Новые знания о том, как работают команды

Концепция инфраструктуры «заражения» позволяет представить, как можно организовать целую отрасль или фирму для продвижения творчества и инноваций. Но как насчет небольших команд? Отдельные менеджеры редко контролируют сетевую структуру отрасли или даже своей организации. Однако у них есть контроль над своими командами.

Что скажет наука о сетях о том, как члены команды – ученые, разрабатывающие прототипы для марсианского посадочного модуля, художники, ставящие новые мюзиклы на Бродвее, или инженеры, создающие суперсовременные виды персональных компьютеров, – должны быть связаны друг с другом, чтобы максимально успешно работать над инновациями?

Согласно общепринятой точке зрения, чем эффективнее коммуникационные сети команды для распространения информации – то есть чем слабее связи в социальной сети, – тем результативнее ее участники будут сотрудничать. То есть чем сложнее проблема, которую пытается решить команда, тем более важными ее слабые связи являются для инноваций. Команда, соединенная в сеть «фейерверк», будет наиболее эффективно обмениваться информацией и держать всех в курсе, ускоряя процессы поиска идей.

Понятно, почему общепринятая мудрость рекомендует сетевую структуру, оптимизирующую обмен информацией.

Любая хорошая идея, предложенная одним членом команды, быстро распространится на остальную часть группы, обеспечивая возможность всей команде быстрее приступить к разработке инновации.

Это кажется очевидным. Настолько очевидным, что на протяжении десятилетий управленческой практики люди послушно следовали данной стратегии. Методы управления, обеспечивающие быстрый обмен информацией, – еженедельные совещания, регулярные проверки, офисные помещения с высоким уровнем контакта – предназначены для того, чтобы держать в курсе последних и самых важных прорывов всех членов команды.

Но действительно ли стратегии, применимые для решения простых задач, подходят для команд, решающих сложные задачи?

Что, если вы руководите командой биохимиков, синтезирующих новое лекарство от рака? Или вы управляете командой специалистов по обработке данных в Amazon или Target и пытаетесь создать лучший алгоритм для прогнозирования заинтересованности клиентов в продукте? Что делать, если вы управляете командой врачей, пытающихся разработать лучшие протоколы для нового опиоидного заменителя? Все это комплексные проблемы. Как вы должны структурировать свою команду, чтобы сделать максимальной ее способность находить инновационные решения?

На данные вопросы я и хотел ответить.

Для этого мне требовался способ, позволяющий изучить, как структура исследовательских групп влияет на их креативность и продуктивность. Есть ли способ воспроизвести процесс создания инноваций, чтобы я мог изучить его с научной точки зрения?

Примерно в 2014 году мне посчастливилось сотрудничать с талантливым аспирантом по имени Девон Брэкбилл, который также заинтересовался данной идеей. Мы начали продумывать способы организации социологической лаборатории, похожей на ту, что я использовал для изучения переломных моментов. Можно ли создать лабораторию для изучения процесса производства инноваций и научных открытий?

Удивительно, но Девон нашел способ сделать это. Он позаимствовал подход, который был популярен в начале 2000-х годов, у Netflix. Данная стратегия не только помогла решить основную бизнес-проблему Netflix, но и непреднамеренно поспособствовала возникновению современной науки о данных.

Сила команд, организованных по принципу «рыболовных сетей»

В 2005 году платформа Netflix регулярно рекомендовала своим клиентам к просмотру новые фильмы, основываясь на их предыдущем выборе. Проблема заключалась в том, что Netflix с этим не очень хорошо справлялась. А ведь очень важно предложить нужные картины, тогда клиенты будут и дальше использовать Netflix. Стоило предложить неправильные, и клиенты начинали скучать и забывали о платформе. Аналитики компании на основе десятков миллионов записей данных – время просмотра и оценки – разработали собственную внутреннюю систему рекомендаций, названную CineMatch. Однако в какой-то момент Netflix переросла CineМatch. Система не могла идти в ногу с меняющейся вселенной нового контента и меняющимися вкусами клиентов. В результате показатели вовлеченности клиентов Netflix катастрофически снизились. В воздухе витало: «Сделайте что-нибудь радикальное, иначе доходы от подписок резко упадут».

