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.
Online iş başvurusu yapmak zamanımızın en kötü dijital deneyimlerinden biri. Gerçi bizzat başvuru yapmak da daha iyi değil.
[The Way We Work]
[Çalışma Şeklimiz]
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.
Bildiğimiz şekliyle iş alımları pek çok yönden hatalı. Herkes için korkunç bir tecrübe. Geçen yıl değişik metotlar kullanarak iş başvuruları yapan insanların yüzde 75'i işverenden hiçbir haber alamadıklarını bildirdiler. Şirket düzeyinde de durum daha iyi değil. İnsanların yüzde 46'sı işe başladıkları yıl içinde işten kovuldular veya işi bıraktılar. Akıllara durgunluk verici. Ekonomi için de kötü. Tarihte ilk kez, işsiz insan sayısından daha çok açık poziyon var. Bence bu apaçık bir sorunumuz var demek.
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.
Tüm bunların kökeninde bir kâğıt parçası yatıyor: öz geçmiş. Öz geçmişte kesinlikle faydalı noktalar var: Çalışılan pozisyonlar, bilgisayar yetileri, bilinen diller ama eksik olan şey başarabileceği bir iş için potansiyeli, geçmişte fırsatını bulamadığı bir şeyi gerçekleştirme potansiyeli. İşlerin internet ortamında olduğu hızla değişen bu pazarda kimsenin sahip olmadığı yetiler öne çıkar, eğer sadece birinin geçmişte yaptıklarına bakarsak insanları geleceğin işleriyle eşleştiremeyiz.
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.
İşte bu noktada teknoloji devreye giriyor. Algoritmaların insanları nesnelerle çok iyi eşleştirdiğini muhtemelen görmüşsünüzdür. Peki ya aynı teknolojiyi gerçekten uygun olduğumuz işleri bulmak için kullansak? Ne düşündüğünüzü biliyorum. İşinizi algoritmanın seçmesi korkutucu ama birinin gelecekte işindeki başarısını tahmin etmede çok iyi olduğu gösterilen bir şey var: Çok ölçmeli sınav.
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?
Çok ölçmeli sınavlar yeni değil ama eskiden pahalıydılar ve doktoralı birinin yürütmesi gerekiyordu ve bir dizi soruya cevap vererek rapor yazmak lazımdı. Çok ölçmeli sınavlar, kalıtsal özelliklerinizi anlamanın bir yolu -- hafızanız, dikkatiniz. Çok ölçmeli sınavları ölçeklendirilebilir ve erişilebilir yaparak işverenlere bir işe kimin uygun olduğu konusunda veri sunsak nasıl olurdu?
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.
Şu an soyut bir fikir. Oyunlardan birini oynayalım. Yanıp sönen bir daire göreceksiniz, daire kırmızı olduğunda ellerinizi çırpın, yeşil olduğunda hiçbir şey yapmayın.
[Ready?]
[Hazır mısınız?]
[Begin!]
[Başlayın!]
[Green circle]
[Yeşil daire]
[Green circle]
[Yeşil daire]
[Red circle]
[Kırmızı daire]
[Green circle]
[Yeşil daire]
[Red circle]
[Kırmızı daire]
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.
Belki de siz kırmızı belirdiğinde aynı milisaniyede elini çırpan gruptasınız. Belki de %100 emin olmak için biraz daha geç elinizi çırpıyorsunuz. Belki de yeşil yandığında elini çarpanlardansınız. Bu işin güzel yanı, bu standart bir test değil, kimi işe alınabilir, kimi alınamaz diye bir sonuç yok. Bu sizin karakteristik özelliklerinizle bir işte sizi iyi yapacak şeyleri anlamaya yönelik. Kırmızıda geç elinizi çırpıyor ve yeşilde çırpmıyorsanız dikkat ve kendine hakimiyet yetileriniz yüksek olabilir. Bu alandakiler iyi öğrenci olmaya ve sınavlarda iyi olmaya meyillidir, proje yönetimi ve muhasebede harikadırlar. Ama kırmızıda hemen çırpıyor ve bazen yeşilde de çırpıyorsanız atılgan ve yaratıcısınız anlamına gelebilir. En iyi performanslı satış temsilcilerinde bu özelliklerin olduğunu gördük.
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.
Bunu iş alımında kullanma şeklimiz bir pozisyona dair en iyi performansları nörobilim egzersizlerine tabi tutmak, bunun gibi. Sonra bir algoritma yapıyoruz, onları en iyi yapanın ne olduğunu anlaması için. Sonra insanlar iş başvurusu yaptığında bu iş için en iyi adayları su yüzüne çıkarabiliyoruz.
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.
Burada bir tehlike olduğunu düşünebilirsiniz. Bugün iş hayatı pek de çeşitli sayılmaz ve eğer mevcut en iyileri baz alarak algoritmalar geliştirirsek zaten var olan ön yargıları devam ettirmediğimizden nasıl emin olacağız? Örneğin en iyi performanslı CEO'ları baz alarak bir algoritma yapıyorsak ve eğitim seti olarak S&P 500 kullanıyorsak şu ortaya çıkacaktır ki bir kadın değil John isminde bir erkek alınması çok daha muhtemel. Bu işlerde kimin çalıştığıyla ilgili bir gerçek. Ancak teknoloji aslında gerçekten ilginç bir fırsat sunuyor. İnsanların bugüne kadar olduğundan çok daha eşitlikçi ve adil algoritmalar yapabiliriz. Üretime sunduğumuz her algoritma cinsiyet veya etnisite ayrımı yapmamak üzere test edildi. Ve ayrım yapılmış bir popülasyon varsa algoritmada değişiklik yaparak sorunu kaldırabiliyoruz. Birini bir iş için uygun kılabilecek kalıtsal karakteristik özelliklere odaklandığımızda ırkçılık, klasikçilik, seksizm ve yaşçılığın önüne geçebiliriz -- hatta okul ayrımının bile.
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.
En iyi teknoloji ve algoritmalarımız sadece bize yeni filmler veya yeni favori Justin Bieber şarkısını bulmada kullanılmamalı. Teknolojinin gücünden faydalanıp, en derinden kim olduğumuz baz alınarak ne yapmamız gerektiğini öğrenebiliriz.