Το να κάνετε αιτήσεις για εργασία διαδικτυακά είναι από τις χειρότερες εμπειρίες. Το να κάνετε αιτήσεις αυτοπροσώπως δεν είναι και πολύ καλύτερο.
Applying for jobs online is one of the worst digital experiences of our time. And applying for jobs in person really isn't much better.
[Ο τρόπος που δουλεύουμε]
[The Way We Work]
Η πρόσληψη όπως την ξέρουμε έχει πολλές δυσκολίες. Είναι από τις χειρότερες εμπειρίες. Περίπου 75% των ανθρώπων που αιτούνται δουλειά χρησιμοποιώντας διάφορες μεθόδους τον τελευταίο χρόνο μας είπαν ότι δεν πήραν ποτέ απάντηση. Αλλά και στις εταιρίες τα πράγματα δεν είναι καλύτερα. Το 46% των ανθρώπων, απολύονται ή παραιτούνται μέσα στον πρώτο χρόνο που αρχίζουν δουλειά. Είναι σοκαριστικό. Είναι επίσης κακό για την οικονομία. Για πρώτη φορά στην ιστορία, έχουμε περισσότερες θέσεις εργασίας απ' ό,τι ανέργους και για μένα αυτό δείχνει ότι υπάρχει πρόβλημα.
Hiring as we know it is broken on many fronts. It's a terrible experience for people. About 75 percent of people who applied to jobs using various methods in the past year said they never heard anything back from the employer. And at the company level it's not much better. 46 percent of people get fired or quit within the first year of starting their jobs. It's pretty mind-blowing. It's also bad for the economy. For the first time in history, we have more open jobs than we have unemployed people, and to me that screams that we have a problem.
Θεωρώ ότι η ουσία του προβλήματος συνοψίζεται σε ένα χαρτί: το βιογραφικό. Το βιογραφικό αναμφίβολα έχει ωφέλιμα χαρακτηριστικά: προϋπηρεσία, ηλεκτρονικές δεξιότητες, ξένες γλώσσες, αλλά αυτό που λείπει, είναι ποιες είναι οι δυνατότητες του ατόμου που ίσως δεν είχαν την ευκαιρία να κάνουν στο παρελθόν. Με την ταχύτητα που αλλάζει η οικονομία όπου οι θέσεις εργασίας γίνονται διαδικτυακές που ίσως απαιτούν δεξιότητες που δεν έχει κανένας, εάν κοιτάξουμε μόνο την προϋπηρεσία, δεν θα μπορούμε να βρούμε άτομα με τις θέσεις εργασίας του μέλλοντος.
I believe that at the crux of all of this is a single piece of paper: the résumé. A résumé definitely has some useful pieces in it: what roles people have had, computer skills, what languages they speak, but what it misses is what they have the potential to do that they might not have had the opportunity to do in the past. And with such a quickly changing economy where jobs are coming online that might require skills that nobody has, if we only look at what someone has done in the past, we're not going to be able to match people to the jobs of the future.
Εδώ νομίζω ότι μπορούμε να αξιοποιήσουμε την τεχνολογία. Πιθανότατα ξέρετε ότι οι αλγόριθμοι έχουν βελτιωθεί σημαντικά στο να συνδέουν ανθρώπους σε πράγματα, αλλά εάν χρησιμοποιούσαμε την ίδια τεχνολογία στο να βρούμε δουλειές στις οποίες ταιριάζουμε; Ξέρω τι σκέφτεστε. Ακούγεται λίγο τρομακτικό οι αλγόριθμοι να επιλέγουν την επόμενη δουλειά σας, αλλά υπάρχει κάτι που έχει δείξει ότι προβλέπει τη μελλοντική επιτυχία στην εργασία, και αυτό λέγεται πολύμετρο τεστ.
So this is where I think technology can be really helpful. You've probably seen that algorithms have gotten pretty good at matching people to things, but what if we could use that same technology to actually help us find jobs that we're really well-suited for? But I know what you're thinking. Algorithms picking your next job sounds a little bit scary, but there is one thing that has been shown to be really predictive of someone's future success in a job, and that's what's called a multimeasure test.