Netflix решила превратить свою внутреннюю корпоративную проблему в публичную научную. Ответ решено было искать в краудсорсинге. Идею проведения публичных конкурсов для поиска решений сложных инженерных задач впервые выдвинули десятилетиями ранее инжиниринговые фирмы, такие как Boeing и GE. Но платформа Netflix предложила кое-что другое. Она не просто объявляла о проблеме и следила, кто же предложит лучшее решение, но и обнародовала собственные истории рейтингов и данные о поведении клиентов при просмотре фильмов. Далее команда платформы пригласила специалистов по анализу данных, чтобы те разобрались в них и придумали эффективный алгоритм для генерации рекомендаций.

2 октября 2006 года Netflix объявила о премии команде, которая представит лучший алгоритм, подбирающий фильмы, – денежном вознаграждении в размере одного миллиона долларов. Конкурс не прекращался годами. В нем участвовали десятки тысяч профессиональных программистов со всего мира. Студенты университетов проводили свои летние каникулы, работая над заданием, профессора создавали учебные материалы на основе данной проблемы, а предприниматели запускали кампании, посвященные ее решению. Проблема стала самой обсуждаемой в компьютерной науке со времен «поисковой системы» середины 90-х годов. (Как мы знаем, Google решил эту проблему и захватил рынок поисковых систем.)

В 2015 году мы с Девоном охотились за секретным рецептом управления инновациями, когда он предложил конкурс Netflix в качестве потенциального источника информации. Мы не собирались заниматься конкретной проблемой Netflix с рекомендациями фильмов. Нас интересовала их стратегия поиска решений. С 2009 года, когда премия Netflix наконец нашла своего обладателя, сферу науки о данных наводнили веб-конкурсы, имитирующие идею данной премии. Такие сайты, как Kaggle, CrowdANALYTIX, Innocentive, TunedIT и многие другие, представляли собой своего рода цифровую доску объявлений для компаний, правительств и частных лиц. Там можно было рекламировать публичные конкурсы по проблемам анализа данных. Размер вознаграждений в таких соревнованиях варьировался от пятидесяти долларов до пятисот тысяч.

Новое социальное пространство – публичные конкурсы по поиску решений – предоставило нам с Девоном замечательную возможность заглянуть за занавес. Мы увидели, как работают творческие объединения, когда ставки высоки, и как взаимосвязанность команд влияет на их способность к инновациям. Можно ли управлять инновациями, создавая правильные социальные сети среди команд специалистов по обработке данных? Может ли создание инфраструктуры «заражения» в рамках командных объединений ускорить поиск лучших решений?

Благодаря щедрому финансированию со стороны Национального научного фонда мы с Девоном создали собственную версию премии Netflix, названную Annenberg Data Science Competition. Подобно Netflix, мы организовали команды по решению проблем, состоящие из исследователей со всего мира. От нас они получили задание ускорить прорывы в области машинного обучения, искусственного интеллекта и статистического и вычислительного анализа. В отличие от конкурса Netflix, наша цель состояла не в том, чтобы выяснить, как генерировать лучшие рекомендации по фильмам. Вместо этого конкурс дал нам возможность увидеть, изменится ли способность исследователей генерировать инновации, если между различными командами создать прочные связи. Будет ли использование принципов комплексного заражения – соединение исследователей в структуру «рыболовной сети» – приносить больше инновационных идей? Или же команды станут работать лучше, если сформировать исследовательские сети для быстрого обмена информацией, используя модель «фейерверка»?

Мы набрали сто восемьдесят специалистов по обработке данных и случайным образом разделили их на шестнадцать команд. Восемь из них были организованы по типу «фейерверков», а восемь – по типу «рыболовной сети». В восьми командах по типу «фейерверка» исследователи (или конкурсанты) оказались связаны со всеми товарищами по команде. Информационный поток был максимизирован. Командная сеть представляла собой плотный узор из взрывов «фейерверков». Каждый член команды мог видеть все предложения своих коллег, стоило только соединиться с ними.

