Если хорошо работать, начальник может не понять

Руководители игнорируют ценные действия сотрудника, которые трудно измерить.

Означает ли более точные данные более высокую производительность сотрудников и улучшение организационных результатов? Этот вывод выплывает из нынешнего акцента на больших данных и использования метрик в HR, но ответ здесь не просто “да”.

Чтобы понять, что я имею в виду, давайте рассмотрим американские школы. Когда учителя оцениваются и оплачиваются на основе тестов студентов, результаты контрольных обычно улучшаются. Мораль: количественные показатели работают. Да здравствуют измеримые данные!

Но исследование также показывает, что более высокие результаты тестов не обязательно показывают улучшение во владении материалом у школьников. Другими словами, методы обучения, благодаря которым можно улучшить результаты тестов вовсе не обязательно повысят собственно знания студентов. Мораль: количественные показатели не работают. Долой измеримые данные!

Преподавание – это прекрасный пример силы и недостатков оценивания результатов деятельности на основе данных, потому что в некотором смысле преподаватели – это и полевые работники (когда активно преподают в классе), и руководители (когда пишут планы уроков и разрабатывают учебные планы). Работу преподавателей в качестве полевых рабочих могут измерять в любых количественных показателях. Но простые метрики, такие как результаты тестов, не могут показать разницу между методиками обучения разных преподавателей, которые увеличивают знания учащихся либо не влияют на них.

Многие из нас имеют работу, похожую на преподавательскую – и некоторые ее результаты легко измерить количественно (объем продаж), а некоторые гораздо труднее (решение сложной технической проблемы при уменьшении разочарованности клиентов). С ростом eHRM — электронного управления человеческими ресурсами — для организаций становится проще, чем когда-либо автоматизировать сбор и анализ данных о сотрудниках. Но это также означает, что предприятия теперь будут больше полагаться на данные, которые можно удобно собирать и анализировать. Поведением и прочими аспектами деятельности, которые нелегко охватить количественно в eHRM, теперь могут пренебрегать.

Например, организация, которая измеряет только количество обслуженных клиентов у одного продавца в день, может игнорировать значение работника, который способен решить проблему со взволнованным или раздраженным заказчиком. Рассмотрим также использование программного обеспечения для планирования рабочей нагрузки сотрудников технического обслуживания или врачей. Эти системы могут повысить общую эффективность работы и производительность сотрудников (которая измеряется в количестве сервисных вызовов или осмотренных пациентах), но система не учитывает сложности, присущей различным рабочим местам? Так получается, что сотрудника, выполняющего сложное задание, требующее времени, могут наказать за это.

Если вы стремитесь объективировать или упростить измерение производительности, то рискуете упустить ценность сложной или комплексной работы или то, что делает вклад каждого человека уникальным. Тем не менее, для многих руководителей эта двойственность не очевидна. Управленческие знания и навыки в применении метрик отстают от способности организаций создать их. Менеджеры часто не имеют времени или знаний, чтобы раздумывать над ограничениями метрик, которые применяют. Вместо этого они полагаются на легко получаемые «объективные» данные из системы и игнорируют менее поддающиеся количественной оценке и более сложные аспекты работы.

Сотрудники будут заниматься только той деятельностью, результаты которой легко измеряет система и игнорировать прочие аспекты деятельности, которые не учитываются. Вот почему организации должны постоянно оценивать, являются ли собранные данные действительно релевантными показателями для широкого круга операционных обязанностей.

Я подозреваю, что HR движется к эре более точных данных. Что я имею в виду под более точными данными? Возьмем, к примеру , Sabermetrics и его использование в бейсболе. Перед тем, как появилась Sabermetrics, мало кто предполагал, что традиционное мышление об этой игре можно перевернуть с помощью статистики выигрышей и замен.

Прежде чем мы сможем разработать подобные метрики для сотрудников, мы должны определить ключевые организационные и производительные показатели сотрудников и понять, как они соотносятся с поведением сотрудников. Проблема в том, что мы до сих пор не знаем, как эти показатели будут выглядеть и будут ли они в полной мере отражать производительность.

Наряду с более точными данными, мы должны разработать более тонкий подход к человеческим качествам и человеческому потенциалу. Можем ли мы не только принять, но и смириться, что некоторые модели поведения нелегко подвергнуть количественной оценке, и что никакое количество данных не может полностью охватить все ваши или мои лучшие качества? В мире, который все больше и больше зациклен на количественном анализе работников и их производительности, мы должны найти способы эффективно включать как количественные, так и качественные аспекты производительности в этот анализ.

Похожие статьи:

  1. Что делать, если стало лень работать
  2. Ценность босса или кто здесь начальник
  3. Как понять отчет об обязательствах трейдеров.
  4. Китай будет работать на внутренний рынок потребления
  5. Хорошо там, где нас нет
  6. Что ждет Европу, если Великобритания выйдет из ЕС
  7. Италия может повторить судьбу Греции
  8. Если вы создаете стартап: 15 реальных советов от профи
Pin It

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *

*

1 279 Spam Comments Blocked so far by Spam Free Wordpress

HTML tags are not allowed.

Перед отправкой формы:
Human test by Not Captcha