Начальники не всегда понимают, что делают их сотрудники. Как
им помочь?

Много ли менеджеры знают о работе своих команд? Недавно мы провели исследование с участием 14 команд, состоящих из 283 сотрудников, в четырех компаниях, входящих в список Fortune 500. Когда менеджеров спросили о работе их команд, в среднем они или не знали, или не помнили о 60% выполняемой ими работы. В одном особо вопиющем случае менеджер, участвовавший в нашем исследовании, смог описать всего 4% работы его команды.

Менеджеры, не знающие, чем занимаются их сотрудники, могут дорого обходиться компании, даже если команда состоит всего из пяти человек, поэтому проблема касается любой компании, большой или маленькой. Менеджеры и лица, ответственные за принятие ключевых решений на всех уровнях, ставят цели цифровой трансформации, недостаточно хорошо понимая, как их команды выполняют работу или где находятся их болевые точки. Обычно они строят догадки, решая, какие инвестиции помогут их командам. В итоге такие руководители систематически недооценивают продуктивность сотрудников или неудачно распределяют ресурсы и инвестиции в технологии автоматизации. Из-за пандемии COVID-19 и перехода к удаленной цифровой работе менеджерам стало еще труднее быть в курсе происходящего в компании.

Но наше исследование также продемонстрировало, что проблема решается с помощью алгоритмов машинного обучения. Выяснить, как команды используют технологии в своей работе, можно с условием соблюдения требований о конфиденциальности действий сотрудников.

Что мы обнаружили

В нашем исследовании мы попросили менеджеров обучить систему процессам, которые, на их взгляд, отнимали большую часть времени команд. С помощью интерфейса, аналогичного тому, которым люди пользуются, ставя теги на фото в Facebook, менеджеры создали образцы каждого процесса на своих машинах так, как они хотели, чтобы их выполняли команды. Затем они проставили теги для этих процессов, поделив их на такие категории, как «управление заказами», «бухгалтерские процессы» и «управление цепью поставок». Количество процессов, которым менеджер мог обучить систему, не было ограничено. Менеджеры полагались на свою интуицию, суждения и опыт, чтобы отобрать процессы и обучить систему тем из них, которые, как они думали, требуют больше всего усилий от сотрудников. Эти данные были собраны в «граф рабочего процесса», отображающий схему выполнения задач командой.

На основе процессов, которым их обучили менеджеры, наши алгоритмы машинного обучения искали аналогичные паттерны в работе, выполняемой членами команды. Затем мы оценили, какую часть рабочего дня команды составляют виды работы, аналогичные процессам, которым обучили систему. По сути, это было оценкой степени, до которой предположения менеджера соответствовали повседневной реальности команды.

Ключевым аспектом этих исследований было сохранение конфиденциальности: мы позаботились о том, чтобы все инструменты и сбор данных позволяли анонимизировать конечных пользователей. Мы объединяли данные по команде и предоставили командам инструменты, позволяющие определить и отфильтровать конфиденциальные сведения, с помощью которых можно установить личность. Весь анализ проводился только на уровне команды, без указания отдельных исполнителей.

Мы предположили, что при идеальном сценарии менеджер должен иметь представление, по крайней мере, о 80% ежедневной работы своей команды. Мы опирались на номинальный порог по данным опроса среди менеджеров: респондентов просили оценить, какую часть работы своей команды они могут описать. Мы определяем разрыв между представлениями и реальностью как долю повседневной работы команды, о которой менеджер не знает, и исходим из того, что потолок составляет 80%. Значение этой оценки показывает, насколько неполно менеджер понимает повседневную работу своей команды.

К удивлению менеджеров, мы обнаружили значительный разрыв между их представлениями и реальностью во всех 14 командах, занимающихся такой разнообразной деятельностью, как управление цепью поставок, управление проектами, взаимодействие с клиентами, управление основными данными, финансы/бухгалтерия и управление персоналом.

Покажем на примере специфические проблемы, обнаруженные с помощью нашего исследования. В одной компании команда цепи поставок постоянно сталкивалась с жалобами сотрудников на недоработки в системе планирования ресурсов предприятия (ERP). С технической точки зрения она функционировала нормально и полноценно, но не хватало нескольких функций, необходимых для обработки данных. В результате для обычных транзакций сотрудники были вынуждены тратить время на копирование данных из ERP-системы в Excel, создавать сводные таблицы и в них выполнять нужные операции. Получив ответы, они копировали данные обратно в ERP-систему.

