¿Sabe cómo hacen sus equipos el trabajo?

La nueva investigación sugiere que muchos gerentes no lo hacen, pero el aprendizaje de la máquina puede ayudar a cerrar la brecha.
Você sabe como suas equipes realizam o trabalho?
Você sabe como suas equipes realizam o trabalho?

¿Cuánto saben los gerentes sobre cómo trabajan sus equipos? Recientemente realizamos un estudio de investigación en el que participaron 14 equipos que comprendían 283 empleados en cuatro empresas Fortune 500. Cuando se les preguntó a los gerentes sobre el trabajo de sus equipos, en promedio no sabían o no podían recordar el 60% del trabajo que realizan sus equipos. En un caso extremo, un gerente de nuestro estudio podría describir solo el 4% del trabajo de su equipo.

El costo de que los gerentes no sepan que existe esta brecha puede ser alto, incluso en equipos de tan solo cinco miembros, y por lo tanto es aplicable a cualquier empresa, grande o pequeña. Los gerentes y los responsables de la toma de decisiones clave en todos los niveles establecen objetivos de transformación digital sin comprender lo suficiente cómo trabajan sus equipos o dónde se encuentran los puntos débiles. Por lo general, recurren a confiar en las conjeturas para decidir qué inversiones ayudarán a sus equipos. En consecuencia, subestiman sistemáticamente la productividad de los empleados o asignan mal los recursos y las inversiones en tecnología como la automatización. El Covid-19 y la transición al trabajo digital remoto solo han dificultado que los gerentes comprendan cómo trabajan sus equipos.

Pero nuestro estudio también mostró que el problema se puede solucionar mediante algoritmos de aprendizaje automático (ML) para aprender de cómo los equipos usan la tecnología para hacer su trabajo, siempre que se establezcan medidas de seguridad para proteger la privacidad de los empleados.

Lo que encontramos

En el estudio, hicimos que los gerentes enseñaran a un sistema de software los procesos que pensaban que ocupaban la mayor parte del tiempo de sus equipos. Usando una interfaz similar a la que usan las personas cuando etiquetan fotos de sí mismos en Facebook, los gerentes ejecutaron muestras de cada proceso en sus máquinas de la manera en que esperaban que sus equipos realizaran el trabajo. Luego etiquetaron estos procesos en categorías como «gestión de pedidos», «procesos contables» y «operaciones de la cadena de suministro». No había límite en la cantidad de procesos que un gerente podía enseñar al sistema. Los gerentes confiaron en su intuición, juicio y experiencia para preseleccionarlos y enseñarlos aquellos procesos que creían que ocupaban la mayoría de los esfuerzos de sus equipos. Estos datos se recopilaron en un «gráfico de trabajo», un mapa de cómo estos equipos realizan el trabajo.

Utilizando los procesos enseñados por el gerente, nuestros algoritmos de aprendizaje automático intentaron encontrar patrones de trabajo similares que realizan los miembros del equipo. Luego medimos la fracción del día de cada equipo en la que los miembros del equipo demostraron patrones similares de los procesos enseñados. Esto es, en esencia, una medida de la medida en que la intuición de un gerente explica el trabajo diario de un equipo.

Un aspecto clave de estos estudios fue mantener la privacidad del usuario: nos aseguramos de que todas las herramientas y la recopilación de datos anonimizaran al usuario final, agregaban los datos a un equipo y les dimos a los equipos las herramientas para definir y filtrar la información confidencial de identificación personal. Todos los análisis se realizaron solo a nivel de equipo agregado, sin identificar a ningún individuo.

Asumimos que, en un escenario ideal, el gerente debería poder representar al menos el 80% del trabajo diario de sus equipos, basando ese umbral nominal en una encuesta que realizamos entre los gerentes, en la que les pedimos que calificaran cuánto del trabajo diario de sus equipos esperaban comprender. Definimos el brecha de retirada de trabajo como la fracción del trabajo diario del equipo que un gerente no podía dar cuenta, suponiendo un límite máximo del 80%. Esto también es una medida de la falta de integridad en la comprensión de un gerente del trabajo que su equipo realiza a diario.

Encontramos una brecha considerable en el retiro del mercado de trabajo en los 14 equipos, para sorpresa de sus gerentes, en funciones que van desde las operaciones de la cadena de suministro, la gestión de proyectos, las interacciones con los clientes, la gestión de datos maestros, las finanzas/contabilidad y los recursos humanos.

