Harvard Business Review (HBR) - Менеджмент. Стратегии. HR - Лучшее за 2017 год

Оптимальное распределение информационных, социальных и личных ресурсов также должно быть обязательным условием для положительных отзывов, продвижения по карьерной лестнице и повышения оплаты. Так, в одном инвестиционном банке публиковались ежегодные отчеты о работе сотрудников, содержавшие отзывы разнородных групп коллег. И только тем людям, которые оценивались такими группами как сильные члены коллектива (что означает способность к перекрестным продажам и обеспечению уникальной потребительской ценности товара), полагались лучшие бонусы, продвижение по службе и планы по развитию карьеры. Corning, производитель стекла и керамики, использует похожие методы, чтобы определить, кто из ученых и инженеров станет стипендиатом их программы. Это высокая честь, такое звание гарантирует работу и лабораторию на всю жизнь. Один из критериев – стать первым автором патента, по которому получено не менее $100 млн прибыли. Другой критерий – работал ли кандидат как сопутствующий автор в патентных проектах коллег. Corning дают статус и власть тем, кто борется за здоровый баланс между индивидуальными и коллективными достижениями. (Раскроем секрет: Адам Грант работал консультантом в Corning.)

Коллективная работа, безусловно, способствует решению многих, самых насущных и современных деловых вопросов. Но больше не всегда означает лучше. Руководителям следует научиться распознавать, продвигать и эффективно распределять правильные виды коллективной работы, иначе их команды и талантливые сотрудники будут нести бремя чрезмерного спроса на скромные ресурсы. На самом деле мы уверены, что, возможно, пришло время вводить в организациях должность директора по коллективной работе. Создавая позицию старшего сотрудника, чьей заботой будет коллективная деятельность, и обеспечивая его необходимыми ресурсами для большей эффективности, руководители могут прозрачно намекать на важность продуманного управления. Это поможет уменьшить издержки, которые в целом оказываются гораздо меньше, чем их сумма по частям.

Большинству менеджеров в своей работеприходится делать прогнозы. Когда специалисты по найму решают, кого взять на работу, они прогнозируют, кто из кандидатов будет наиболее эффективен. Когда отдел продаж выбирает, какие каналы распространения использовать, он прогнозирует, где продукт будет продаваться быстрее. Когда венчурный отдел определяет, вкладываться ли в стартап, он прогнозирует, будет ли данный проект успешным. Чтобы сделать эти и миллиард других бизнес-прогнозов, компании сегодня все чаще применяют компьютерные алгоритмы, производящие пошаговые аналитические операции с немыслимыми объемами данных на неописуемой скорости.

Алгоритмы делают прогнозы более точными, но при этом создают и собственные риски. В частности, такие ситуации могут происходить, если алгоритмы непонятны для нас. Вот широко известные примеры. Однажды сеть Netflix объявила конкурс с призовым фондом в $1 млн за разработку алгоритма, определяющего, какие фильмы понравились бы тому или иному пользователю. Команды специалистов по сбору и обработке данных объединили свои усилия и сделали соответствующий продукт. Но программа была написана для DVD, поэтому с переходом зрителей Netflix на потоковое видео их предпочтения поменялись и перестали совпадать с прогнозами алгоритма.

Вот другой пример из сферы социальных медиа. Сегодня многие сайты применяют алгоритмы для определения, какую рекламу и ссылки показывать пользователю. Когда такие программы фокусируются слишком узко, максимально увеличивая количество переходов на страницу, сайты переполняются ссылками на низкосортные статьи с заголовками-приманками. Переходы по ссылкам умножаются, но общее удовлетворение пользователей может резко снизиться.

Подобные проблемы легко предотвратить. Разрабатывая и применяя алгоритмы, а также определяя новые ресурсы данных для ряда организаций, мы поняли, что источник трудностей часто не в ошибках программирования алгоритмов, а в том, как мы взаимодействуем с ними. Чтобы избежать промахов, руководителям необходимо понять, с чем алгоритмы справляются хорошо: на какие вопросы дают ответы, а на какие – нет.