The Way We Work
Priyanka Jain: How to make applying for jobs less painful
Priyanka Jain: Miten tehdä työnhausta tuskattomampaa
Filmed:
Readability: 4.3
548,985 views
Työnhaku alkoi ennen laittamalla ansioluettelo miljoonaan hakemukseen, jonka jälkeen useimmista ei kuulunut mitään takaisin. Nyt yhä useammat yritykset käyttävät teknologia-avusteisia menetelmiä potentiaalisten ehdokkaiden tunnistamiseksi. Jos tekoäly on palkkaamisen tulevaisuus, mitä se tarkoittaa sinulle? Teknologisti Priyanka Jain antaa näkymän tähän uuteen palkkaamismaailmaan.
Priyanka Jain - Technologist
Priyanka Jain heads up product for pymetrics, an NYC-based startup that uses neuroscience and AI to make hiring more diverse and effective. Full bio
Priyanka Jain heads up product for pymetrics, an NYC-based startup that uses neuroscience and AI to make hiring more diverse and effective. Full bio
Double-click the English transcript below to play the video.
00:00
Applying for jobs online
0
548
1416
Työnhaku internetissä
00:01
is one of the worst
digital experiences of our time.
digital experiences of our time.
1
1988
2616
on aikamme huonoimpia
digitaalisista kokemuksia.
digitaalisista kokemuksia.
00:04
And applying for jobs in person
really isn't much better.
really isn't much better.
2
4628
2696
Kasvotusten hakeminen
ei ole juurikaan paljon parempi.
ei ole juurikaan paljon parempi.
00:07
[The Way We Work]
3
7349
1720
[Miten toimimme]
00:11
Hiring as we know it
is broken on many fronts.
is broken on many fronts.
4
11588
2456
Palkkaaminen tällä hetkellä
on toimimatonta.
on toimimatonta.
00:14
It's a terrible experience for people.
5
14068
1856
Se on hirveä kokemus ihmisille.
00:15
About 75 percent of people
6
15948
1816
Noin 75 prosenttia ihmisistä,
00:17
who applied to jobs
using various methods in the past year
using various methods in the past year
7
17788
2856
jotka hakivat töitä viime vuonna
usein eri tavoin,
usein eri tavoin,
00:20
said they never heard anything back
from the employer.
from the employer.
8
20668
2656
sanoivat, etteivät he
saaneet vastausta työnantajalta.
saaneet vastausta työnantajalta.
00:23
And at the company level
it's not much better.
it's not much better.
9
23348
2176
Yritystasolla ei mene
sen paremmin.
sen paremmin.
00:25
46 percent of people get fired or quit
10
25548
2776
46 prosenttia ihmisistä
irtisanotaan tai he lopettavat
irtisanotaan tai he lopettavat
00:28
within the first year
of starting their jobs.
of starting their jobs.
11
28348
2176
vuoden sisällä
työn aloittamisesta.
työn aloittamisesta.
00:30
It's pretty mind-blowing.
12
30548
1216
Se on häkellyttävää.
00:31
It's also bad for the economy.
13
31788
1456
Se on myös pahaksi taloudelle.
00:33
For the first time in history,
14
33268
1456
Ensimmäistä kertaa historiassa
00:34
we have more open jobs
than we have unemployed people,
than we have unemployed people,
15
34748
2856
meillä on avoimia työpaikkoja
enemmän kuin työttömiä.
enemmän kuin työttömiä.
00:37
and to me that screams
that we have a problem.
that we have a problem.
16
37628
2176
Minulle se on merkki ongelmasta.
00:39
I believe that at the crux of all of this
is a single piece of paper: the résumé.
is a single piece of paper: the résumé.
17
39828
3976
Uskon, että asian ytimessä
on yksi paperi: ansioluettelo.
on yksi paperi: ansioluettelo.
