تحلیل رابطه ای کارکنان و منابع انسانی

تحلیل افراد به شیوه‌ای بهتر

نویسندگان: پل لئوناردی, نوشیر کانترکتور

«یک سری نمودار و گراف داریم که از ما پشتیبانی می‌کنند، پس برو گم شو».

چند سال پیش افرادی که به‌تازگی در بخش تحلیل نیروهای انسانی گوگل استخدام می‌‎شدند، یک برچسب لپ‌تاپ دریافت می‌کردند که شعار فوق روی آن نوشته شده بود. در آن دوران، بچه‌های شاغل در این بخش باید از کارشان دفاع می‌کردند، چون تحلیل افراد – با استفاده از بینش‌های آماریِ برگرفته از داده‌های افراد و اتخاذ تصمیمات مدیریت استعداد براساس آن‌ها- هنوز یک ایده‌ی فتنه‌گر محسوب می‌شد و بسیاری از بدبین‌ها می‌ترسیدند که مبادا چنین رویکردهایی موجب تعدیل نیرو توسط کمپانی‌ها شود. منابع انسانی داده‌‎های کارکنان را جمع‌آوری می‌کرد؛ اما داده‌کاوی مداوم برای درک و مدیریت آن‎ها یک امر جدید -و شبهه‌انگیز- محسوب می‌شد.

امروز دیگر نیازی به این برچسب‌ها نیست. هم‌اکنون بیش از 70درصد کمپانی‌ها اذعان می‌کنند که اولویت بالایی برای تحلیل افراد قائل می‌شوند. حتی مطالعات موردی نظیر پروژه‌ی اکسیژن گوگل نیز در این حوزه انجام گرفته که رویکردهای بهترین مدیران این غول عرصه‌ی فناوری را افشا می‌کند و سپس از همان رویکردها در جلسات تدریس بهره می‌گیرد تا عملکرد افراد ضعیف را ارتقا دهد. سایر نمونه‌ها نظیر آزمایش‌‎های دل برای افزایش موفقیت نیروهای فروش نیز به قدرت تحلیل افراد اشاره می‌کنند.

اکثر تیم‌های تحلیل نیروی انسانی به یک رویکرد محدود برای تحلیل داده اتکا می‌کنند: آن‌ها تنها از داده‌های مربوط به خودِ افراد بهره می‌گیرند، درحالی‌که داده‌های مربوط به تعامل افراد با یکدیگر نیز به همان اندازه اهمیت دارند و یا حتی مهم‌ترند.

اما هر زمان که چیزی رواج پیدا می‌کند و همه‌گیر می‌شود، اغراق‌ هم با آن می‌آید. حقیقت امر این است که تحلیل افراد طی دهه‌ی گذشته، تنها پیشرفت‌‎های میان‌مقیاس را به همراه داشته است. بررسی «خدمات مشاوره‌ای تاتا» نشان داده که تنها 5درصد از سرمایه‌گذاری‌های کلان‌‎داده به منابع انسانی اختصاص می‌یابند، همان گروهی که معمولا فرآیند تحلیل افراد را مدیریت می‌کند. و مطالعه‌ی اخیر دیلویت نشان داده که اگرچه تحلیل افراد رواج زیادی پیدا کرده، اما تنها 9درصد از کمپانی‌ها اعتقاد دارند شناخت خوبی از استعدادهای مناسب برای هدایت عملکرد سازمان‌هایشان دارند.

چه شد؟ اگر بنا به گفته‌ی آن برچسب، افراد حاضر در تیم‌های تحلیل، نمودارها و گراف‌هایی دارند که از آن‌ها پشتیبانی می‌کند، پس چرا نتیجه نمی‌گیرند؟ به اعتقاد ما دلیلش این است که اکثرا به یک رویکرد محدود برای تحلیل داده اتکا می‌کنند: آن‌ها تنها از داده‌های مربوط به خودِ افراد بهره می‌گیرند، درحالی‌که داده‌های مربوط به تعامل افراد با یکدیگر نیز به همان اندازه اهمیت دارند یا حتی مهم‌ترند.

خواه این هدف افزایش نوآوری باشد و خواه تاثیرگذاری و بازدهی بیشتر را مدنظر قرار دهند. همچنین شرکت‌ها متوجه می‌‎شوند که کدام افراد نقش کلیدی برایشان دارند و نباید آن‎ها را از دست بدهند و سیلوهای سازمانشان در کجا قرار دارند.

خوشبختانه ماده‎‌ی خام تحلیل رابطه‌ای از پیش در کمپانی‌ها فراهم شده است. این مواد خام همان داده‌هایی هستند که به‌واسطه‌ی تبادل ایمیل، چت و انتقال فایل -«خروجی دیجیتال» یک کمپانی- ایجاد می‌شوند. با کاوش در این داده‌ها، شرکت‌ها می‌توانند مدل‌‎های تحلیل رابطه‌ای خوبی بسازند.

در این مقاله چارچوبی برای درک و به‌کارگیری تحلیل رابطه‌ای ارائه می‌کنیم. و نمودارها و گراف‌هایی را برای پشتیبانی از چارچوبمان داریم.


خلاصه‎ مقاله

چالش
به‌منظور ارتقای کیفیت تحلیل افراد و با توجه به رواج این مسئله، کمپانی‌ها نباید صرفا به تحلیل داده‌های مربوط به ویژگی‌های جمعیت‌شناختی اکتفا کنند و باید پا را فراتر بگذارند.

راهکار
تحلیل رابطه‌ای را به کار بگیرید که داده‌های مربوط به نحوه‌‎ی تعامل افراد را بررسی می‎‌کند تا افراد دارای ایده‌های خوب، شخصیت‌های پرنفوذ، تیم‌‎هایی که کارهای بیشتری را در مدت‎‌زمان مشابه انجام می‌‎دهند و مواردی از این دست تعیین شوند.

ماده‌ی خام
کمپانی‌ها می‌توانند میزان «خروجی دیجیتال» کارکنان را بسنجند – داده‌هایی که هر روز توسط کارکنان ساخته می‌شوند و درباره‌ی تراکنش‌های دیجیتال نظیر ایمیل‌‎ها، گفت‌وگوها و تبادل فایل‌هایشان هستند – تا برداشت‌های لازم را نسبت به آن‌ها داشته باشند.


