O que o Spin-offs de marketing de banco de dados significa para pesquisas de mercado?

Work Force Science não é a velha abordagem do cronômetro taylorista para aproveitar ao máximo os empregadores. Na verdade, a nova ciência da força de trabalho é uma abordagem contrária que evita a teoria da gestão e poderia colocar os departamentos de recursos humanos fora do trabalho … salve, talvez, a função Benefícios .

É a natureza humana considerar o comportamento passado dos trabalhadores em potencial como um marcador importante para o desempenho futuro.

Mas a pesquisa realizada por cientistas da força de trabalho colocou-os em alinhamento com a Securities and Exchange Commission (SEC), que fornece as seguintes divulgações necessárias para financiar investidores:

O desempenho passado não é uma garantia de desempenho futuro . Voando em frente à sabedoria convencional, cientistas da força de trabalho argumentam que os empregadores não devem considerar excessivamente os atributos, como os salários ou os períodos de desemprego ao tomar uma decisão de contratação. E esses cientistas da força de trabalho podem fazer backup de seus argumentos com os dados. Muitos dados. Dados importantes.

A pesquisa da força de trabalho realizada por grandes cientistas de dados ressalta substancialmente a força da relação entre supervisores de qualidade e desempenho e posse dos funcionários. Um supervisor com fortes habilidades de comunicação e calor pessoal foi encontrado em uma preponderância de estudos de pesquisa para levar mais peso do que as características individuais e a experiência de trabalho dos funcionários.

Essas descobertas transformam os entendimentos gerenciais de cabeça para baixo. Os processos em etapas, empregados na análise de regressão, foram adaptados para uso em guias de recursos humanos sobre recrutamento, contratação e promoção. Mas esses modelos passo a passo estão sendo questionados na modelagem estatística - e em uma infinidade de aplicações, como estratégias de gerenciamento tradicionais.

Os grandes defensores de dados dizem que esses modelos não refletem adequadamente a incerteza e que

sensação de intestino não podem preencher as lacunas. Pesquisas de mercado relacionadas à força de trabalho indicam que, se deixadas para seus próprios dispositivos, os gerentes (aconselhados e, muitas vezes, limitados pelos departamentos de recursos humanos) ficam muito mal. Por exemplo, os gerentes tendem a contratar pessoas que são como eles de maneiras importantes (gênero, idade, status de ex-alunos, afiliação de equipe, interesses recreacionais), todos os quais são essencialmente não relacionados ao desempenho no trabalho. O que isso pode significar ao longo do tempo é que uma empresa pode enfraquecer substancialmente sua força de trabalho em direção a um

tipo de empregado que é fundamentalmente um clone de seu chefe. Embora esta situação contribua para um maior conforto entre os funcionários, não garante que o desempenho do trabalho seja melhor devido a essas semelhanças.Na verdade, o oposto pode ser verdade. Altos níveis de homogeneidade podem resultar em uma mentalidade de grupo de pensamento que pode ser desastrosa. Exemplos de falhas deste tipo incluem o problema com os O-rings no maldito Space Shuttle Challenger, o forte investimento em swaps de crédito na crise fiscal de 2008, o excesso de confiança de quants em seus algoritmos e - para os historiadores - a Tulipmania do século XVI. Além disso, o número de funcionários potenciais que podem ser revisados ​​usando técnicas de dados grandes, em comparação com processos convencionais de recursos humanos, é enorme. Como o Moneyball mostrou, toda a atividade digital das pessoas pode ser coletada a um custo relativamente baixo e que os dados foram extraídos para informações sobre habilidades, comunicação e atributos de trabalho. As trilhas digitais são construídas por chamadas telefônicas, mensagens instantâneas, e-mails, cliques na página e código escrito. Os nativos digitais, em particular, parecem despreocupados com as trilhas de atividade do consumidor que deixam para trás. Para as empresas em modo de contratação, essas colheitas fáceis são uma benção para decisões de recrutamento e contratação.

A Gild é uma empresa start-up que usa dados grandes desestruturados para automatizar a descoberta de programadores talentosos. Examinando a evidência digital de participação em tempo real em grupos de discussão de programação e projetos de código aberto, procurando o código público e a atividade de redes sociais, a Gild procura quantificar o que as pessoas podem fazer e como elas funcionam - muitas vezes, simplesmente seguindo seus próprios interesses ou perseguindo suas próprias musas particulares.

Em um artigo recente em

O New York Times , Como os grandes dados estão jogando recrutador para trabalhadores especializados , Matt Richtel escreveu: Pessoas no Vale do Silício tendem a abraçar certas Pressupostos: o progresso, a eficiência e a velocidade são bons. A tecnologia pode resolver a maioria das coisas. A mudança é inevitável; A perturbação não deve ser temida. E, talvez mais do que qualquer outra coisa, o mérito prevalecerá. Kenny Mendes, chefe de recrutamento na Box, afirma que

Gild sempre nos deu novos candidatos que sabemos são bons, mas não teríamos encontrado em outros lugares - o talento escondido, por assim dizer. Vivienne Ming, um dos principais cientistas da Gild, argumenta que o Silicon Valley não é tão baseado em mérito como eles se apresentam como sendo. Ming argumenta que as práticas de recrutamento e contratação do Vale do Silicon resultam em pessoas fortemente talentosas, se um pouco inconvenientes, são mal julgadas e ignoradas na medida em que grandes quantidades de grandes artistas caem nas rachaduras. Talvez a Gild faça o caso, também, da importância dos dados qualitativos. Sem o ceticismo (uma variável decididamente qualitativa) de cientistas como o fundador de Ming e Gild, Luca Bonmassar, as paredes tradicionais dos silos de recursos humanos não teriam sido violadas. Pensemos nisso, os especialistas em análise de pessoas do Google dizem que a empresa considera que as decisões das pessoas são tão importantes quanto as decisões do produto. O Google confia menos em números e graus e graus quando contrata que fez nos primeiros dias da empresa.