Weet jij hoe jouw teams hun werk doen?

In een onderzoek van Wharton, Harvard & Soroco bij vier Fortune 500-bedrijven, werden managers gevraagd naar het werk van hun teams. Gemiddeld wisten zij niet hoe 60% werd gegaan, of konden ze zich niet herinneren. Dit is een groot probleem omdat het kan leiden tot onrealistische doelstellingen voor digitale transformatie en de slechte toewijzing van investeringen. Maar in dezelfde studie waren machine learning-tools in staat om de kloof tussen managerintuïtie en realiteit te overbruggen, waardoor de ‘work-recall-kloof’ verminderde van ~ 60% naar 24%. Managers moeten dergelijke ML-tools uitrollen om data gedreven besluiten te maken over operationele verbeteringen.

Het Probleem

Het niet weten dat deze kloof bestaat gaat gepaard met hoge kosten voor grote en kleine teams. Managers en beslingmakers stellen digitale transformatiedoelen zonder voldoende te begrijpen hoe hun teams werk gedaan krijgen of waar de pijnpunten liggen. Gewoonlijk nemen ze hun toevlucht tot het vertrouwen op giswerk om te beslissen welke investeringen hun teams zullen helpen. Als gevolg onderschatten ze systematisch de productiviteit van werknemers of wijzen ze middelen en investeringen in technologie zoals automatisering slecht toe. Covid-19 en de overgang naar digitaal werken op afstand hebben het voor managers alleen maar moeilijker gemaakt om te begrijpen hoe hun teams werken.

Maar onze studie toonde ook aan dat het probleem kan worden opgelost met behulp van Machine Learning (ML) -algoritmen voor process discovery, om te leren hoe teams technologie gebruiken om hun werk te doen - zolang er waarborgen zijn om de privacy van werknemers te beschermen.

Het Inzicht

In het onderzoek lieten we managers een softwaresysteem de processen leren die hun teams uitvoerden. Met behulp van een interface die vergelijkbaar is met de interface die mensen gebruiken wanneer ze foto's van zichzelf op Facebook taggen, voerden managers voorbeelden van elk proces op hun machines uit op de manier waarop ze verwachtten dat hun teams het werk zouden doen.

Vervolgens labelden ze deze processen onder categorieën zoals "order management", "Accounting proceses" en "supply chain-operatons”. Met behulp van de deze aangeleerde processen, wered onze machine learning-algoritmes ingezet om vergelijkbare werkpatronen te vinden die door de leden van het team werden uitgevoerd. Als gevolg werd een “bottom-up” en data gedreven beeld gecreed over hun business processes en dit ging gepaard met relevant process metrics zoals de duur van een process, welke applicaties zij aanraakten, volume en variaties.  

We gingen ervan uit dat in een ideaal scenario de manager in staat zou moeten zijn om ten minste 80% van het dagelijkse werk van hun teams te verantwoorden - op basis van die nominale drempel op een enquête die we onder managers hebben uitgevoerd, waarbij we hen vroegen om te beoordelen hoeveel van het dagelijkse werk van hun teams ze verwachtten te begrijpen. We definiëren de work recall gap als de fractie van het dagelijkse werk van het team die een manager niet kon verantwoorden, uitgaande van een plafond van 80%. Dit is ook een maatstaf voor gebrek aan volledigheid in het begrip van een manager van het werk dat zijn / haar team dagelijks doet.

We vonden een aanzienlijke hiaat in het terugroepen van werk in alle 14 teams - tot verbazing van hun managers - in functies variërend van supply chain-operaties, projectbeheer, klantinteracties, master data management, financiën / boekhouding en HR.

