“تو این هفته عالی عمل می کنی، سوفی. فروش شما 70 درصد افزایش یافته است که شما را در رتبه اول جدول امتیازات تیم خود قرار می دهد. اما شما هنوز فرصتهای باز زیادی دارید، پس به کار خوب خود ادامه دهید!» دریافت بازخورد عملکرد به رشد کارکنان کمک می کند. یادگیری را تشویق می کند و به عملکرد خوب پاداش می دهد. اما اگر یک الگوریتم به جای یک مدیر انسانی بازخورد را ارائه دهد، چه؟ این اساس مدیریت الگوریتمی در سازمان ها است.
مطالب
مدیریت الگوریتمی چیست؟
3 مزیت کلیدی مدیریت الگوریتمی
3 چالش مهم مدیریت الگوریتمی
توصیه هایی برای پیاده سازی مدیریت الگوریتمی
مدیریت الگوریتمی چیست؟
مدیریت الگوریتمی عبارت است از ردیابی، ارزیابی و مدیریت استراتژیک کارگران از طریق الگوریتمها. چنین الگوریتم هایی وظایفی را بر عهده می گیرند که قبلاً توسط مدیران انسانی انجام می شد (دوگان و همکاران، 2020). این نوآوری در مدیریت به ویژه در اقتصاد گیگ رایج است. به عنوان مثال، پلتفرمهایی مانند Uber، Deliveroo و UpWork نیروی کار جهانی خود را با الگوریتمها مدیریت و نظارت میکنند. الگوریتم ها وظایف را تعیین می کنند و عملکرد را رتبه بندی می کنند. آنها همچنین بازخورد می دهند و توصیه هایی در مورد چگونگی بهبود عملکرد ارائه می دهند (Kellogg et al., 2019).
با این حال، مدیریت کارگران با الگوریتمها دیگر به اقتصاد گیگ محدود نمیشود. سازمانهای سنتی همچنین در حال کشف مزایای افزایش کارایی و تصمیمگیری مبتنی بر دادهها هستند.
داده های بزرگ و اتوماسیون در دستور کار اکثر بخش ها قرار دارند و منابع انسانی نیز تمرکز خود را به سمت تصمیم گیری مبتنی بر داده معطوف می کنند. الگوریتمهای مورد استفاده در منابع انسانی میتوانند کارایی را افزایش دهند و حتی از تصمیمگیری انسانی بهتر عمل کنند (به عنوان مثال، Cowgill، 2019). در واقع، 40 درصد از بخش های منابع انسانی در شرکت های بین المللی از ابزارهای مبتنی بر هوش مصنوعی استفاده می کنند.
به عنوان مثال، استفاده از الگوریتم ها در انتخاب کارمندان بسیار رایج است. الگوریتم ها رزومه ها را بررسی می کنند و متقاضیان را با موقعیت ها مطابقت می دهند. آنها در حال تجزیه و تحلیل حالات چهره در مصاحبه های ویدیویی یا انگیزه نوشتاری متقاضیان از طریق پردازش زبان طبیعی هستند. علاوه بر این، سیستم های الگوریتمی بازخورد عملکرد را به کارکنان و مدیران ارائه می دهند.
با نفوذ الگوریتمها در تصمیمگیری سازمانی، این سوال مطرح میشود: آیا تصمیمگیری الگوریتمی به وعده عینی و دقت خود عمل میکند؟
مانند هر فناوری که چنین مزایای قابل توجهی را ارائه می دهد، تصمیم گیری الگوریتمی یک شمشیر دو لبه است و با چندین چالش همراه است. چگونه متقاضیان شرکتی را که بخش هایی از فرآیند استخدام و انتخاب را خودکار می کند، درک می کنند؟ واکنشها به بازخورد عملکرد خودکار چیست؟ کارمندان چقدر به این بازخورد تکیه می کنند؟ مدیران چقدر به تصمیماتی که الگوریتم ها می گیرند تکیه می کنند؟
واقعیت این است: پیاده سازی الگوریتم ها پویایی سازمانی و بین فردی را تغییر می دهد. به همین دلیل ضروری است که نگاه دقیقتری به مزایا و چالشهای مدیریت الگوریتمی بیندازیم و بهترین شیوههای پیادهسازی آن را مورد بحث قرار دهیم.