Un ejemplo ayuda a ilustrar los problemas específicos que descubrió nuestro estudio: en una empresa, el equipo de la cadena de suministro enfrentaba constantemente quejas de los empleados sobre una implementación deficiente de la planificación de los recursos empresariales (ERP). Aunque técnicamente correcta y suficiente, la implementación carecía de varias funciones para procesar los datos. Como resultado, en las transacciones comunes, los empleados se vieron obligados a dedicar tiempo a copiar datos del sistema ERP en Excel, crear tablas dinámicas e iterar los datos. Cuando finalmente obtuvieron respuestas, volvieron a copiar los datos en el sistema ERP.

Cuando este esfuerzo adicional se sumó en varias transacciones, representó una gran parte del trabajo mensual del equipo. Todos en el equipo sabían que esto era un problema hasta cierto punto; sentían la fricción todos los días; pero nadie entendía lo mala que era la situación hasta que les ayudamos a medir la brecha de la subestimación de su entrenador.

¿Qué pueden hacer los líderes?

La buena noticia es que nuestro estudio demostró que la brecha entre el trabajo y la recuperación se puede cerrar con el uso del aprendizaje automático (ML). En el estudio, empleamos una clase de algoritmos de ML que no requerían cualquier aportes gerenciales para detectar patrones de trabajo de los equipos. Excluimos los patrones que se superponían con los patrones descritos por el mánager y, a continuación, medimos la fracción incremental del día de un equipo que podía contabilizarse utilizando los patrones detectados completamente por los algoritmos de ML y sin aportes humanos. En resumen, estos algoritmos de ML encuentran breves ráfagas de actividades repetidas en los patrones de trabajo de un equipo. Luego combinan las actividades repetidas que ocurren con más frecuencia para formar una cadena de actividades más larga. Y repita este proceso hasta que no puedan combinar más actividades.

Descubrimos que el empleo de algoritmos de ML redujo la brecha promedio entre trabajo y recuperación en nuestro estudio de ~ 60% a 24%. En el equipo donde los procesos descritos por el gerente representaron solo el 4% del trabajo diario del equipo, los algoritmos de ML pudieron representar un 48% adicional del trabajo diario del equipo en actividades productivas (redujeron la brecha del 76 al 28%) . *

En términos generales, los algoritmos tuvieron mejores resultados que los gerentes de nuestro estudio por dos razones. Primero, los gerentes tenían una visión desactualizada o incompleta de los patrones de trabajo de su equipo. Los algoritmos de ML, por el contrario, podrían encontrar patrones sin depender de intuiciones preexistentes sobre el trabajo que se está realizando. En segundo lugar, los algoritmos de ML pueden explicar de manera escalable una multitud de formas en las que se realiza el mismo trabajo. Vimos casos en los que el gerente normalmente enseñaba algunos ejemplos de cómo pensaba que debía realizarse el trabajo, pero el equipo ejecutaba el mismo trabajo de diferentes maneras de lo que el gerente esperaba. Por ejemplo, al realizar una conciliación comercial, varios miembros experimentados de un equipo habían encontrado caminos más cortos para lograr la conciliación y, por lo tanto, se desviaron de los procedimientos operativos estándar prescritos.

***

Sin el uso de herramientas de aprendizaje automático para compensar, las brechas de los gerentes para recordar el trabajo de referencia de sus equipos probablemente solo aumentarán en el futuro dada la tendencia hacia el trabajo remoto. Y sin intervención, es probable que los gerentes permanezcan en la oscuridad sobre lo que no saben: en nuestro estudio, los gerentes se sorprendieron rutinariamente cuando les revelamos nuestros resultados.

El futuro de cualquier el entorno de trabajo, no solo los entornos de trabajo remotos, depende de equipar a los gerentes con nuevas herramientas y técnicas para comprender y gestionar sus equipos de manera más eficaz. El uso de dichas herramientas requerirá estándares de privacidad coherentes y abiertos, como el anonimato de los usuarios, la agregación de datos y la comunicación constante de los líderes para que los empleados comprendan sus intenciones. Todo nuestro estudio se centró solo en los equipos y no permitió identificar a ningún individuo.

Nuestro consejo para cambiar líderes y gerentes es tratar la experiencia de su equipo en el trabajo como datos. Es probable que estos datos revelen qué es lo que aqueja a sus equipos y lo que es posible de manera realista con las inversiones en transformación digital y otras iniciativas nuevas. Entonces, todos los cambios con los gerentes mejor intencionados serán medibles. Por el contrario, en ausencia de tales datos, se establecen objetivos de arriba hacia abajo sin que se conozcan los hechos, y los equipos no tienen más remedio que inscribirse en planes sin comprender sus implicaciones, lo que genera una inmensa presión sobre los equipos. Esperamos que si los gerentes entienden más sobre los detalles del trabajo de sus equipos, establezcan objetivos más realistas y ayuden a que sus equipos sean más productivos.

