Το team management στο ποδόσφαιρο θα μπορούσε να είναι ένα παράδειγμα προς μίμηση για την οργάνωση ομάδων εργαζομένων. Με τη διαφορά ότι το επιθυμητό αποτέλεσμα δεν είναι πάντοτε η νίκη.
Η ανάλυση στο ποδόσφαιρο έχει τα θεμέλια της λίγο μετά το Δεύτερο Παγκόσμιο Πόλεμο, όταν ο Charles Reep, ένας λογιστής στη Βρετανική Πολεμική Αεροπορία, χρησιμοποιώντας χαρτί και μολύβι, άρχισε να συλλέγει και να αναλύει δεδομένα για ποδοσφαιρικούς αγώνες. Ένα από τα πρώτα συμπεράσματα που κατέληξε ήταν ότι τα περισσότερα γκολ επιτυγχάνονταν όταν οι ποδοσφαιριστές δεν χρειάζονταν να ανταλλάσσουν πολλές πάσες. Δηλαδή, εάν η μπάλα προωθούνταν προς την αντίπαλη εστία με το συντομότερο τρόπο. Η θεωρία του, που έγινε γνωστή ως long ball, επέδρασε καθοριστικά στο εγγλέζικο ποδόσφαιρο για πολλά χρόνια και ειδικά στη δεκαετία του 80.
Έκτοτε, η ανάλυση δεδομένων στο χώρο του ποδοσφαίρου γνώρισε μεγάλη αποδοχή, με αποτέλεσμα, αρχικά ομάδες με γενναιόδωρους προϋπολογισμούς και στη συνέχεια μικρότερες ομάδες, να αξιοποιούν την ανάλυση δεδομένων σε λήψεις αποφάσεων που είχαν σχέση με τις μεταγραφές και τη διαμόρφωση της ομάδας πριν ξεκινήσει το παιχνίδι.
Η ΠΑΝΔΗΜΙΑ ΕΝΙΣΧΥΣΕ ΤΗΝ ΑΝΑΓΚΗ ΓΙΑ ΑΠΟΤΕΛΕΣΜΑΤΙΚΕΣ ΟΜΑΔΕΣ ΕΡΓΑΣΙΑΣ
Στη δεκαετία του 90, με τις τότε υπάρχουσες υπολογιστικές δυνατότητες της τεχνητής νοημοσύνης, η IBM είχε δημιουργήσει ένα πρόγραμμα, το οποίο είχε γίνει γνωστό ως «Numbers». Στόχος του ήταν να αξιοποιεί μεγάλο όγκο πληροφοριών για εργαζόμενους της εταιρείας, ώστε να προτείνει στη συνέχεια τη δημιουργία των πιο κατάλληλων ομάδων για την υλοποίηση έργων.
Η IBM που ήταν έκτοτε μια μεγάλη πολυεθνική εταιρεία, είχε συχνά την ανάγκη να συντονίζει ομάδες εργαζόμενων, οι οποίοι μπορεί να ζούσαν χιλιάδες χιλιόμετρα μακριά από τον άλλο. Συνήθως, τότε που τα ταξίδια δεν ήταν ακόμα υπό περιορισμό, οι ομάδες αυτές βρίσκονταν δια ζώσης και τα μέλη τους παρέμεναν μαζί μέχρι την υλοποίηση του έργου. Σε μια περίπτωση που μας είναι γνωστή, ένας τεχνικός της ΙΒΜ Ελλάδας, χρειάστηκε να μεταβεί για δύο χρόνια στην Οδησσό, προκειμένου να συμμετέχει στην υλοποίηση ενός έργου που είχε αναλάβει εκεί η εταιρεία. Τι ήταν, όμως, αυτό που έκανε την IBM να διαλέξει το συγκεκριμένο άτομο και να επωμισθεί πέρα από το μισθό του και τα έξοδα του ως expat;
Σε ένα άρθρο με τίτλο «Prepare orga-nizational data», το οποίο έχει γραφτεί για λογαριασμό της Microsoft, ο συντάκτης αναφέρει «Με τον όρο organizational data, εννοούμε όλη εκείνη την πληροφορία που βρίσκεται μέσα στον οργανισμό και βοηθά τους αναλυτές να διαμορφώσουν μια ακριβής εικόνα για τους εργαζόμενους». Η ανάλυση αυτών των δεδομένων, η οποία θα μπορούσε να φτάσει μέχρι και το επίπεδο του ψυχογραφήματος, προσφέρει αξιοποιήσιμη γνώση σχετικά με την ποιότητα επικοινωνίας και τις δυνατότητες συνεργασίας μεταξύ των εργαζομένων.