00:43
A résumé definitely has
some useful pieces in it:
some useful pieces in it:
18
43828
2336
Ansioluettelo sisältää toki
hyödyllistä tietoa:
hyödyllistä tietoa:
00:46
what roles people have had,
computer skills,
computer skills,
19
46188
2096
Edelliset työtehtävät,
tietokonetaidot,
tietokonetaidot,
00:48
what languages they speak,
20
48308
1256
puhutut kielet,
00:49
but what it misses is
what they have the potential to do
what they have the potential to do
21
49588
3056
mutta siitä puuttuu,
mihin heillä on potentiaalia,
mihin heillä on potentiaalia,
00:52
that they might not have had
the opportunity to do in the past.
the opportunity to do in the past.
22
52668
2976
mutta mihin heillä ei ole ollut
aiemmin tilaisuutta.
aiemmin tilaisuutta.
00:55
And with such a quickly changing economy
where jobs are coming online
where jobs are coming online
23
55668
3256
Nopeasti muuttuvassa taloudessa,
jossa syntyy töitä,
jossa syntyy töitä,
00:58
that might require skills that nobody has,
24
58948
2056
jotka vaativat
ennenkuulumattomia taitoja.
ennenkuulumattomia taitoja.
01:01
if we only look at what someone
has done in the past,
has done in the past,
25
61028
2776
Jos katsomme vain
työhistoriaa,
työhistoriaa,
01:03
we're not going to be able
to match people to the jobs of the future.
to match people to the jobs of the future.
26
63828
3256
me emme pysty yhdistämään
henkilöitä tuleviin työpaikkoihin.
henkilöitä tuleviin työpaikkoihin.
Uskon, että tässä teknologia
voi todella auttaa.
voi todella auttaa.
01:07
So this is where I think technology
can be really helpful.
can be really helpful.
27
67108
2736
Olet varmaan huomannut,
että algoritmit ovat melko hyviä
että algoritmit ovat melko hyviä
01:09
You've probably seen
that algorithms have gotten pretty good
that algorithms have gotten pretty good
28
69868
2856
yhdistämään ihmiset asioihin,
01:12
at matching people to things,
29
72748
1536
mutta mitä jos voisimme käyttää
samaa teknologiaa
samaa teknologiaa
01:14
but what if we could use
that same technology
that same technology
30
74308
2256
01:16
to actually help us find jobs
that we're really well-suited for?
that we're really well-suited for?
31
76588
3096
auttamaan meitä löytämään työ,
johon oikeasti sovimme?
johon oikeasti sovimme?
Tiedän mitä ajattelet.
01:19
But I know what you're thinking.
32
79708
1576
Algoritmi valitsemassa seuraavan
työpaikan tuntuu pelottavalta,
työpaikan tuntuu pelottavalta,
01:21
Algorithms picking your next job
sounds a little bit scary,
sounds a little bit scary,
33
81308
2776
mutta yhden asian
on todistettu olevan
on todistettu olevan
01:24
but there is one thing that has been shown
34
84108
2056
hyvä ennakoimaan
henkilön tulevaa työmenestystä
henkilön tulevaa työmenestystä
01:26
to be really predictive
of someone's future success in a job,
of someone's future success in a job,
35
86188
2896
sitä sanotaan
multimeasure-testiksi.
multimeasure-testiksi.
01:29
and that's what's called
a multimeasure test.
a multimeasure test.
36
89108
2136
Multimesure-testit
eivät ole mitään uutta,
eivät ole mitään uutta,
01:31
Multimeasure tests
really aren't anything new,
really aren't anything new,
37
91268
2176
mutta ne olivat todella kalliita
01:33
but they used to be really expensive
38
93468
1736
ja vaativat tohtorin läsnäolon,
01:35
and required a PhD sitting across from you
39
95228
2016
kysymyksiin vastaamista
ja raportointia.
ja raportointia.
01:37
and answering lots of questions
and writing reports.
and writing reports.
40
97268
2456
Multimeasure-testit
ovat keino
ovat keino
01:39
Multimeasure tests are a way
41
99748
1696
01:41
to understand someone's inherent traits --
42
101468
2456
ymmärtää henkilön
luontaisia ominaisuuksia --
luontaisia ominaisuuksia --
01:43
your memory, your attentiveness.