Если сложить всю подобную работу по нескольким транзакциям, получится довольно большая часть ежемесячной нагрузки. Все в команде знали, что это проблема, каждый день им приходилось сталкиваться с этими сложностями, но никто не понимал, насколько серьезна ситуация, пока мы не помогли им оценить масштаб несоответствий реально выполняемой работы с представлениями менеджера.

Что могут сделать руководители?

Но есть и хорошая новость: наше исследование продемонстрировало, что разрыв между представлениями менеджеров и реальностью можно сократить с помощью машинного обучения. В исследовании мы применили класс алгоритмов машинного обучения, не требующий участия менеджера для выявления паттернов работы команды. Мы исключили паттерны, совпадающие с паттернами, описанными менеджером. После этого мы оценили дополнительный объем рабочего времени команды, которое может быть описано на основе паттернов, выявленных полностью алгоритмами машинного обучения без вмешательства человека. Если коротко описать принцип действия, эти алгоритмы находят короткие периоды повторяющейся деятельности в паттернах работы команды. Они могут комбинировать наиболее часто повторяющиеся действия и собирать их в более длинные последовательности. Процесс повторяется до тех пор, пока дальнейшее добавление действий не станет невозможным.

Мы обнаружили, что применение алгоритмов машинного обучения уменьшало в нашем исследовании разрыв между представлениями и реальностью с приблизительно 60% до 24%. В команде, где описанные менеджером процессы составили всего 4% от ежедневной работы, алгоритмы машинного обучения смогли выявить дополнительные 48% повседневной работы, являющейся продуктивной деятельностью (уменьшили разрыв с 76% до 28%).

В целом результаты алгоритмов в нашем исследовании оказались лучше, чем результаты менеджеров, по двум причинам. Во-первых, у менеджеров было устаревшее и/или неполное представление о паттернах работы команды. В то же время алгоритмы машинного обучения могли найти паттерны, не полагаясь на интуицию и прошлые понятия о том, как выполняется работа. Во-вторых, алгоритмы машинного обучения могут учитывать множество способов, которыми выполняется одна и та же работа. Мы видели случаи, когда менеджеры обучали систему нескольким примерам того, как, на их взгляд, должна выполняться работа, но команда выполняла ту же работу другими способами. Например, проводя согласование торговых операций, несколько опытных членов команды обнаружили более короткий путь и отклонялись от предписанной стандартной операционной процедуры.

***

Без компенсации за счет инструментов машинного обучения разрыв между представлениями менеджеров о работе своих команд и их реальной работой только увеличивался бы на фоне тенденций перевода сотрудников на удаленку. И без соответствующих действий менеджеры, вероятно, оставались бы в неведении относительно того, чего они не знают. В нашем исследовании менеджеры были очень удивлены, когда им сообщали полученные результаты.

Будущее любой рабочей среды — не только удаленной — зависит от того, будут ли менеджеры обеспечены новыми инструментами и методами, которые помогут им более эффективно управлять своими командами и понимать их задачи. Использование подобных инструментов требует последовательных и открытых стандартов конфиденциальности, в том числе касающихся анонимности пользователей и объединения данных. Также необходимы постоянные коммуникации с лидерами: это поможет сотрудникам понимать их намерения. Все наше исследование было сосредоточено только на командах и не позволяло идентифицировать отдельных пользователей.

Мы рекомендуем менеджерам и руководителям подходить к деятельности команды с позиции данных. Они позволяют понять, что беспокоит ваши команды и чего можно добиться с помощью инвестиций в цифровую трансформацию и другие новые инициативы. Тогда все перемены с участием менеджеров, действующих из лучших побуждений, будут измеримыми. В отсутствие же таких данных менеджеры спускают цели сверху, не зная фактов, и командам остается только согласиться с планами, даже если они не понимают, что для этого потребуется, и это неизбежно увеличит нагрузку. Мы надеемся: если менеджеры будут лучше понимать специфику работы своих команд, они будут ставить перед сотрудниками более реалистичные цели и помогать им становиться более продуктивными.

* деятельность на территории РФ запрещена