تحلیل رابطه‌ای: یک تعریف عمیق‌تر

تا به امروز، تحلیل افراد عمدتا بر داده‌های ویژگی افراد متمرکز بوده که دارای دو گونه‌‎ی مختلف است:

  • خصیصه: حقایق تغییرناپذیر درباره‌ی افراد نظیر نژاد، جنسیت و سابقه‌ی کاری.
  • وضعیت: حقایق تغییرپذیر درباره‌ی افراد نظیر سن، میزان تحصیلات، سابقه در کمپانی، ارزش پاداش‌های دریافتی، فاصله‌ی رفت‌وآمد تا محل کار و روزهای غیبت.

این دو نوع داده غالبا جمع‌بندی می‌شوند تا خصایص گروهی نظیر آرایش نژادی، گوناگونی جنسیتی و متوسط میزان پرداختی معین شوند.

تحلیل ویژگی لازم است اما کفایت نمی‌کند. داده‌های مربوط به ویژگی‌‎های جمع، ظاهری شبیه به داده‌های رابطه‌ای دارند، زیرا شامل بیش از یک نفر می‌شوند، اما در اصل رابطه‌ای محسوب نمی‌شوند. داده‌های رابطه‌ای به‌گونه‌ای هستند که فرضا رابطه‌ی میان دو نفر از بخش‌های مختلف کمپانی را در یک روز ثبت می‌کنند. مخلص کلام اینکه تحلیل رابطه‌ای، علم شبکه‌های اجتماعی افراد است.

دهه‌ها تحقیق به طرز متقاعدکننده‌ای نشان می‌‎دهند که روابط کارکنان با یکدیگر -در کنار ویژگی‌های فردی‌شان- می‌تواند عملکرد کاری آن‌ها را توضیح دهد. نکته‌ی کلیدی در یافتن «شاخصه‌های ساختاری» است: الگوهایی در داده‌ها که به‌نوعی به عملکرد خوب (یا بد) مرتبط می‌شوند. همان‌طور که متخصصان اعصاب قادر به شناسایی انواع خاصی از شاخصه‌های ساختاری در شبکه‌های مغز هستند و می‌توانند از این طریق اختلال دوقطبی و شیزوفرنی را پیش‌بینی کنند و شیمیدان‌ها هم به شاخصه‌های ساختاری مایع نگاه می‌کنند و شکنندگی جنبشی آن را پیش‌بینی می‌نمایند، رهبران سازمان هم می‌توانند به شاخصه‌‎های ساختاری شبکه‌های اجتماعی کمپانی‌‎شان بنگرند و فرضا میزان خلاقیت یا تاثیرگذاری تک‌تک کارکنان، تیم‌ها یا کلیت سازمانشان را پیش‌بینی نمایند.

شش شاخصه‌ی تحلیل رابطه‌ای

با بهره‌گیری از تحقیقات خودمان و مشاوره‌هایی که با کمپانی‌های دیگر انجام دادیم و همچنین با توجه به تحقیقات فراوان سایر محققین، شش شاخصه‌‎ی ساختاری را شناسایی کردیم که باید بستر هر استراتژی تحلیل رابطه‌ای را تشکیل دهند.

بیایید به نوبت به هریک از آن‌ها نگاهی بیندازیم.

ایده‌پردازی

اکثر کمپانی‌ها سعی می‌کنند با شناسایی ویژگی‌هایی همچون پیش‌زمینه‌ی تحصیلی، تجربه، شخصیت و هوش ذاتی، افرادی که ایده‌پردازی خوبی دارند را شناسایی کنند. این ویژگی‌ها مهم‌اند؛ اما نمی‌توانیم با کمک آن‌ها میزان دسترسی افراد به اطلاعات دیگران یا گوناگونی منابع اطلاعاتشان را متوجه شویم. آن‌هم درحالی‌‎که هر دوی این ویژگی‌ها مهم‌تر از خصایص فوق‌الذکر هستند. ایده‌پردازهای خوب غالبا اطلاعات یک تیم را با اطلاعات تیمی دیگر ترکیب می‎کنند تا بتوانند محصول مفهومی جدید را توسعه دهند یا از راهکار ساخته شده در یک بخش برای حل مسئله‌ی یک بخش دیگر بهره می‌گیرند. به‌عبارت‌دیگر، آن‌ها نقش یک واسطه را در شبکه‌ها ایفا می‎کنند.

رونالد برتِ جامعه‌‎شناس معیاری را توسعه داده که حضور فرد در موضع یک واسطه را تعیین می‌کند. این موضع که تحت عنوان «محدودیت» نامیده می‌شود، میزان محدودیت توانایی‌های فرد در صورت دریافت اطلاعات از یک منبع انحصاری را نشان می‌دهد. مطالعات مستمری روی جوامع مختلف همچون بانکدارها، وکلا، تحلیل‌گرها، مهندسان و توسعه‌دهندگان نرم‌افزار صورت گرفته‌ و نشان داده‌ افرادی که محدودیت پایینی دارند – آن‌هایی که با شبکه‌ای بزرگ و گسترده از افراد رابطه دارند – ایده‌های جدیدتر و مفیدتری را خواهند ساخت.

در یک مطالعه، برت به بررسی رهبران ارشد کمپانی‌‎های الکترونیکی بزرگ پرداخت. این رهبران تحلیل رابطه‌ای را برای بررسی بیش از 600 مدیر زنجیره‌ی تأمین خود به کار گرفتند تا ببینند که کدام‎‌یک از آن‌ها ایده‌های مفیدتر و پربازده‌تری را توسعه می‌‎دهند. آن‌ها برای اطلاع از ایده‌های مدیران، از یک پرسش‌نامه بهره گرفتند و در آنِ واحد، اطلاعات مربوط به شبکه‌های ارتباطی آن‌ها را نیز جمع‌آوری کردند. سپس مدیران ارشد هریک از ایده‌های ثبت شده را براساس میزان نوآوری و ارزش بالقوه‌‌ی آن‌ها رتبه‌‎بندی کردند.

تنها ویژگی که می‌توانست پیشاپیش میزان ارزشمند بودن ایده‌ی فرد را پیش‌بینی کند، سابقه‌ی وی در کمپانی بود و آن‌ هم رابطه‌ی قدرتمندی نداشت. اما بهره‌‎گیری از شاخص ایده‌پردازی – محدودیت پایین – قدرت بسیار بیشتری داشت: مدیران زنجیره‌ی تأمین که از این شاخصه در شبکه‌های خود بهره گرفتند، ایده‌های خوب بیشتری نسبت به افراد دارای محدودیت بالا می‌ساختند.

