The Way We Work
Priyanka Jain: How to make applying for jobs less painful
Priyanka Jain: Comment faire pour que candidater à un emploi devienne moins pénible
Filmed:
Readability: 4.3
548,985 views
Auparavant, pour trouver un emploi il fallait commencer par candidater à un million d'offres d'emploi et ne jamais recevoir de réponse pour la plupart d'entre elles. Mais de plus en plus d'entreprises utilisent des méthodes avant-gardistes et technologiques pour identifier des candidats. Si l'IA est l'avenir de l'embauche, qu'est-ce que cela signifie-t-il pour vous ? La technologue Priyanka Jain nous offre un aperçu de ce nouveau monde de l'embauche.
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.
Envoyer des candidatures en ligne
00:00
Applying for jobs online
0
548
1416
00:01
is one of the worst
digital experiences of our time.
digital experiences of our time.
1
1988
2616
est l'une des pires expériences
numériques de notre ère.
numériques de notre ère.
00:04
And applying for jobs in person
really isn't much better.
really isn't much better.
2
4628
2696
Le faire en personne
n'est pas vraiment mieux.
n'est pas vraiment mieux.
00:07
[The Way We Work]
3
7349
1720
[Notre façon de travailler]
00:11
Hiring as we know it
is broken on many fronts.
is broken on many fronts.
4
11588
2456
Aujourd'hui, le recrutement
ne fonctionne pas.
ne fonctionne pas.
00:14
It's a terrible experience for people.
5
14068
1856
C'est une expérience épouvantable.
00:15
About 75 percent of people
6
15948
1816
Environ 75% des gens
ayant déposé des candidatures
par diverses méthodes l'an dernier
par diverses méthodes l'an dernier
00:17
who applied to jobs
using various methods in the past year
using various methods in the past year
7
17788
2856
00:20
said they never heard anything back
from the employer.
from the employer.
8
20668
2656
ont dit n'avoir jamais eu
de réponse de l'employeur.
de réponse de l'employeur.
00:23
And at the company level
it's not much better.
it's not much better.
9
23348
2176
A l'échelle de l'entreprise,
ce n'est pas mieux :
ce n'est pas mieux :
00:25
46 percent of people get fired or quit
10
25548
2776
46% des gens sont virés ou démissionnent
moins d'un an après avoir
démarré un nouvel emploi.
démarré un nouvel emploi.
00:28
within the first year
of starting their jobs.
of starting their jobs.
11
28348
2176
00:30
It's pretty mind-blowing.
12
30548
1216
C'est assez incroyable.
00:31
It's also bad for the economy.
13
31788
1456
C'est mauvais pour l'économie.
00:33
For the first time in history,
14
33268
1456
Pour la première fois,
00:34
we have more open jobs
than we have unemployed people,
than we have unemployed people,
15
34748
2856
nous avons plus de postes à pourvoir
que de gens sans emploi
que de gens sans emploi
00:37
and to me that screams
that we have a problem.
that we have a problem.
16
37628
2176
et, à mes yeux, cela indique
qu'il y a un problème.
qu'il y a un problème.
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
Je crois que le nœud dans tout cela
est un bout de papier : le CV.
est un bout de papier : le CV.
00:43
A résumé definitely has
some useful pieces in it:
some useful pieces in it:
18
43828
2336
Il y a des éléments utiles dans un CV :
00:46
what roles people have had,
computer skills,
computer skills,
19
46188
2096
les rôles occupés,
les compétences informatiques,
les compétences informatiques,
00:48
what languages they speak,
20
48308
1256
les langues parlées,
00:49
but what it misses is
what they have the potential to do
what they have the potential to do
21
49588
3056
mais il manque ce que la personne
a le potentiel de faire
a le potentiel de faire
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
et qu'elle n'a pas eu l'opportunité
de faire par le passé.
de faire par le passé.