Τα πολύμετρα τεστ δεν είναι κάτι καινούριο, αλλά ήτανε πολύ ακριβά και ήταν απαραίτητο ένας διδάκτορας να είναι παρών και να απαντάει πολλές ερωτήσεις και να κάνει αναφορές. Τα πολύμετρα τεστ είναι ένας τρόπος να καταλάβουμε τα εγγενή χαρακτηριστικά κάποιου -- τη μνήμη, την προσήλωση. Εάν μπορούσαμε να κάνουμε πολύμετρα τεστ και τα κάναμε κλιμακωτά και προσβάσιμα ώστε να δώσουμε στοιχεία στους εργοδότες για τα πραγματικά χαρακτηριστικά κάποιου που μπορεί να είναι πραγματικά καλός για μια δουλειά.
Multimeasure tests really aren't anything new, but they used to be really expensive and required a PhD sitting across from you and answering lots of questions and writing reports. Multimeasure tests are a way to understand someone's inherent traits -- your memory, your attentiveness. What if we could take multimeasure tests and make them scalable and accessible, and provide data to employers about really what the traits are of someone who can make them a good fit for a job?
Όλα αυτά ακούγονται περίεργα. Ας δοκιμάσουμε ένα παιχνίδι. Θα δείτε έναν κύκλο που αναβοσβήνει, θα πρέπει να χτυπάτε παλαμάκια όταν ο κύκλος είναι κόκκινος και τίποτα όταν είναι πράσινος.
This all sounds abstract. Let's try one of the games together. You're about to see a flashing circle, and your job is going to be to clap when the circle is red and do nothing when it's green.
[Έτοιμοι;]
[Ready?]
[Ξεκινάμε!]
[Begin!]
[Πράσινος κύκλος]
[Green circle]
[Πράσινος κύκλος]
[Green circle]
[Κόκκινος κύκλος]
[Red circle]
[Πράσινος κύκλος]
[Green circle]
[Κόκκινος κύκλος]
[Red circle]
Ίσως να είστε ο τύπος ανθρώπου που χειροκροτάει χιλιοστά του δευτερολέπτου μετά τον κόκκινο κύκλο. Ή να είστε ο τύπος ανθρώπου που χρειάζεται λίγο περισσότερο για να είναι 100% σίγουρος. Ή μπορεί να χειροκροτάτε στον πράσινο αν και δεν πρέπει. Το ωραίο εδώ είναι ότι αυτό δεν είναι κάποιο στάνταρ τεστ που κρίνει αν κάποιος είναι ικανός ή όχι. Αντιθέτως έχει να κάνει με την κατανόηση των χαρακτηριστικών σας και τι θα σας έκανε καλούς σε κάποια δουλειά. Ανακαλύψαμε ότι εάν χειροκροτάτε αργότερα από το κόκκινο και ποτέ στο πράσινο, μπορεί να έχετε αυξημένη προσήλωση και να είστε συγκρατημένος. Άνθρωποι σαν αυτούς, τείνουν να είναι καλοί μαθητές, ή καλοί στα τεστ, καλοί σαν διαχειριστές έργων ή στα λογιστικά. Αλλά εάν χειροκροτήσατε αμέσως στο κόκκινο και κάποιες φορές στο πράσινο, μπορεί να σημαίνει ότι είσαστε αυθόρμητοι και δημιουργικοί, και βρήκαμε ότι οι καλύτεροι πωλητές βρίσκονται σε αυτή την κατηγορία.
Maybe you're the type of person who claps the millisecond after a red circle appears. Or maybe you're the type of person who takes just a little bit longer to be 100 percent sure. Or maybe you clap on green even though you're not supposed to. The cool thing here is that this isn't like a standardized test where some people are employable and some people aren't. Instead it's about understanding the fit between your characteristics and what would make you good a certain job. We found that if you clap late on red and you never clap on the green, you might be high in attentiveness and high in restraint. People in that quadrant tend to be great students, great test-takers, great at project management or accounting. But if you clap immediately on red and sometimes clap on green, that might mean that you're more impulsive and creative, and we've found that top-performing salespeople often embody these traits.