3 مزیت کلیدی مدیریت الگوریتمی
1. شروع عملکرد سازمانی
افزایش بهره وری و کارایی یکی از مهمترین مزایای مدیریت الگوریتمی است. به عنوان مثال، تصور کنید یک الگوریتم در مقابل یک استخدام کننده می تواند در یک ساعت چند CV را اسکن کند؟ این تفاوت قابل توجه است و می تواند به شرکت ها کمک کند تا در صدر بازی استعدادها باقی بمانند.
خودکارسازی وظایف دستی همچنین به مدیران زمان و منابع بیشتری برای تمرکز بر تعهدات استراتژیک می دهد. با هم، این می تواند عملکرد سازمانی را افزایش دهد. شرکت هایی که نتوانند تجزیه و تحلیل و هوش مصنوعی را در استراتژی خود ادغام کنند، در معرض خطر عقب افتادن هستند.
L’Oréal Group، یک شرکت بین المللی مراقبت های شخصی با 80000 کارمند در سراسر جهان، به طور متوسط بیش از 130 درخواست در هر فرصت شغلی دریافت می کند. آنها یک راه حل هوش مصنوعی مبتنی بر زبان شناسی محاسباتی را پیاده سازی کردند تا فرآیند استخدام خود را کارآمدتر کنند. در نتیجه، این شرکت توانست 10 برابر سریعتر استخدام کند و با 25 درصد متقاضیان بیشتری مصاحبه کند.
2. بهبود تصمیم گیری مدیریتی و مدیریت از راه دور
تصمیمگیری مبتنی بر شواهد و دادهمحور در سالهای اخیر رایجتر شده است. الگوریتم ها می توانند به مقابله با پیچیدگی فزاینده مسائلی که مدیران هر روز با آن سر و کار دارند کمک کنند. قابلیت های پردازش داده های سیستم های الگوریتمی بسیار فراتر از حد ممکن انسان است. آنها می توانند تمام داده های مرتبط را در نظر بگیرند و عوامل نامربوط را حذف کنند. این امکان تصمیم گیری عینی و منصفانه و مبتنی بر داده را فراهم می کند. علاوه بر این، می تواند سوگیری در تصمیم گیری را کاهش دهد.
به عنوان مثال، سوگیری شناختی ممکن است باعث شود خرده فروشان به نیاز به برنامه ریزی ناپایدار کارکنان خود باور داشته باشند. زمانبندی ناپایدار در خردهفروشی زمانی است که برنامههای کاری به صورت روزانه تغییر میکند تا هزینههای نیروی کار کاهش یابد. بسیاری از خردهفروشان این نوع زمانبندی را مؤثر میدانند، زیرا آنها مزایای فوری و کوتاهمدت مانند کاهش حقوق و دستمزد را میبینند، در حالی که اثرات منفی بلندمدت، مانند تأثیر بر خدمات مشتری را نادیده میگیرند. اینجاست که الگوریتمهایی که نیازهای کارکنان را بر اساس ترافیک مشتری و سایر دادهها پیشبینی میکنند وارد عمل میشوند. مطالعات نشان دادهاند که «ترکیب الگوریتمها با شهود مدیر میتواند منجر به تصمیمگیری بهتر برای کارکنان شود».
الگوریتم ها همچنین می توانند برای کار از راه دور مفید باشند. نیروی کار بیشتر و بیشتر توزیع خواهد شد و کار از راه دور و ترکیبی تا حدی به یک امر عادی تبدیل خواهد شد. این ممکن است مزایای زیادی برای کارکنان داشته باشد. با این حال، مدیران ممکن است برای به روز ماندن از پیشرفت و عملکرد کارکنان خود دچار مشکل شوند. الگوریتمهای نظارت بر عملکرد میتوانند یک ابزار ضروری برای فعال کردن مدیریت از راه دور موفق باشند.
3. دریافت بینش و بازخورد شخصی
مدیریت الگوریتمی نه تنها برای مدیران بلکه برای کارکنان نیز مزایایی ارائه می دهد. الگوریتم ها می توانند بازخورد عملکرد شخصی را ارائه دهند.