Το πιο συνηθισμένο σενάριο μιας τέτοιας ανάλυσης είναι η αναζήτηση patterns συνεργασίας μεταξύ διαφορετικών ομάδων εργαζομένων. Μπορούμε να αναλογιστούμε πόσο εύκολη θα μπορούσε να είναι μια τέτοια ανάλυση για μια εταιρεία που απασχολεί 10 ή ακόμα και 20 εργαζόμενους και πόσο πολύπλοκη μπορεί να γίνει για οργανισμούς των χιλιάδων ή δεκάδων χιλιάδων εργαζόμενων.
Οι παράμετροι που μπορούν να ληφθούν υπύψη σε μια τέτοια ανάλυση είναι δεκάδες ή ίσως εκατοντάδες, αν ο αναλυτής θέλει να γίνει πραγματικά λεπτολόγος. Οι δεξιότητες του εργαζόμενου είναι ο σταθερός εξ αυτών των παραγόντων, υπάρχουν όμως και άλλοι που δεν είναι αξιολογήσιμοι με την πρώτη ματιά, όπως το φύλο, η οικογενειακή κατάσταση, ο τόπος διαμονής, η κατάσταση της υγείας -σωματικής και ψυχικής, τα πολιτικά πιστεύω, η κοινωνική θέση και τα σπορ ή hobbies.
Η δύναμη που έχει αποκτήσει η τεχνητή νοημοσύνη, δίνει πλέον τη δυνατότητα στους οργανισμούς να συνυπολογίσουν δεκάδες παράγοντες, να δημιουργήσουν σενάρια ομάδων εργαζομένων και να έχουν μια εκτίμηση της αποτελεσματικότητάς τους πριν ακόμα τους καλέσουν στο τηλέφωνο. Το γεγονός ότι μια μηχανή αποφασίζει να στείλει τα μηνύματα πρόσκλησης στα άτομα που θα αποτελέσουν την ομάδα, ακούγεται οργουελικό και μάλλον είναι, αν και δεν είμαστε σίγουροι ότι έχει φτάσει στο επίπεδο που η μηχανή στέλνει τα μηνύματα χωρίς συμμετοχή ατόμων από το τμήμα ανθρώπινου δυναμικού. Το σενάριο μπορεί να γίνει ακόμα πιο τεχνοκρατικό, αν στο μίγμα των εργαζόμενων προσθέσουμε και μηχανές. Σε αυτήν την περίπτωση, μια ομάδα θα μπορούσε να αποτελείται από κάποια ρομπότ μεταφοράς, μερικούς χειριστές περονοφόρων οχημάτων, κάποιους ελεγκτές για την ομαλή λειτουργία του έργου και ίσως λίγα διοικητικά στελέχη που λαμβάνουν αποφάσεις, όταν η τεχνητή νοημοσύνη βρεθεί σε αδιέξοδο. Σε αποθήκες της Amazon ή της Walmart, ένα τέτοιο σενάριο είναι ήδη πραγματικότητα. Άνθρωποι και μηχανές κινούνται στον ίδιο χώρο και αλληλεπιδρούν για το βέλτιστο αποτέλεσμα, που είναι η καλύτερη δυνατή εξυπηρέτηση των αγοραστών.
ΕΞΕΙΔΙΚΕΥΣΗ ΑΠΕΝΑΝΤΙ ΣΕ ΕΥΕΛΙΞΙΑ
Ο οργανισμός που παράγει αυτό το περιοδικό δραστηριοποιείται επίσης και στην παραγωγή κλαδικών συνεδρίων. Ο τρόπος οργάνωσης των ομάδων του οργανισμού ακολουθεί μια από τις πεπατημένες διαδρομές. Ο οργανισμός έχει δημιουργήσει δεξαμενές εργαζομένων που έχουν περισσότερες δεξιότητες σε έναν τομέα, συντάκτες, πωλητές, λογιστές κ.λπ. και κάθε φορά που θέλει να παράγει ένα νέο προϊόν, επιλέγει άτομα από αυτές τις δεξαμενές.
