘經(jīng)理。

?進(jìn)行跨團(tuán)體、跨時(shí)間的比較。

4. 立刻讓盟友、利益相關(guān)者和合作伙伴參與進(jìn)來

如果利益相關(guān)者不知情，沒有參與進(jìn)來，那么即使是考慮最全面、執(zhí)行最到位的分析也可能失敗。讓其他人也加入這趟發(fā)現(xiàn)之旅，向他們征求意見。你會(huì)發(fā)現(xiàn)，被賦予了決策權(quán)的人往往更愿意參與其中，檢查研究結(jié)果，了解其價(jià)值，落實(shí)修改意見。如果忽視這一點(diǎn)，所有努力都可能付之東流。

要是沒有事先告知和參與，此過程中的其他利益相關(guān)者可能會(huì)覺得有人在對(duì)自己的工作指手畫腳，尤其是在他們認(rèn)為自己明明做得很好的情況下。盡管另一方面的用意是好的，但被動(dòng)接受者會(huì)覺得自己被蒙在了鼓里。如果發(fā)生這樣的事情，重要的計(jì)劃可能卻會(huì)應(yīng)者寥寥，得不到落實(shí)，這相當(dāng)于是在浪費(fèi)機(jī)會(huì)、時(shí)間和金錢。

5. 創(chuàng)建數(shù)據(jù)團(tuán)隊(duì)

創(chuàng)建恰當(dāng)?shù)臄?shù)據(jù)團(tuán)隊(duì)是必要之舉，在收集和分析數(shù)據(jù)之前就應(yīng)該著手進(jìn)行。雖然在項(xiàng)目經(jīng)理的頭腦和追蹤系統(tǒng)（比如VMS、ATS、企業(yè)資源系統(tǒng)等等）里，存放著堆積如山的有用數(shù)據(jù)，但必須通過多方協(xié)作才能作出周詳?shù)臎Q定。最好的數(shù)據(jù)團(tuán)隊(duì)?wèi)?yīng)該具有廣泛的代表性。在項(xiàng)目中，應(yīng)該包含來自客戶組織、MSP、VMS和招聘合作公司的專業(yè)人士。我們需要這些主題專家來解決項(xiàng)目的“為什么”、“是什么”和“怎么做”。

?“為什么”團(tuán)隊(duì)：招聘經(jīng)理、運(yùn)營主管和公司高管，他們提供商業(yè)技能。

?“是什么”團(tuán)隊(duì)：招聘合作方、采購主管和人事專員，他們提供人力資源方面的技能。

?“怎么做”團(tuán)隊(duì)：來自臨時(shí)工企業(yè)、客戶單位和技術(shù)提供商（比如VMS）的數(shù)據(jù)分析專家，他們知道如何收集信息，如何把信息轉(zhuǎn)換成有意義的結(jié)論供決策者參考。

更為重要的是，確保數(shù)據(jù)團(tuán)隊(duì)體現(xiàn)多樣化的想法和觀點(diǎn)。很多企業(yè)認(rèn)為自己是數(shù)據(jù)驅(qū)動(dòng)型企業(yè)，重度依賴收集自多個(gè)信息源的信息，比如客戶、員工、供應(yīng)商等。但如果數(shù)據(jù)團(tuán)隊(duì)成員有太多的共同點(diǎn)（比如來自同一個(gè)部門），那么他們對(duì)數(shù)據(jù)的解讀常常會(huì)帶有偏見、過于簡(jiǎn)單、過于寬泛或者傾向于證明一個(gè)假設(shè)，而不是揭示一項(xiàng)事實(shí)。

再以工作應(yīng)聘率為例。如果負(fù)責(zé)收集數(shù)據(jù)的人同時(shí)也是尋找或招聘求職者的人，那么他們最終會(huì)陷入防御心態(tài)。在這種情況下，他們往往會(huì)尋找數(shù)據(jù)來為他們的挫折辯護(hù)?；蛘撸麄冞^度糾結(jié)于應(yīng)該檢查應(yīng)聘者的哪些方面。而如果數(shù)據(jù)團(tuán)隊(duì)成員來自人力資源、營銷、運(yùn)營和招聘合作方等多種立場(chǎng)呢？引入臨時(shí)工項(xiàng)目其他方面的利益相關(guān)者后，你會(huì)更加清楚地知道問題所在，找到解決辦法。