Bạn có biết Nhóm của bạn hoàn thành công việc như thế nào không?
Trong một nghiên cứu tại bốn công ty nằm trong danh sách Fortune 500, khi các nhà quản lý được hỏi về công việc của nhóm, trung bình họ không biết hoặc không thể nhớ được 60% công việc mà nhóm của họ làm. Đây là một vấn đề lớn vì nó có thể dẫn đến các mục tiêu chuyển đổi kỹ thuật số không thực tế và phân bổ nguồn lực kém. Nhưng trong cùng một nghiên cứu, các công cụ học máy đã có thể thu hẹp khoảng cách giữa trực giác của người quản lý và thực tế. Nghiên cứu cho thấy rằng việc sử dụng các thuật toán ML làm giảm khoảng cách thu hồi công việc trung bình từ ~ 60% xuống 24%. Các nhà quản lý nên triển khai các công cụ ML như vậy nhưng thực hiện các bước để đảm bảo nhân viên không cảm thấy bị khảo sát – họ có thể ẩn danh và tổng hợp dữ liệu, đồng thời trao đổi cởi mở với nhân viên về những gì họ đang đo lường và những gì họ hy vọng đạt được.
Các nhà quản lý biết bao nhiêu về cách hoạt động của nhóm của họ? Gần đây, chúng tôi đã thực hiện một nghiên cứu liên quan đến 14 nhóm bao gồm 283 nhân viên trong bốn công ty nằm trong danh sách Fortune 500. Khi các nhà quản lý được hỏi về công việc của nhóm họ, trung bình họ không biết hoặc không thể nhớ được 60% công việc mà nhóm của họ làm. Trong một trường hợp cực đoan, một người quản lý trong nghiên cứu của chúng tôi chỉ có thể mô tả 4% công việc của nhóm họ.
Chi phí cho các nhà quản lý không biết khoảng cách này tồn tại có thể cao, ngay cả trong các nhóm nhỏ chỉ năm thành viên, và do đó có thể áp dụng cho bất kỳ công ty nào, dù lớn hay nhỏ. Các nhà quản lý và những người ra quyết định chính ở tất cả các cấp đặt ra các mục tiêu chuyển đổi kỹ thuật số mà không hiểu đầy đủ về cách các nhóm của họ hoàn thành công việc hoặc điểm khó khăn nằm ở đâu. Thông thường, họ dựa vào phỏng đoán để quyết định khoản đầu tư nào sẽ giúp ích cho nhóm của họ. Do đó, họ đánh giá thấp năng suất của nhân viên một cách có hệ thống hoặc phân bổ kém các nguồn lực và đầu tư vào công nghệ như tự động hóa. Covid-19 và quá trình chuyển đổi sang công việc kỹ thuật số từ xa chỉ khiến các nhà quản lý khó hiểu hơn về cách các nhóm của họ đang làm việc.
Nhưng nghiên cứu của chúng tôi cũng chỉ ra rằng vấn đề có thể khắc phục được bằng cách sử dụng các thuật toán Máy học (ML) để học hỏi từ cách các nhóm sử dụng công nghệ để thực hiện công việc của họ – miễn là các biện pháp bảo vệ được đưa ra để bảo vệ quyền riêng tư của nhân viên.
Những gì chúng tôi tìm thấy
Trong nghiên cứu, chúng tôi đã yêu cầu các nhà quản lý dạy một hệ thống phần mềm về các quy trình mà họ cho là chiếm phần lớn thời gian của nhóm. Sử dụng giao diện tương tự như giao diện mà mọi người sử dụng khi họ gắn thẻ ảnh của mình trên Facebook, các nhà quản lý đã thực hiện các mẫu của từng quy trình trên máy của họ theo cách mà họ mong đợi nhóm của mình thực hiện công việc. Sau đó, họ gắn thẻ các quy trình này dưới các danh mục như “quản lý đơn hàng”, “quy trình kế toán” và “hoạt động chuỗi cung ứng”. Không có giới hạn về số lượng quy trình mà người quản lý có thể dạy hệ thống. Các nhà quản lý dựa vào trực giác, khả năng phán đoán và kinh nghiệm của họ để đưa vào danh sách chọn lọc và dạy những quy trình mà họ tin rằng đã chiếm hầu hết các nỗ lực của nhóm. Dữ liệu này được thu thập thành “biểu đồ công việc”, một bản đồ về cách các nhóm này hoàn thành công việc.
