Que signifient les retombées du marketing par base de données sur les études de marché?

La science du travail n'est pas l'ancienne approche du chronomètre taylorien pour tirer le meilleur parti des employeurs. En fait, la nouvelle science de la main-d'œuvre est une approche contrariante qui évite la théorie de la gestion et pourrait bien mettre les départements des ressources humaines au chômage … sauf, peut-être, pour la fonction Avantages .

C'est la nature humaine de considérer le comportement passé des travailleurs potentiels comme un marqueur important des performances futures.

Cependant, les recherches menées par les chercheurs sur la main-d'œuvre les ont alignés sur la Securities and Exchange Commission (SEC) qui fournit les informations suivantes aux investisseurs: Les performances passées ne sont pas une garantie des performances futures . Faisant fi de la sagesse conventionnelle, les scientifiques de la main-d'œuvre affirment que les employeurs ne devraient pas trop tenir compte des attributs tels que les sauts d'emploi ou les périodes de chômage lorsqu'ils prennent une décision d'embauche. Et ces scientifiques de main-d'œuvre peuvent sauvegarder leur argument avec des données. Beaucoup de données Big Data.

La recherche sur la main-d'œuvre menée par les scientifiques spécialisés dans les données volumineuses met en évidence la force de la relation entre les superviseurs de la qualité et le rendement et la permanence des employés. Un superviseur possédant de solides compétences en communication et une grande chaleur personnelle a été trouvé dans une prépondérance d'études de recherche pour avoir plus de poids que les caractéristiques individuelles et l'expérience de travail des employés.

Ces constatations bouleversent les conceptions managériales. Les processus par étapes, qui sont utilisés dans l'analyse de régression, ont été adaptés pour être utilisés dans les guides de ressources humaines sur le recrutement, l'embauche et la promotion. Mais ces modèles par étapes sont remis en question dans la modélisation statistique - et dans une pléthore d'applications, telles que les stratégies de gestion traditionnelles.

Les partisans du Big Data affirment que ces modèles ne reflètent pas correctement l'incertitude et que l'on ne peut pas s'attendre à ce que l'intuition comble les lacunes.

Une étude de marché liée à la main-d'œuvre indique que, laissés à eux-mêmes, les gestionnaires (conseillés et souvent contraints par les services des ressources humaines) vont mal. Par exemple, les gestionnaires ont tendance à embaucher des personnes qui leur ressemblent de façon importante (sexe, âge, statut d'ancien, affiliation à une équipe, intérêts récréatifs), qui sont essentiellement sans lien avec le rendement au travail. Ce que cela peut signifier au fil du temps, c'est qu'une entreprise peut biaiser substantiellement son effectif vers un type d'employé qui est fondamentalement un clone de son patron. Bien que cette situation contribue à un plus grand confort parmi les employés, elle ne garantit pas que le rendement au travail sera meilleur en raison de ces similitudes.En fait, le contraire peut être vrai. Des niveaux élevés d'homogénéité peuvent entraîner une mentalité de groupe think think qui peut être désastreuse. Parmi les exemples de défaillances de ce type, citons le problème des O-rings sur la Space Shuttle Challenger, le lourd investissement dans les échanges de crédits dans l'effondrement fiscal de 2008, la surconfiance des quants dans leurs algorithmes et, pour les historiens, la Tulipmania des années 1600 De plus, le nombre d'employés potentiels pouvant être examinés à l'aide de techniques de gestion des données volumineuses, par rapport aux processus de ressources humaines conventionnels, est énorme. Comme l'a montré Moneyball, toute l'activité numérique des personnes peut être collectée à un coût relativement bas et les données extraites pour obtenir des informations sur les compétences, la communication et les attributs professionnels. Les pistes numériques sont construites par des appels téléphoniques, des messages instantanés, des courriels, des clics sur des pages Web et du code écrit. Les natifs du numérique, en particulier, ne semblent pas se préoccuper des parcours d'activité des consommateurs qu'ils laissent derrière eux. Pour les entreprises dans un mode d'embauche, ces pick-up faciles sont une aubaine pour les décisions de recrutement et d'embauche.

Gild est une start-up qui utilise des big data non structurés pour automatiser la découverte de programmeurs talentueux. En examinant la preuve numérique de la participation en temps réel à des groupes de discussion et à des projets Open Source, Gild cherche à quantifier ce que les gens peuvent faire et comment ils se comportent, souvent en suivant simplement leurs propres intérêts ou leurs propres intérêts. chassant leurs propres muses particulières.

Dans un article récent dans

The New York Times , Comment Big Data recrute des travailleurs spécialisés , Matt Richtel écrivait: Les habitants de la Silicon Valley ont tendance à adopter Hypothèses: Le progrès, l'efficacité et la rapidité sont bons. La technologie peut résoudre la plupart des choses. Le changement est inévitable; la perturbation n'est pas à craindre. Et, peut-être plus que toute autre chose, le mérite prévaudra. Kenny Mendes, responsable du recrutement chez Box, affirme que

Gild nous a constamment donné de nouveaux candidats que nous savons bons, mais que nous n'aurions pas trouvé ailleurs - le talent caché, pour ainsi dire. Vivienne Ming de Gild, une scientifique en chef chez Gild, soutient que Silicon Valley n'est pas aussi basée sur le mérite qu'ils se prétendent être. Ming fait valoir que les pratiques de recrutement et d'embauche de la Silicon Valley se traduisent par des personnes très douées, même si elles sont quelque peu décalées, sont mal jugées et ignorées dans la mesure où un grand nombre de grands artistes passent à travers les mailles du filet. Peut-être que Gild plaide aussi pour l'importance des données qualitatives. Sans le scepticisme (une variable résolument qualitative) des scientifiques comme le fondateur de Ming et Gild, Luca Bonmassar, les murs traditionnels des silos de ressources humaines n'auraient pas été violés. En y repensant, les spécialistes en analyse Google des personnes disent que l'entreprise considère que les décisions de ses employés sont aussi importantes que ses décisions en matière de produits. Google s'appuie moins sur les chiffres et les grades et les degrés lors de l'embauche qu'il a fait dans les premiers jours de l'entreprise.