走出大數據的「大」的誤區，大數據不在數據之大

導讀：

• 「大數據」已經成為21世紀商業的代名詞。聚攏大量數據的浪潮正變得愈加猛烈。公司無論所屬行業和規模大小，都竭力想要實現招聘自動化，將流程數字化，並且打造出客戶和求職者的信息庫。企業管理層必須面對的問題不在於收集了多少數據，而在於是否擁有恰當的數據，以及如何解讀這些數據。

• 想要弄清楚數據的恰當規模，關鍵是識別「浪費」。韋塞爾以花店為例。普通零售花店的損耗率高達50%，這意味著一半的漂亮花束還沒有賣出去就被扔進垃圾箱。不過，浪費卻是機遇的一個寶貴來源。

• 更為重要的是，確保數據團隊體現多樣化的想法和觀點。很多企業認為自己是數據驅動型企業，重度依賴收集自多個信息源的信息，比如客戶、員工、供應商等。但如果數據團隊成員有太多的共同點（比如來自同一個部門），那麼他們對數據的解讀常常會帶有偏見、過於簡單、過於寬泛或者傾向於證明一個假設，而不是揭示一項事實。

原文（Sometimes the Right Data is Big; Sometimes It's Small）翻譯如下

「大數據」已經成為21世紀商業的代名詞。聚攏大量數據的浪潮正變得愈加猛烈。公司無論所屬行業和規模大小，都竭力想要實現招聘自動化，將流程數字化，並且打造出客戶和求職者的信息庫。企業管理層必須面對的問題不在於收集了多少數據，而在於是否擁有恰當的數據，以及如何解讀這些數據。

大數據太大？

麥克斯維爾·韋塞爾（Maxwell Wessel）在《哈佛商業評論》的一篇文章中說，我們用來捕捉信息的網正一天天地越鋪越大。可能影響到招聘或管理勞動力的所有因素似乎都被一網打盡。

「利用大量的社會、天氣和政府數據預測供應鏈中斷。」韋塞爾寫道，「利用大量的用戶數據在汪洋般的網站點擊中識別個人用戶。企業甚至開始利用海量的文字交流信息來開發能夠和客戶對話的電腦演算法。」

如今，這一切在行業內均有發生，甚至已將人工智慧（AI）用作為招聘工具。FirstJob推出了Mya，這款AI系統利用自然語言處理和機器學習，旨在令75%的招聘過程實現自動化。

與亞馬遜（Amazon）的Alexa和蘋果（Apple）的Siri等虛擬助理一樣，Mya也能模擬對話，和用戶進行複雜一點的互動。通過這些交流，Mya可以不斷收集求職者的數據，比如他們的技能、敬業度、文化契合度等等，然後將這些數據被轉換成可量化的情報。

由於Mya才剛剛面世，其效果還有待觀察。但問題依舊：在Mya從無數求職者那裡收集的大量信息中，有多少是有用的？有多少是可執行的？有多少是多餘的？

小而恰當的數據據佳例Uber

儘管毀譽參半，但Uber的確成功展現了數據分析的力量。投資者和商業專家早就把這款按需網約車應用稱為大數據的楷模。Uber會從司機和乘客那裡收集大量信息，按照韋塞爾的說法，這使它能夠規劃「人類交通的實時物流」。然而，韋塞爾也指出了Uber數據真實規模的一個關鍵性的特點。

威塞爾說：「Uber的成功並不在於它收集的大量數據，而是來自截然不同的方向：小而恰當的數據。Uber就是利用這樣的數據來調度車輛。」

在Uber急速崛起之前，乘客是靠計程車來實現類似的服務。韋塞爾說，雖然沒有電腦收集和處理數據，但「在城市街道上用眼睛搜索潛在乘客」的做法本身就是一種收集和分析數據的大型程序。

「儘管計算髮生在人腦內部，但被收集和分析的數據量並沒有不同。」他說，「Uber巧妙的解決方案就是不再對視覺數據應用生物異常探測演算法，而是利用恰當數據來完成這項任務。誰需要打車？他們在哪裡？這些至關重要的信息讓Uber、Lyft和滴滴出行等公司徹底改革了一個行業。」

恰當調整你的大數據規模

1識別浪費

想要弄清楚數據的恰當規模，關鍵是識別「浪費」。韋塞爾以花店為例。普通零售花店的損耗率高達50%，這意味著一半的漂亮花束還沒有賣出去就被扔進垃圾箱。不過，浪費卻是機遇的一個寶貴來源。

「無論是工業生產、零售還是法律調查，應該弄清楚精力和資源遭到浪費的源頭，以此找出邁向恰當數據的方向。」韋塞爾寫道。

對於領導層來說，在確定恰當的人才數據時，第一步就是找出浪費掉的精力或者無用的流程。假設你的工作應聘率為1:5或更低，這就意味著你的招聘人員或者招聘合作方收到的簡歷不夠多。於是你就找出了「浪費」的源頭和改善流程的機會。