Θα μπορούσε να αλλάξει αυτή η μορφή οργάνωσης; Ένας συντάκτης, για παράδειγμα, να γίνει πωλητής, ένας λογιστής να γίνει συντάκτης και πάει λέγοντας; Για μια εκδοτική εταιρεία, αυτό ακούγεται κάπως δύσκολο, δεν ισχύει όμως το ίδιο για μια εταιρεία που αναλαμβάνει έργα πληροφορικής και οι εργαζόμενοι της είναι εφοδιασμένοι με διαφορετικές πιστοποιημένες δεξιότητες. Σε αυτήν την περίπτωση, η ομάδα που θα αναλάβει την κάθε αποστολή, θα μπορούσε να αποτελείται από οποιαδήποτε εκ των ατόμων της δεξαμενής εργαζομένων, όπως θεωρητικά θα μπορούσε να γίνει σε μια ομάδα βόλεϊ, όπου όλοι οι παίκτες μπορούν να παίξουν σε όλες τις θέσεις ή τουλάχιστον θα έπρεπε να μπορούν.
Σε αυτήν την περίπτωση, οι δεξιότητες συνεχίζουν να παίζουν ένα σημαντικό ρόλο, γιατί ο παίκτης Α ίσως γνωρίζει καλύτερα από δίκτυα σε σχέση με τον παίκτη Β, αλλά αυτή η μικρή διαφορά θα μπορούσε και να μη ληφθεί υπόψη αν, για παράδειγμα, το έργο γίνονταν σε ένα υπόγειο data center και ο παίκτης Α είναι κλειστοφοβικός.
Στο παραπάνω παράδειγμα της εκδοτικής εταιρείας, ακόμα και αν έχουμε δύο συντάκτες που γράφουν εξαιρετικό πολιτικό ρεπορτάζ, δύσκολα θα εμπιστευόμασταν να γράψει ένα αντικειμενικό άρθρο για την εισβολή της Ρωσίας στην Ουκρανία, σε αυτόν που οι γονείς του ζούσαν ακόμα στην Ουκρανία.
ΚΑΛΥΤΕΡΗ ΠΟΙΟΤΗΤΑ ΔΕΔΟΜΕΝΩΝ ΣΤΗΝ ΑΝΑΛΥΣΗ ΟΜΑΔΩΝ
Στο άρθρο «How to be great at people analytics», το οποίο γράφτηκε το 2020, οι συντάκτες της McKinsey υποστηρίζουν ότι η πλειονότητα των μεγάλων εταιρειών διαθέτουν πλέον ομάδες ανάλυσης δεδομένων που εστιάζουν στο ανθρώπινο δυναμικό.
Όπως αναφέρεται στο ίδιο άρθρο, αν και το 70% των CEOs θεωρεί τα «people analytics» υψηλής προτεραιότητας project, συνήθως η υλοποίηση τους καθυστερεί και η βασική αιτία είναι τα χαμηλής ποιότητας δεδομένα που έχουν οι οργανισμοί για τους εργαζόμενους τους. Η κατάσταση αυτή ενισχύεται από την καθετοποίηση των τεχνολογικών εφαρμογών για το HR, με αποτέλεσμα τα δεδομένα να είναι συχνά διάσπαρτα σε διαφορετικά συστήματα που δεν επικοινωνούν μεταξύ τους. Μάλιστα, οι συντάκτες του άρθρου υποστηρίζουν ότι δεν αρκεί τα δεδομένα να βγουν από τα κουτιά που βρίσκονται, αλλά θα πρέπει να αναδιαμορφωθούν ώστε να ταιριάζουν καλύτερα στις ανάγκες του HR.
Για παράδειγμα, το HR θα ήθελε να γνωρίζει ποιο είναι το κόστος εργατοωρών ενός έργου, ανάλογα με τα άτομα που επιλέγονται να συμμετέχουν στην ομάδα που θα το υλοποιήσει. Η βασική συμβουλή των συντακτών για αυτό που ονομάζουν «stairway to heaven» είναι τα πρώτα τρία βήματα να εστιάσουν στην μεταμόρφωση των «φτωχών» δεδομένων, αρχικά σε «καλά» δεδομένα και στη συνέχεια σε «δυνατά»” δεδομένα, όπου η διαφορά του δεύτερου και τρίτου βήματος βρίσκεται στη διαμόρφωση των δεδομένων με τέτοια μορφή ώστε να είναι εύκολα διαθέσιμα και αναγνώσιμα από τα άτομα που λαμβάνουν αποφάσεις.