Een voorbeeld illustreert de specifieke problemen die onze studie aan het licht bracht: in één bedrijf kreeg het supply chain-team voortdurend te maken met klachten van werknemers over een slechte ERP-implementatie (Enterprise Resource Planning). Hoewel technisch correct en voldoende, miste de implementatie verschillende functies voor het verwerken van gegevens. Als gevolg hiervan werden de werknemers voor veelvoorkomende transacties gedwongen om tijd te besteden aan het kopiëren van gegevens uit het ERP-systeem naar Excel, het maken van draaitabellen en het herhalen van de gegevens. Toen ze eindelijk antwoorden hadden, kopieerden ze de gegevens terug naar het ERP-systeem.

Toen deze extra inspanning werd opgeteld over verschillende transacties, was het goed voor een groot deel van het maandelijkse werk van het team. Iedereen in het team wist tot op zekere hoogte dat dit een probleem was; ze voelden de wrijving elke dag; maar niemand begreep hoe erg de situatie was totdat we hen hielpen de kloof van de onderschatting van hun manager te meten.

We ontdekten dat het gebruik van ML-algoritmen de gemiddelde work-recall-kloof in onze studie verminderde van ~ 60% naar 24%. In het team waar door de manager beschreven processen slechts 4% van het dagelijkse werk van het team uitmaakten, waren ML-algoritmen in staat om nog eens 48% van het dagelijkse werk van het team in productieve activiteiten voor hun rekening te brengen (verkleinde de kloof van 76% naar 28%).

De Takeaways

Over het algemeen deden de algoritmen het om twee redenen beter dan managers in ons onderzoek. Ten eerste hadden managers een verouderd en/of onvolledig beeld van de werkpatronen van hun team. ML-algoritmen kunnen daarentegen patronen vinden zonder te vertrouwen op reeds bestaande intuïties over welk werk wordt gedaan. Ten tweede kunnen ML-algoritmen schaalbaar rekening houden met een groot aantal manieren waarop hetzelfde werk wordt gedaan. We zagen gevallen waarin de manager meestal een paar voorbeelden leerde van hoe ze dachten dat het werk moest gebeuren, maar het team voerde hetzelfde werk op verschillende manieren uit dan wat de manager verwachtte. Bij het uitvoeren van een handelsafstemming hadden verschillende ervaren leden van een team bijvoorbeeld kortere wegen gevonden om de afstemming te bereiken en daarom afgeweken van de voorgeschreven standaard operationele procedures.

Zonder het gebruik van machine learning-tools om te compenseren, zullen de hiaten van managers in het herinneren van het basiswerk van hun teams in de toekomst waarschijnlijk alleen maar toenemen, gezien de trend naar werken op afstand. En zonder interventie zullen managers waarschijnlijk in het duister blijven over wat ze niet weten - in onze studie waren managers routinematig geschokt toen we onze resultaten aan hen onthulden.

De toekomst van elke werkomgeving - niet alleen externe werkomgevingen - hangt dus af van het uitrusten van managers met nieuwe tools en technieken om hun teams effectiever te begrijpen en te beheren. Het gebruik van dergelijke tools vereist consistente en open privacystandaarden zoals anonimiteit van gebruikers, aggregatie van gegevens en consistente communicatie van leiders, zodat werknemers hun intenties begrijpen. Onze hele studie richtte zich alleen op teams en maakte het niet mogelijk om individuen te identificeren.

Ons advies aan leiders en managers is om de ervaring van uw team op het werk te behandelen als Data. Dergelijke gegevens zullen waarschijnlijk onthullen wat uw teams dwars zit en wat realistisch mogelijk is met investeringen in digitale transformatie en andere nieuwe initiatieven. Dan zijn alle veranderingen met de bestbedoelende managers meetbaar. Omgekeerd, bij gebrek aan dergelijke gegevens, worden top-down doelen gesteld zonder dat de feiten bekend zijn. Onze hoop is dat als managers meer begrijpen over de details van het werk van hun teams, ze realistischere doelen zullen stellen en hun teams zullen helpen productiever te worden.

Door: Edo Keijzer, Business Development Soroco