Наше исследование коллективного разума групп показало, что команды выполняют роль машин-обработчиков идей, в которых шаблон взаимодействий может облегчить добычу данных, из которых состоят эти идеи. Просто измерив шаблон взаимодействий внутри группы, мы можем в точности предсказать ее конечную продуктивность.
То же самое мы видим в компаниях. Некоторые компании создают впечатление слаженной машины или же сложного пазла, где все детали идеально стыкуются друг с другом. Естественным будет вопрос: можно ли измерить производительность не только группы, но и компании, просто взглянув на шаблоны взаимодействий? Можно ли сказать, что организации – компании или органы государственного управления – также работают, как машины-обработчики идей, которые собирают и распространяют идеи в основном посредством индивидуальных взаимодействий?
На работе мы не только сидим вокруг стола, как это бывает в лабораторных экспериментах. Во время рабочего дня мы перемещаемся и разговариваем с людьми на их рабочих местах, в холле, за обедом и на небольших неофициальных собраниях у кофе-автомата или принтера. Поэтому я начал оснащать реальные рабочие коллективы социометрическими значками, чтобы измерять шаблоны взаимодействий в самых разных ситуациях реальной жизни.
Мои бывшие аспиранты Тэми Ким, Даниель Ольгин-Ольгин и Бен Вейбер, которые теперь работают вместе в нашей дочерней компании Sociometric Solutions («Социометрические решения»), и я изучили при помощи этих социометрических бейджей широкий спектр рабочих мест, включая креативные и исследовательские отделы компаний, послеоперационные отделения больниц, отделения поддержки транзакций и колл-центры. Чтобы получить суммарный алгоритм взаимодействий в организации, крайне необходимо зафиксировать данные всех социальных медиа, которые они используют – включая e-mail, мгновенные сообщения и другие. Снабдив все эти каналы связи необходимыми программными инструментами, мы затем исследовали шаблоны взаимодействия в группах как с высокой, так и с низкой продуктивностью.
В течение трех лет мы собрали сотни гигабайтов данных о двенадцати рабочих местах. Мы выяснили, что шаблоны прямого, без использования медиа, общения и поиска идей часто являлись крупнейшими факторами как продуктивности, так и креативной производительности корпораций. В последующих секциях этой главы я расскажу, как именно эти шаблоны влияют на результаты работы и как предприятия могут использовать эти сведения.
В качестве первого примера рассмотрим данные из колл-центра. Колл-центры необычны, поскольку они уже располагают огромным количеством оборудования и отслеживают практически все. Операторы колл-центра часто стремятся минимизировать общение между сотрудниками, поскольку выполняемые ими операции довольно монотонные и стандартизированные; они считают, что работникам нечему учиться друг у друга. Такая политика может принимать разные формы, но самый распространенный вариант – назначение перерывов для сотрудников на разное время.
В 2008 году мы только начали сотрудничать с Банком Америки, и я думал, что жестко регламентированная среда банковского колл-центра станет лакмусовой бумажкой в испытании гипотезы о том, что поток идей между сотрудниками является первейшим фактором продуктивности. Я предложил руководству разрешить моей исследовательской группе замерить их шаблоны взаимодействия, а затем произвести небольшое вмешательство и посмотреть, станет ли поток идей лучше.
Так мы начали двухэтапное исследование колл-центра со штабом более чем три тысячи сотрудников. Во время первой фазы моя группа выбрала четыре команды, в каждой из которых было примерно по двадцать сотрудников. Они должны были носить социометрические бейджи на протяжении всего их рабочего дня в колл-центре в течение шести недель. В общей сложности накопилось несколько десятков гигабайтов поведенческих данных.
В этом колл-центре самым важным показателем продуктивности является так называемое среднее время обработки звонка (AHT, Average call handle time), поскольку этот фактор определяет денежную стоимость содержания колл-центра. Например, вмешательство, которое сократило бы AHT в этом конкретном колл-центре на 5 процентов, позволило бы компании экономить примерно по одному миллиону долларов в год.
Проанализировав этот крупный набор собранных нами данных, мы выяснили, что самыми важными факторами в прогнозировании продуктивности стали общее количество взаимодействия и уровень вовлеченности (насколько каждый включен в циркуляцию знаний). Совокупность этих двух факторов позволила предсказать практически треть вариаций денежной продуктивности между разными группами.
