
“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
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 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01