如何以非传统方式最佳地利用员工和公司数据
Posted: Thu Jan 16, 2025 6:03 am
想出使用大数据的奇特方法会变得越来越困难，因为你考虑得越宏观。而这正是我坚持的，因为小众想法适用于小众案例，有时只适用于你自己的公司。
首先，从员工和公司数据中榨取额外的东西是没有必要的。只要你有足够的闲人，这可以作为一项实验和课外活动。
所以，如果您从未尝试过，不要担心会错失良机，但要留意这样的机会。希望这七个想法和例子能对您的企业有所帮助。
1. 数据集组合
当有人问我应该购买哪个数据集以最大化投资回报率时，我建议分析 亚美尼亚语 whatsapp 数据点。从员工和公司数据集等大数据集开始，然后检查其他人可能感兴趣的数据点。然后，你决定这些额外的记录是至关重要的、必要的还是有好处的。
人力资源行业的一个很好的例子是 GitHub 和类似的存储库。假设您正在组建一个新的开发团队，并选择从主员工数据库中筛选出最佳候选人。现在，添加 GitHub 数据，看看他们的代码排名如何（如果有的话）。
这样，你不仅可以获得简历，还可以获得作品集。是的，这可能只适用于企业级，但还有另一种选择，例如 getprog.ai，它就是这么做的——根据 IT 专业人员的代码质量对他们进行评分。最后，你需要的不是文凭，也不一定是工作经验。
2. 为数据部门提供数据
数据分析师中有这样一句话：“把所有东西都给我们，我们就知道我们能做什么。”我非常同意。
经理们经常会带着自己的统计数据去找数据人员，寻求他们的认可和数据扩展。你猜怎么着？事实恰恰相反。
不要进行某些“分析”，而是向他们提供您拥有的所有数据，并要求他们寻找增加潜在客户的方法或瞄准更具体的受众（如 ICP）。
任何诸如“让我们先检查员工数据”或“关注东海岸 - 我们的客户来自那里”之类的限制都会阻碍数据团队和您的公司，因为它减少了找到不寻常但有用的东西的机会。
3. 识别影响者并绘制关系图
众所周知，手洗手，认识的人越多，你拥有的力量就越大。
在建立潜在客户或未来候选人数据库时，请检查员工数据，看看谁与谁共事或曾经共事。即使他们不在彼此的密友圈子里，他们也有可能认识那个人，并能说出一些关于他们的事情。如果你瞄准最熟悉的人，你就增加了他们向其他人介绍你的招聘广告或产品的机会。
此外，找到可以为您介绍潜在客户的人总是值得的。考虑到典型员工数据库的大小，您甚至可能会找到几个这样的人！
经过这样的分析，您的人力资源人员可以创建一个类似于前面提到的 getprog.ai 所做的评估系统。
我记得我们客户举过一个例子，他们绘制了特定社交网络的影响者图，以筛选出那些联系最紧密的人。然后，他们针对这些人投放特定的政治广告，获得了更好的投资回报率，而不是针对尽可能多的影响者。
4. 这些数据是真实的吗？
就像政客可以帮助识别腐败政客一样，数据可以帮助您识别虚假数据。您的人力资源部门可能已经注意到，一些企业不断发布招聘广告，尽管它们似乎不像天然气行业那样扩张得那么快。
每天更新公司数据，可以轻松识别这些招聘广告是否为假的。他们唯一的目标就是让求职者和竞争对手相信这个行业正在蓬勃发展。
现在，您可以从手动工作切换到自动化工作，并获得此类违规者的名单以供将来参考。您可以自行向招聘广告平台报告此事。
5. 成功大学
员工数据中的人员并不总是员工。人力资源人员可以通过查看当前的高级员工并检查他们的教育程度来了解候选人是否有潜力。最优秀的员工很可能就读于一所或另一所大学。
通过这种相关性，你可以决定哪些候选人从长远来看会表现更好。同时，你可以看到竞争对手的选择是否有任何倾向性。排名靠前的大学不一定能保证获得最好的员工。
使用相同的员工和公司数据，你甚至可以针对 IT、管理和其他专业得出自己的大学排名。
6. 新员工与重新认证
假设对 AI 即时工程师的需求非常迫切（很快就会成为现实）。市场没有人才，而需求却不断增长。现在又到了打开员工数据库的时候了。
现在，找到目前担任 Prompt 工程师的人，并检查他们之前做过什么。如果他们中的大多数是数据经理，您可以专注于联系他们的前同事并提供重新认证课程。
虽然这样的工作机会本身就很有吸引力，但得知你的前同事已经在这个新职位上工作了一年多，可能会影响他们的决定。
7. 用你的数据检查其他数据
当你熟悉员工和公司数据后，你很可能已经为自己建立了自定义数据集。这意味着你只整合了相关数据点，并减少了不相关记录的数量。
现在，您可以判断原始数据中的相关性是否与自定义数据集中的相关性相匹配。使用更干净的数据集还可以减少时间并降低出错的可能性。让我们用这个假设但现实的场景来说明这一点。
想象一下，你醒来后查看新闻，却发现权威媒体警告市场萎缩，并建议采取紧缩措施。现在你有两个选择。
你要么进入羊群模式，减少下一季度的支出，以求生存。或者，你可以进入深度模式，看看这是否适用于你的市场。如果竞争对手正在招聘数十名员工、建立新办公室并增加收入，那么你也应该继续做你正在做的事情。