2減少浪費

這時，你決定將重點放在減少浪費上，想辦法改變流程，防止精力被浪費或者無效。還是以工作應聘率問題為例，我們需要開始積累、分析和合成與這個問題有關的數據。

• 職位描述寫得怎麼樣？是否有吸引力？對客戶和應聘者雙方來說，是否都準確反映了該職位的要求和福利？

• 是否利用了恰當的招聘渠道？如果傳統的招聘渠道效果不好，那就分析社交網路、在線群體、社區、大學系統和其他媒介的數據。也許LinkedIn和Facebook是比全球最大招聘網站Monster更好的招聘渠道。

• 招聘宣傳做得怎麼樣？這個過程是人工完成的嗎？能不能實現自動化？

• 對比失敗的開端或者應聘者寥寥無幾的場面，那些成功的招聘工作又是怎麼樣的？分析這些數據將幫助你從中吸取經驗。

3建立有意義的數據集

• 著眼全局，思考數據如何影響整間公司和所有員工。

• 防範確認性偏見。像《流言終結者》節目主持人那樣進行分析。嘗試推翻被廣泛接受的標準。敢於承擔風險、失敗和意外結果。所有這些都是重要的學習經歷，將會幫助你改善流程。

• 利用可靠、有效、乾淨和完整的數據集。數據應該是客觀的，而不是僅僅基於特定的商業團體、人才類別、公司部門或者招聘經理。

• 進行跨團體、跨時間的比較。

4立刻讓盟友、利益相關者和合作夥伴參與進來

如果利益相關者不知情，沒有參與進來，那麼即使是考慮最全面、執行最到位的分析也可能失敗。讓其他人也加入這趟發現之旅，向他們徵求意見。你會發現，被賦予了決策權的人往往更願意參與其中，檢查研究結果，了解其價值，落實修改意見。如果忽視這一點，所有努力都可能付之東流。

要是沒有事先告知和參與，此過程中的其他利益相關者可能會覺得有人在對自己的工作指手畫腳，尤其是在他們認為自己明明做得很好的情況下。儘管另一方面的用意是好的，但被動接受者會覺得自己被蒙在了鼓裡。如果發生這樣的事情，重要的計劃可能卻會應者寥寥，得不到落實，這相當於是在浪費機會、時間和金錢。

5創建數據團隊

創建恰當的數據團隊是必要之舉，在收集和分析數據之前就應該著手進行。雖然在項目經理的頭腦和追蹤系統（比如VMS、ATS、企業資源系統等等）里，存放著堆積如山的有用數據，但必須通過多方協作才能作出周詳的決定。最好的數據團隊應該具有廣泛的代表性。在項目中，應該包含來自客戶組織、MSP、VMS和招聘合作公司的專業人士。我們需要這些主題專家來解決項目的「為什麼」、「是什麼」和「怎麼做」。

• 「為什麼」團隊：招聘經理、運營主管和公司高管，他們提供商業技能。

• 「是什麼」團隊：招聘合作方、採購主管和人事專員，他們提供人力資源方面的技能。

• 「怎麼做」團隊：來自臨時工企業、客戶單位和技術提供商（比如VMS）的數據分析專家，他們知道如何收集信息，如何把信息轉換成有意義的結論供決策者參考。

更為重要的是，確保數據團隊體現多樣化的想法和觀點。很多企業認為自己是數據驅動型企業，重度依賴收集自多個信息源的信息，比如客戶、員工、供應商等。但如果數據團隊成員有太多的共同點（比如來自同一個部門），那麼他們對數據的解讀常常會帶有偏見、過於簡單、過於寬泛或者傾向於證明一個假設，而不是揭示一項事實。

再以工作應聘率為例。如果負責收集數據的人同時也是尋找或招聘求職者的人，那麼他們最終會陷入防禦心態。在這種情況下，他們往往會尋找數據來為他們的挫折辯護。或者，他們過度糾結於應該檢查應聘者的哪些方面。而如果數據團隊成員來自人力資源、營銷、運營和招聘合作方等多種立場呢？引入臨時工項目其他方面的利益相關者后，你會更加清楚地知道問題所在，找到解決辦法。

找到恰當數據的「甜區」

韋塞爾在文章中寫道：「恰當數據有時很大，有時很小。但對創新者來說，關鍵是弄明白哪些是能夠提升競爭力的關鍵性數據。這些數據就是你應該積極探尋的恰當數據。」

關於項目（無論大小）的數據能把我們以前從來不知道的優秀人才和創新者呈現在我們眼前。我們只需要確保自己看向恰當的地方，翻開恰當的石頭。