京公网安备 11010802034615号
经营许可证编号:京B2-20210330
“大数据”可是个识才利器
要让事实和数据说话
从以往各地各部门引进人才的情况看,存在的问题主要有三:一是所引人才并非高端,这属于层次误判;二是所引人才并不对口,这属于短缺精细;三是所引人才虽然可用,但是价值观同事先预期不相一致,这属于缺少深入识别。
怎么做,才能够解决这些矛盾呢?让我们先来看一些地方的人才评鉴方法:一是靠大师举荐;二是靠小同行评价;三是靠日后实践鉴别。这三条都有一定道理与可行之处,但也都有一些难以避免的问题。比如大师推荐,一般都是出以公心的,可是有的也难免出于私心。法拉第被他的老师、著名科学家戴维所打压不准进入英国皇家学会,就是一例明证;比如同行评价,一般也是可以的。但是,如果遇到利益纠纷,同行乃是冤家。这次屠呦呦获得诺奖后,向诺奖评审委员会建议予以取消的就是屠呦呦的同行;比如实践检验,无疑也是对的。但是,检验需要一定的时间跨度,等时间足够了,人才可能已经垂垂老矣。
我们所处的时代已经是信息时代。信息时代又划分为三个阶段:计算机时代、互联网时代和大数据时代。大数据时代选择人才、评价人才,就是不要凭印象说话,不要凭经验说话,而要凭事实和数据说话。
正是从这样一个前所未有的角度,大数据日益成为一种识才利器。
精准识才的工作原理
人们一定要问,大数据识人凭的是怎样的技巧呢?根据我的认识,有三大技巧:
其一,全范围搜索,再优中择优。众所周知的诺奖获得者评选,有其专门的评审委员会,并且遵循一套严格保密的程序。但是,在斯德哥尔摩正式颁布获奖人员名单之前,有的机构就发出自己的判断信息了。这个机构所凭借的武器就是大数据。他们利用论文发表数量、论文被引用指数,就可以预先把获奖者猜测出来。汤森路透就是这样一家能够做出比较精确预判的公司。从2002年始至今,这家公司已经成功预测出38位顶尖科学家。去年,获得诺奖的11位自然科学家中,汤森路透准确预测出8位。
其二,察微而知著,探究其内心。三国时期魏国文官刘劭以察微知著而闻名。有一天,青年曹操拉住这位名噪一时的刘劭,非让他给自己品评一番不可。刘劭被他纠缠不过,就写下“治世之能臣,乱世之奸雄”十个大字。历史证明,刘劭的判断十分准确。
那么,刘劭是凭借什么得出如此令人惊叹的结论呢?笔者认为,他是从曹操的非结构性数据里找到了答案。如今,美国人研究的“科学入心法”,就是将这一套观察方法,运用于人才识别上,并且将其数据化。这种观察,并非通过语言,而是通过非语言信息。比如,说话声调的变化、眉毛是否上扬、眼睛如何转动、肌肉如何移动等等。这些行为,都是无意识中表现出来的,是用肉眼无法观察到的,而计算机却能够很容易追踪其变化。
有篇文章这样描述这一过程:某人打开视频网站,正在观看一则广告,禁不住流露出惊喜的表情。这时,计算机摄像头提示灯忽然闪了闪,这是什么意思?原来计算机是在做这样的事:对准那个人的眼睛定位,寻找嘴部水平中心线,xyz轴建模,测量他的眼轮匝肌、皱眉肌、颧大肌各块肌肉的位移,数据传回,数据库表情匹配,得出内心情绪判断。
所谓“科学入心”,就是这样一种原理。
其三,丰富大数据,聚焦意中人。现在的世界,到处布满了数据。有人把它形容为大数据飓风,有人把它描述为大数据洪流,也就是说,人们已经生活在数据海洋里了。这个海洋,是你我、大家共同制造出来的。比如你的手机,上面下载了不少软件。你自己感到实用、方便、免费,殊不知就在你获得这些好处的时候,你的大量信息都被它采撷而去了。如果商家要为你做出一幅素描画像,那将是轻而易举的事。你的形象由两部分数据组成:一部分是交易数据,包括你的消费水平、消费频次、购物生命周期;另一部分是交互数据,包括你的图片、你的习惯、你的行为,还有你在微博、论坛、论文里发表的观点,乃至你的出行记录。这样的图像素描,就为想要寻找你的人,提供了大量信息。
弄清了以上大数据的工作原理,就知道为什么它能够帮助我们寻到人才了。
当然,大数据找才,也有其弱点。比如,对于那些名气还不够大的人,对于因为需要保守技术机密而不宜张扬,包括公开发表论文的人才,非常可能被其忽视、埋没。这就是说,大数据也有其难以令人满意之处,但总归是目前相对科学、客观、有效的人才发现、识别方法。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19