اگزوز دیجیتال سازمان چیست و چه کاربردهایی دارد
هنگامی که شش امضای ساختاری که اساس تحلیلگری رابطه‌ای را تشکیل می‌دهند، درک کردید، عمل کردن بر اساس بینش‌هایی که آنها ارائه می‌دهند، نسبتاً آسان است. اغلب، راه‌حل‌هایی که آنها پیشنهاد می‌کنند پیچیده نیستند: جلسات متقابل را راه‌اندازی کنید، افراد با نفوذ را فعال کنید، افراد با شبکه بالای خود را حفظ کنید.
پس چرا اکثر شرکت ها از تحلیلگری رابطه‌ای برای مدیریت عملکرد استفاده نمی کنند؟
دو دلیل وجود دارد:
اولین مورد این است که بسیاری از تحلیل‌های شبکه که شرکت‌ها انجام می‌دهند چیزی بیشتر از تصاویر زیبا از گره‌ها و لبه‌ها نیستند. آنها الگوهایی را که عملکرد را پیش بینی می کنند شناسایی نمی کنند.
دلیل دوم این است که اکثر سازمان ها سیستم های اطلاعاتی برای جمع آوری داده های رابطه ای ندارند. اما همه شرکت‌ها یک منبع پنهان حیاتی دارند: اگزوز دیجیتالی آنها - گزارش‌ها، مسیرهای الکترونیکی و محتوای فعالیت‌های دیجیتالی روزمره. هر بار که کارمندان در اوتلوک به یکدیگر ایمیل می‌فرستند، در اسلک به یکدیگر پیام می‌دهند، مانند پست‌هایی در محل کار فیس‌بوک، تیم‌هایی را در تیم‌های مایکروسافت تشکیل می‌دهند، یا افراد را برای پروژه در ترلو تعیین می‌کنند، پلتفرم‌ها تعاملات را ضبط می‌کنند. از این اطلاعات می توان برای ایجاد دیدگاه هایی از شبکه های کارمند، تیم و سازمانی استفاده کرد که در آن می توانید امضاهای ساختاری را که در مورد آنها بحث کردیم، انتخاب کنید.
چندین سال است که در حال توسعه داشبوردی بوده‌ایم که اگزوز دیجیتال را در زمان واقعی از این پلتفرم‌های مختلف دریافت می‌کند و از تجزیه و تحلیل رابطه‌ای استفاده می‌کند تا به مدیران کمک کند تا کارکنان مناسب برای وظایف، تیم‌های کارکنان را برای کارایی و نوآوری پیدا کنند و حوزه‌هایی را در سازمان شناسایی کنند. پوشیده شده و در برابر گردش مالی آسیب پذیر است. در اینجا برخی از نکاتی که ما در این فرآیند یاد گرفتیم را به اشتراک می گذاریم:
جمع آوری غیرفعال برای کارکنان آسان تر است.
برای جمع‌آوری داده‌های رابطه‌ای، شرکت‌ها معمولاً کارمندانی را در مورد افرادی که با آنها در تعامل هستند، نظرسنجی می‌کنند. با این حال، نظرسنجی ها زمان می برد و پاسخ ها می توانند از نظر دقت متفاوت باشند (برخی از کارمندان فقط حدس می زنند). همچنین، برای اینکه واقعاً مفید باشد، داده‌های رابطه‌ای باید از همه افراد شرکت و نه فقط چند نفر ارائه شود. همانطور که یک مدیر اجرایی در یک شرکت خدمات مالی بزرگ به ما گفت: «اگر من به هر یک از 15000 کارمندم نظرسنجی بدهم که انجام آن نیم ساعت طول می‌کشد، فقط یک میلیون دلار از بهره‌وری خود را از دست داده‌ایم. و اگر روابط آنها در یک ماه تغییر کند چه؟ آیا باید دوباره با هزینه 1 میلیون دلار اضافی در ساعت کار این کار را انجام دهیم؟»
با این حال، داده های رابطه ای گردآوری شده توسط شرکت، چالش های جدیدی را ایجاد می کند. اگرچه اکثر قراردادهای کاری به شرکت ها حق ثبت و نظارت بر فعالیت های انجام شده در سیستم های شرکت را می دهند، برخی از کارکنان احساس می کنند که جمع آوری غیرفعال داده های رابطه ای تجاوز به حریم خصوصی است. این یک نگرانی بی اهمیت نیست. شرکت‌ها به سیاست‌های منابع انسانی روشنی در مورد جمع‌آوری و تجزیه و تحلیل اگزوز دیجیتال نیاز دارند که به کارکنان کمک کند آن را درک کنند و با آن احساس راحتی کنند.
داده های رفتاری بازتاب بهتری از واقعیت است.
همانطور که اشاره کردیم، اگزوز دیجیتال نسبت به داده‌های جمع‌آوری‌شده از طریق نظرسنجی‌ها سوگیری کمتری دارد. برای مثال، در نظرسنجی‌ها، افراد ممکن است ارتباطاتی را که فکر می‌کنند قرار است با آنها تعامل داشته باشند، فهرست کنند، نه آن‌هایی که واقعاً با آنها تعامل دارند. و از آنجا که هر کارمند حداقل در چندین پلت فرم ارتباطی خواهد بود، شرکت‌ها می‌توانند شبکه‌هایی را که نمایانگر کل نیروی کار هستند، نقشه‌برداری کنند که تحلیل را دقیق‌تر می‌کند.