* Nota del editor: Hemos actualizado el texto para corregir las cifras que indican cuánto se redujo la brecha promedio entre trabajo y recuperación con los algoritmos de ML. La brecha se redujo del 76% al 28%.


¿Cuánto saben los gerentes sobre cómo trabajan sus equipos? Recientemente realizamos un estudio de investigación en el que participaron 14 equipos que comprendían 283 empleados en cuatro empresas Fortune 500. Cuando se les preguntó a los gerentes sobre el trabajo de sus equipos, en promedio no sabían o no podían recordar el 60% del trabajo que realizan sus equipos. En un caso extremo, un gerente de nuestro estudio podría describir solo el 4% del trabajo de su equipo.

El costo de que los gerentes no sepan que existe esta brecha puede ser alto, incluso en equipos de tan solo cinco miembros, y por lo tanto es aplicable a cualquier empresa, grande o pequeña. Los gerentes y los responsables de la toma de decisiones clave en todos los niveles establecen objetivos de transformación digital sin comprender lo suficiente cómo trabajan sus equipos o dónde se encuentran los puntos débiles. Por lo general, recurren a confiar en las conjeturas para decidir qué inversiones ayudarán a sus equipos. En consecuencia, subestiman sistemáticamente la productividad de los empleados o asignan mal los recursos y las inversiones en tecnología como la automatización. El Covid-19 y la transición al trabajo digital remoto solo han dificultado que los gerentes comprendan cómo trabajan sus equipos.

Pero nuestro estudio también mostró que el problema se puede solucionar mediante algoritmos de aprendizaje automático (ML) para aprender de cómo los equipos usan la tecnología para hacer su trabajo, siempre que se establezcan medidas de seguridad para proteger la privacidad de los empleados.

Lo que encontramos

En el estudio, hicimos que los gerentes enseñaran a un sistema de software los procesos que pensaban que ocupaban la mayor parte del tiempo de sus equipos. Usando una interfaz similar a la que usan las personas cuando etiquetan fotos de sí mismos en Facebook, los gerentes ejecutaron muestras de cada proceso en sus máquinas de la manera en que esperaban que sus equipos realizaran el trabajo. Luego etiquetaron estos procesos en categorías como «gestión de pedidos», «procesos contables» y «operaciones de la cadena de suministro». No había límite en la cantidad de procesos que un gerente podía enseñar al sistema. Los gerentes confiaron en su intuición, juicio y experiencia para preseleccionarlos y enseñarlos aquellos procesos que creían que ocupaban la mayoría de los esfuerzos de sus equipos. Estos datos se recopilaron en un «gráfico de trabajo», un mapa de cómo estos equipos realizan el trabajo.

Utilizando los procesos enseñados por el gerente, nuestros algoritmos de aprendizaje automático intentaron encontrar patrones de trabajo similares que realizan los miembros del equipo. Luego medimos la fracción del día de cada equipo en la que los miembros del equipo demostraron patrones similares de los procesos enseñados. Esto es, en esencia, una medida de la medida en que la intuición de un gerente explica el trabajo diario de un equipo.

Un aspecto clave de estos estudios fue mantener la privacidad del usuario: nos aseguramos de que todas las herramientas y la recopilación de datos anonimizaran al usuario final, agregaban los datos a un equipo y les dimos a los equipos las herramientas para definir y filtrar la información confidencial de identificación personal. Todos los análisis se realizaron solo a nivel de equipo agregado, sin identificar a ningún individuo.

Asumimos que, en un escenario ideal, el gerente debería poder representar al menos el 80% del trabajo diario de sus equipos, basando ese umbral nominal en una encuesta que realizamos entre los gerentes, en la que les pedimos que calificaran cuánto del trabajo diario de sus equipos esperaban comprender. Definimos el brecha de retirada de trabajo como la fracción del trabajo diario del equipo que un gerente no podía dar cuenta, suponiendo un límite máximo del 80%. Esto también es una medida de la falta de integridad en la comprensión de un gerente del trabajo que su equipo realiza a diario.

Encontramos una brecha considerable en el retiro del mercado de trabajo en los 14 equipos, para sorpresa de sus gerentes, en funciones que van desde las operaciones de la cadena de suministro, la gestión de proyectos, las interacciones con los clientes, la gestión de datos maestros, las finanzas/contabilidad y los recursos humanos.

Un ejemplo ayuda a ilustrar los problemas específicos que descubrió nuestro estudio: en una empresa, el equipo de la cadena de suministro enfrentaba constantemente quejas de los empleados sobre una implementación deficiente de la planificación de los recursos empresariales (ERP). Aunque técnicamente correcta y suficiente, la implementación carecía de varias funciones para procesar los datos. Como resultado, en las transacciones comunes, los empleados se vieron obligados a dedicar tiempo a copiar datos del sistema ERP en Excel, crear tablas dinámicas e iterar los datos. Cuando finalmente obtuvieron respuestas, volvieron a copiar los datos en el sistema ERP.