43
103948
1776
muistia ja tarkkaavaisuutta.
01:46
What if we could take multimeasure tests
44
106662
1942
Mitä jos voisimme ottaa
multimeasure-testit
multimeasure-testit
01:48
and make them scalable and accessible,
45
108628
2536
ja tehdä ne skaalautuviksi
ja helppokäyttöisiksi
ja helppokäyttöisiksi
ja tarjota työnantajille tietoa
henkilön ominaisuuksista,
henkilön ominaisuuksista,
01:51
and provide data to employers
about really what the traits are
about really what the traits are
46
111188
3376
01:54
of someone who can make
them a good fit for a job?
them a good fit for a job?
47
114588
2896
jotka tekisivät hänestä
sopivan työntekijän
sopivan työntekijän
Tämä kuulostaa abstaktilta.
01:57
This all sounds abstract.
48
117508
1296
01:58
Let's try one of the games together.
49
118828
1735
Koitetaan yhtä peliä yhdessä.
Näet vilkkuvan ympyrän.
02:00
You're about to see a flashing circle,
50
120587
1857
ja sinun tehtäväsi on taputtaa,
kun ympyrä on punainen
kun ympyrä on punainen
02:02
and your job is going to be
to clap when the circle is red
to clap when the circle is red
51
122468
2960
ja olla tekemättä mitään
kun se on vihreä
kun se on vihreä
02:06
and do nothing when it's green.
52
126285
1496
02:07
[Ready?]
53
127806
1376
[Valmis?]
02:09
[Begin!]
54
129207
1360
[Aloita!]
02:11
[Green circle]
55
131708
1000
[Vihreä]
[Vihreä]
02:13
[Green circle]
56
133708
1040
[Punainen]
02:15
[Red circle]
57
135708
1000
[Vihreä]
02:17
[Green circle]
58
137708
1080
[Punainen]
02:19
[Red circle]
59
139708
1000
02:21
Maybe you're the type of person
60
141928
1596
Ehkä olet henkilö,
joka taputtaa heti
kun punainen ympyrä tulee
kun punainen ympyrä tulee
02:23
who claps the millisecond
after a red circle appears.
after a red circle appears.
61
143548
2496
02:26
Or maybe you're the type of person
62
146068
1656
Tai ehkä olet henkilö,
jolta kestää hieman kauemmin
olla 100 prosenttia varma.
olla 100 prosenttia varma.
02:27
who takes just a little bit longer
to be 100 percent sure.
to be 100 percent sure.
63
147748
2735
Ehkä taputat vihreällä,
vaikkei ollutkaan tarkoitus.
vaikkei ollutkaan tarkoitus.
02:30
Or maybe you clap on green
even though you're not supposed to.
even though you're not supposed to.
64
150508
2936
Hieno juttu on, ettei tämä ei ole
standardisoitu testi,
standardisoitu testi,
02:33
The cool thing here is that
this isn't like a standardized test
this isn't like a standardized test
65
153468
2976
jossa osa työllistyy ja osa ei.
02:36
where some people are employable
and some people aren't.
and some people aren't.
66
156468
2656
Kyse on luonteenpiirteiden ymmärtämisestä
ja niiden sovittamisesta
ja niiden sovittamisesta
02:39
Instead it's about understanding
the fit between your characteristics
the fit between your characteristics
67
159148
3256
ominaisuuksiin, jotka
tekevät sinusta hyvän tietyssä työssä.
tekevät sinusta hyvän tietyssä työssä.
02:42
and what would make you
good a certain job.
good a certain job.
68
162428
2016
Huomasimme, että jos taputat myöhään
punaisella, etkä koskaan vihreällä,
punaisella, etkä koskaan vihreällä,
02:44
We found that if you clap late on red
and you never clap on the green,
and you never clap on the green,
69
164468
3736
02:48
you might be high in attentiveness
and high in restraint.
and high in restraint.
