Da li znate kako vaši timovi obavljaju posao?
U istraživačkoj studiji u četiri kompanije sa liste Fortune 500, kada su menadžeri upitani o radu njihovih timova, oni u proseku ili nisu znali ili nisu mogli da se sete 60% posla koji njihov tim obavlja. Ovo je veliki problem, jer može dovesti do nerealnih ciljeva digitalne transformacije i loše alokacije resursa. Ali u istoj studiji, alati za mašinsko učenje uspeli su da premoste jaz između intuicije menadžera i stvarnosti. Studija je pokazala da korišćenje ML algoritama smanjuje prosečan jaz u pamćenju posla sa ~60% na 24%. Menadžeri bi trebalo da uvedu ML alate za praćenje, ali da preduzmu korake kako bi osigurali da se zaposleni ne osećaju nadziranim – mogu da anonimizuju i agregiraju podatke i da otvoreno komuniciraju sa zaposlenima o tome šta mere i šta se nadaju da će postići.
Koliko menadžeri znaju o tome kako rade njihovi timovi? Nedavno smo sproveli istraživačku studiju koja je uključivala 14 timova sa 283 zaposlena u četiri kompanije sa liste Fortune 500. Kada su menadžeri upitani o radu njihovih timova, oni u proseku ili nisu znali ili nisu mogli da se sete 60% posla koji rade njihovi timovi. U jednom ekstremnom slučaju, menadžer u našoj studiji mogao bi da opiše samo 4% rada svog tima.
Troškovi menadžera koji ne znaju da postoji ovaj jaz mogu biti visoki, čak i u timovima od samo pet članova, i stoga su primenjivi na svaku kompaniju, veliku ili malu. Menadžeri i ključni donosioci odluka na svim nivoima postavljaju ciljeve digitalne transformacije bez dovoljno razumevanja kako njihovi timovi obavljaju posao ili gde su bolne tačke. Obično se oslanjaju na nagađanja kako bi odlučili koja će ulaganja pomoći njihovim timovima. Shodno tome, oni sistematski potcenjuju produktivnost zaposlenih ili loše alociraju resurse i ulaganja u tehnologiju kao što je automatizacija. Covid-19 i prelazak na daljinski digitalni rad samo su otežali menadžerima da razumeju kako njihovi timovi rade.
Ali naša studija je takođe pokazala da se problem može rešiti korišćenjem algoritama mašinskog učenja (ML) kako bi se naučilo kako timovi koriste tehnologiju za obavljanje svog posla – sve dok su postavljene mere zaštite za zaštitu privatnosti zaposlenih.
Šta smo pronašli
U studiji smo imali menadžere koji su podučavali softverski sistem procesima za koje su mislili da oduzimaju većinu vremena njihovim timovima. Koristeći interfejs sličan onom koji ljudi koriste kada označavaju svoje fotografije na Fejsbuku, menadžeri su izvršili uzorkovanje svakog procesa na svojim mašinama na način na koji su očekivali da će njihovi timovi obaviti posao. Zatim su ove procese označili pod kategorijama kao što su „upravljanje narudžbama“, „računovodstveni procesi“ i „operacije u lancu snabdevanja“.
Nije bilo ograničenja u broju procesa koje je menadžer mogao da poduči sistem. Menadžeri su se oslanjali na svoju intuiciju, rasuđivanje i iskustvo da bi stavili u uži izbor i sistem podučili onim procesima za koje su verovali da predstavljaju većinu napora njihovih timova. Ovi podaci su prikupljeni u „grafikon rada“, mapu kako ovi timovi obavljaju posao.
Koristeći ove procese naši algoritmi za mašinsko učenje pokušali su da pronađu slične obrasce rada koji obavljaju članovi tima. Zatim smo izmerili deo dana svakog tima u kome su članovi tima pokazali slične obrasce procesa podučavanja. Ovo je, u suštini, mera u kojoj meri menadžerska intuicija uzima u obzir svakodnevni rad tima.
Ključni aspekt ovih studija bio je održavanje privatnosti korisnika: obezbedili smo da svi alati i prikupljanje podataka anonimiziraju krajnjeg korisnika, agregirali podatke timu i dali timovima alate za definisanje i filtriranje osetljivih ličnih informacija koje mogu da identifikuju. Sve analize su obavljene samo na nivou zbirnog tima, bez identifikacije pojedinca.
Pretpostavili smo da bi u idealnom scenariju, menadžer trebalo da bude u stanju da uzme u obzir najmanje 80% dnevnog rada svojih timova na osnovu nominalnog praga, a na osnovu ankete koju smo sproveli među menadžerima. Definišemo jaz u prisećanju posla kao deo svakodnevnog rada tima koji menadžer nije mogao da uzme u obzir, pod pretpostavkom da je gornja granica od 80%. Ovo je takođe mera za nedostatak kompletnosti u menadžerovom razumevanju posla koji njegov/njen tim obavlja svakodnevno.