否则，没有数据支持的情绪反应很容易导致自我实现的预言。
首先，从员工和公司数据中榨取额外的东西是没有必要的。只要你有足够的闲人，这可以作为一项实验和课外活动。
所以，如果您从未尝试过，不要担心会错失良机，但要留意这样的机会。希望这七个想法和例子能对您的企业有所帮助。
1. 数据集组合
当有人问我应该购买哪个数据集以最大化投资回报率时，我建议分析 亚美尼亚语 whatsapp 数据点。从员工和公司数据集等大数据集开始，然后检查其他人可能感兴趣的数据点。然后，你决定这些额外的记录是至关重要的、必要的还是有好处的。
人力资源行业的一个很好的例子是 GitHub 和类似的存储库。假设您正在组建一个新的开发团队，并选择从主员工数据库中筛选出最佳候选人。现在，添加 GitHub 数据，看看他们的代码排名如何（如果有的话）。
这样，你不仅可以获得简历，还可以获得作品集。是的，这可能只适用于企业级，但还有另一种选择，例如 getprog.ai，它就是这么做的——根据 IT 专业人员的代码质量对他们进行评分。最后，你需要的不是文凭，也不一定是工作经验。
2. 为数据部门提供数据
数据分析师中有这样一句话：“把所有东西都给我们，我们就知道我们能做什么。”我非常同意。
经理们经常会带着自己的统计数据去找数据人员，寻求他们的认可和数据扩展。你猜怎么着？事实恰恰相反。
不要进行某些“分析”，而是向他们提供您拥有的所有数据，并要求他们寻找增加潜在客户的方法或瞄准更具体的受众（如 ICP）。
任何诸如“让我们先检查员工数据”或“关注东海岸 - 我们的客户来自那里”之类的限制都会阻碍数据团队和您的公司，因为它减少了找到不寻常但有用的东西的机会。
3. 识别影响者并绘制关系图
众所周知，手洗手，认识的人越多，你拥有的力量就越大。
在建立潜在客户或未来候选人数据库时，请检查员工数据，看看谁与谁共事或曾经共事。即使他们不在彼此的密友圈子里，他们也有可能认识那个人，并能说出一些关于他们的事情。如果你瞄准最熟悉的人，你就增加了他们向其他人介绍你的招聘广告或产品的机会。
此外，找到可以为您介绍潜在客户的人总是值得的。考虑到典型员工数据库的大小，您甚至可能会找到几个这样的人！
经过这样的分析，您的人力资源人员可以创建一个类似于前面提到的 getprog.ai 所做的评估系统。
我记得我们客户举过一个例子，他们绘制了特定社交网络的影响者图，以筛选出那些联系最紧密的人。然后，他们针对这些人投放特定的政治广告，获得了更好的投资回报率，而不是针对尽可能多的影响者。
4. 这些数据是真实的吗？
就像政客可以帮助识别腐败政客一样，数据可以帮助您识别虚假数据。您的人力资源部门可能已经注意到，一些企业不断发布招聘广告，尽管它们似乎不像天然气行业那样扩张得那么快。
每天更新公司数据，可以轻松识别这些招聘广告是否为假的。他们唯一的目标就是让求职者和竞争对手相信这个行业正在蓬勃发展。
现在，您可以从手动工作切换到自动化工作，并获得此类违规者的名单以供将来参考。您可以自行向招聘广告平台报告此事。
5. 成功大学
员工数据中的人员并不总是员工。人力资源人员可以通过查看当前的高级员工并检查他们的教育程度来了解候选人是否有潜力。最优秀的员工很可能就读于一所或另一所大学。
通过这种相关性，你可以决定哪些候选人从长远来看会表现更好。同时，你可以看到竞争对手的选择是否有任何倾向性。排名靠前的大学不一定能保证获得最好的员工。
使用相同的员工和公司数据，你甚至可以针对 IT、管理和其他专业得出自己的大学排名。
6. 新员工与重新认证
假设对 AI 即时工程师的需求非常迫切（很快就会成为现实）。市场没有人才，而需求却不断增长。现在又到了打开员工数据库的时候了。
现在，找到目前担任 Prompt 工程师的人，并检查他们之前做过什么。如果他们中的大多数是数据经理，您可以专注于联系他们的前同事并提供重新认证课程。
虽然这样的工作机会本身就很有吸引力，但得知你的前同事已经在这个新职位上工作了一年多，可能会影响他们的决定。
7. 用你的数据检查其他数据
当你熟悉员工和公司数据后，你很可能已经为自己建立了自定义数据集。这意味着你只整合了相关数据点，并减少了不相关记录的数量。
现在，您可以判断原始数据中的相关性是否与自定义数据集中的相关性相匹配。使用更干净的数据集还可以减少时间并降低出错的可能性。让我们用这个假设但现实的场景来说明这一点。
想象一下，你醒来后查看新闻，却发现权威媒体警告市场萎缩，并建议采取紧缩措施。现在你有两个选择。
你要么进入羊群模式，减少下一季度的支出，以求生存。或者，你可以进入深度模式，看看这是否适用于你的市场。如果竞争对手正在招聘数十名员工、建立新办公室并增加收入，那么你也应该继续做你正在做的事情。
否则，没有数据支持的情绪反应很容易导致自我实现的预言。