“大數(shù)據(jù)”已經(jīng)成為21世紀商業(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，都竭力想要實現(xiàn)招聘自動化，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)管理層必須面對的問題不在于收集了多少數(shù)據(jù)，而在于是否擁有恰當?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力的所有因素似乎都被一網(wǎng)打盡。 　　“利用大量的社會、天氣和政府數(shù)據(jù)預測供應鏈中斷。”韋塞爾寫道，“利用大量的用戶數(shù)據(jù)在汪洋般的網(wǎng)站點擊中識別個人用戶。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AI系統(tǒng)利用自然語言處理和機器學習，旨在令75%的招聘過程實現(xiàn)自動化。 　　與亞馬遜(Amazon)的Alexa和蘋果(Apple)的Siri等虛擬助理一樣，Mya也能模擬對話，和用戶進行復雜一點的互動。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。 　　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?shù)臄?shù)據(jù)佳例-Uber 　　盡管毀譽參半，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)約車應用稱為大數(shù)據(jù)的楷模。Uber會從司機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“人類交通的實時物流”。然而，韋塞爾也指出了Uber數(shù)據(jù)真實規(guī)模的一個關(guān)鍵性的特點。 　　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?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現(xiàn)類似的服務。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視覺數(shù)據(jù)應用生物異常探測算法，而是利用恰當數(shù)據(jù)來完成這項任務。誰需要打車?他們在哪里?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行業(yè)?！? 　　恰當調(diào)整你的大數(shù)據(jù)規(guī)模 　　1. 識別浪費 　　想要弄清楚數(shù)據(jù)的恰當規(guī)模，關(guān)鍵是識別“浪費”。韋塞爾以花店為例。普通零售花店的損耗率高達50%，這意味著一半的漂亮花束還沒有賣出去就被扔進垃圾箱。不過，浪費卻是機遇的一個寶貴來源。 　　“無論是工業(yè)生產(chǎn)、零售還是法律調(diào)查，應該弄清楚精力和資源遭到浪費的源頭，以此找出邁向恰當數(shù)據(jù)的方向?！表f塞爾寫道。 　　對于領(lǐng)導層來說，在確定恰當?shù)娜瞬艛?shù)據(jù)時，第一步就是找出浪費掉的精力或者無用的流程。假設你的工作應聘率為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歷不夠多。于是你就找出了“浪費”的源頭和改善流程的機會。 　　2. 減少浪費 　　這時，你決定將重點放在減少浪費上，想辦法改變流程，防止精力被浪費或者無效。還是以工作應聘率問題為例，我們需要開始積累、分析和合成與這個問題有關(guān)的數(shù)據(jù)。 　　職位描述寫得怎么樣?是否有吸引力?對客戶和應聘者雙方來說，是否都準確反映了該職位的要求和福利? 　　是否利用了恰當?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、在線群體、社區(qū)、大學系統(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?這個過程是人工完成的嗎?能不能實現(xiàn)自動化? 　　對比失敗的開端或者應聘者寥寥無幾的場面，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。 　　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。 　　防范確認性偏見。像《流言終結(jié)者》節(jié)目主持人那樣進行分析。嘗試推翻被廣泛接受的標準。敢于承擔風險、失敗和意外結(jié)果。所有這些都是重要的學習經(jīng)歷，將會幫助你改善流程。 　　利用可靠、有效、干凈和完整的數(shù)據(jù)集。數(shù)據(jù)應該是客觀的，而不是僅僅基于特定的商業(yè)團體、人才類別、公司部門或者招聘經(jīng)理。 　　進行跨團體、跨時間的比較。 　　4. 立刻讓盟友、利益相關(guān)者和合作伙伴參與進來 　　如果利益相關(guān)者不知情，沒有參與進來，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，了解其價值，落實修改意見。如果忽視這一點，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)者可能會覺得有人在對自己的工作指手畫腳，尤其是在他們認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，但被動接受者會覺得自己被蒙在了鼓里。如果發(fā)生這樣的事情，重要的計劃可能卻會應者寥寥，得不到落實，這相當于是在浪費機會、時間和金錢。 　　5. 創(chuàng)建數(shù)據(jù)團隊 　　創(chuàng)建恰當?shù)臄?shù)據(jù)團隊是必要之舉，在收集和分析數(shù)據(jù)之前就應該著手進行。雖然在項目經(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)團隊應該具有廣泛的代表性。在項目中，應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目的“為什么”、“是什么”和“怎么做”。 　　“為什么”團隊：招聘經(jīng)理、運營主管和公司高管，他們提供商業(yè)技能。 　　“是什么”團隊：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”團隊：來自臨時工企業(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)團隊體現(xiàn)多樣化的想法和觀點。很多企業(yè)認為自己是數(shù)據(jù)驅(qū)動型企業(yè)，重度依賴收集自多個信息源的信息，比如客戶、員工、供應商等。但如果數(shù)據(jù)團隊成員有太多的共同點(比如來自同一個部門)，那么他們對數(shù)據(jù)的解讀常常會帶有偏見、過于簡單、過于寬泛或者傾向于證明一個假設，而不是揭示一項事實。 　　再以工作應聘率為例。如果負責收集數(shù)據(jù)的人同時也是尋找或招聘求職者的人，那么他們最終會陷入防御心態(tài)。在這種情況下，他們往往會尋找數(shù)據(jù)來為他們的挫折辯護?；蛘撸麄冞^度糾結(jié)于應該檢查應聘者的哪些方面。而如果數(shù)據(jù)團隊成員來自人力資源、營銷、運營和招聘合作方等多種立場呢?引入臨時工項目其他方面的利益相關(guān)者后，你會更加清楚地知道問題所在，找到解決辦法。 　　找到恰當數(shù)據(jù)的“甜區(qū)” 　　韋塞爾在文章中寫道：“恰當數(shù)據(jù)有時很大，有時很小。但對創(chuàng)新者來說，關(guān)鍵是弄明白哪些是能夠提升競爭力的關(guān)鍵性數(shù)據(jù)。這些數(shù)據(jù)就是你應該積極探尋的恰當數(shù)據(jù)?！? 　　關(guān)于項目(無論大小)的數(shù)據(jù)能把我們以前從來不知道的優(yōu)秀人才和創(chuàng)新者呈現(xiàn)在我們眼前。我們只需要確保自己看向恰當?shù)牡胤?，翻開恰當?shù)氖^。