А вот в восьми командах «рыболовной сети» каждый участник был связан только с несколькими участниками своей команды и мог видеть только их решения. Таким образом, чтобы узнать о предложении удаленного члена команды (в нескольких узлах сети от него), приходилось ждать, пока его идея пройдет через несколько широких мостов.

Как и в кампании Netflix, участники нашего конкурса состязались ради денежного вознаграждения. Награда распределялась в зависимости от качества конечных решений каждого исследователя. Лучшее решение принесло бы больше всего денег.

Но мы добавили одну изюминку. Командам давалось всего пятнадцать минут, чтобы решить проблему.

Конкурс начался с того, что мы предоставили каждой из команд очень подробные данные о продажах и продуктах, взятые из общедоступных отчетов о деятельности компаний из списка Fortune 500. Конкурсантам предлагалось найти лучшую прогностическую модель для объяснения успеха продукции компаний.

Что могло предсказать результаты продажи обуви? Цена, стиль, поддержка со стороны знаменитостей или какая-то неизвестная комбинация факторов? Что стало бы определяющим в продажах пива? Реклама, вкус, содержание алкоголя, региональный таргетинг, уровень карбонизации или комбинация еще каких-то факторов? Каждый фактор взаимодействовал с другими. Более низкие цены, казалось, стимулировали бы продажи обуви, но только если не принимать во внимание поддержку знаменитостей. В таком случае более высокие цены увеличили бы продажи. Наборы данных содержали более пятнадцати тысяч возможных решений.

Конкурс хорошо демонстрировал, что представляет собой деятельность любой исследовательской группы, работающей в быстро развивающейся отрасли. Все конкурсанты были умными, хорошо обученными и мотивированными специалистами по обработке данных. И они находились под жестким давлением временного ограничения.

Итак, как все в итоге сложилось?

Сначала восемь команд типа «фейерверк» быстро вырвались вперед. Хорошие идеи доходили до всех в течение нескольких минут, и члены команды быстро объединялись вокруг общей стратегии. Проблема заключалась в том, что, хотя ранние идеи каждой команды были неизменно хорошими, они оставались далеки от наилучшего возможного решения. И как только все участники команды принимали стратегию хорошего решения, их будущие разработки становились похожими друг на друга. Все смотрели на проблему одинаково. Инновации иссякали.

Мы с Девоном обнаружили, что проблема сетей типа «фейерверк» заключалась в том, что хорошие решения распространялись слишком быстро. Люди переставали предлагать радикально иные и потенциально новаторские подходы к проблеме.

Мы узнали, что открытие, как и диффузия, требует социальной кластеризации.

Кластеризация сохраняет разнообразие. Не демографическое, а информационное.

Поскольку модель «рыболовной сети» менее эффективна для распространения информации, она препятствовала тому, чтобы новости о ранних, довольно хороших идеях достигали всех членов команды слишком быстро. Замедляя распространение информации, «рыболовная сеть» защищала исследователей от воздействия решений, которые могли сбить их с пути открытия чего-то действительно новаторского, неожиданного для всех остальных.

Сети, которые менее эффективны для получения информации, оказались более эффективными для генерации чего-то нового.

Сначала мы были озадачены подобным результатом. Но потом происходящее стало обретать смысл. Мы поняли, что одним из самых больших препятствий на пути инноваций является то, что привычные решения – это простое «заражение». Их легко понять и легко распространять. Они вписываются в уже существующую картину мироустройства. Эти предсказуемые решения разлетаются по командам, которые связаны между собой по типу «фейерверка».

Мы организовали соревнование так, чтобы все команды были равноценными, состояли из специалистов по обработке данных с одинаковыми техническими навыками, профессиональным опытом и финансовой мотивацией. Всем командам предлагалось решить одинаковые задачи. Но к концу соревнований все восемь команд «рыболовной сети» нашли лучшие решения, чем восемь команд по типу «фейерверка». Более того, каждая команда, организованная в «рыболовную сеть», нашла решение, которое было лучше, чем лучшее решение любой из команд типа «фейерверк».

