Cosa fanno i centri di spin off del database marketing per la ricerca sul mercato?

La forza lavoro della scienza non è l'approccio cronometro Taylorian per ottenere il massimo dai datori di lavoro. Infatti, la nuova scienza della forza lavoro è un approccio contrario che eschews la teoria della gestione e potrebbe anche mettere i reparti delle risorse umane fuori dal lavoro … salvo forse per la funzione Benefici .

È la natura umana considerare il comportamento passato dei potenziali lavoratori come un elemento importante per le prestazioni future.

Tuttavia, le ricerche condotte dagli scienziati della forza lavoro li hanno posizionati in linea con la Securities and Exchange Commission (SEC) che fornisce notevolmente le seguenti informazioni necessarie per finanziare gli investitori:

La performance passata non è una garanzia delle prestazioni future . Volando di fronte alla saggezza convenzionale, gli scienziati della forza lavoro sostengono che i datori di lavoro non dovrebbero considerare troppo le attribuzioni come il salto di posti di lavoro o periodi di disoccupazione quando si prende una decisione di assunzione. E questi scienziati di forza lavoro possono sostenere la loro discussione con i dati. Un sacco di dati. Grandi dati. La ricerca della forza lavoro condotta da grandi scienziati di dati sottolinea sostanzialmente la forza del rapporto tra supervisori di qualità e performance e tenuta dei dipendenti. Un supervisore con forti capacità di comunicazione e calore personale è stato trovato in una preponderanza di studi di ricerca per portare più peso rispetto alle caratteristiche individuali e l'esperienza lavorativa dei dipendenti.

Questi risultati fanno capovolgere le intese manageriali. I processi passivi, impiegati nell'analisi della regressione, sono stati adattati per essere utilizzati nelle guide di risorse umane in materia di assunzione, assunzione e promozione. Ma questi modelli a passi sono in discussione nella modellazione statistica - e in una pletora di applicazioni, come le strategie di gestione tradizionali.

I grandi sostenitori dei dati dicono che questi modelli non riflettono in modo adeguato l'incertezza e che

sentimenti intestinali

non ci si può aspettare di riempire le lacune. La ricerca sul mercato della forza lavoro indica che, se lasciati ai propri dispositivi, i gestori (consigliati e spesso vincolati da reparti di risorse umane) vanno male. Ad esempio, i manager tendono a assumere persone che sono come loro in alcuni modi importanti (genere, età, stato dell'allievo, affiliazione di gruppo, interessi ricreativi), tutti essenzialmente non correlati alle prestazioni del lavoro. Quello che può significare nel tempo è che un'impresa può inevitabilmente ingiustificare la sua forza lavoro verso un particolare tipo di dipendente che è fondamentalmente un clone del suo capo. Mentre questa situazione contribuisce ad una maggiore comodità tra i dipendenti, non garantisce che le prestazioni del lavoro saranno migliori a causa di queste analogie.Infatti, il contrario può essere vero. Elevati livelli di omogeneità possono determinare una mentalità del gruppo che possa essere disastrosa.

Esempi di fallimenti di questo tipo includono il problema con gli O-ring sul Space Shuttle Challenger sfidato, il forte investimento in credit swap nella crisi fiscale del 2008, overconfidence dei quanti nei loro algoritmi e - per gli storici - la Tulipmania del 1600. Inoltre, il numero di potenziali dipendenti che possono essere esaminati utilizzando grandi tecniche di dati, rispetto ai processi tradizionali delle risorse umane, è enorme. Come dimostrato da Moneyball, tutte le attività digitali delle persone possono essere raccolte a costi relativamente bassi e che i dati sono estratti da informazioni sulle competenze, sulla comunicazione e sugli attributi del lavoro. I percorsi digitali sono costruiti con chiamate telefoniche, messaggistica istantanea, e-mail, pagine web e codice scritto. I nativi digitali, in particolare, non sembrano interessati ai percorsi di attività dei consumatori che lasciano dietro. Per le aziende in un modo di assunzione, questi raccolti sono un vantaggio per le decisioni di assunzione e assunzione. Gild è un'azienda di start-up che utilizza grandi dati non strutturati per automatizzare la scoperta di programmatori di talento. Esaminando le prove digitali della partecipazione in tempo reale nei gruppi di discussione e nei progetti Open Source, osservando il loro codice pubblico e l'attività di social networking, Gild cerca di quantificare ciò che le persone possono fare e come svolgono - spesso semplicemente seguendo i propri interessi o inseguendo le proprie mosse particolari. In un articolo recente a The New York Times

,

Come i grandi dati sta giocando reclutatore per i lavoratori specializzati

, Matt Richtel ha scritto: Persone in Silicon Valley tendono ad abbracciare certi ipotesi: Il progresso, l'efficienza e la velocità sono buoni. La tecnologia può risolvere la maggior parte delle cose. Il cambiamento è inevitabile; non si deve temere la perturbazione. E, forse più di ogni altra cosa, prevalgono il merito. Kenny Mendes, capo di reclutamento a Box sostiene che Gild ha costantemente dato nuovi candidati che sappiamo sono buoni, ma non avremmo trovato altrove - il talento nascosto, per così dire. Vivienne Ming di Gild, uno scienziato principale di Gild, sostiene che la Silicon Valley non è basata su merito, perché si occupano di essere. Ming sostiene che le pratiche di assunzione e assunzione di Silicon Valley portano a persone fortemente talentuose, se un po 'malandate, le persone sono sbagliate e ignorate fino a che un gran numero di grandi esecutori crollano attraverso le crepe. Forse Gild fa anche il caso dell'importanza dei dati qualitativi. Senza lo scetticismo (una variabile decisamente qualitativa) di scienziati come il fondatore Ming e Gildo, Luca Bonmassar, le mura tradizionali dei silos delle risorse umane non sarebbero state violate. Vale a pensarci, gli esperti di analisi della gente di Google dicono che la società considera le decisioni della sua gente come importanti delle decisioni del prodotto. Google si affida meno ai numeri, ai gradi e ai gradi quando assunni quello che ha fatto nei primi giorni dell'azienda.