00:55
And with such a quickly changing economy
where jobs are coming online
where jobs are coming online
23
55668
3256
Avec une économie si changeante
où des emplois sont mis en ligne
où des emplois sont mis en ligne
00:58
that might require skills that nobody has,
24
58948
2056
et requièrent des compétences
que personne n'a,
que personne n'a,
01:01
if we only look at what someone
has done in the past,
has done in the past,
25
61028
2776
si nous considérons uniquement
ce que quelqu'un a fait,
ce que quelqu'un a fait,
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
nous ne pouvons pas associer
des gens aux emplois de l'avenir.
des gens aux emplois de l'avenir.
01:07
So this is where I think technology
can be really helpful.
can be really helpful.
27
67108
2736
C'est là que je pense
que la technologie peut aider.
que la technologie peut aider.
01:09
You've probably seen
that algorithms have gotten pretty good
that algorithms have gotten pretty good
28
69868
2856
Vous avez probablement vu
que les algorithmes sont bons
que les algorithmes sont bons
pour associer des gens et des choses.
01:12
at matching people to things,
29
72748
1536
01:14
but what if we could use
that same technology
that same technology
30
74308
2256
Et si l'on pouvait
utiliser cette technologie
utiliser cette technologie
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
pour nous aider à trouver un emploi
auquel on est adapté ?
auquel on est adapté ?
01:19
But I know what you're thinking.
32
79708
1576
Je sais ce à quoi vous pensez.
01:21
Algorithms picking your next job
sounds a little bit scary,
sounds a little bit scary,
33
81308
2776
Un emploi choisi par algorithme,
c'est plutôt effrayant,
c'est plutôt effrayant,
01:24
but there is one thing that has been shown
34
84108
2056
mais nous avons démontré
qu'il y a une chose
qu'il y a une chose
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
permettant de prévoir la réussite
de quelqu'un dans un emploi
de quelqu'un dans un emploi
01:29
and that's what's called
a multimeasure test.
a multimeasure test.
36
89108
2136
et c'est un test multi-mesure.
01:31
Multimeasure tests
really aren't anything new,
really aren't anything new,
37
91268
2176
Les tests multi-mesure
ne sont pas nouveaux
ne sont pas nouveaux
01:33
but they used to be really expensive
38
93468
1736
mais étaient très chers auparavant
01:35
and required a PhD sitting across from you
39
95228
2016
et nécessitaient
la présence d'un doctorant,
la présence d'un doctorant,
01:37
and answering lots of questions
and writing reports.
and writing reports.
40
97268
2456
de répondre à des questions,
d'écrire des rapports.
d'écrire des rapports.
Les tests multi-mesure sont une façon
01:39
Multimeasure tests are a way
41
99748
1696
01:41
to understand someone's inherent traits --
42
101468
2456
de comprendre les traits
fondamentaux de quelqu'un --
fondamentaux de quelqu'un --
01:43
your memory, your attentiveness.
43
103948
1776
votre mémoire, votre attention.
01:46
What if we could take multimeasure tests
44
106662
1942
Et si nous pouvions rendre
les tests multi-mesure
les tests multi-mesure
01:48
and make them scalable and accessible,
45
108628
2536
évolutifs et accessibles
01:51
and provide data to employers
about really what the traits are
about really what the traits are
46
111188
3376
et fournir aux employeurs
les données sur les traits réels
les données sur les traits réels
01:54
of someone who can make
them a good fit for a job?
them a good fit for a job?
47
114588
2896
de quelqu'un pouvant être
bien adapté pour le poste ?
bien adapté pour le poste ?
01:57
This all sounds abstract.
48
117508
1296
Tout cela semble abstrait.
01:58
Let's try one of the games together.
49
118828
1735
Essayons un des jeux ensemble.
02:00
You're about to see a flashing circle,
50
120587
1857
Vous allez voir un cercle clignotant
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
et votre rôle est de taper des mains
quand le cercle est rouge
quand le cercle est rouge
02:06
and do nothing when it's green.
