京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
在数据可视化领域,树状图(Tree Diagram)是呈现层级结构数据的核心工具——无论是电商商品分类、企业组织架构,还是数据挖掘中 ...
2025-11-17核心结论:“分析前一天浏览与第二天下单的概率提升”属于数据挖掘中的关联规则挖掘(含序列模式挖掘) 技术——它聚焦“时间序 ...
2025-11-17在数据驱动成为企业核心竞争力的今天,很多企业陷入“数据多但用不好”的困境:营销部门要做用户转化分析却拿不到精准数据,运营 ...
2025-11-17在使用Excel透视表进行数据汇总分析时,我们常遇到“需通过两个字段相乘得到关键指标”的场景——比如“单价×数量=金额”“销量 ...
2025-11-14在测试环境搭建、数据验证等场景中,经常需要将UAT(用户验收测试)环境的表数据同步到SIT(系统集成测试)环境,且两者表结构完 ...
2025-11-14在数据驱动的企业中,常有这样的困境:分析师提交的“万字数据报告”被束之高阁,而一张简洁的“复购率趋势图+核心策略标注”却 ...
2025-11-14在实证研究中,层次回归分析是探究“不同变量组对因变量的增量解释力”的核心方法——通过分步骤引入自变量(如先引入人口统计学 ...
2025-11-13在实时数据分析、实时业务监控等场景中,“数据新鲜度”直接决定业务价值——当电商平台需要实时统计秒杀订单量、金融系统需要实 ...
2025-11-13在数据量爆炸式增长的今天,企业对数据分析的需求已从“有没有”升级为“好不好”——不少团队陷入“数据堆砌却无洞察”“分析结 ...
2025-11-13在主成分分析(PCA)、因子分析等降维方法中,“成分得分系数矩阵” 与 “载荷矩阵” 是两个高频出现但极易混淆的核心矩阵 —— ...
2025-11-12大数据早已不是单纯的技术概念,而是渗透各行业的核心生产力。但同样是拥抱大数据,零售企业的推荐系统、制造企业的设备维护、金 ...
2025-11-12在数据驱动的时代,“数据分析” 已成为企业决策的核心支撑,但很多人对其认知仍停留在 “用 Excel 做报表”“写 SQL 查数据” ...
2025-11-12金融统计不是单纯的 “数据计算”,而是贯穿金融业务全流程的 “风险量化工具”—— 从信贷审批中的客户风险评估,到投资组合的 ...
2025-11-11这个问题很有实战价值,mtcars 数据集是多元线性回归的经典案例,通过它能清晰展现 “多变量影响分析” 的核心逻辑。核心结论是 ...
2025-11-11在数据驱动成为企业核心竞争力的今天,“不知道要什么数据”“分析结果用不上” 是企业的普遍困境 —— 业务部门说 “要提升销量 ...
2025-11-11在大模型(如 Transformer、CNN、多层感知机)的结构设计中,“每层神经元个数” 是决定模型性能与效率的关键参数 —— 个数过少 ...
2025-11-10形成购买决策的四个核心推动力的是:内在需求驱动、产品价值感知、社会环境影响、场景便捷性—— 它们从 “为什么买”“值得买吗 ...
2025-11-10在数字经济时代,“数字化转型” 已从企业的 “可选动作” 变为 “生存必需”。然而,多数企业的转型仍停留在 “上线系统、收集 ...
2025-11-10在数据分析与建模中,“显性特征”(如用户年龄、订单金额、商品类别)是直接可获取的基础数据,但真正驱动业务突破的往往是 “ ...
2025-11-07在大模型(LLM)商业化落地过程中,“结果稳定性” 是比 “单次输出质量” 更关键的指标 —— 对客服对话而言,相同问题需给出一 ...
2025-11-07