Το χρησιμοποιούμε στις προσλήψεις βάζοντας κορυφαίους στους κλάδους τους να κάνουν νευροεπιστημονικές ασκήσεις σαν αυτήν. Μετά αναπτύσσουμε έναν αλγόριθμο που καταλαβαίνει τι κάνει αυτούς τους ανθρώπους ιδιαίτερους. Και όταν έχουμε αιτούντες για κάποια θέση, είμαστε ικανοί να κατατάξουμε τους πιο κατάλληλους για τη θέση.
The way we actually use this in hiring is we have top performers in a role go through neuroscience exercises like this one. Then we develop an algorithm that understands what makes those top performers unique. And then when people apply to the job, we're able to surface the candidates who might be best suited for that job.
Μπορεί να σκέφτεστε ότι υπάρχει ρίσκο σε όλο αυτό. Το εργατικό δυναμικό δεν είναι το πιο ποικίλο και αν χτίζουμε αλγόριθμους βασισμένους σε κορυφαίους ανθρώπους πώς είμαστε σίγουροι ότι δεν διαιωνίζουμε τις προκαταλήψεις που ήδη υπάρχουν; Για παράδειγμα, εάν δημιουργούμε ένα αλγόριθμο βασισμένο σε κορυφαίους διευθύνων συμβούλους και χρησιμοποιήσουμε τις εταιρείες S&P 500 ως εκπαιδευτικό σετ, θα δείτε ότι είναι πολύ πιθανό να προσλάβετε έναν λευκό άνδρα ονόματι Tζον αντί για οποιαδήποτε γυναίκα. Και είναι η πραγματικότητα για το ποιοι έχουν αυτούς τους ρόλους. Αλλά η τεχνολογία αναδεικνύει μια πραγματικά ενδιαφέρουσα δυνατότητα. Μπορούμε να χτίσουμε αλγόριθμους πιο έντιμους και πιο δίκαιους από τους ανθρώπους. Κάθε αλγόριθμο που χτίζουμε, τον δοκιμάζουμε για να εξασφαλίσουμε ότι δεν ευνοεί κάποιο φύλο ή εθνικότητα. Και εάν υπάρχει κάποιος περισσότερο ευνοούμενος, μπορούμε να τροποποιήσουμε τον αλγόριθμο μέχρι να μην ισχύει πια. Όταν εστιάζουμε στα έμφυτα χαρακτηριστικά τα οποία κάνουν κάποιο καλό για μια θέση, μπορούμε να παραβλέψουμε τον ρατσισμό, τον ταξισμό, τον σεξισμό, την ηλικία, ή τη διαφορετική εκπαίδευση.
So you might be thinking there's a danger in this. The work world today is not the most diverse and if we're building algorithms based on current top performers, how do we make sure that we're not just perpetuating the biases that already exist? For example, if we were building an algorithm based on top performing CEOs and use the S&P 500 as a training set, you would actually find that you're more likely to hire a white man named John than any woman. And that's the reality of who's in those roles right now. But technology actually poses a really interesting opportunity. We can create algorithms that are more equitable and more fair than human beings have ever been. Every algorithm that we put into production has been pretested to ensure that it doesn't favor any gender or ethnicity. And if there's any population that's being overfavored, we can actually alter the algorithm until that's no longer true. When we focus on the inherent characteristics that can make somebody a good fit for a job, we can transcend racism, classism, sexism, ageism -- even good schoolism.
Η τεχνολογία και οι αλγόριθμοι δεν πρέπει να χρησιμοποιούνται μόνο για να βρούμε ταινίες ή το επόμενο τραγούδι του Τζάστιν Μπίμερ. Φανταστείτε να μπορούσαμε να χρησιμοποιούσαμε την τεχνολογία ώστε να μας συμβουλεύει σε τι θα έπρεπε να κάνουμε βασιζόμενοι στο ποιοι πραγματικά είμαστε.
Our best technology and algorithms shouldn't just be used for helping us find our next movie binge or new favorite Justin Bieber song. Imagine if we could harness the power of technology to get real guidance on what we should be doing based on who we are at a deeper level.