مطالعه‌ای که پل در یک کمپانی توسعه‌ی نرم‌افزار بزرگ انجام داد، این نتیجه را تقویت می‌کند. دپارتمان تحقیق و توسعه‌ی کمپانی، همچون یک «دنیای غارنشین» بود. اگرچه این بخش بیش از یکصد مهندس را به کار گرفته بود، اما هرکدام از آن‌ها به‌طور متوسط با پنج نفر دیگر صحبت می‌کردند. و آن پنج نفر هم تنها با یک نفر دیگر صحبت می‌کردند. تماس آن‌ها با سایر «غارها» محدود بود.

این شبکه‌های محدودیت‌بالا رواج زیادی در سازمان‌ها دارند، به‌خصوص آن‎هایی که کارهای تخصصی انجام می‌دهند. اما این امر بدین معنا نیست که افراد محدودیت‌ پایین از نظرها پنهان می‌مانند. با استفاده از تحلیل رابطه‌ای در کمپانی نرم‌افزار، تعدادی مهندس را شناسایی کردیم که در چندین شبکه‌‎ی ارتباطی عضویت داشتند. سپس مدیریت برنامه‌ای را ترتیب داد تا آن‌ها را به سمت گرایشات طبیعی‌شان سوق دهد و خیلی زود افزایش قابل توجهی را هم در کمیت و هم در کیفیت ایده‌های پیشنهادی برای بهبود محصولاتش داشت.

نفوذ

توسعه‌ی یک ایده‌‎ی خوب ضامن این نیست که افراد حتما از آن استفاده کنند. به همین ترتیب، صِرف اینکه یک مدیر فرمان تغییر را صادر کند، بدین معنا نیست که کارکنان حتما آن را رعایت کنند. اجرایی کردن ایده‌ها به نفوذ نیاز دارد.

اما نحوه‌ی تاثیرگذاری و نفوذ بر افراد بر خلاف تصوراتمان است. تحقیقات نشان می‎‌دهند که رهبران ارشد کمپانی بیشترین نفوذ مثبت یا منفی را بر کارکنانشان ندارند؛ بلکه این افرادِ حاضر در مسئولیت‌های نه‌چندان رسمی هستند که بیشترین تاثیر را بر آن‌ها دارند.

نحوه‌ی تاثیرگذاری و نفوذ بر افراد بر خلاف تصوراتمان است. تحقیقات نشان می‎‌دهند که رهبران ارشد کمپانی بیشترین نفوذ بر کارکنانشان را ندارند؛ بلکه این افرادِ حاضر در مسئولیت‌های نه‌چندان رسمی هستند که بیشترین سلطه را بر آن‌ها دارند.

پس در این شرایط، کافی است مدیران به شناسایی کارکنان محبوب بپرداز‌ند و از آن‌ها برای ترغیب همکارانشان به شرکت در طرح‌های جدید بهره بگیرند، مگر نه؟ خیر، اشتباه است.

یک تولیدکننده‌ی بزرگ در زمینه‌ی دستگاه‌های پزشکی که پل با آن‌ها همکاری کرده، از همین رویکرد در هنگام راه‎‌اندازی سیاست‌های جدید خود در زمینه‌ی هماهنگ‌سازی نیروها بهره گرفت. تیم مدیریت تغییر با امید به گسترش برداشت‌های مثبت راجع به این سیاست‌ها، فضایل آن‌ها را با کارکنانی که در دسته‌ی پرنفوذترین شخصیت‌های سازمان قرار می‌گرفتند به اشتراک گذاشت. اما شش ماه بعد هم کارکنان این رویکردهای جدید را پی نمی‌گرفتند.

چرا؟ یک بینش خلاف شهود که از طریق تحلیل رابطه‌ای استخراج شده، چنین توضیحی را ارائه می‌کند:

شاخصه‌ی ساختاری نفوذ را تحت عنوان «اهمیت جمعی» می‌نامند و آن را با میزان قدرت ارتباطات یک شخص و قدرت ارتباطات رابط‌هایش می‌سنجند (موتورهای جست‌وجو هم از منطقی مشابه برای رتبه‌بندی نتایج جست‌وجو استفاده می‌کنند).

در هریک از 9 بخش این تولیدکننده‌‎ی دستگاه‌های پزشکی، از تحلیل رابطه‌ای بهره گرفته شد تا پنج نفری که امتیاز اهمیت جمعی بالاتری داشتند را شناسایی کنند. کمپانی نظر این افراد درباره‌ی سیاست‎‌های جدید را جویا شد. حدود سه‌چهارم از آن‎ها با این سیاست‌ها موافق بودند. شرکت به بیان حقایقی پرداخت تا افراد پرنفوذ وحشت کمتری نسبت به اجرای این تغییرات داشته باشند – و سپس منتظر نتایج ماند.

شش ماه بعد، بیش از 75درصد کارکنان حاضر در آن 9 بخش، سیاست‌های هماهنگ‌سازی جدید را به کار گرفتند. در عوض و در هفت بخشی که از تحلیل رابطه‌ای استفاده نشده بود، تنها 15درصد از کارکنان این سیاست‌ها را اتخاذ کردند.

بهره‌وری

به نظر می‌رسد که تخصیص پرسنل در قالب یک تیم به‌منظور انجام بهینه‌ی امور، ساده به نظر می‌رسد. کافی است دست روی افرادی بگذارید که بهترین و مرتبط‌ترین توانایی‌ها را دارند.

اگر 30درصد از تیم‌های پروژه‌ی شرکت، تراکم درونی و دامنه‌ی بیرونیِ صرفا یک واحد از بالاتر از میانگین داشته باشند، طی 17 روز بیش از 2200 ساعت کاری صرفه‌جویی خواهد شد.

تحلیل ویژگی‌های افراد می‌تواند ماهرترین‌ها را شناسایی کند، اما تضمینی برای ارائه‌ی به‌موقع نتیجه نیست. بدین منظور به تحلیل رابطه‌ای نیاز دارید تا میزان شیمی روابط میان گروه و قابلیت کسب اطلاعات و تخصص‌های بیرونی را بسنجد.

