Big Data – Datengestütztes Recruiting mit...
11
1 DatenbasierteS Recruiting
Transcript of Big Data – Datengestütztes Recruiting mit...
1
DatenbasierteSRecruiting
2
Big Data
Immer mehr Daten aus immer mehr unterschiedlichen Datenquellen
in unterschiedlichsten Formaten in stetig steigender Geschwindigkeit strömen auf das Unternehmen zu.
3
Business Intelligence 2.0
4
BusiNess Intelligence 2.0: Wandel durch big DataTRADITIONELLE GESCHÄFTSMODELLE WERDEN GRUNDLEGEND VERÄNDERT
Das Tempo der Märkte wird durch Technologie vorgegeben
TEMPO01
Erfolg durch Innovation bedeutet ständige Wandlung
ERFOLG02
Mehrwert wird generiert durch Verwertung von Daten
MEHRWERT03
Disruptive Geschäftsmodelle
New Business
Traditioneller Ansatz
BUSINESS INTELLIGENCE 2.0
5
Die gemeinsamen erfolgsfaktorenDIE KONKURRENZ DER ZUKUNFT SIEHT ANDERS AUS
EXZELLENTE DATENVERWERTUNG
VOLLE NUTZERORIENTIERUNG
AGILE PRODUKTENTWICKLUNG
OFFENE TRIAL-AND-ERROR MENTALITÄT
HIGHSPEED ENTWICKLUNG UND IMPLEMENTIERUNG
INTERNET RIESEN WENDIGE STARTUPS
6
Transformation von geschäftsmodellenTRADITIONELLE ANSÄTZE MÜSSEN ANGEPASST WERDEN
TRA
NSF
ORM
ATIO
N
New Business
Traditioneller Ansatz
AGILE PRODUKTENTWICKLUNG
OFFENE TRIAL-AND-ERROR MENTALITÄT
EXZELLENTE DATENVERWERTUNG
VOLLE NUTZERORIENTIERUNG
HIGHSPEED ENTWICKLUNG UND IMPLEMENTIERUNG
Vorhandene und externe Daten werden zusammengeführt und analysiert
Der Nutzer wird identifiziert, analysiert und getargetet
In regelmäßigen Abständen werden Projektfortschritte analysiert und bewertet
Vieles wird probiert, aber nur die erfolgsversprechenden Ansätze verfolgt
High-pace Arbeitsweise für den schnellen Erfolg
7
BIG DATA EssentialsHANDS-ON
Paradigmenwechsel BIG DATAAufsetzen neuer Data Warehouses mit Data Lake Struktur,
Einführung explorativer Verfahren (Clusteranalyse, Mustererkennung, Regressionen),
Vorhersagemodelle auf Individuen
Treiber von BIG DATA ProjektenKonkurrenzbetrachtung,
Erwartungen der Shareholder,
Data-driven Marketing,
Betrachtung der kompletten Value Chain,
Data-driven Chancen Management
WertschöpfungDatenerzeugung und -sammlung (Web Analytics, Social Media, Ist, etc.)
Datenspeicherung (Hadoop),
Datenanalyse (Machine Learning, Modelling),
Dateninterpretation und -visualisierung
Datengetriebene ProdukteGenerierung von Use Cases,
Aufbau Test-Umgebung „Data-Lab“,
Prototyping,
Prediction Models,
Überführung in marktfähige Produkte
01 02 03 04
8
Big Data Transformationsprozess
9
Ideenfindung 1. Phase Analyse
2. Phase MVP/Prototyp Going Live
ZIELE
Entwicklung eines MVP / Prototypen ohne bestehendes Geschäft
zu tangieren
KRITISCH
„Featuritis“
vs
Selbstbeschränkung auf echtes MVP
IT Verantwortung
Enge Abstimmung
ZIELE
Klärung der Datenbasis
Data Warehouse Analyse
Budgetentscheidung
Planung von Aktivitäten ohne bestehendes
Geschäft zu tangieren
KRITISCH Management Buy-In
Klarheit der Zielsetzung
Kooperation der relevanten Unternehmensbereiche
ZIELE
Herstellung eines gemeinsamen Big Data
Verständnisses
Sammeln von Ideen und Ansätzen für den MVP /
Prototyp
KRITISCH
Altes Hypothesendenken vs
Big Data Paradigma
Legacy
ZIELE
Transformation des MVP in Live Product
KRITISCH
Absicherung durch Redundanz
Maintenance
Big Data im RecruitingENG ABGESTIMMTE PROZESSE
10
Neues Geschäftsmodell „Einstellung mit Preisgarantie“IDEE01
Datenstruktur & DatenmanagementANALYSE02
Kommunikation & ServiceLAUNCH04
Definition der Prädiktoren ,Algorithmen, User InterfacePRODUKTDEFINITION03
Recruiting PREdiction EnginePRODUKTBEISPIEL