70
168228
3176
Sinulla saattaa olla hyvä tarkkaavaisuus
ja itsekuri
ja itsekuri
Tämän osion ihmiset ovat usein
hyviä oppilaina ja testeissä,
hyviä oppilaina ja testeissä,
02:51
People in that quadrant tend to be
great students, great test-takers,
great students, great test-takers,
71
171428
3576
ja hyviä projektinhallinnassa
tai kirjanpidossa.
tai kirjanpidossa.
02:55
great at project management or accounting.
72
175028
2136
02:57
But if you clap immediately on red
and sometimes clap on green,
and sometimes clap on green,
73
177188
3336
Jos taas taputat välittömästi punaisella
ja joskus vihreällä,
ja joskus vihreällä,
saatat olla impulsiivisempi ja luova.
03:00
that might mean that
you're more impulsive and creative,
you're more impulsive and creative,
74
180548
2656
Huomasimme, että huippu-myyjillä
on usein näitä ominaisuuksia.
on usein näitä ominaisuuksia.
03:03
and we've found that top-performing
salespeople often embody these traits.
salespeople often embody these traits.
75
183228
3875
Käytämme tätä palkkaamisessa
03:07
The way we actually use this in hiring
76
187128
2016
laittamalla roolin huippu-osaajat
neurotieteellisiin testeihin
neurotieteellisiin testeihin
03:09
is we have top performers in a role
go through neuroscience exercises
go through neuroscience exercises
77
189168
3696
03:12
like this one.
78
192888
1216
kuten tämä.
Kehitämme algoritmin,
03:14
Then we develop an algorithm
79
194128
1376
joka ymmärtää mikä tekee huippu-osaajat
ainutlaatuisiksi.
ainutlaatuisiksi.
03:15
that understands what makes
those top performers unique.
those top performers unique.
80
195528
2656
Kun ihmiset hakevat työtä,
03:18
And then when people apply to the job,
81
198208
1936
03:20
we're able to surface the candidates
who might be best suited for that job.
who might be best suited for that job.
82
200168
4136
pystymme valikoimaan parhaiten
soveltuvat ehdokkaat.
soveltuvat ehdokkaat.
Saatat ajatella,
että tässä piilee vaaroja.
että tässä piilee vaaroja.
03:24
So you might be thinking
there's a danger in this.
there's a danger in this.
83
204328
2376
Työmaailma ei ole nykyään
kaikista monimuotoisin,
kaikista monimuotoisin,
03:26
The work world today
is not the most diverse
is not the most diverse
84
206728
2136
ja jos teemme algoritmeja
perustuen tämän hetken huippu-osaajiin,
perustuen tämän hetken huippu-osaajiin,
03:28
and if we're building algorithms
based on current top performers,
based on current top performers,
85
208888
3096
miten varmistamme,
03:32
how do we make sure
86
212008
1216
ettemme jatka nykyisiä
ennakko-olettamuksia?
ennakko-olettamuksia?
03:33
that we're not just perpetuating
the biases that already exist?
the biases that already exist?
87
213248
2976
Jos esimerkiksi tekisimme algoritmin
perustuen huipputason toimitusjohtajiin
perustuen huipputason toimitusjohtajiin
03:36
For example, if we were building
an algorithm based on top performing CEOs
an algorithm based on top performing CEOs
88
216248
4056
ja käyttäisimme markkina-arvolistoja
vertailukohtana
vertailukohtana
03:40
and use the S&P 500 as a training set,
89
220328
3216
tulisit todennäköisemmin palkkaamaan
03:43
you would actually find
90
223568
1256
03:44
that you're more likely to hire
a white man named John than any woman.
a white man named John than any woman.
91
224848
3816
valkoisen John-nimisen miehen,
kuin yhdenkään naisen.
kuin yhdenkään naisen.
Se on todellisuus roolien
tämän hetkisestä tilasta.
tämän hetkisestä tilasta.
03:48
And that's the reality
of who's in those roles right now.
of who's in those roles right now.
92
228688
2696
Teknologia esittää
mielenkiintoisen tilaisuuden.
mielenkiintoisen tilaisuuden.