Sử dụng các quy trình do người quản lý dạy, các thuật toán học máy của chúng tôi đã cố gắng tìm ra các mẫu công việc tương tự đang được thực hiện bởi các thành viên trong nhóm. Sau đó, chúng tôi đo thời gian trong ngày của mỗi nhóm trong đó các thành viên trong nhóm thể hiện các mô hình tương tự của các quy trình được dạy. Về bản chất, đây là thước đo cho mức độ mà trực giác của người quản lý đối với công việc hàng ngày của nhóm.
Một khía cạnh chính của các nghiên cứu này là duy trì quyền riêng tư của người dùng: chúng tôi đảm bảo rằng tất cả các công cụ và thu thập dữ liệu đều ẩn danh người dùng cuối, tổng hợp dữ liệu cho một nhóm và cung cấp cho các nhóm công cụ để xác định và lọc thông tin nhận dạng cá nhân nhạy cảm. Tất cả các phân tích chỉ được thực hiện ở cấp độ nhóm tổng hợp, mà không xác định bất kỳ cá nhân nào.
Chúng tôi giả định rằng trong một kịch bản lý tưởng, người quản lý phải có khả năng chiếm ít nhất 80% công việc hàng ngày của nhóm – dựa trên ngưỡng danh nghĩa đó trong một cuộc khảo sát mà chúng tôi thực hiện giữa các nhà quản lý, nơi chúng tôi yêu cầu họ đánh giá mức độ công việc hàng ngày của nhóm mà họ mong đợi hiểu được. Chúng tôi xác định khoảng trống thu hồi công việc như một phần công việc hàng ngày của nhóm mà một người quản lý không thể đảm nhiệm, giả sử mức trần là 80%. Đây cũng là một thước đo cho sự thiếu hoàn chỉnh trong hiểu biết của người quản lý về công việc mà nhóm của họ làm hàng ngày.
Chúng tôi nhận thấy khoảng trống thu hồi công việc khá lớn ở tất cả 14 nhóm – trước sự ngạc nhiên của các nhà quản lý của họ – trong các chức năng từ hoạt động chuỗi cung ứng, quản lý dự án, tương tác với khách hàng, quản lý dữ liệu tổng thể, tài chính / kế toán và nhân sự.
Một ví dụ giúp minh họa các vấn đề cụ thể mà nghiên cứu của chúng tôi đã phát hiện ra: Trong một công ty, nhóm chuỗi cung ứng liên tục phải đối mặt với những lời phàn nàn từ nhân viên về việc triển khai kế hoạch nguồn lực doanh nghiệp (ERP) kém. Mặc dù đúng và đủ về mặt kỹ thuật, việc triển khai thiếu một số tính năng để xử lý dữ liệu. Do đó, đối với các giao dịch thông thường, nhân viên buộc phải dành thời gian sao chép dữ liệu từ hệ thống ERP sang Excel, tạo bảng tổng hợp và lặp lại dữ liệu. Cuối cùng khi họ đã có câu trả lời, họ đã sao chép lại dữ liệu vào hệ thống ERP.
Khi nỗ lực bổ sung này được cộng dồn qua một số giao dịch, nó chiếm một phần lớn công việc hàng tháng của nhóm. Mọi người trong nhóm đều biết đây là một vấn đề ở một mức độ nào đó; họ cảm thấy xích mích mỗi ngày; nhưng không ai hiểu tình hình tồi tệ như thế nào cho đến khi chúng tôi giúp họ đo lường khoảng cách về sự đánh giá thấp của người quản lý của họ.
Các nhà lãnh đạo có thể làm gì?
Tin tốt là nghiên cứu của chúng tôi đã chứng minh rằng khoảng cách thu hồi công việc có thể được thu hẹp với việc sử dụng Máy học (ML). Trong nghiên cứu, chúng tôi đã sử dụng một lớp thuật toán ML không yêu cầu không tí nào đầu vào của người quản lý để phát hiện các mẫu công việc của nhóm. Chúng tôi đã loại trừ các mẫu trùng lặp với các mẫu do người quản lý mô tả, sau đó đo lường phần gia tăng trong ngày của nhóm có thể được tính bằng cách sử dụng các mẫu được phát hiện hoàn toàn bằng thuật toán ML và không có sự tham gia của con người. Một cách ngắn gọn, các thuật toán ML này tìm ra các đợt ngắn các hoạt động lặp đi lặp lại trong mô hình làm việc của một nhóm. Sau đó, họ kết hợp các hoạt động lặp đi lặp lại phổ biến nhất để tạo thành một chuỗi hoạt động dài hơn. Và lặp lại quá trình này cho đến khi chúng không thể kết hợp các hoạt động với nhau nữa.
