Mi az öt nagy probléma a Big Data elemzésével?

Josh Bersin HR elemző a Forbes.com oldalon közzétett cikkében a tehetség elemzés előnyeit taglalta egy nagy pénzügyi szolgáltató vállalat esettanulmánya alapján.

„Az egyik ügyfelünk olyan rendszer alapján működik, amely szerint azok a dolgozók fognak jól teljesíteni, akiknek jó jegyeik voltak és erős egyetemekről érkeznek” – írja Bersin. „Tehát a toborzás, kiválasztási és promóciós folyamataik ezen egyetemi tényezőkön alapulnak.”

A cég végzett egy statisztikai elemzést többféle demográfiai mutatók alapján termelékenység és forgalom valamint teljesítmény és megtartás kapcsolatára az első két évben. Azt találták, hogy a 6 faktor közé, ami összefüggött a sikerrel, nem tartozott sem az, hogy hova jártak egyetemre, sem a szerzett jegyeik vagy referenciájuk minősége. Az újonnan implementált átvilágítási folyamat segítségével később hat hónapon belül 4 millió dollár bevételre tett szert a vállalat.

Azonban minden olyan cég számára, aki ténylegesen kihasználja az adatait, számos buktató állhat fent:

1. A teljesítmény túlértékelése a potenciál előrejelzésben. A kutatások azt mutatják, hogy a jól teljesítők csupán 30 százalékában van vezetői potenciál, valamint, hogy a legtöbb alkalmazott (több mint 90 százalék) számára gondot jelent a következő szervezeti szint.

2. Szubjektív adatok használata. Túl sok cég torzítja adatait olyanokkal, mint a vezetői teljesítményértékelés. Sajnos a tipikus teljesítményértékelések azt mutatják meg, hogy a vezetők mennyire kedvelik az egyes alkalmazottakat, a „jól teljesítők” így gyakran azok, akik sikeresen navigálnak az irodai politikában, nem feltétlen azok, akik tényleg jobban is teljesítenek.

3. Hiányos adatokra támaszkodás. Tomas Chamorro-Premuzic nemrég írta a The Guardian-on „a legtöbb szervezetnél hiányzik az alkalmazottak teljesítményét megbízhatóan mérő rendszer. Az eredmény pedig egyenértékű befektetés azzal, mintha időjárás-előrejelzésbe fektetnénk pénzünket, anélkül, hogy ezt követően ténylegesen figyelnénk az időjárást.”

4. A lényegtelen adatokra fókuszálás. Egy, a Harvard Business Review-ban olvasott cikk szerzője taglalta azon pozíciók betöltésével járó kihívást, ahol nem létezik még adat: „Ez számos kihívást vet fel, mint a sikeres felvételek okainak megállapítása, például iskola vagy lakhely szerint.” Csak azért, mert a legjobb alkalmazottaid a véletlen folytán egy iskolából vagy városból jöttek, még nem jelenti, hogy jó programozók lesznek.

5. A hit, hogy az adatok megszüntetik a bizonytalanságot. A ragan.com-on írt blogbejegyzésében Jonathan Lewis a következőt írta: „Adatok segítségével csökkentheted a kockázatot, de ne várd tőle, hogy meg is szüntesse. A hit abban, hogy a kockázat megszüntethető, irreleváns elvárásokhoz, paralízishez, csalódáshoz és frusztrációhoz vezet. Egy komplex és távol sem tökéletes világban élünk, így nem számít milyen sok vagy kevés adat van a markunkban, mindig egy bizonyos mértékű bizonytalanság tudatában kell döntést hoznunk.”

Kontextus figyelembevétele

Félreértés ne essék, szeretjük az adatokat – a Hogan kutatási adatbázisa millió adatponttal rendelkezik, melyek segítségével készülnek, kerülnek tesztelésre, valamint élesítésre az értékelések. Egy nagy adatmennyiség elemzésének a kulcsa egy megbízható, tudományosan kidolgozott, objektív eszköz, mint egy 360 fokos értékelés vagy személyiségteszt. Ezek az értékek egy teljes képet biztosítanak a munkavállaló erősségeiről, gyengeségeiről, értékeiről és munkahelyi preferenciáiról. Ezen információk kiindulási pontként való alkalmazása mellett hozzáadhatunk értékesítési és teljesítmény mutatókat, demográfiai, valamint számtalan egyéb információt, így teljes képet kapva a szervezet működéséről és az alkalmazottakról.

Assessment Systems
HR Blog/