Этот пример показывает, как производительность рабочего коллектива данного колл-центра меняется в зависимости от потока идей в его пределах; это похоже на то, как мы анализировали трейдинговую сеть eToro (см. рис. 3 во второй главе). Опять же, как только мы получаем подобную диаграмму соотношения потока идей и производительности, мы сразу же можем настроить систему таким образом, чтобы повысить ее продуктивность.
В данном случае я предложил руководству позволить нам изменить временну́ю структуру кофе-брейков в этом колл-центре. Стандартной моделью кофе-брейков для этих сотрудников, как и во многих других колл-центрах, было предоставление кофе-брейка одному человеку за раз. Однако, поскольку в этой организации так много работников, можно было с тем же успехом распределить смены обработки звонков между командами – так же, как они распределялись внутри команд. Это означало, что можно было бы с тем же результатом давать перерывы целым командам в одно и то же время вместо того, чтобы давать их отдельным индивидам в разное время. Чтобы поднять количество неформального взаимодействия и повысить процент привлечения среди сотрудников, я предложил давать перерыв всем сотрудникам в одной команде в одно и то же время.
То, что сотрудникам дали возможность общаться во время перерывов, повысило количество взаимодействия и уровень привлечения в каждом рабочем коллективе этого центра. Показатели AHT резко снизились, что означает, что сотрудники стали гораздо более продуктивными, и это указало на мощную связь между шаблонами взаимодействия и продуктивности. В результате этой простой перемены руководство компании изменило структуру перерывов всех своих колл-центров по нашей новой системе и рассчитало повышение продуктивности – ожидалось, что она повысится на 15 миллионов долларов в год.
Этот пример ясно продемонстрировал, что степень личной вовлеченности оказывает огромное влияние на продуктивность. Касается ли это и других рабочих ситуаций? Чтобы выяснить это, мы снабдили социометрическими бейджами типичный офисный операционный отдел, занимающийся разработкой IT-решений для поддержки отдела продаж. В этом исследовании наши измерения были сосредоточены на команде поддержки сбыта, состоящей из двадцати восьми сотрудников, двадцать три из которых принимали участие в нашем эксперименте. Наши социометрические бейджи использовались в этой чикагской торговой компании, занимающейся продажей данных, в течение одного месяца (двадцать рабочих дней) и собрали примерно миллиард измерений, включая: кто с кем говорил, их жестикуляцию и даже тон голосов. В общей сложности было собрано 1900 часов данных, где на одного сотрудника пришлось примерно по восемнадцать часов. (Данные, материалы и дополнительную информацию см. на http://realitycommons.media.mit.edu.)
Мы анализировали поведение сотрудников во время выполнения каждой операции по поддержке сбыта. Перед сотрудниками отдела была поставлена задача по конфигурации компьютерной системы по принципу «первым пришел, первым обслужен». В результате каждый сотрудник представил завершенную конфигурацию, а также ее стоимость специалисту по продажам, и затем этот сотрудник помещался в конец очереди, в соответствии с очередностью назначения задания. При этом фиксировался точный момент начала и завершения выполнения задания, что позволило нам вычислить точную денежную продуктивность каждого работника для каждого задания.
Мы выяснили, что вовлеченность была главным показателем конечной продуктивности. Напомню: под вовлеченностью мы понимаем поток идей внутри рабочего коллектива; в данном случае она измерялась путем вычисления степени взаимодействия между членами коллектива, с которыми общается каждый отдельный сотрудник. С учетом всех остальных факторов, включая стаж работы и пол, продуктивность работников, чьи показатели вовлеченности оказались в первой трети рейтинга, превышала средний коэффициент на 10 процентов.
Итак, в этом офисном отделе мы снова видим, что измерение потока идей играет ключевую роль в понимании взаимосвязи между продуктивностью и шаблонами взаимодействия. Получается, что общение с коллегами позволяет работникам обучаться тонкостям торговли – накапливать тот негласный, детализированный опыт, который отличает эксперта от новичка – и эффективно поддерживает работу механизма идей.