یافته‌های تحقیق ری ریگانز، ازرا زاکرمن و بیل مک‌اویلی را در نظر بگیرید که بیش از 1500 تیم پروژه در یک شرکت تحقیق و توسعه و پیمانکار آمریکایی را مورد تحلیل قرار دادند. با این فرض که قابلیت دسترسی به گستره‌ای از اطلاعات، چشم‎‌اندازها و منابع موجب بهبود عملکرد تیم خواهد شد، محققین به مقایسه‌ی اثر گوناگونی گروه‌‎های جمعیتی مختلف بر نتایج تیم‌ها و اثر شبکه‌های اجتماعی اعضای تیم‌ها پرداختند. یکی از مشکلات این بود که گوناگونی در شرکت تنها دو متغیر واقعی داشت که آن دو هم سابقه‌ی تصدی مقام و واحد کاری بودند (سایر متغیرها مانند نژاد، جنسیت و میزان تحصیلات در واحد کاری فرد تلفیق شدند). بااین‌حال نتایج نشان دادند که گوناگونی در این دو حوزه، تاثیر اندکی بر عملکرد دارند.

اما گرایش به سمت داده‌های رابطه‌ای، بینش بهتری را به وجود می‌آورد. محققین دریافتند که دو متغیر اجتماعی منتج به عملکرد بهتر خواهند شد. اولین مورد «تراکم درونی» یا همان مقدار تعامل و رابطه‌ی درونی میان اعضای تیم بود. تراکم درونی بالا برای ایجاد اعتماد، ریسک‌‎پذیری و کسب توافق در زمینه‌ی مسائل مهم، ضرورت دارد.

دومین مورد هم «دامنه‌ی بیرونیِ» مخاطبین اعضای تیم بود. در تیمی که دامنه‌ی بیرونی بالایی دارد، هر عضو می‌تواند سراغ متخصصان خارج از تیم برود و هریک از اعضا مخاطبین متفاوتی با یکدیگر دارند. بدین ترتیب تیم می‌تواند اطلاعات حیاتی کسب کند و منابع موردنیاز برای رسیدن به ضرب‌الاجل‌هایش را تضمین کند. بنابراین تیم‌‎های بهینه و خوب دارای شاخصه‌های ساختاری تراکم داخلی بالا و دامنه‌‎ی بیرونی بالا هستند.

در آن شرکت تحقیق و توسعه، تیم‌هایی که این شاخصه‌ها را در اختیار داشتند، پروژه‌های خود را سریع‌تر از سایر تیم‌ها تکمیل کردند. محققین برآورد کردند که اگر 30درصد از تیم‌‎های پروژه‌ی شرکت، تراکم درونی و دامنه‌‌ی بیرونیِ صرفا یک واحد از بالاتر از میانگین داشته باشند، طی 17 روز بیش از 2200 ساعت کاری صرفه‌جویی خواهد شد که معادل با تکمیل حدود 200 پروژه‌ی دیگر طی همین مدت خواهد بود.

نوآوری

تیم‌‎هایی که دارای شاخصه‌ی بهره‌وری هستند، به احتمال زیاد در قالب واحدهای نوآوری موفق نخواهند شد، چون اندکی اختلاف نظر و کشمکش‌ برای چنین واحدهایی ضرورت دارد.

چه عامل دیگری هست که موجب شکل‌دهی به یک تیم موفق از افراد خلاق می‌شود؟ شاید با خودتان فکر کنید اگر بهترین کارکنانتان را در یک تیم قرار دهید، بهترین نتایج را خواهید گرفت، اما تحقیق نشان می‌‎دهد که این رویکرد می‌تواند تاثیری منفی بر عملکرد آن‎ها بگذارد. درحالی‌که عقل سلیم به نفع حضور اعضای متفاوت و دارای سلایق گوناگون در تیم‌ها رأی می‌‎دهد؛ اما تحقیقات نشان داده‎‌اند که گوناگونی جمعیتی نمی‌تواند یک فاکتور پیش‌بینی‌کننده‌ی خوب برای موفقیت در زمینه‌ی نوآوری باشد. بنا به تجربه‌ی ما، حتی شکل‌دهی یک تیم نوآوری با حضور ایده‎‌پردازها هم در نهایت نتیجه‌ای فراتر از عملکرد متوسط را نخواهد داشت.

اما اگر سراغ تحلیل رابطه‌ای بروید، می‌توانید از همان متغیرهای مورد استفاده برای بهره‌وری تیم – تراکم درونی و دامنه‌ی بیرونی – به‌منظور ایجاد تیم‌های نوآوری امیدوارکننده بهره بگیرید. هرچند فرمول آن اندکی فرق می‌کند: شاخصه‌‎ی نوآوری، دامنه‌ی بیرونی بالا به‌علاوه‌ی تراکم درونی پایین است.

بدین ترتیب شما همچنان افرادی را می‌خواهید که شبکه‌های اجتماعی گسترده و نامتداخل (در صورت امکان، متشکل از افراد بانفوذ) داشته باشند تا بتوانند ایده‌ها و اطلاعات گسترده‎‌ای را کسب نمایند. اما نباید تیم شما خیلی نزدیک به هم باشد.

چرا؟ تعامل بیشتر درون یک تیم به طرز فکر مشابه و اختلاف نظر کمتر ختم خواهد شد. این برای بهره‎‌وری خوب است، نه نوآوری. خلاق‌ترین تیم‌ها با هم مخالفت می‌‎کنند و همه‌چیز را به بحث می‌گذارند تا اصطکاک لازم برای کسب پیشرفت به وجود می‌آید.

نه‌تنها برای تصاحب اید‌ه‌‎ها بلکه برای کسب پشتیبانی و توافق جمع در زمینه‌ی آن‎ها نیز به دامنه‌‎ی بیرونی بالا نیاز دارید. تیم‌‌های نوآوری باید عملیات تأمین مالی، ساخت و فروش ایده‎‌هایشان را انجام دهند، بنابراین مخاطبین بیرونی سرشناس که دوست و آشنای زیادی دارند، می‌توانند تاثیر فراوانی بر موفقیت آن‎ها بگذارند.

