在科学界有种说法,”统计学意味中永远不要说你是肯定的”。 在任何的大数据分析中,例如,总会有随机相关,看起来‘很重要’,但实际是噪音,没有信号的。
还有,有一些性格测试度量的问题被用来衡量‘成功’。大数据需要给绩效表现一个努力的结果指标,但最现成的指标在组织的蓬勃发展中可能不是最重要的变量。
一个经理(像上面提到的使人变得消极的暴君),能够强迫他的下属努力工作从而达到季度目标,例如,在破坏情绪气氛中维持组织的生命,我们很早就知道经理们过多地关注绩效,从长远来看以人代价是对组织的毁灭。
使用一个结果指标,如一位高管的业绩指标,当忽视他作为一个老板的角色和他的影响士气,忠诚,焦点,以及直接报告的压力,可能会在谁是真正好老板上导致假的引导。
听说在谷歌,这样一种从大数据集的设定中而来的运算法则的堡垒,工程师们是拒绝使用这种方法去决定升职的。谷歌招聘主管Laszlo Bock解释道,公司切实知道关于运算法则有它的局限。把假定内置在一个测试里,它们可以对某些特征有偏见和不公平的歧视。
但最大的反对来自一个事实,即用一个人的过去表现来最强的预测他未来的行为。并且这个表现得到最好的评定来自与那些非常了解他的人。
情况是这样,例如,在Claudio Fernandes-Araoz的即时经典招聘中,不是怎样招聘,招聘什么,而是那个人。他建议最可靠和有价值的信息来自于与曾在指定工作中工作过的候选人的面谈。
考虑领导角色的能力-一个要素就是面试,而不是通过多样的-选择题测试取得最好的(毕竟,有人缺乏诚信,可能在诚实指标上撒谎)。如Fred Kiel的研究显示,性格特征如:正直和同情心另人意想不到地驱动着商业成功。Kiel发现,在这些品质上高值的比低值的能获得5倍的经营成果。
在评估一个候选人的诚信时,什么是你该相信的:这个人回答测试问题是如何对诚实产生影响的,或者谁知道这个人有实际经验。
因此,我在这里建议。记住基准性素质和能力的区分。一个基础技能意味着当考虑一个工作时每个人都必须达到这个标准。在谷歌,这个基准包括IQ测试显示你是名列前1%的。使用所谓XQ的公司,测试得分的大数据分析,一定程度的相关性可以用来做基准。
在那之后,在一个组织中通过辨别能力,技能或者才能来发现明星工作者而不是平庸的人-对那些只是足够好的人保持他们的工作。你在寻找在你与人的尽职调查中谁过去和那个人工作过,这是辨别能力。