Pronašli smo značajan jaz u opozivu posla u svih 14 timova — na iznenađenje njihovih menadžera — u funkcijama koje se kreću od operacija u lancu snabdevanja, upravljanja projektima, interakcije sa klijentima, upravljanja glavnim podacima, finansija/računovodstva i ljudskih resursa.
Primer pomaže da se ilustruju specifični problemi koje je naša studija otkrila: U jednoj kompaniji, tim za lanac snabdevanja se stalno suočavao sa pritužbama zaposlenih na lošu implementaciju planiranja resursa preduzeća (ERP). Iako tehnički ispravna i dovoljna, implementaciji je nedostajalo nekoliko mogućnosti za obradu podataka.
Kao rezultat toga, za uobičajene transakcije zaposleni su bili primorani da troše vreme na kopiranje podataka iz ERP sistema u Excel, kreiranje pivot tabela i ponavljanje podataka. Kada su konačno dobili odgovore, kopirali su podatke nazad u ERP sistem.
Kada je ovaj dodatni napor dodat u nekoliko transakcija, činio je veliki deo mesečnog rada tima.
Svi u timu su znali da je ovo u određenoj meri problem, ali niko nije razumeo koliko je situacija loša sve dok im nismo pomogli da izmere jaz u potcenjivanju njihovog menadžera.
Šta lideri mogu da urade?
Dobra vest je da je naša studija pokazala da se jaz može premostiti korišćenjem mašinskog učenja (ML). U studiji smo koristili klasu ML algoritama koji nisu zahtevali nikakav menadžerski doprinos da bi se otkrili obrasci rada timova. Isključili smo obrasce koji su se preklapali sa obrascima koje je opisao menadžer, a zatim izmerili inkrementalni deo dana tima koji bi se mogao uzeti u obzir korišćenjem obrazaca otkrivenih u potpunosti pomoću ML algoritama i bez ljudskog unosa. Ukratko, ovi ML algoritmi pronalaze ponovljene aktivnosti u obrascima rada tima, a zatim kombinuju aktivnosti koje se najčešće ponavljaju da bi formirale duži lanac aktivnosti; te ponavljaju ovaj proces sve dok više ne budu mogli da kombinuju aktivnosti.
Otkrili smo da je korišćenje ML algoritama smanjilo prosečan jaz u našoj studiji sa ~60% na 24%. U timu gde su procesi opisani menadžerom činili samo 4% dnevnog rada tima, ML algoritmi su bili u stanju da računaju na dodatnih 48% dnevnog rada tima u produktivnim aktivnostima (smanjili su jaz sa 76% na 28%). *
Uopšteno govoreći, algoritmi su bili bolji od menadžera u našoj studiji iz dva razloga. Prvo, menadžeri su imali zastareo i/ili nepotpun pogled na obrasce rada svog tima. Nasuprot tome, ML algoritmi bi mogli da pronađu obrasce bez oslanjanja na već postojeće intuicije o tome šta se radi. Drugo, ML algoritmi mogu skalabilno objasniti mnoštvo načina na koje se obavlja isti posao. Videli smo slučajeve u kojima je menadžer obično podučavao nekoliko primera kako su mislili da bi posao trebalo da se desi, ali tim je isti posao obavljao na različite načine od onoga što je menadžer očekivao. Na primer, prilikom obavljanja trgovinskog usaglašavanja, nekoliko iskusnih članova tima je pronašlo kraće puteve za postizanje usaglašavanja i samim tim odstupilo od propisanih standardnih operativnih procedura.
***
Bez upotrebe alata za mašinsko učenje, jaz između menadžerske intuicije i „stanja na terenu“ će verovatno samo rasti u budućnosti s obzirom na trend rada na daljinu. A bez intervencije, menadžeri će verovatno ostati u mraku o onome što ne znaju – u našoj studiji, menadžeri su bili rutinski šokirani kada smo im otkrili naše rezultate.
Budućnost svakog radnog okruženja — ne samo remote radnog okruženja — zavisi od toga da se menadžeri opreme novim alatima i tehnikama za efikasnije razumevanje i upravljanje timovima. Upotreba ovakvih alata će zahtevati dosledne i otvorene standarde privatnosti kao što su anonimnost korisnika, agregacija podataka i dosledna komunikacija lidera kako bi zaposleni razumeli njihove namere. Cela naša studija bila je fokusirana samo na timove i nije dozvoljavala identifikaciju nijednog pojedinca.
Naš savet je da iskustvo vašeg tima na poslu tretirate kao podatke. Takvi podaci će verovatno otkriti šta muči vaše timove i šta je realno moguće uraditi sa investicijama u digitalnu transformaciju i druge nove inicijative. Tada će sve promene kod menadžera biti merljive. Suprotno tome, u nedostatku takvih podataka, ciljevi odozgo nadole se postavljaju, a da činjenice nisu poznate, a timovi nemaju drugog izbora osim da se prijave za planove bez razumevanja njihovih implikacija, što dovodi do ogromnog pritiska na timove. Nadamo se da će menadžeri, ako bolje razumeju specifičnosti rada svojih timova, postaviti realnije ciljeve i pomoći svojim timovima da postanu produktivniji.