52
126285
1496
et de ne rien faire quand il est vert.
02:07
[Ready?]
53
127806
1376
[Prêt ?]
02:09
[Begin!]
54
129207
1360
[C'est parti !]
02:11
[Green circle]
55
131708
1000
[Cercle vert]
02:13
[Green circle]
56
133708
1040
[Cercle vert]
02:15
[Red circle]
57
135708
1000
[Cercle rouge]
02:17
[Green circle]
58
137708
1080
[Cercle vert]
02:19
[Red circle]
59
139708
1000
[Cercle rouge]
02:21
Maybe you're the type of person
60
141928
1596
Vous êtes peut-être quelqu'un
02:23
who claps the millisecond
after a red circle appears.
after a red circle appears.
61
143548
2496
qui tape des mains
juste après l'apparition du rouge.
juste après l'apparition du rouge.
02:26
Or maybe you're the type of person
62
146068
1656
Ou vous êtes peut-être quelqu'un
02:27
who takes just a little bit longer
to be 100 percent sure.
to be 100 percent sure.
63
147748
2735
qui prend un peu plus de temps
pour être tout à fait sûr.
pour être tout à fait sûr.
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
Ou vous tapez des mains sur le vert,
quand vous ne le devez pas.
quand vous ne le devez pas.
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
Ce qui est génial c'est qu'il n'y a pas
de test standardisé
de test standardisé
02:36
where some people are employable
and some people aren't.
and some people aren't.
66
156468
2656
où certains sont employables
et d'autres pas.
et d'autres pas.
02:39
Instead it's about understanding
the fit between your characteristics
the fit between your characteristics
67
159148
3256
Il est question de comprendre
l'adéquation entre vos traits
l'adéquation entre vos traits
02:42
and what would make you
good a certain job.
good a certain job.
68
162428
2016
et ce qui vous rend bon
à un poste particulier.
à un poste particulier.
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
Si vous tapez des mains tard sur le rouge
et jamais sur le vert,
et jamais sur le vert,
02:48
you might be high in attentiveness
and high in restraint.
and high in restraint.
70
168228
3176
vous avez peut-être
beaucoup d'attention et de retenue.
beaucoup d'attention et de retenue.
Dans ce quadrant, les gens sont
de très bons étudiants,
de très bons étudiants,
02:51
People in that quadrant tend to be
great students, great test-takers,
great students, great test-takers,
71
171428
3576
participants à des examens,
chefs de projets et comptables.
chefs de projets et comptables.
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
Si vous tapez immédiatement sur le rouge
et parfois sur le vert,
et parfois sur le vert,
03:00
that might mean that
you're more impulsive and creative,
you're more impulsive and creative,
74
180548
2656
vous pouvez être
plus impulsif et plus créatif
plus impulsif et plus créatif
03:03
and we've found that top-performing
salespeople often embody these traits.
salespeople often embody these traits.
75
183228
3875
et les meilleurs commerciaux
incarnent ces traits.
incarnent ces traits.
03:07
The way we actually use this in hiring
76
187128
2016
Nous utilisons cela lors de l'embauche
03:09
is we have top performers in a role
go through neuroscience exercises
go through neuroscience exercises
77
189168
3696
en faisant passer
de tels exercices de neuroscience
de tels exercices de neuroscience
aux meilleurs dans un rôle.
03:12
like this one.
78
192888
1216
03:14
Then we develop an algorithm
79
194128
1376
Nous développons un algorithme
03:15
that understands what makes
those top performers unique.
those top performers unique.
80
195528
2656
qui comprend ce qui rend
ces personnes uniques.
ces personnes uniques.
03:18
And then when people apply to the job,
81
198208
1936
Quand les gens candidatent pour ce poste,
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
nous pouvons faire émerger les candidats
les plus adaptés à ce poste.
les plus adaptés à ce poste.
03:24
So you might be thinking
there's a danger in this.
there's a danger in this.