Deliveroo به پیک های خود گزارش های ماهانه شخصی در مورد عملکرد آنها ارسال می کند. آنها اطلاعاتی را در مورد میانگین «زمان پذیرش سفارشات»، «زمان سفر به رستوران»، «زمان سفر به مشتری» و سایر معیارهایی که الگوریتمها دنبال میکنند، دریافت میکنند.
الگوریتمها میتوانند بینشهایی در مورد پیشرفت کارمندان، وظایف و پروژهها ایجاد کنند. آنها همچنین برای بهبود رفاه کارکنان استفاده می شوند. چنین الگوریتم هایی نیازها و اهداف کارکنان را تحلیل می کنند و برنامه های آموزشی و توسعه ای را توصیه می کنند. الگوریتمها همچنین میتوانند آنچه را که برای رفاه و انگیزه کارکنان اهمیت دارد، ردیابی و ارزیابی کنند. بر اساس آن، آنها می توانند توصیه هایی به مدیران در مورد چگونگی افزایش رفاه کارکنان ارائه دهند (باک و مارو، 2018).
3 چالش مهم مدیریت الگوریتمی
1. مدیریت الگوریتمی چقدر منصفانه است؟
علاوه بر مزایای مدیریت الگوریتمی، چندین موضوع اخلاقی مهم نیز وجود دارد.
هدف اصلی الگوریتم ها بهبود تصمیم گیری و عینی تر و منصفانه تر کردن آن است. با این حال، ممکن است درست برعکس باشد. الگوریتمها دخالت انسان در تصمیمگیری را حذف یا کاهش میدهند. در نتیجه، افراد ممکن است الگوریتمها را ناعادلانه ببینند (Dietvorst & Bharti، 2020؛ لی، 2018؛ نیومن، 2020).
نگرانی اصلی داده هایی است که الگوریتم ها تصمیمات خود را بر اساس آن ها قرار می دهند. الگوریتم ها بر روی داده های نمونه برای پیش بینی رویدادها و تصمیم گیری آموزش داده می شوند. بنابراین، کیفیت داده ها یک عامل مهم است. به عنوان مثال، یک سازمان می تواند الگوریتمی را بر روی داده های استعداد تاریخی آموزش دهد که در آن تعداد کمی از زنان پست های مدیریتی دارند. سپس، الگوریتم ممکن است احتمال کمتری برای موفقیت زنان در پستهای مدیریتی را پیشبینی کند. در نتیجه، زنان ممکن است از طرح های مدیریت استعداد حذف شوند.
الگوریتم ها اغلب دارای یک کاراکتر «جعبه سیاه» هستند. آنها شفاف نیستند و نحوه دقیق عملکرد الگوریتم اغلب نامشخص است. این می تواند اعتماد به الگوریتم را به چالش بکشد و مسائل مربوط به پاسخگویی را برای تصمیمات الگوریتم ارائه دهد.
برخی از ایالت های ایالات متحده در حال حاضر به دنبال استفاده از الگوریتم ها و هوش مصنوعی در استخدام و چگونگی اطمینان از عدالت و شفافیت آنها هستند. ایالت نیویورک در حال کار بر روی قانونی است که فروشندگان فناوری استخدام را ملزم به انجام ممیزی های ضد تعصب و اطمینان از انطباق با قوانین تبعیض شغلی می کند. ایلینوی قانون مصاحبه ویدیویی هوش مصنوعی را تصویب کرده است که محدودیت هایی را برای شرکت هایی که از هوش مصنوعی برای تجزیه و تحلیل مصاحبه های ویدیویی نامزدها استفاده می کنند، اعمال می کند.
استفاده از مدیریت الگوریتمی یک سوال بله یا خیر نیست. اغلب، تنها بخشهایی از تصمیمگیری خودکار هستند. به این ترتیب، مسائل مربوط به انصاف و پاسخگویی به میزان تکیه شرکت ها بر تصمیمات الگوریتمی بستگی دارد. سوال واقعی اینجاست: افزایش در مقابل اتوماسیون؟ فرق می کند که از الگوریتم ها برای مشاوره استفاده کنید یا جایگزین تصمیم گیری انسانی.