پل چندین سال با یک کمپانی خودروسازی بزرگ آمریکا که در تلاش برای بهبود پروسه‌های توسعه‌‎ی محصولش بود، همکاری کرد. هریک از مراکز توسعه‌ی محصول این کمپانی در سطح جهان، گروهی از متخصصین داشتند که روی همین چالش متمرکز شده بودند. رهبر طرح اشاره کرد: «ما در پروسه‎‌ی انتخاب افراد بسیار دقیق هستیم. ما افرادی که پیش‌زمینه‌های کاری صحیح دارند و افرادی که دائما کار نوآورانه انجام می‎دهند را انتخاب می‌کنیم و حتما تیممان را با ترکیبی از پیش‌زمینه‌ها و سنین مختلف می‌سازیم». به‌عبارت‌دیگر مراکز ما از تحلیل ویژگی برای تیم‌سازی بهره می‌گیرند.

اما مدیران یک مرکز جدید در هند نمی‌توانستند یک تیم با گوناگونی جمعیتی مناسب را تشکیل دهند: تمامی مهندسان مرکز تقریبا هم‌‎سن بودند، پیش‌زمینه‌های مشابهی داشتند و در یک رده‌ی یکسان قرار می‌گرفتند. بنابراین مدیر به انتخاب مهندسانی پرداخت که در پروژه‌‌های مربوط به دفاتر گوناگون و در بخش‌های مختلف مرکز کار کرده بودند. بدین ترتیب تیمی ساخت که طبیعتا دامنه‌ی بیرونی بزرگ‌تری داشت.

همچنین شرایط به‌گونه‌ای رقم خورد که این تیم از تراکم درونی بالایی بهره نمی‌برد. اعضای آن آزادانه با یکدیگر مخالفت کرده و آزمایش‌هایی را برای حل اختلاف نظرهایشان اجرا می‌کردند. وقتی رویکرد جدیدی را پیدا کردند، به سراغ روابط بیرونی‌‎شان رفتند و از آن‎ها که شخصیت‌های پرنفوذی بودند، برای ترغیب دیگران به تایید کارشان بهره گرفتند.

پس از سه سال، تیم مرکز هند، نوآوری‌های بیشتری نسبت به سایر تیم‌ها تولید می‌کرد. پس از 5 سال، نوآوری‌‎های آن‎ها دو برابر بیشتر از مجموع کل تیم‌های دیگر بود. در واکنش به این موضوع، کمپانی از تحلیل رابطه‌ای نیز در کنار تحلیل ویژگی‌‎ها بهره گرفت تا بتواند در ساختار تیم‌های نوآوری سایر موقعیت‌های مکانی‌اش نیز تجدیدنظر کند.

سیلوها

همه از سیلوها متنفر هستند، اما شکل‌‎گیری آن‎‌ها یک امر طبیعی و گریزناپذیر است. وقتی که سازمان‌‎ها حوزه‌هایی با تخصص عمیق‌‌تر را توسعه می‌‎دهند، ناگزیر واحدها، دپارتمان‌‎ها و بخش‌های آن‌‎ها نیز همکاری کمتر و کمتری با یکدیگر خواهند داشت. آن‌ها زبان فنی یا اهداف یکسانی ندارند.

ما میزان منزوی شدن بخش‌های مختلف سازمان را با سنجش «مدولاریته»‌ی آن‌ها ارزیابی می‌کنیم. به بیان ساده‎، مدولاریته نسبت ارتباطات داخل یک گروه به ارتباطات آن‎ها با بیرون از گروه است. وقتی نسبت ارتباطات درونی به بیرونی بزرگ‌تر از 5:1 می‌شود، یعنی گروه به طرز وخیمی منزوی شده است.

یکی از خیره‌کننده‌‌ترین نمونه‌‎هایی که دیدیم به این معضل گرفتار شده، یک گروه حمایت از مصرف‌کننده‌ی غیرانتفاعی و کوچک بود که می‌خواست علت کاهش ترافیک وب‌سایتش را متوجه شود. 60 نیرو از دفتر شیکاگوی این کمپانی به چهار بخش مختلف تقسیم شدند: توسعه‌‎ی کسب‌وکار، عملیات، بازاریابی و روابط عمومی، و امور مالی. مطابق رسم سیلوها، هر دپارتمان با طرز فکر خودش به اتفاقات جاری می‌نگریست.

تحلیل نشان داد که نسبت مخاطبین درونی به بیرونی در هر چهار دپارتمان، بیشتر از 5:1 بود. افراطی‌ترین نمونه دپارتمان عملیات بود که نسبت 13:1 را داشت. البته در میان این بخش‌ها، همین دپارتمان عملیات بود که از میزان مشتریان بازدیدکننده از سایت اطلاع داشت. آن‌ها بر گنجینه‌ای از داده درباره‎ی زمان و علت مراجعه‌ی افراد به سایت و تعاریف یا شکایاتشان درباره‌ی کمپانی نشسته بودند.

سایر دپارتمان‌ها اصلا نمی‌دانستند که بخش عملیات چنین داده‌هایی را جمع‌آوری می‌کند. و بخش عملیات هم نمی‌دانست که آیا این داده‌‎ها به درد سایر دپارتمان‌ها می‌خورند.

به‌منظور حل این مشکل، سازمان از یک سری کارکنان منتخب هر دپارتمان خواست که نقش رابط را ایفا کنند. آن‎ها جلسه‌ای هفتگی را برگزار می‌کردند که در آن مدیران تمامی دپارتمان‌ها دور هم جمع می‌شدند تا درباره‌ی کارشان صحبت کنند. هر جلسه موضوع مختص خودش را داشت و بدین ترتیب کارکنان رده‌پایین‌تری که کارشان به آن زمینه مرتبط بود نیز وارد مباحثات می‌شدند.

مخلص کلام اینکه این سازمان غیرانتفاعی، میزان دامنه‌ی بیرونی پرسنلش را افزایش داد. در نتیجه، بخش عملیات متوجه شد که بخش‌های بازاریابی و روابط عمومی هم می‌توانند از یافته‌های مربوط به افزایش شکایات نسبت به یک صنعت بخصوص و الگوهای آن منتفع شوند. ازآنجایی‌که کارکنان بخش عملیات متوجه فواید چنین بینش‌هایی شدند، از شیوه‌‎های جدیدی برای تحلیل داده‌های خود بهره گرفتند.