همچنین، همه رفتارها برابر نیستند. لایک کردن پست یک نفر با کار تیمی با یک نفر به مدت دو سال متفاوت است. کپی کردن شخصی در یک ایمیل نشان دهنده یک رابطه قوی نیست. چگونگی وزن و ترکیب همه آن رفتارهای فردی مهم است. اینجاست که الگوریتم‌های یادگیری ماشین و مدل‌های شبیه‌سازی مفید هستند. با کمی دانش فنی (و با درک اینکه امضاهای ساختاری چه نتایج عملکردی را پیش‌بینی می‌کنند)، راه‌اندازی آن سیستم‌ها کار سختی نیست.
به روز رسانی مداوم مورد نیاز است.
روابط پویا هستند. افراد و پروژه ها می آیند و می روند. برای مفید بودن، داده های رابطه ای باید به موقع باشند. استفاده از اگزوز دیجیتال در مدل تجزیه و تحلیل رابطه ای این نیاز را برطرف می کند.
علاوه بر این، جمع‌آوری داده‌های رابطه‌ای در طول زمان به تحلیل‌گران انتخاب‌های بیشتری در مورد اینکه چه چیزی را بررسی کنند، می‌دهد. به عنوان مثال، اگر کارمندی برای چند ماه در مرخصی زایمان نبود، یک تحلیلگر می تواند آن دوره زمانی را از داده ها حذف کند یا تصمیم بگیرد که حجم بیشتری از داده ها را جمع آوری کند. اگر یک شرکت در یک سال خاص خریداری شده باشد، یک تحلیلگر می‌تواند داده‌های رابطه‌ای را از قبل و بعد از معامله مقایسه کند تا نشان دهد که آسیب‌پذیری‌های شرکت چگونه ممکن است تغییر کرده باشد.
تحلیل ها باید به تصمیم گیرندگان نزدیک باشد.
بیشتر شرکت ها برای به دست آوردن بینش های مرتبط با استعداد و مدیریت عملکرد، به دانشمندان داده تکیه می کنند. این اغلب یک گلوگاه ایجاد می کند، زیرا دانشمندان داده کافی برای پاسخگویی به موقع به تمام سوالات مدیریتی وجود ندارد. به علاوه، دانشمندان داده کارمندانی را که روی آنها تحلیل می‌کنند، نمی‌شناسند، بنابراین نمی‌توانند نتایج را در متن قرار دهند.
داشبوردها کلیدی هستند.
سیستمی که امضاهای ساختاری را شناسایی می کند و آنها را به صورت بصری برجسته می کند، بینش های تحلیلی را به مدیرانی که به آنها نیاز دارند نزدیک تر می کند. همانطور که یکی از مدیران یک شرکت تولید تراشه‌های نیمه‌رسانا به ما گفت: «من می‌خواهم مدیرانم اطلاعات لازم برای تصمیم‌گیری خوب در مورد نحوه استفاده از کارکنان خود را داشته باشند. و من می‌خواهم که آنها بتوانند این کار را زمانی انجام دهند که آن نقاط تصمیم‌گیری اتفاق افتاد، نه بعداً.»
نتیجه گیری
تحلیلگری افراد روش جدیدی برای تصمیم گیری مبتنی بر شواهد است که عملکرد سازمان ها را بهبود می بخشد. اما در این روزهای اولیه، بیشتر شرکت‌ها بیشتر بر ویژگی‌های افراد متمرکز شده‌اند تا بر روابط آنها با سایر کارکنان. نگاه کردن به ویژگی‌ها، شرکت‌ها را تنها تا این جا پیش می‌برد. با این حال، اگر آنها از تحلیلگری رابطه ای استفاده کنند، می توانند احتمال دستیابی یک کارمند، یک تیم یا کل سازمان را به یک هدف عملکردی تخمین بزنند. آنها همچنین می توانند از الگوریتم هایی برای تطبیق وظایف کارکنان با تغییرات در شبکه های کارکنان یا نیازهای مدیریتی خاص استفاده کنند. البته بهترین شرکت‌ها از تحلیلگری رابطه‌ای برای تقویت معیارهای تصمیم‌گیری خود و ایجاد سازمان‌های سالم‌تر، شادتر و سازنده‌تر استفاده می‌کنند.
اگر به حوزه تحلیلگری افراد (کارکنان) علاقمند هستید و تصمیم دارید در این حوزه از جدیدترین بینش ها و رویکردها مطلع شوید، همچنین با مفاهیم و ابزارهای این حوزه عمیقا آشنا شوید، پیشنهاد می‌کنیم در مسترکلاس People Analytics با تدریس دکتر هادی عارف ثبت نام و شرکت کنید.
علاوه بر این، اگر در سازمان خود تمایل دارید تا در حوزه تحلیلگری افراد (کارکنان) پروژه‌ای را انجام دهید و نیاز به مشاوره و راهنمایی دارید، می‌توانید با متخصصان آرسا (آکادمی رفتار سازمانی) در ارتباط باشید.