2. مدیریت الگوریتمی نقش مدیریت و منابع انسانی را به چالش می کشد
مدیریت الگوریتمی مشارکت و تعامل انسان را در فرآیندهای مختلف کاهش می دهد یا جایگزین می کند. این امر چالش هایی را برای مدیران و منابع انسانی ایجاد می کند. وقتی جنبه شخصی و همدلی حذف شود، مدیریت افراد چگونه تغییر می کند؟
هم مدیران و هم دست اندرکاران منابع انسانی باید با پویایی های جدیدی که با مدیریت الگوریتمی همراه است سازگار شوند. آنها به مهارتها و شایستگیهای جدیدی نیاز دارند که آنها را برای استفاده مسئولانه از الگوریتمها آماده کند (Angrave et al., 2016).
مدیران و منابع انسانی نیز باید دیدگاه کارکنان (بالقوه) را اتخاذ کنند. به عنوان مثال، الگوریتمهای مورد استفاده در استخدام زمانی میتوانند مشکل ساز شوند که نامزدها باور نداشته باشند که الگوریتمها چقدر منحصر به فرد هستند (نارایانان و همکاران، 2018).
بنابراین چگونه مدیران و منابع انسانی افزایش اتوماسیون و کاهش تماس انسانی را جبران می کنند؟ و چگونه آنها با موفقیت به سمت فرهنگ داده محور تغییر ایجاد می کنند؟ همه اینها سوالاتی هستند که منابع انسانی و مدیران باید پاسخی برای آنها پیدا کنند.
3. خطر مدیریت الگوریتمی برای رفاه کارکنان
مدیریت الگوریتمی همچنین می تواند برای رفاه کارکنان خطراتی ایجاد کند. برخی حتی ردیابی، بازخورد و ارزیابی رفتار در زمان واقعی را با نظارت Taylorist مقایسه می کنند. مدیریت الگوریتمی می تواند به عنوان یک شکل تهاجمی کنترل بر کارکنان دیده شود (کلوگ و همکاران، 2020).
همچنین به نظر می رسد که با گرایش به دادن استقلال بیشتر به کارکنان، امکان کار و برنامه های انعطاف پذیر در تضاد باشد. شرکت ها باید به دقت بر نحوه واکنش کارکنان به معرفی مدیریت الگوریتمی نظارت کنند. برخی از کارمندان ممکن است آن را تهدیدی برای امنیت روانی و استقلال خود بدانند. سپس، رفاه می تواند در نتیجه مدیریت الگوریتمی کاهش یابد.
به عنوان مثال، یک هتل زنجیره ای بین المللی از ابزار نرم افزاری برای مدیریت خانه دارها استفاده می کرد. آنها بهطور مداوم در مورد اینکه کدام اتاقها را بعداً تمیز کنند بهروزرسانی میشد و شرکت همچنین میتوانست ردیابی کند که چقدر طول میکشد تا یک اتاق را تمیز کنند. با این حال، کارگران خاطرنشان کردند که این الگوریتم نتوانسته تفاوتهای ظریف کار آنها را در نظر بگیرد و آن را سختتر کرده است. آنها قادر به سازماندهی روز خود نبودند و کار از نظر فیزیکی سختتر شد، زیرا الگوریتم آنها را “زیگزاگی” در طبقات هتل میفرستاد.
توصیه هایی برای پیاده سازی مدیریت الگوریتمی
خبر خوب این است: می توان از مزایای مدیریت الگوریتمی بهره برد و در عین حال چالش های آن را کاهش داد. استراتژی های زیر می تواند به مدیران کمک کند تا الگوریتم ها را به طور مسئولانه در سازمان ها پیاده سازی کنند.
1. استراتژی
اول، تعیین درجه مدیریت الگوریتمی بسیار مهم است. پلتفرمهای Gig کاملاً به مدیریت الگوریتمی متکی هستند، اما این ممکن است راهحل مناسبی برای شرکتهای سنتیتر نباشد. در نتیجه، بحث این نیست که کدام یک از این دو یا به چه میزان است.