آسیب‌پذیری

اگرچه داشتن افرادی که بتوانند اطلاعات و بینش‌های یک بخش از سازمان را به دیگری منتقل کنند، مفید واقع خواهد شد، اما اتکای بیش‌ازحد به این افراد موجب آسیب‌پذیری کمپانی می‌گردد.

به‌عنوان مثال، یک نیروی کار به اسم آرویند را در نظر بگیرید که مدیر بخش بسته‌‎بندی در یکی از بزرگ‌ترین کمپانی‌های تولید کالای مصرفی در دنیا است. او یک رابط بود که چندین بخش را به هم متصل می‌کرد. او بود که مدام با همتایان خود و تامین‌کنندگان جای‌جای دنیا صحبت می‌کرد. اما در منشور سازمان، هیچ جایگاه ویژه‌ای برای آرویند در نظر گرفته نشده بود: او صرفا یک مدیر میان‌‌رده بود که کارش را خوب انجام می‌داد. کمپانی‌ها در خطر از دست دادن نیروهایی همچون آرویند قرار دارند، زیرا آن‌ها هیچ سیگنال ویژه‌ای برای اهمیت خود صادر نمی‌کنند و شرکت‌ها تنها پس از رفتن آن‎هاست که نبودشان را حس می‌کنند.

بدون حضور آرویند، بخش بسته‌‎بندی از فقدان استحکام رنج می‌برد. شبکه‌ها زمانی مستحکم می‌شوند که پس از حذف گره‌هایشان، منظور کارکنان آن‌ها از هم نپاشند. در این نمونه، اگر آرویند از کمپانی برود، ارتباط داخلی برخی از دپارتمان‌ها و رابطه‌ی آن‌ها با تأمین‌کنندگان قطع خواهد شد.

منظورمان این نیست که آرویند غیرقابل جایگزین است. صرفا پشتوانه‌سازی لازم انجام نگرفته بود. کمپانی هیچ‌گاه متوجه نشد که هیچ‌کس دیگری از شبکه‌ی ارتباطات فراهم شده توسط آرویند استفاده نمی‌کند. همین عامل موجب آسیب‌پذیری آن‌ها شد: اگر آرویند مریض می‌شد یا به مرخصی می‌رفت، ناگهان تصمیم می‌گرفت با یکی از تامین‌کنندگان کار نکند و تعامل با او را متوقف می‌کرد و یا از کار بیش‌ازحد خسته می‌شد و نمی‌توانست با این حجم از برقراری روابط کنار بیاید، کار کند پیش می‌رفت.

منظورمان این نیست که آرویند غیرقابل جایگزین است. صرفا پشتوانه‌سازی لازم انجام نگرفته بود. کمپانی هیچ‌گاه متوجه نشد که هیچ‌کس دیگری از شبکه‌ی ارتباطات فراهم شده توسط آرویند استفاده نمی‌کند. اگر آرویند مریض می‌شد یا به مرخصی می‌رفت، کار کند پیش می‌رفت.

همان روزی که نوشیر به کمپانی رفته بود تا آسیب‌پذیری در بخش بسته‎‌بندی‌شان را به اطلاع آن‎ها برساند، وارد اتاقی شد که پر از کیک و شیرینی بود. یکی از مدیران ارشد با خوشحالی به او گفت که شرکتشان برای آرویند جشن گرفته است. او داشت بازنشست می‎‌شد. دهان نوشیر از تعجب باز ماند. مهمانی ادامه پیدا کرد، اما وقتی از میزان اهمیت آرویند اطلاع ‌یافتند، به‌سختی تلاش کردند تا چند سال دیگر او را حفظ کنند و در این حین، از تحلیل رابطه‌ای برای برنامه‌ی جایگزینی او بهره گرفتند تا چند نفر را برای بر عهده گرفتن مسئولیتش تربیت کنند.

خروجی دیجیتال کمپانی خود را ثبت کنید

وقتی این شش شاخصه‌ی ساختاری که شاکله‌ی تحلیل رابطه‌ای هستند را درک کردید، عمل براساس بینش‌های برگرفته از آن‌ها نسبتا ساده خواهد بود. غالبا راهکارهای پیشنهادی توسط آن‎ها پیچیده نیست: جلسات بین واحدها را تنظیم کنید، افراد پرنفوذ را به کار بگیرید، آرویندهای خود را حفظ نمایید.

پس چرا خیلی از کمپانی‌ها از تحلیل رابطه‌ای برای مدیریت عملکرد خود بهره نمی‌‎گیرند؟ دو دلیل وجود دارد. اولین دلیلش این است که بسیاری از تحلیل‌های شبکه‌ایِ انجام شده توسط کمپانی‌ها، چیزی فراتر از یک تصویر زیبا و تزئینی نیستند. آن‌ها الگوهای پیش‌بینی‌کننده‌ی عملکرد را شناسایی نمی‌‎کنند.

دومین دلیل این است که:

هر بار که کارکنان از اوتلوک برای ارسال ایمیل بهره می‌‎گیرند، در اسلک به هم پیغام می‌فرستند، پست یکدیگر را در ورک‌پلیس فیس‌بوک لایک می‌کنند، در مایکروسافت تیمز گروه می‌سازند یا از طریق ترلو افراد را به نقاط عطف پروژه‌هایشان تخصیص می‌دهند، پلتفرم به ثبت اندرکنش‌های آن‎ها می‌‎پردازد. این اطلاعات می‌توانند برای شکل‌‌گیری دیدگاه‌ها نسبت به کارکنان، تیم‌ها و شبکه‌های سازمانی استفاده شوند که می‌توانید از طریق آن‎ها، به انتخاب شاخصه‌های ساختاری فوق‌الذکر بپردازید.

