
大数据将怎样改写人才命运
大数据与“云计算”就像一枚钢镚儿的两个面,相辅相成。大数据相当于储有海量信息的信息库;“云计算”相当于计算机和操作系统。大数据与“云计算”二者结合起来,将给世界带来一场深刻的管理技术革命。当然,人才工作也包括在内。
A.让人才培养不再凭直觉
人才培养要靠教育与培训。但是以往一个很大的弊端是,教师不知道学生和学员是不是真正把课听懂了。如果问一声大家懂了吗?一般回答都会说懂了。这里就掩盖了有的学生、学员因为羞于回答不懂而带来的难堪。利用大数据方法,教师通过学生、学员反馈回来的作业,就可以发现到底是哪些学生、学员并没有真正听懂,进而有针对性地加以辅导。大数据还可以告诉教师,如果有相当一批学生、学员做错了作业,就是自己在教学方法上存在问题,需要加以改进。
中国金花李娜在“澳网公开赛女单决赛”中捧起冠军杯的事,令国人好一阵振奋。那么,李娜为什么能够获得第二次大满贯呢?不少国人就不大清楚了。原来,李娜的成功在很大程度上凭借了大数据。其教练卡洛斯就曾明确表示,是大数据帮助她提升了能力,从而更好地指导了李娜的表现。
原来,网球比赛与其他体育项目一样,涉及大量数据,主要是“一发成功率”“一发得分率”以及ACE球,这些是标志竞技水平的关键指标。发球速度、发球成功率、得分点则突出体现了球员的打法特点。在教练过程中,如果“非受迫性失误”“双发失误率”上升,则表明球员心理状态或体力开始下滑。大数据对这些信息均有统计,因此能够使教练与球员自己评价比赛技术发挥的好坏。而在比赛过程中,大数据又能帮助教练与球员制定正确的策略与战术。IBM研制的智能分析平台,能够基于过去8年的赛事数据,对每个球员的历史记录进行分析,确定出每个球员的关键指标。每场比赛分析的数据超过4100万个,包括比分、回合数、制胜分、发球速度、击球类型、击球数量等。而这些数据都是通过给球员配备的传感器获取的。数据分析专家说,在信息化高速发展的今天,完全依靠天赋和直觉成才的日子,已经一去不复返。
B.帮助组织准确发现人才
世界如此之大,面对茫茫人海,谁是企业某个岗位最合适的人选?这个问题在以往很难解决,但是在今天却有了可能。方法就是依靠大数据。
世界著名的跨国人力资源公司,都搜集掌握了海量的人才数据库。这种数据库分门别类,汇聚了大量可供深入了解某个“职位要求”与某个人“个人信息”是否对称的资料,这就为人才寻访活动提供了优越的前提条件。当前,我们国内的人力资源公司之所以不能与国外发达国家的人力资源公司相抗衡,问题就出在我们没有建成这样海量信息的人才信息库。所以,人家在世界上“猎头”,而我们在国内“猎腰”“猎脚”。
其实,不仅是体育人才,就是合适的高端科技人才、高技能人才我们也在到处寻觅,但往往苦于找不到,来不了。过去人们常说,要改变“少数人在少数人中选人”的现象,可是如何改变?归根结底是因为缺少技术支持。今天这个问题有了解决之道,那就是利用大数据方法,从所有应该搜索的范围内去搜寻、定位、选择。
C.使管理走向精细化
大家知道,农业社会的管理风格比较粗放化,而到了工业社会,开始走向精细化。精细化才能管理到位,提高效能。高等院校课堂大、学生多,谁来上课了、谁没来不大容易搞清楚,所以就有人钻这个空子逃课干别的事。据麦可思对2012级新生的一项调查显示,本科新生的逃课率为33%,高职新生的逃课率则为22%。为了阻止这种“瘟疫”的蔓延,不少高校纷纷请出各种“点名神器”。
美国高校也曾遇到这种现象,对付的办法形形色色。最简单的是教授点名、逐个签到,这适合学生较少的情况,如若几百名学生一起上大课,就不灵光了。后来,有教授把一种叫clicker的神器引入课堂,学生只要在课堂上按一下,系统就会自动记录下其出勤情况。当然,这个神器还可以用来为学生释疑解惑,一举多得。
去年,暨南大学在部分试点教室安装了“教学辅导系统”,该系统拥有座位实名定位、抢答老师提问等功能。这个系统能够让教师在第一时间掌握班级学生出勤情况,还能了解每个学生掌握所学知识的情况,还可以把要讨论的问题投影到大屏幕上,让学生按键回答,提升了教学效果。
近年来,随着智能手机的发展,App在校园中开始发挥提高学校综合管理能力的重要作用。有方便起床的、饮食的、读书的、选课的,点名功能自然也在其中。不需要纸笔,不需要刷卡,学生只要带着手机进入教室,系统就会自动记录考勤。应该说,是大数据、“云计算”使一些很难管理到位的事情,做到了精准到位,又十分人性化。
D.客观评价人才
人才有类别层次之分。对科学研究、教育学术、文化卫生等专业技术人才来说,有的需要通过论文或著作体现出来的学术水平来获得正确评价。那些诺贝尔奖得主是世界级的人才,对他们的发现与评价就更难了。
然而,世界著名的汤森路透公司,去年曾经准确地预测到谁是该年度的获奖者,准确率高达8/11。
他们是怎么预测准确的呢?途径就是凭借大数据。他们说:“预测的力量来自于引文分析,因为论文之间的引用是基于每个科研人员的学术判断,因而引文数据库就蕴藏了全球科学家的群体判断,并反映出科研活动的延续性和知识的传承。基于大数据的信息分析能够为科技规划和决策提供多方面的支持,包括了解科技革命的趋势,发现机会和风险,制订合理的发展目标指标,和根据评估研发投入的产出情况来优化资源的分配等。”
汤森路透知识产权与科技中国区总裁郭利还表示说:“目前我们看到数据库中的高被引论文里,中国的贡献在增多。如果按照这个趋势,我希望中国在10到15年左右能够获得诺奖。”从这里也可看出,大数据在人才发现、预测、预判方面确实可以大显身手。
E.时代急需大数据人才
大数据时代对人才管理提出了新的、更高的要求。面对这样的历史使命,正确的应对之策是什么呢?
首先要有机遇意识。应该珍惜和抓住时代给予我们的大好机遇,下决心学习新知,跟上时代步伐。
其次要真抓实干。就是要选择有培养前途的年轻业务骨干主动了解大数据,学习大数据,驾驭大数据。也可以直接从社会上招聘懂得大数据的人才,为行业、企业、机关服务。
再次,要同大智慧结合。大数据毕竟是一种工具,一种方法。用这种工具和方法干什么、怎么干才是最为重要的。工具理性需要与价值理性相结合。这就是以道驭技、以道驭器的问题。有了正确的发展方向,加上科学有效的方法,我们的人才工作就一定能够迎着新世纪的曙光,跃上一个新的层次。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 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 ...
2025-09-03