
简历消亡的大数据招聘时代,这6个特质让你脱颖而出
招聘一直以来是作为一门艺术存在的,但是它正逐渐转变成一门科学。如今大部分工作与工作产品基本上都是数字化的,有时你甚至不需要简历。公司可以轻易地通过互联网搜索到应聘者职业生涯的潜在数据,将大数据技术应用到多年的员工调查和测试中,甚至从专门设计的游戏中获取新数据。
“关于某个人是谁,做什么工作等信息其实早已存储在他们的硬盘、Evernote、box.net账号或者Dropbox云账号中了。”人才搜索企业Talentbin的首席执行官Peter Kazanjy说。
简历正在消亡。与此同时,大学排名和成绩也已不再那么重要。2013年,谷歌人员分析部门的副总Prasad Setty就曾表示,谷歌长期筛选应聘人员的两项指标——美国学术能力测试(SAT)成绩和大学平均绩点——已经无法评估一个人的成就了,而且“不会再被当作重要的招聘标准”。Knack公司的CEO Guy Halfteck也认为,学校排名和个人平均绩点对于人本身以及潜力而言并不是很有意义,以此来量化成功是不具有影响力的。
为了找出成功和创新员工有哪些特征,Knack将先进的数据分析工具和游戏结合在了一起,通过一系列游戏实时观察目标对象的实际行为和表现。由于计算机可以从用户参与游戏的每一个瞬间获得有用的数据,15分钟游戏就足以创造100万字节的数据。因此领导者最终获取到的不只是完美的简历,更有应聘者的社交能力、适应力、情商等多方面信息。
在大数据面前,应聘者无处可藏。而以下这6个特质,或许可以助你脱颖而出。
适应力
对于每份工作来说,“学习敏捷”都是一种重要品质,这是指迅速学习并主动采取行动的能力。“公司想要的是一个能快速适应新环境、在挑战中蓬勃发展、愿意学习新东西的人。” 在德勤咨询公司创始人乔希·贝辛看来,那些表现最好的人不是需要被告知需要做什么的人,而是那些喜欢挑战的人,他们自己寻找资讯,并快速适应环境。遵循指令的人是可以被取代的,只有那些能投入新环境里并茁壮成长的人才真正有价值。
心理韧性
Kenexa公司首席营销官Tim Geisert说:“在大多数人心目中,一个好的销售人员必须是一个外向的人,拥有良好的人际关系和友好态度。这只说对了一部分。我们从数据中发现,实际上还有一种比其他特质都重要的潜在特质,那就是所谓的‘情感勇气’。”拥有“情感勇气”的人心理韧性强,他们能够以积极,乐观的态度来迎接生活中的挑战,更容易拥有幸福和满足的生活。
社交能力和情商
每一份工作中,社交能力都是成功的主要因素之一。如果你提出一个有创意的想法,但是你没有办法说服别人,它可能就无法实现,而这并不是创造力的问题。
“我们所做的每件事,以及公司计划,都需要与他人互动。”Halfteck认为,无论你是创新者、医生、老师、零售商,或者销售人员,你的社交能力都能让你巧妙地管理各种社会状况,回应他人,理智地厘清社会情况及其背后原因。“社交能力可以将表现更好的人从群体中区分出来。”
不同的文化背景
据乔希·贝辛介绍,一家石油公司对石油生产领域里突围并获得成功的人进行分析后,得到了令人惊讶的结果:大部分成功者都是在一个聚集不同类型的人的环境中长大,他们的父母都拥有多元文化或者国际经验。而当这家石油公司以传统方式找到的那些拥有石油学位、良好学术资历的应聘者,却未能从中发现成功者。
态度友好
与乔希·贝辛合作的一家影院尝试通过训练来提高每个员工的服务水平,但6到9个月的培训并没有产生效果。最终,人力资源部门负责人发现,关键不在培训,而在于人本身。随后,该公司的招聘标准从以往成绩、学历和学位调整为快乐个性、友好的态度,喜欢服务他人。这个改变给他们带来的回报是数百万美元。
专业度
越来越多的雇主开始寻找所谓的被动应聘者。他们相信那个没有主动找工作的人,或许就是最佳人选。当然,如果你专业度不够,也很难被找到。招聘人员越来越依赖数据、技能和资格来决定谁来面试,并找到合适的人选,而不再是费神地筛选几百份简历。因此简历写得再漂亮,还不如提高自己的专业水平。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02