چندین سال است که در حال توسعه‌ی یک داشبورد هستیم تا خروجی دیجیتال این پلتفرم‌‎های متنوع را به‌صورت آنی ثبت کند و از تحلیل رابطه‌ای برای کمک به مدیران بهره بگیرد تا بتوانند کارکنان را متناسب با وظایفشان برگزینند، تیم‌ها را برای افزایش نوآوری و بهره‌وری تشکیل دهند و حوزه‌های منزوی و آسیب‌پذیر سازمان را شناسایی کنند. در اینجا به ذکر تعدادی از آموزه‎‌های خود در حین این پروسه می‌پردازیم:

جمع‌آوری داده‌های کارکنان به شیوه‌ی منفعل راحت‌تر است. به‌منظور جمع‌آوری داده‌های نسبی، کمپانی‌ها معمولا از پرسش‌نامه‌ برای بررسی تعاملات افراد بهره می‌گیرند. اما پرسش‌نامه‌‎ها زمان‌بر هستند و میزان دقت پاسخ‌ها با یکدیگر فرق می‌‎کند (برخی کارکنان صرفا گمانه‌زنی می‌کنند). همچنین برای اینکه داده‌های رابطه‌ای مفید واقع شوند، باید از تمامی افراد کمپانی جمع‌آوری شوند نه اینکه صرفا یک عده‌ی خاص نشانه‌گیری شوند. همان‌طور که یکی از مدیران یک کمپانی خدمات مالی بزرگ به ما گفت: «اگر من به هرکدام از 15 هزار نیروی کارم یک پرسش‌نامه بدهم که پر کردن آن نیم ساعت زمان می‌برد، به‌اندازه‌ی یک‌میلیون دلار ضرر می‌‎کنیم. اگر روابط آن‌ها طی ماه آینده عوض شود چه؟ آیا باید 1 میلیون دلار دیگر ضرر کنیم و دوباره این پرسش‌نامه را توزیع نماییم؟».

اما داده‌های رابطه‌ایِ جمع‌آوری‌شده توسط کمپانی، چالش‌های جدیدی را به وجود می‌آورند. اگرچه اکثر قراردادهای استخدام، حق ثبت فعالیت‌ها و نظارت بر سیستم‌ها را در اختیار شرکت می‌گذارند؛ اما برخی از کارکنان حس می‌‎کنند که جمع‌آوری داده‌های رابطه‌ای به شیوه‌ی منفعل، تجاوز به حریم خصوصی‌شان است. این مشکل بدیهی نیست. کمپانی‌ها باید سیاست‌های شفافی را در زمینه‌ی جمع‌آوری و تحلیل خروجی‌های دیجیتالی داشته باشند تا کارکنان این پروسه را درک کرده و حس خوبی نسبت به آن پیدا کنند (کادر «پس حریم خصوصی نیروی کار چه می‌‎شود؟» را مشاهده کنید).

داده‌های رفتاری، واقعیت را به شکل بهتری منعکس می‌‎کنند. همان‌طور که اشاره کردیم، خروجی دیجیتال میزان جانب‌داری کمتری نسبت به داده‌های برگرفته از پرسش‌نامه‌ها دارد. مثلا امکان دارد افراد در پرسش‌نامه‌ها به شخصیت‌هایی اشاره کنند که دوست دارند با آن‎ها تعامل داشته باشند، نه افرادی که واقعا با آن‏‎ها تعامل دارند. و ازآنجایی‌که هر نیروی کار حداقل در چندین پلتفرم ارتباطی حضور دارد، کمپانی‌ها می‌توانند شبکه‌هایی را ترسیم کنند که ارائه‌گر کل نیروی کار هستند و همین امر موجب افزایش دقت تحلیل می‌شود.

همچنین تمامی رفتارها با یکدیگر برابر نیستند. لایک کردن پست یک نفر با همکاری نزدیک و دوساله با او فرق دارد. اینکه نام یک نفر را در ایمیلتان کپی کنید، بدین معنا نیست که رابطه‌ی مستحکمی با او دارید. بلکه نحوه‌ی سبک‌‎سنگین کردن و ترکیب این رفتارهاست که اهمیت دارد. اینجاست که الگوریتم‌های یادگیری ماشینی و مدل‌های شبیه‌‎سازی مفید واقع می‌شوند. با اندکی دانش فنی (و درک شاخصه‌های ساختاری که می‌توانند نتایج عملکردی را پیش‎بینی کنند)، استقرار این سیستم‌ها دشوار نخواهد بود.

به‌روزرسانی مداوم ضرورت دارد. رابطه‌ها پویا هستند. افراد و پروژه‎‌ها می‌آیند و می‌روند. داده‌های رابطه‌ای در زمانی مفید هستند که به‌موقع فراهم شوند. مثلا اگر یک نیروی کار مرخصی زایمان بگیرد و چند ماهی سر کار نیاید، یک تحلیلگر می‌تواند این دوره‌ی زمانی را از داده‌هایش حذف کند یا دوره‎ی زمانی وسیع‌تری از داده‌ها را جمع‌بندی نماید. اگر در یک سال فلان کمپانی توسط یک سازمان‎ دیگر تصاحب شود، تحلیلگر می‌تواند داده‌های رابطه‌ایِ پیش و پس از این انتقال را مقایسه کند تا نحوه‌ی تغییر در میزان آسیب‌پذیری کمپانی را به تصویر بکشد.

تحلیل‌ها باید با همکاری نزدیک تصمیم‌گیرندگان صورت گیرند. اکثر کمپانی‌ها از متخصصان علم داده‌ها بهره می‌‌گیرند تا بینش‌های مربوط به مدیریت استعداد و عملکرد خود را گلچین کنند. این امر غالبا یک تنگنا به وجود می‌آورد، زیرا آن‌قدر متخصص داده نداریم که بخواهند تمامی جستارهای مدیریتی را به شکل به‌موقع بررسی نمایند. همچنین متخصصان داده با کارکنانی که رویشان تحلیل انجام می‌دهند آشنا نیستند، بنابراین نمی‌توانند چارچوب درستی برای نتایجشان بسازند.

داشبوردها نقش کلیدی دارند. سیستمی که شاخصه‌‎های ساختاری را شناسایی می‎کند و آن‎ها را به تصویر می‌کشد، باعث می‌شود که بینش‌های تحلیلی در اختیار مدیران نیازمند به آن‎ها قرار بگیرند. همان‌طور که یکی از مدیران یک کمپانی تولیدکننده‌‎ی چیپ‌های نیمه‌رسانا می‌گوید، «دوست دارم مدیرانم داده‌های لازم برای تصمیم‌گیری صحیح درباره‌ی نحوه‌ی استفاده از کارکنانشان را داشته باشند. و دوست دارم این تصمیمات را در مقاطع زمانی صحیح اتخاذ کنند».

