Was bedeuten die Marketing-Spin-offs für die Marktforschung?

Work Force Science ist nicht der alte Ansatz der Taylorianischen Stoppuhr, um das Beste aus Arbeitgebern herauszuholen. In der Tat ist die neue Arbeitswissenschaft ein konträrer Ansatz, der die Management-Theorie meidet und die Personalabteilungen gut machen könnte … vielleicht mit der Funktion Nutzen .

Es liegt in der Natur des Menschen, das Verhalten von potenziellen Arbeitnehmern in der Vergangenheit als wichtigen Indikator für zukünftige Leistungen zu betrachten.

Aber die von Wissenschaftlerinnen und Wissenschaftlern durchgeführten Forschungen haben sie in Einklang mit der Securities and Exchange Commission (SEC) gebracht, die den Anlegerinnen und Anlegern die folgenden erforderlichen Angaben zur Verfügung stellt: Die frühere Wertentwicklung ist keine Garantie der zukünftigen Leistung . Angesichts der gängigen Meinung argumentieren Arbeitswissenschaftler, dass Arbeitgeber bei einer Einstellungsentscheidung Attribute wie Job-Hopping oder Arbeitslosigkeit nicht übermäßig berücksichtigen sollten. Und diese Wissenschaftler können ihre Argumentation mit Daten untermauern. Viele Daten. Große Daten.

Die von Big-Data-Wissenschaftlern durchgeführte Personalrecherche unterstreicht deutlich die Stärke der Beziehung zwischen den Qualitätsaufsichtsbehörden und der Leistung und der Amtszeit der Mitarbeiter. Ein Supervisor mit ausgeprägten Kommunikationsfähigkeiten und persönlicher Herzlichkeit hat sich in einem überwiegenden Anteil von Forschungsstudien herausgebildet, um mehr Gewicht zu haben als die individuellen Charakteristika und Arbeitserfahrungen der Mitarbeiter.

Diese Befunde stellen das Managementverständnis auf den Kopf. Schrittweise Prozesse, die in der Regressionsanalyse eingesetzt werden, wurden für die Verwendung in Personalleitfäden bei der Rekrutierung, Einstellung und Beförderung angepasst. Aber diese schrittweisen Modelle werden in der statistischen Modellierung in Frage gestellt - und in einer Vielzahl von Anwendungen, wie zum Beispiel traditionellen Managementstrategien.

Befürworter von Big Data sagen, dass diese Modelle Unsicherheit nicht richtig widerspiegeln und dass Bauchgefühl die Lücken nicht füllen kann.

Die arbeitskräftebezogene Marktforschung zeigt, dass Führungskräfte (die von Personalabteilungen beraten und oft eingeschränkt werden) schlecht laufen, wenn sie sich selbst überlassen bleiben. Zum Beispiel tendieren Manager dazu, Leute einzustellen, die ihnen ähnlich sind (Geschlecht, Alter, Alumni-Status, Team-Zugehörigkeit, Freizeitinteressen), die im Wesentlichen nichts mit der Arbeitsleistung zu tun haben. Was dies im Laufe der Zeit bedeuten kann, ist, dass ein Unternehmen seine Belegschaft substantiell auf einen bestimmten Mitarbeitertyp ausrichten kann, der im Grunde ein Klon seines Chefs ist. Während diese Situation zu mehr Komfort bei den Mitarbeitern beiträgt, garantiert sie nicht, dass die Arbeitsleistung aufgrund dieser Ähnlichkeiten besser ist.In der Tat kann das Gegenteil wahr sein. Ein hohes Maß an Homogenität kann zu einer Gruppen-Mentalität führen, die katastrophal sein kann. Beispiele für Fehler dieser Art sind das Problem mit den O-Ringen des unglückseligen Space Shuttle Challenger, die starken Investitionen in Kredit-Swaps in der Finanzkrise von 2008, die Überbewertung von Quants in ihren Algorithmen und - für die Historiker - die Tulipmania. der 1600er Jahre.

Darüber hinaus ist die Anzahl der potenziellen Mitarbeiter, die im Vergleich zu herkömmlichen Personalprozessen mit Big Data-Techniken überprüft werden können, enorm. Wie Moneyball gezeigt hat, können alle digitalen Aktivitäten von Menschen zu relativ niedrigen Kosten gesammelt und diese Daten für Einblicke in Fähigkeiten, Kommunikation und Arbeitsattribute genutzt werden. Digitale Trails werden durch Telefonanrufe, Instant Messaging, E-Mails, Klicks auf Webseiten und geschriebenen Code erstellt. Vor allem Digital Natives scheinen sich nicht darum zu kümmern, welche Spuren sie hinterlassen. Für Unternehmen in einem Einstellungsmodus sind diese einfachen Kommissionierungen ein Segen für Rekrutierungs- und Einstellungsentscheidungen.

Gild ist ein Start-up-Unternehmen, das unstrukturierte Big Data verwendet, um die Entdeckung talentierter Programmierer zu automatisieren. Die digitalen Beweise der Echtzeit-Teilnahme an der Programmierung von Diskussionsgruppen und Open-Source-Projekten untersuchen, sucht Gild zu ihren öffentlichen Code und Social-Networking-Aktivität zu quantifizieren, was Menschen tun können und wie sie ausführen - oft während einfach ihre eigenen Interessen oder jagen ihre eigenen Musen.

In einem kürzlich erschienenen Artikel in The New York Times , wie Big Data den Personalvermittler für spezialisierte Arbeiter spielt, schrieb Matt Richtel: Die Menschen im Silicon Valley neigen dazu, bestimmte Annahmen: Fortschritt, Effizienz und Geschwindigkeit sind gut. Technologie kann die meisten Dinge lösen. Veränderung ist unvermeidlich; Störungen sind nicht zu befürchten. Und mehr als alles andere wird sich das Verdienst durchsetzen.

Kenny Mendes, Leiter der Rekrutierung bei Box, behauptet, dass Gild uns ständig neue Kandidaten gegeben hat, von denen wir wissen, dass sie gut sind, aber anderswo nicht gefunden hätten - sozusagen das verborgene Talent. Gilds Vivienne Ming, eine leitende Wissenschaftlerin bei Gild, argumentiert, dass das Silicon Valley nicht so leistungsorientiert ist, wie sie sich selbst als Wesen ausgeben. Ming argumentiert, dass die Rekrutierungs- und Einstellungspraktiken von Silicon Valley zu stark talentierten, wenn auch etwas eigenwilligen, Leuten führen, die falsch eingeschätzt und ignoriert werden, in dem Maße, dass eine beachtliche Anzahl großartiger Künstler durch die Risse fällt.

Vielleicht macht Gild auch die Bedeutung von qualitativen Daten deutlich. Ohne die Skepsis (eine ausgesprochen qualitative Variable) von Wissenschaftlern wie Ming und Gild-Gründer Luca Bonmassar wären die traditionellen Mauern der Personalsilos nicht durchbrochen worden. Wenn man darüber nachdenkt, sagen die Google Analytics-Spezialisten für Personalanalysen, dass das Unternehmen seine Entscheidungen als ebenso wichtig wie seine Produktentscheidungen ansieht. Google verlässt sich weniger auf Zahlen und Grade und Grade, wenn es anstellt, dass es in den frühen Tagen des Unternehmens tat.