Retour à l'école avec l'analyse du Big Data

Les étudiants ne sont pas les seuls à retourner à l'école. Nous pouvons tous revenir pour apprendre comment diriger nos efforts de manière plus productive. L'analyse prédictive peut montrer la voie. Qu'elles soient appliquées au recrutement universitaire ou à l'embauche d'entreprise, ce que révèlent les mégadonnées peut nous montrer que nos hypothèses sur ce qui fonctionne nous conduisent dans la mauvaise direction.

Analytics en action

Pour ceux dont les affaires sont à l'école, la préparation de cette saison nécessite une planification, et l'analyse des mégadonnées peut montrer comment obtenir des résultats maximaux. C'est l'histoire de la planification stratégique de la Wichita State University. Il y a quelques années, David Wright, vice-président associé pour le système de données académiques et la planification stratégique, a vendu l'école du Kansas sur l'utilisation de l'analyse des mégadonnées pour augmenter l'efficacité des dépenses de bourses et du recrutement.

"Construire un campus plus intelligent: comment l'analytique change le paysage académique" explique en détail comment les logiciels IBM ont réduit les coûts en identifiant d'où venaient les étudiants qui étaient plus susceptibles de rester à l'université. "Un ensemble d'équations pesant la démographie, l'histoire académique et d'autres facteurs" a été analysé pour identifier celles "qui ont les plus fortes probabilités de venir dans l'État de Wichita". Sur cette base, l'université a adopté une stratégie de recrutement plus ciblée.

Par exemple, après que les analyses aient révélé l'origine de la grande majorité des étudiants de l'université, le service des admissions s'est concentré sur ces lycées. La révélation que très peu d'étudiants viennent de l'extérieur de l'État a incité l'université à supprimer 14 salons universitaires et à réduire les déplacements. Ils ont également adopté une approche plus ciblée de leur publipostage. Dans le passé, ils ont envoyé 9 000 lettres. Après avoir appliqué l'analyse, ils n'ont eu qu'à envoyer 5 000 à 6 000. La diminution du nombre de lettres s'est en fait traduite par une augmentation du recrutement de 26%.

Se préparer aux changements tactiques

Dans un échange de courriels, Wright a expliqué les défis à relever pour amener une institution à changer de vitesse et à adopter l'analyse. Il a déclaré que trois aspects étaient impliqués:

• L'une consistait à amener les gens à voir les avantages d'une prise de décision fondée sur des preuves. L'utilisation de données pour prendre des décisions est très différente de l'utilisation de données pour confirmer une décision. Au début, l'université avait du mal à amener les gens à utiliser les données avant le point de décision. Les données doivent être à la table lorsque les décisions sont prises.

• La deuxième difficulté a été d'amener les gens à faire confiance à l'analyse, surtout lorsque les données sont si contraires à l'intuition ou aux pratiques passées. Les conseillers ont mis beaucoup de temps à croire aux données.
• Et troisièmement, la qualité des données nécessaires pour utiliser l'analyse.

Afin de mettre en place un système d'analyse robuste, ils ont d'abord dû effacer les anciennes données et "des milliers d'erreurs de saisie de données". C'était une tâche intimidante, mais l'université l'a acceptée pour mettre en place le système d'analyse robuste qui était nécessaire pour atteindre leurs objectifs.

De meilleures données = de meilleurs employés

Il a également été démontré que l'application de l'analyse des mégadonnées améliore le recrutement et la rétention des employés. La société de Big Data Evolv se consacre à l'application de l'analyse prédictive au recrutement en particulier. En effet, selon l'entreprise, l'utilisation du Big Data pour diriger les décisions d'embauche est payante.

Par exemple, les connaissances d'Evolv ont changé la stratégie d'embauche de Xerox pour la sélection des employés des centres d'appels. Dans un article du WSJ, le chef de l'exploitation des services commerciaux de Xerox a admis: "Certaines des hypothèses que nous avions n'étaient pas valables." C'est la vraie valeur de l'analyse des mégadonnées; il révèle des corrélations réelles basées sur des informations objectives plutôt que sur les sentiments profonds des responsables du recrutement.

En fin de compte, les curriculum vitae et les vérifications des antécédents se sont avérés ne pas être les indicateurs les plus fiables des employés de Xerox qui resteraient jusqu'à ce que l'entreprise obtienne un retour sur son investissement de 5 000 $ dans la formation. Les données d'Evolv ont montré qu'un dossier d'arrestation remontant à plus de cinq ans n'indique pas davantage un "mauvais comportement futur" qu'un dossier parfaitement propre. Un précédent record de changement d'emploi ne signifie pas nécessairement que la nouvelle embauche ne restera pas sur place. Evolv a terminé une étude sur 21 115 agents de centres d'appels. L'analyse des données a indiqué «très peu de relation entre les antécédents professionnels d'un agent et son mandat dans le poste».

Quels sont donc les facteurs qui font la différence? Personnalité, connexions et emplacement. Le logiciel d'Evolv a identifié le candidat idéal comme une personne créative qui est active sur un à quatre réseaux sociaux et se trouve dans un trajet gérable du lieu de travail. Un autre facteur clé de la rétention était l'association. Ceux qui se sont montrés les plus susceptibles de rester dans une entreprise étaient ceux qui connaissaient trois employés ou plus qui y travaillaient déjà.

Différences entre l'école et les affaires

Bien que l'analyse des mégadonnées puisse être aussi efficace dans le recrutement d'entreprise que dans le recrutement universitaire, elle montre également où les parallèles entre les deux se brisent. Dans un article de Forbes de 2013, sur ce qu'une entreprise a appris lorsqu'elle a appliqué l'analyse prédictive à la sélection des vendeurs, l'auteur Josh Bersin souligne que l'expérience scolaire compte beaucoup moins que ce que les gens pensent en termes de prédiction de la réussite professionnelle. En fait, contrairement à la croyance populaire, la moyenne cumulative d'un candidat ou le choix du collège n'était pas en corrélation avec la réussite au travail.

Cela ne signifie pas que l'éducation est sans valeur; achever une forme d'enseignement était l'un des indicateurs de réussite professionnelle, mais la clé était l'achèvement plutôt que l'école ou les notes. D'autres indicateurs clés comprenaient un curriculum vitae grammaticalement correct, une réussite démontrée dans un emploi, une expérience de vente réussie et la capacité de travailler dans des conditions non structurées. Après que la société a intégré l'analyse des données dans ses étapes de qualification et identifié les facteurs qui étaient des prédicteurs précis, elle a amélioré les performances des ventes à hauteur d'un gain de 4 millions de dollars de revenus.

Quels que soient les besoins de l'organisation, l'analyse prédictive peut les mettre sur la bonne voie. Comme l'a dit Wright à propos de sa propre expérience, "En donnant aux gens les ressources dont ils ont besoin pour prendre de bonnes décisions, tout le monde y gagne."