83
204328
2376
Vous pensez peut-être
qu'il y a un danger à cela.
qu'il y a un danger à cela.
03:26
The work world today
is not the most diverse
is not the most diverse
84
206728
2136
Le monde où nous travaillons
n'est pas diversifié
n'est pas diversifié
03:28
and if we're building algorithms
based on current top performers,
based on current top performers,
85
208888
3096
et si nous créons des algorithmes
grâce aux actuels meilleurs,
grâce aux actuels meilleurs,
03:32
how do we make sure
86
212008
1216
comment nous assurer
03:33
that we're not just perpetuating
the biases that already exist?
the biases that already exist?
87
213248
2976
que nous ne perpétuons pas
des préjugés déjà existants ?
des préjugés déjà existants ?
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
Par exemple, si nous créons un algorithme
se basant sur les meilleurs PDG
se basant sur les meilleurs PDG
03:40
and use the S&P 500 as a training set,
89
220328
3216
et utilisant les données
du S&P 500 pour l'entraîner,
du S&P 500 pour l'entraîner,
03:43
you would actually find
90
223568
1256
vous découvririez
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
que vous avez plus de chances d'embaucher
un homme appelé John qu'une femme.
un homme appelé John qu'une femme.
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
C'est la réalité des personnes
tenant actuellement ces rôles.
tenant actuellement ces rôles.
03:51
But technology actually poses
a really interesting opportunity.
a really interesting opportunity.
93
231408
3376
La technologie nous offre
une opportunité très intéressante.
une opportunité très intéressante.
03:54
We can create algorithms
that are more equitable
that are more equitable
94
234808
2256
Nous pouvons créer
des algorithmes plus équitables
des algorithmes plus équitables
03:57
and more fair than human beings
have ever been.
have ever been.
95
237088
2256
et plus justes que les êtres humains.
03:59
Every algorithm that we put
into production has been pretested
into production has been pretested
96
239368
3696
Les algorithmes produits
ont été testés au préalable
ont été testés au préalable
04:03
to ensure that it doesn't favor
any gender or ethnicity.
any gender or ethnicity.
97
243088
3096
pour vérifier qu'ils ne favorisent pas
un genre ou une ethnie.
un genre ou une ethnie.
04:06
And if there's any population
that's being overfavored,
that's being overfavored,
98
246208
2736
Si une population est trop favorisée,
04:08
we can actually alter the algorithm
until that's no longer true.
until that's no longer true.
99
248968
3120
nous altérons l'algorithme
pour ce que ne soit plus le cas.
pour ce que ne soit plus le cas.
04:12
When we focus on the inherent
characteristics
characteristics
100
252448
2216
En nous concentrant
sur les traits fondamentaux
sur les traits fondamentaux
04:14
that can make somebody
a good fit for a job,
a good fit for a job,
101
254688
2096
faisant que quelqu'un
est adapté à un poste,
est adapté à un poste,
04:16
we can transcend racism,
classism, sexism, ageism --
classism, sexism, ageism --
102
256808
3576
nous transcendons le racisme,
le classisme, le sexisme, l'âgisme --
le classisme, le sexisme, l'âgisme --
04:20
even good schoolism.
103
260408
1416
même l'éducationnisme.
04:21
Our best technology and algorithms
shouldn't just be used
shouldn't just be used
104
261848
2896
Nos meilleurs technologie et algorithmes
ne devraient pas être utilisés
ne devraient pas être utilisés
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
juste pour trouver un film
ou une chanson de Justin Bieber.
ou une chanson de Justin Bieber.
04:28
Imagine if we could harness
the power of technology
the power of technology
106
268528
2656
Imaginez si nous pouvions
tirer profit de la technologie
tirer profit de la technologie
04:31
to get real guidance
on what we should be doing
on what we should be doing
107
271208
2296
pour obtenir des conseils
sur ce que nous devrions faire
sur ce que nous devrions faire
04:33
based on who we are at a deeper level.
108
273528
1936
selon notre identité profonde.
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