اما در روزهای ابتدایی استفاده از این رویکرد، اکثر کمپانی‌‎ها روی ویژگی‌های افراد متمرکز شده‌اند و کاری به روابط میان کارکنانشان ندارند. بررسی ویژگی‌های افراد، شرکت‌ها را نهایتا تا جایگاه کنونی‌شان می‌رساند. اما اگر بتوانند تحلیل رابطه‌ای را در کنترل خود دربیاورند، می‌توانند احتمال دستیابی یک نیروی کار، یک تیم یا کل سازمان به اهداف عملکردی را برآورد نمایند.

همچنین آن‌ها می‌توانند از الگوریتم‌های خاصی برای تخصیص پرسنل استفاده کنند تا برای تغییر در شبکه‌های کارکنان یا یک نیاز مدیریتی ویژه اختصاص داده شوند. البته بهترین شرکت‌ها از تحلیل رابطه‌ای برای تقویت معیار تصمیم‌گیری خود و ایجاد سازمان‌های سالم‌تر، خوشحال‌تر و مفیدتر بهره خواهند گرفت.


پس حریم خصوصی نیروی کار چه می‌‎شود؟

وقتی صحبت از حریم خصوصی داده‌های نیروی کار به میان می‌آید، تحلیل رابطه‌ای معادله را تغییر می‌دهد. وقتی کارکنان به شکلی فعال و در قالب فرم‌های استخدام، پرسش‌نامه‌ها و… به بیان اطلاعات مربوط به خودشان می‌پردازند، می‌دانند که کمپانی‌شان این اطلاعات را در اختیار داشته و می‌تواند از آن‌ها بهره بگیرد. اما امکان دارد هیچ اطلاعی از جمع‌آوری منفعلانه‌ی داده‌های رابطه‌ای نظیر افرادی که با آن‌ها در اسلک چت کرده یا زمانی که یک ایمیل را کپی می‎‌کنند یا تحلیل چنین اطلاعاتی نداشته باشند.

مسئولیت اول کمپانی‌ها این است که شفاف باشند. اگر می‌خواهند خروجی‌‌های دیجیتال را جمع‌آوری کنند، باید از کارکنان بخواهند که تفاهم‌نامه‌ی بهره‌‎برداری از الگوهای تعاملشان با ابزارهای تحت تملک کمپانی و رهگیری آن‎ها به‌منظور تحلیل شبکه‌های اجتماعی سازمان را امضا کنند. افشای کامل این موضوع و جلب رضایت نیروی کار، تنها گزینه است.

برخی اعمال دیگر را پیدا کرده‌ایم که رهبران می‌توانند از آن‌ها بهره بگیرند تا در زمینه‌ی مشکلات حریم خصوصی پیش‌دستی کنند:

اولا هر داده‌ی رابطه‌ای که درباره‌ی کارکنان جمع‌آوری می‌کنید را در اختیارشان بگذارید. توصیه می‌کنیم که حداقل سالی یک بار این کار را انجام دهید. این داده‌ها می‌توانند شامل نقشه‌ای از شبکه‌ی خودِ کارکنان و مقایسه‌های میان آن‌ها باشد. مثلا یک گزارش می‌تواند نمره‌ی محدودیت هر نیروی کار (که میزان گستردگی شبکه‌ی اجتماعی فرد را نشان می‌دهد) و متوسط نمره‌ی محدودیت کارکنان دپارتمانش را ارائه کند. سپس همین نمره می‌تواند محور برگزاری یک جلسه‌ی ارشاد باشد.

ثانیا درباره‌ی عمق تحلیل رابطه‌‎ای که می‌خواهید انجام دهید، شفاف‌سازی کنید. پایه‌ای‌ترین سطح تحلیل – و کم‌آسیب‌ترین نوع آن برای حریم خصوصی افراد – تحلیل الگوی عمومی است. مثلا امکان دارد این تحلیل نشان دهد که بازاریابی یک سیلو است؛ اما افرادی که به منزوی شدن این بخش کمک می‌کنند را شناسایی نکند. یا امکان دارد تحلیل نشان دهد که درصد معینی از تیم‌ها دارای شاخصه‌ی نوآوری هستند؛ اما اطلاعی درباره‌ی ماهیت این تیم‌ها ندهد.

دومین سطح، کارمندان ویژه‌ی هر کمپانی که دارای انواع معینی از شبکه‎‌ها هستند را شناسایی می‌کند. این امتیازها می‌‎توانند پیش‌بینی‌های مستند درباره‎ی رفتار هر نیروی کار باشند – مثلا اینکه چه کسی می‌تواند پرنفوذ باشد یا خروج کدامین نفر موجب آسیب‌پذیری سازمان خواهد شد. اگرچه این سطح از تحلیل ارزش بیشتری برای کمپانی دارد، اما این کارکنان ویژه را انگشت‌نما می‌کند.

بالاترین سطح، تحلیل رابطه‌ای را با یادگیری ماشینی همراه می‌کند. در این سناریو، کمپانی‌ها داده‌هایی را درباره‌ی افرادی که می‌توان با آن‎ها تعامل داشت و موضوعات موردبحث با آن‎ها فراهم می‌کند. شرکت‌ها محتوای ایمیل‌ها و پست‌های شبکه‌‎های اجتماعی را بررسی می‌‎کنند تا ببینند که هر کس در کدام حوزه‌ها تخصص دارد. این اطلاعات، جزئی‌ترین راهنمایی‌ها را در اختیار رهبران می‌گذارند – مثلا اینکه چه کسی می‌تواند صاحب ایده‌های خوب در یک سری حوزه‌‎های مشخص باشد. این پیشرفته‌ترین سطح تحلیل نیز با نگرانی‌هایی در زمینه‌ی حریم شخصی همراه است و رهبران ارشد باید استراتژی‌های کاملا حساب‌شده را برای مواجهه با آن‌ توسعه دهند.


پل لئوناردی استاد مدیریت فناوری در دانشگاه کالیفرنیا و موسس گروه سرمایه‌گذاری دوکا است و درباره‌ی نحوه‌ی بهره‌برداری از داده‌های شبکه‌های اجتماعی و فناوری‌های جدید که به‌منظور بهبود عملکرد و روحیه‌ی کارکنان استفاده می‌‎شوند، مشاوره می‌دهد.

نوشیر کانترکتور استاد جین اس. و ویلیام جی. وایت در حوزه‌ی علوم رفتاری در دانشگاه نورث ورث و سرپرست گروه تحقیقاتی «علم شبکه‌ها» است.

این مقاله در شماره ی زیر منتشر شده است:

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *