Você sabe como suas equipes realizam o trabalho?

Nova pesquisa sugere que muitos gerentes não – mas a aprendizagem de máquinas pode ajudar a fechar a lacuna.
Você sabe como suas equipes realizam o trabalho?
Você sabe como suas equipes realizam o trabalho?

Em um estudo de pesquisa em quatro empresas da Fortune 500, quando os gerentes foram questionados sobre o trabalho de suas equipes, em média, eles não sabiam ou não conseguiam se lembrar de 60% do trabalho que suas equipes fazem. Esse é um grande problema porque pode levar a metas irrealistas de transformação digital e à má alocação de recursos. Mas no mesmo estudo, as ferramentas de aprendizado de máquina foram capazes de preencher a lacuna entre a intuição do gerente e a realidade. O estudo mostrou que o emprego de algoritmos de ML reduziu a diferença média de recuperação de trabalho de ~ 60% para 24%. Os gerentes devem implantar essas ferramentas de ML, mas tomar medidas para garantir que os funcionários não se sintam vigiados – eles podem anonimizar e agregar dados e se comunicar abertamente com os funcionários sobre o que estão medindo e o que esperam alcançar.


Quanto os gerentes sabem sobre como suas equipes trabalham? Recentemente, realizamos um estudo de pesquisa envolvendo 14 equipes, composta por 283 funcionários em quatro empresas da Fortune 500. Quando os gerentes foram questionados sobre o trabalho de suas equipes, em média, eles não sabiam ou não conseguiam se lembrar de 60% do trabalho que suas equipes fazem. Em um caso extremo, um gerente em nosso estudo poderia descrever apenas 4% do trabalho de sua equipe.

O custo dos gerentes que não sabem que essa lacuna existe pode ser alto, mesmo em equipes tão pequenas quanto cinco membros, e, portanto, é aplicável a qualquer empresa, grande ou pequena. Os gerentes e os principais tomadores de decisão em todos os níveis definem metas de transformação digital sem entender suficientemente como suas equipes realizam o trabalho ou onde estão os pontos problemáticos. Normalmente, eles recorrem a confiar em suposições para decidir quais investimentos ajudarão suas equipes. Consequentemente, eles subestimam sistematicamente a produtividade dos funcionários ou alocam mal recursos e investimentos em tecnologia, como automação. A Covid-19 e a transição para o trabalho digital remoto só tornaram mais difícil para os gerentes entenderem como suas equipes estão trabalhando.

Mas nosso estudo também mostrou que o problema pode ser resolvido usando algoritmos de Machine Learning (ML) para aprender como as equipes usam a tecnologia para fazer seu trabalho, desde que sejam implementadas salvaguardas para proteger a privacidade dos funcionários.

O que encontramos

No estudo, tivemos gerentes que ensinassem a um sistema de software os processos que eles achavam que estavam ocupando a maior parte do tempo de suas equipes. Usando uma interface semelhante à que as pessoas usam quando marcam fotos de si mesmas no Facebook, os gerentes executaram amostras de cada processo em suas máquinas da maneira que esperavam que suas equipes fizessem o trabalho. Em seguida, eles marcaram esses processos em categorias como “gerenciamento de pedidos”, “processos contábeis” e “operações da cadeia de suprimentos”. Não havia limite para o número de processos que um gerente poderia ensinar ao sistema. Os gerentes confiaram em sua intuição, julgamento e experiência para selecionar e ensinar esses processos que eles acreditavam ocupar a maior parte dos esforços de suas equipes. Esses dados foram coletados em um “gráfico de trabalho”, um mapa de como essas equipes realizam o trabalho.

Usando os processos ensinados pelo gerente, nossos algoritmos de aprendizado de máquina tentaram encontrar padrões de trabalho semelhantes sendo feitos pelos membros da equipe. Em seguida, medimos a fração do dia de cada equipe em que os membros da equipe demonstraram padrões semelhantes dos processos ensinados. Isso é, em essência, uma medida para a medida em que a intuição de um gerente é responsável pelo trabalho diário de uma equipe.

Um aspecto fundamental desses estudos foi manter a privacidade do usuário: garantimos que todas as ferramentas e coleta de dados anonimizassem o usuário final, agregassem dados a uma equipe e demos às equipes as ferramentas para definir e filtrar informações pessoais identificáveis confidenciais. Todas as análises foram realizadas somente no nível da equipe agregada, sem identificar nenhum indivíduo.

Assumimos que, em um cenário ideal, o gerente deveria ser capaz de responder por pelo menos 80% do trabalho diário de suas equipes – baseando esse limite nominal em uma pesquisa que realizamos entre os gerentes, onde pedimos que avaliassem quanto do trabalho diário de suas equipes esperavam entender. Definimos o lacuna de recall de trabalho como a fração do trabalho diário da equipe que um gerente não poderia contabilizar, assumindo um teto de 80%. Essa também é uma medida para a falta de completude na compreensão de um gerente sobre o trabalho que sua equipe faz diariamente.

Encontramos uma lacuna considerável de recall de trabalho em todas as 14 equipes – para a surpresa de seus gerentes – em funções que variam de operações da cadeia de suprimentos, gerenciamento de projetos, interações com clientes, gerenciamento de dados mestres, finanças/contabilidade e RH.

Um exemplo ajuda a ilustrar os problemas específicos que nosso estudo descobriu: Em uma empresa, a equipe da cadeia de suprimentos enfrentava constantemente reclamações dos funcionários sobre uma implementação deficiente de planejamento de recursos empresariais (ERP). Embora tecnicamente correta e suficiente, a implementação carecia de vários recursos para o processamento de dados. Como resultado, para transações comuns, os funcionários foram forçados a gastar tempo copiando dados do sistema ERP para o Excel, criando tabelas dinâmicas e iterando os dados. Quando eles finalmente tiveram respostas, eles copiaram os dados de volta para o sistema ERP.

Quando esse esforço extra foi somado em várias transações, ele representou uma grande parte do trabalho mensal da equipe. Todos na equipe sabiam que isso era um problema até certo ponto; eles sentiam o atrito todos os dias; mas ninguém entendia o quão ruim era a situação até que nós os ajudamos a medir a lacuna da subestimação de seu gerente.

O que os líderes podem fazer?

A boa notícia é que nosso estudo demonstrou que a lacuna de trabalho e recall pode ser fechada com o uso do Machine Learning (ML). No estudo, empregamos uma classe de algoritmos de ML que não exigiam qualquer contribuição gerencial para detectar padrões de trabalho das equipes. Excluímos padrões que se sobrepunham aos padrões descritos pelo gerente e, em seguida, medimos a fração incremental do dia de uma equipe que poderia ser contabilizada usando os padrões detectados inteiramente por algoritmos de ML e nenhuma entrada humana. Resumidamente, esses algoritmos de ML encontram pequenas explosões de atividades repetidas nos padrões de trabalho de uma equipe. Eles então combinam as atividades repetidas mais comuns para formar uma cadeia de atividades mais longa. E repita esse processo até que eles não possam combinar mais atividades.

Descobrimos que o emprego de algoritmos de ML reduziu a lacuna média de recuperação de trabalho em nosso estudo de ~ 60% para 24%. Na equipe em que os processos descritos pelo gerente representavam apenas 4% do trabalho diário da equipe, os algoritmos de ML foram capazes de responder por mais 48% do trabalho diário da equipe em atividades produtivas (reduziu a diferença de 76% para 28%) . *

Em termos gerais, os algoritmos se saíram melhor do que os gerentes em nosso estudo por dois motivos. Primeiro, os gerentes tinham uma visão desatualizada e/ou incompleta dos padrões de trabalho da equipe. Os algoritmos de ML, por outro lado, poderiam encontrar padrões sem depender de intuições pré-existentes sobre o trabalho que está sendo feito. Em segundo lugar, os algoritmos de ML podem ser responsáveis de forma escalável por várias maneiras pelas quais o mesmo trabalho é feito. Vimos casos em que o gerente normalmente ensinava alguns exemplos de como eles achavam que o trabalho deveria acontecer, mas a equipe executou o mesmo trabalho de maneiras diferentes do que o gerente esperava. Por exemplo, ao realizar uma reconciliação de negociação, vários membros experientes de uma equipe encontraram caminhos mais curtos para alcançar a reconciliação e, portanto, desviaram-se dos procedimentos operacionais padrão prescritos.

