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
在描述性统计分析、数据预处理、异常值排查与多组数据分布对比工作中,箱线图(Box Plot)是应用最广泛的可视化与统计工具之一。 ...
2026-07-15在企业数据存储、业务统计与数据分析工作中,绝大多数业务数据都带有时间维度属性,例如订单创建时间、用户注册时间、支付完成时 ...
2026-07-15 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 ...
2026-07-15【核心关键词】产品、经营、客户、调研、销售额、宏观、会计行业、客户满意度、发展趋势、经营状况、数据分析、竞争对手、数据 ...
2026-07-14问卷调查是市场调研、用户研究、社会调研与产品分析的核心数据采集方式。问卷数据大多以分类数据为主,例如用户性别、年龄分层、 ...
2026-07-14 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 ...
2026-07-14在数据分析、业务效果验证、AB实验扩展、行业对比等场景中,我们经常需要对比三组及以上样本的均值差异,例如不同区域的客单价对 ...
2026-07-13在互联网产品运营、用户生命周期管理与商业化数据分析中,留存指标是判断产品价值、用户满意度与商业模式健康度的核心基准。常规 ...
2026-07-13 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 ...
2026-07-13【核心关键词】统计学、互联网、知识、课程、学生、数学、软件、招聘、数据分析、实习经历、机器学习、理论基础、业务思维、统 ...
2026-07-10在互联网运营、产品设计、市场营销与商业数据分析领域,所有转化、成交、复购行为的底层逻辑,都依托于用户决策流程。用户从产生 ...
2026-07-10 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-07-10数据透视表是数据分析中最常用、最高效的汇总分析工具,具备快速分组、聚合计算、维度拆解、数据可视化等优势,能够轻松完成求和 ...
2026-07-09在统计学、CDA数据分析、机器学习与商业数据研究中,正态分布是最基础、最重要的数据分布形态。绝大多数参数检验、数据建模、指 ...
2026-07-09 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-07-09【核心关键词】采购、周期、原材料、企业、产品、成本、要素、库存、供应商、数据分析、生产计划、生产制造、加工制造、技术工 ...
2026-07-08在数据分析、特征工程、机器学习建模的工作流程中,原始数据往往包含多个不同维度的数值指标,例如客户交易数据中的消费金额、交 ...
2026-07-08 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-07-08商业谈判是企业采购合作、渠道签约、价格议价、项目合作、客户签约的核心关键环节,直接决定企业的合作成本、利润空间与经营风险 ...
2026-07-07在数据分析、业务效果验证、AB 测试、学术研究等场景中,T 检验是假设检验体系里最基础、应用最广泛的统计方法,也是均值差异分 ...
2026-07-07