03:51
But technology actually poses
a really interesting opportunity.
a really interesting opportunity.
93
231408
3376
Voimme luoda algoritmeja, jotka ovat
oikeudenmukaisempia,
oikeudenmukaisempia,
03:54
We can create algorithms
that are more equitable
that are more equitable
94
234808
2256
03:57
and more fair than human beings
have ever been.
have ever been.
95
237088
2256
ja reilumpia
kuin ihmiset ovat koskaan olleet.
kuin ihmiset ovat koskaan olleet.
03:59
Every algorithm that we put
into production has been pretested
into production has been pretested
96
239368
3696
Jokainen algoritmi tuotannossa
on esitestattu,
on esitestattu,
jolla taataan, ettei se suosi mitään
sukupuolta tai etnisyyttä.
sukupuolta tai etnisyyttä.
04:03
to ensure that it doesn't favor
any gender or ethnicity.
any gender or ethnicity.
97
243088
3096
04:06
And if there's any population
that's being overfavored,
that's being overfavored,
98
246208
2736
Jos joku väestöryhmä on erikoisasemassa,
voimme muuttaa algoritmia,
kunnes näin ei enää ole.
kunnes näin ei enää ole.
04:08
we can actually alter the algorithm
until that's no longer true.
until that's no longer true.
99
248968
3120
Kun keskitymme
luontaisiin ominaisuuksiin,
luontaisiin ominaisuuksiin,
04:12
When we focus on the inherent
characteristics
characteristics
100
252448
2216
04:14
that can make somebody
a good fit for a job,
a good fit for a job,
101
254688
2096
jotka voivat tehdä henkilöstä
työhön hyvinsoveltuvan
työhön hyvinsoveltuvan
04:16
we can transcend racism,
classism, sexism, ageism --
classism, sexism, ageism --
102
256808
3576
voime päästä yli rasismin, luokkasyrjinnän
seksismin, ikäsyrjinnän -
seksismin, ikäsyrjinnän -
04:20
even good schoolism.
103
260408
1416
jopa eliittikoulujen suosimisen.
04:21
Our best technology and algorithms
shouldn't just be used
shouldn't just be used
104
261848
2896
Parasta teknologiaamme ja algoritmeja
ei tulisi käyttää vain
ei tulisi käyttää vain
löytääkseemme seuraavan elokuvaputken
tai uuden Justin Bieber -lempilaulun.
tai uuden Justin Bieber -lempilaulun.
04:24
for helping us find our next movie binge
or new favorite Justin Bieber song.
or new favorite Justin Bieber song.
105
264768
3736
Kuvittele jos voisimme valjastaa
teknologian voiman
teknologian voiman
04:28
Imagine if we could harness
the power of technology
the power of technology
106
268528
2656
antamaan aitoa ohjausta
siihen mitä meidän tulisi tehdä
siihen mitä meidän tulisi tehdä
04:31
to get real guidance
on what we should be doing
on what we should be doing
107
271208
2296
perustuen siihen keitä olemme
syvemmällä tasolla.
syvemmällä tasolla.
04:33
based on who we are at a deeper level.
108
273528
1936
ABOUT THE SPEAKER
Priyanka Jain - TechnologistPriyanka Jain heads up product for pymetrics, an NYC-based startup that uses neuroscience and AI to make hiring more diverse and effective.
Why you should listen
Passionate about using technology to create a fairer workplace and global economy, Priyanka Jain is a spokesperson for the United Nations Foundation's Girl Up Campaign, Chair of the Acumen Fund's Junior Council and on the Innovation Board for the XPrize Foundation. She received her B.S. from Stanford University, where she was President of Stanford Women in Business and one of 12 Mayfield Entrepreneurship Fellows. Her previous experience includes internships at IBM Watson, Shift Technologies, Canvas Ventures and the Institute for Learning and Brain Sciences. Outside of work, she loves playing tennis and eating anything covered in dark chocolate.
Priyanka Jain | Speaker | TED.com