***

Sem o uso de ferramentas de aprendizado de máquina para compensar, as lacunas dos gerentes em relembrar o trabalho básico de suas equipes provavelmente só crescerão no futuro, dada a tendência para o trabalho remoto. E sem intervenção, é provável que os gerentes permaneçam no escuro sobre o que não sabem – em nosso estudo, os gerentes ficavam rotineiramente chocados quando revelamos nossos resultados a eles.

O futuro do qualquer o ambiente de trabalho — não apenas ambientes de trabalho remoto — depende, portanto, de equipar os gerentes com novas ferramentas e técnicas para entender e gerenciar suas equipes de forma mais eficaz. O uso de tais ferramentas exigirá padrões de privacidade consistentes e abertos, como anonimato dos usuários, agregação de dados e comunicação consistente dos líderes para que os funcionários entendam suas intenções. Todo o nosso estudo focou apenas em equipes e não permitiu identificar nenhum indivíduo.

Nosso conselho para líderes e gerentes de mudança é tratar a experiência de sua equipe no trabalho como dados. Esses dados provavelmente revelarão o que aflige suas equipes e o que é realisticamente possível com investimentos em transformação digital e outras novas iniciativas. Então, todas as mudanças com os gerentes mais bem intencionados serão mensuráveis. Por outro lado, na ausência de tais dados, metas de cima para baixo são estabelecidas sem que os fatos sejam conhecidos, e as equipes têm pouca escolha a não ser se inscrever em planos sem entender suas implicações, levando a uma imensa pressão sobre as equipes. Nossa esperança é que, se os gerentes entenderem mais sobre as especificidades do trabalho de suas equipes, eles definam metas mais realistas e ajudem suas equipes a se tornarem mais produtivas.

* Nota do editor: Atualizamos o texto para corrigir os números informando quanto a lacuna média de recuperação de trabalho foi reduzida com os algoritmos de ML. A diferença foi reduzida de 76% para 28%.


  • RM
    Rohan Narayana Murty is the CTO and founder of Soroco. He leads technology (read about his work here) and R&D at Soroco, where he is building the work graph – a new data fabric for understanding how teams get work done in the enterprise. He has a PhD in computer science from Harvard.

  • RD
    Rajath B. Das is a senior research analyst at Soroco, focusing on analytical insights derived from the work graph – patterns in how teams get work done in the enterprise.

  • Scott Duke Kominers is the MBA Class of 1960 Associate Professor of Business Administration in the Entrepreneurial Management Unit at Harvard Business School, and a Faculty Affiliate of the Harvard Department of Economics. Prior to that, he was a Junior Fellow at the Harvard Society of Fellows and the inaugural Saieh Family Fellow in Economics at the Becker Friedman Institute.

  • AN
    Arjun Narayan is chief product officer and co-founder of Soroco. He leads Soroco’s efforts in using machine learning to discover and optimize how teams get work done in the enterprise. Arjun graduated from MIT and has worked as a management consultant at McKinsey and as a venture capitalist at Catamaran.

  • Suraj Srinivasan is the Philip J. Stomberg Professor of Business Administration at Harvard Business School.

  • Tarun Khanna is the Jorge Paulo Lemann Professor at Harvard Business School, the director of Harvard’s Lakshmi Mittal South Asia Institute, and the author of Trust: Creating the Foundation for Entrepreneurship in Developing Countries (Berrett-Koehler, 2018).

  • KH
    Kartik Hosanagar is a Professor of Technology and Digital Business at The Wharton School of the University of Pennsylvania. He was previously a cofounder of Yodle Inc. Follow him on Twitter @khosanagar.
  • Related Posts