Chúng tôi nhận thấy rằng việc sử dụng các thuật toán ML đã giảm khoảng cách nhớ lại công việc trung bình trong nghiên cứu của chúng tôi từ ~ 60% xuống còn 24%. Trong nhóm mà các quy trình do người quản lý mô tả chỉ chiếm 4% công việc hàng ngày của nhóm, các thuật toán ML có thể chiếm thêm 48% công việc hàng ngày của nhóm trong các hoạt động hiệu quả (giảm khoảng cách từ 96% xuống 48%)
Nhìn chung, các thuật toán hoạt động tốt hơn các nhà quản lý trong nghiên cứu của chúng tôi vì hai lý do. Đầu tiên, các nhà quản lý có cái nhìn lỗi thời và / hoặc không đầy đủ về các mô hình làm việc của nhóm họ. Ngược lại, các thuật toán ML có thể tìm ra các mẫu mà không cần dựa vào trực giác sẵn có về công việc đang được thực hiện. Thứ hai, các thuật toán ML có thể mở rộng quy mô cho vô số cách mà cùng một công việc được thực hiện. Chúng tôi đã thấy những trường hợp mà người quản lý thường dạy một vài ví dụ về cách họ nghĩ rằng công việc phải diễn ra, nhưng nhóm thực hiện cùng một công việc theo những cách khác với những gì người quản lý mong đợi. Ví dụ, khi thực hiện hòa giải thương mại, một số thành viên có kinh nghiệm của nhóm đã tìm ra những con đường ngắn hơn để đạt được hòa giải và do đó đã đi chệch khỏi các quy trình hoạt động tiêu chuẩn được quy định.
***
Nếu không có việc sử dụng các công cụ học máy để bù đắp, khoảng trống của các nhà quản lý trong việc nhớ lại công việc cơ bản của nhóm họ có thể sẽ chỉ tăng lên trong tương lai do xu hướng làm việc từ xa. Và nếu không có sự can thiệp, người quản lý có thể sẽ vẫn nằm trong bóng tối về những gì họ không biết – trong nghiên cứu của chúng tôi, các nhà quản lý thường bị sốc khi chúng tôi tiết lộ kết quả của mình cho họ.
Tương lai của không tí nào môi trường làm việc – không chỉ là môi trường làm việc từ xa – do đó phụ thuộc vào việc trang bị cho các nhà quản lý các công cụ và kỹ thuật mới để hiểu và quản lý nhóm của họ hiệu quả hơn. Việc sử dụng các công cụ này sẽ yêu cầu các tiêu chuẩn về quyền riêng tư nhất quán và cởi mở như tính ẩn danh của người dùng, tổng hợp dữ liệu và thông tin liên lạc nhất quán từ các nhà lãnh đạo để nhân viên hiểu được ý định của họ. Toàn bộ nghiên cứu của chúng tôi chỉ tập trung vào các nhóm và không cho phép xác định bất kỳ cá nhân nào.
Lời khuyên của chúng tôi để thay đổi các nhà lãnh đạo và quản lý là coi kinh nghiệm của nhóm bạn tại nơi làm việc như dữ liệu. Dữ liệu như vậy có thể sẽ tiết lộ những gì gây ra cho các nhóm của bạn và những gì có thể thực tế được với các khoản đầu tư vào chuyển đổi kỹ thuật số và các sáng kiến mới khác. Sau đó, tất cả các thay đổi với các nhà quản lý có thiện chí tốt nhất sẽ có thể đo lường được. Ngược lại, trong trường hợp không có dữ liệu như vậy, các mục tiêu từ trên xuống được đặt ra mà sự thật không được biết đến và các đội có rất ít lựa chọn ngoài việc đăng ký các kế hoạch mà không hiểu ý nghĩa của chúng, dẫn đến áp lực lớn cho các đội. Chúng tôi hy vọng rằng nếu các nhà quản lý hiểu thêm về các chi tiết cụ thể trong công việc của nhóm, họ sẽ đặt ra các mục tiêu thực tế hơn và giúp nhóm của họ trở nên hiệu quả hơn.
Thế giới bản tin | Vina Aspire News
Nguồn : https://hbr.org/2021/12/do-you-know-how-your-teams-get-work-done