В каждой команде исследователи тщательно изучали большие комбинации переменных, пытаясь создать лучшую прогностическую модель, вплоть до последних секунд соревнований. Но в командах по типу «фейерверка» люди настолько быстро сходились на одном и том же решении, что все их исследования редко улучшали раннюю хорошую идею.

Команды «рыболовной сети» начали с того же самого – ранние идеи расползались по сети каждой команды. Но пока они распространялись, другие члены команды, которые разрабатывали собственные варианты, находили лучшие решения. По мере того, как уже новые идеи начинали медленно расползаться, исследователи в другой части сети подбирали решения еще лучше. Замедляя распространение информации, структура «рыболовной сети» повышала эффективность изучения новых идей.

Команды «рыболовной сети» сработали настолько хорошо, что мы с Девоном задались вопросом, как их решения будут соотноситься с компьютерными подходами к решению подобных сложных проблем. В таких областях, как инженерия и медицина, помощь искусственного интеллекта (ИИ) стала бы долгожданным облегчением для менеджеров, пытающихся справиться со сложными проблемами в условиях ограниченного времени. Получится ли провернуть то же самое, только для проблем из нашего конкурса?

Чтобы выяснить это, мы привлекли нового участника: суперкомпьютер Пенсильванского университета. Мы запустили комплексные алгоритмы искусственного интеллекта, чтобы решить те же самые задачи по анализу данных, над которыми бились команды людей.

Мы не удивились, обнаружив, что алгоритмы искусственного интеллекта часто превосходят человеческие решения. Но, что поразительно, это оказалось справедливым только для команд с сетями, организованными по типу «фейерверка». Команды, созданные по типу «рыболовной сети», обычно выигрывали у суперкомпьютеров!

Оказалось, алгоритмы ИИ пострадали от той же самой проблемы, что и сети по типу «фейерверка». От переизбытка информации.

Алгоритмы искусственного интеллекта, которые мы использовали, были слишком систематичны. Типичный алгоритм оценивает каждую прогностическую модель для одной переменной за один раз. Он выбирает лучшую переменную, а затем движется дальше в поисках следующей. Он систематически добавляет или исключает каждую переменную, пока не приходит к наилучшему решению.

Но данный подход может попасть в ту же ловушку, в которую попали люди в командах по типу «фейерверка». Если на ранней стадии обнаружится переменная с высокой степенью предсказания, то все последующие решения будут включать именно ее. А это не всегда правильный подход. Может существовать причудливая комбинация переменных, каждая из которых по отдельности бесперспективна, но в совокупности они дадут превосходное решение. Исследователь обнаружит такое маловероятное решение только в том случае, если заранее окажется защищен от воздействия других, более традиционных, многообещающих идей. Только люди, способные исследовать переменные, которые воспринимаются малоподходящими, в итоге находят оптимальное решение. Подход, которому вряд ли последуют как алгоритмы искусственного интеллекта, так и сети по типу «фейерверка».

Отличительной чертой хорошо продуманной команды является то, что она сохраняет интеллектуальное разнообразие, обеспечивая при этом координацию. Подобно Бродвею конца 40–50-х годов, идеальный баланс между координацией и творчеством дает сеть широких мостов между кластерами независимых инноваций.

Участники правильно спроектированных команд хорошо защищены, чтобы сохранять информационное разнообразие. Это позволяет им пристальнее изучать маловероятное решение, чтобы обнаруживать нечто неожиданное.

Но они достаточно взаимосвязаны, чтобы инновационные идеи получали необходимое социальное подкрепление и использовались, как только их принимали.

Для менеджеров это означает, что при сложных проблемах команды, участники которых встречаются менее часто, эффективнее команд, постоянно обменивающихся информацией при более частых встречах. Генеральный директор Amazon Джефф Безос умело воплотил данную идею в своем импровизированном «правиле двух пицц». Он рассудил, что встречи должны быть достаточно малолюдными, чтобы на всех присутствующих хватило двух пицц. Если на встречи требуется больше пиццы, то присутствующих слишком много, социальные сети у них, вероятно, слишком сильно связаны, а информационное разнообразие, необходимое для успеха исследований и инноваций, скорее всего, уже потеряно.