Cuando este esfuerzo adicional se sumó en varias transacciones, representó una gran parte del trabajo mensual del equipo. Todos en el equipo sabían que esto era un problema hasta cierto punto; sentían la fricción todos los días; pero nadie entendía lo mala que era la situación hasta que les ayudamos a medir la brecha de la subestimación de su entrenador.

¿Qué pueden hacer los líderes?

La buena noticia es que nuestro estudio demostró que la brecha entre el trabajo y la recuperación se puede cerrar con el uso del aprendizaje automático (ML). En el estudio, empleamos una clase de algoritmos de ML que no requerían cualquier aportes gerenciales para detectar patrones de trabajo de los equipos. Excluimos los patrones que se superponían con los patrones descritos por el mánager y, a continuación, medimos la fracción incremental del día de un equipo que podía contabilizarse utilizando los patrones detectados completamente por los algoritmos de ML y sin aportes humanos. En resumen, estos algoritmos de ML encuentran breves ráfagas de actividades repetidas en los patrones de trabajo de un equipo. Luego combinan las actividades repetidas que ocurren con más frecuencia para formar una cadena de actividades más larga. Y repita este proceso hasta que no puedan combinar más actividades.

Descubrimos que el empleo de algoritmos de ML redujo la brecha promedio entre trabajo y recuperación en nuestro estudio de ~ 60% a 24%. En el equipo donde los procesos descritos por el gerente representaron solo el 4% del trabajo diario del equipo, los algoritmos de ML pudieron representar un 48% adicional del trabajo diario del equipo en actividades productivas (redujeron la brecha del 76 al 28%) . *

En términos generales, los algoritmos tuvieron mejores resultados que los gerentes de nuestro estudio por dos razones. Primero, los gerentes tenían una visión desactualizada o incompleta de los patrones de trabajo de su equipo. Los algoritmos de ML, por el contrario, podrían encontrar patrones sin depender de intuiciones preexistentes sobre el trabajo que se está realizando. En segundo lugar, los algoritmos de ML pueden explicar de manera escalable una multitud de formas en las que se realiza el mismo trabajo. Vimos casos en los que el gerente normalmente enseñaba algunos ejemplos de cómo pensaba que debía realizarse el trabajo, pero el equipo ejecutaba el mismo trabajo de diferentes maneras de lo que el gerente esperaba. Por ejemplo, al realizar una conciliación comercial, varios miembros experimentados de un equipo habían encontrado caminos más cortos para lograr la conciliación y, por lo tanto, se desviaron de los procedimientos operativos estándar prescritos.

***

Sin el uso de herramientas de aprendizaje automático para compensar, las brechas de los gerentes para recordar el trabajo de referencia de sus equipos probablemente solo aumentarán en el futuro dada la tendencia hacia el trabajo remoto. Y sin intervención, es probable que los gerentes permanezcan en la oscuridad sobre lo que no saben: en nuestro estudio, los gerentes se sorprendieron rutinariamente cuando les revelamos nuestros resultados.

El futuro de cualquier el entorno de trabajo, no solo los entornos de trabajo remotos, depende de equipar a los gerentes con nuevas herramientas y técnicas para comprender y gestionar sus equipos de manera más eficaz. El uso de dichas herramientas requerirá estándares de privacidad coherentes y abiertos, como el anonimato de los usuarios, la agregación de datos y la comunicación constante de los líderes para que los empleados comprendan sus intenciones. Todo nuestro estudio se centró solo en los equipos y no permitió identificar a ningún individuo.

Nuestro consejo para cambiar líderes y gerentes es tratar la experiencia de su equipo en el trabajo como datos. Es probable que estos datos revelen qué es lo que aqueja a sus equipos y lo que es posible de manera realista con las inversiones en transformación digital y otras iniciativas nuevas. Entonces, todos los cambios con los gerentes mejor intencionados serán medibles. Por el contrario, en ausencia de tales datos, se establecen objetivos de arriba hacia abajo sin que se conozcan los hechos, y los equipos no tienen más remedio que inscribirse en planes sin comprender sus implicaciones, lo que genera una inmensa presión sobre los equipos. Esperamos que si los gerentes entienden más sobre los detalles del trabajo de sus equipos, establezcan objetivos más realistas y ayuden a que sus equipos sean más productivos.

* Nota del editor: Hemos actualizado el texto para corregir las cifras que indican cuánto se redujo la brecha promedio entre trabajo y recuperación con los algoritmos de ML. La brecha se redujo del 76% al 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