شرکت ها می توانند فرآیندهای پرهزینه و نسبتاً استاندارد شده را شناسایی کرده و از آنجا شروع کنند. در آنجا می توانید انتظار بزرگترین دستاوردهای مدیریت الگوریتمی را داشته باشید. در هر صورت، ادغام الگوریتمها در فرآیندهای تجاری و تصمیمگیری نیازمند یک استراتژی روشن است: تعیین اینکه آیا آنها تصمیمگیری انسانی را افزایش میدهند یا خودکار میکنند.
2. مدیریت تغییر
در اجرای مدیریت الگوریتمی، توجه به رفاه کارکنان نیز مهم است. معرفی الگوریتم ها در سازمان ها تحولی اساسی است. دیدگاه مدیریت تغییر می تواند مفید باشد. مدیریت تغییر فعال یک عامل موفقیت تعیین کننده در معرفی الگوریتم ها است. باید مطمئن شوید که آمادگی برای تغییر وجود دارد. با کمک به کارکنان و مدیران خود در درک ارزش افزوده شده توسط الگوریتم، می توانید آنها را برای استقبال از تغییر آماده کنید.
مردم همچنین ممکن است با معرفی مدیریت الگوریتمی احساس خطر کنند. این می تواند ناشی از عدم ارتباط در مورد الگوریتم باشد. به طور مشابه، کارمندان ممکن است ترس داشته باشند که ماشین ها جایگزین آنها شوند. برای غلبه بر این موضوع، مهم است که کارمندان و مدیران را در مراحل اولیه تغییر مشارکت دهید. ایجاد خطوط ارتباطی باز به رفع نگرانی های مردم کمک می کند. این شامل ارتباط فعال در مورد اینکه داده ها برای چه چیزی استفاده می شوند و چه کسی برای تصمیمات الگوریتمی پاسخگو است، می شود. از احساس عقب ماندن کارمندان یا مدیران جلوگیری می کند.
ارتباطات و مدیریت تغییر باید همراه با آموزش باشد. آموزش به افراد این امکان را می دهد که در کار با الگوریتم ها احساس راحتی کنند و تصمیم گیری را واگذار کنند. اگر مردم نحوه عملکرد الگوریتم را درک نکنند، ممکن است مایل به استفاده از آن نباشند. آموزش کارمندان و مدیران در مورد مهارت ها و شایستگی های لازم برای کار با الگوریتم ها حیاتی است.
3. ارزیابی مداوم
در نهایت، شرکت ها باید فرهنگ ارزیابی مداوم را اتخاذ کنند. پیگیری نحوه عملکرد الگوریتم ها ضروری است. تنها زمانی که تصمیمات دقیق و با کیفیت باشند، افراد ارزش افزوده الگوریتم را خواهند پذیرفت.
هر الگوریتمی کارایی را افزایش نمی دهد، بنابراین نظارت بر کیفیت آن بسیار مهم است. تأثیر این تغییر بر کارکنان نیز باید ردیابی شود. سازمانها میتوانند فرصتهایی را برای کارمندان فراهم کنند تا نگرانیهای خود را ابراز کنند و بازخورد ارائه کنند. به ویژه، آن دسته از کارمندانی که (تا حدی) توسط الگوریتم ها مدیریت می شوند. این به سازمان ها اطلاعات ارزشمندی برای تنظیم و بهبود مدیریت الگوریتمی می دهد.
کلام پایانی
مزایای مدیریت الگوریتمی و اینکه چگونه می تواند به شرکت ها کمک کند تا از رقبا جلوتر بمانند، واضح است. الگوریتم ها نه تنها کارایی را بهبود می بخشند بلکه تصمیم گیری را نیز افزایش می دهند. سپس دوباره، این باید به قیمت رفاه کارکنان تمام شود. خودکارسازی وظایفی که انسان ها انجام می دهند (مانند ارائه بازخورد) نشان دهنده یک تغییر عظیم است. تبدیل این تغییر به چیزی مثبت و پایدار در دست همه درگیر است. اما مدیران و منابع انسانی نقش بسزایی در ایجاد آمادگی برای تغییر خواهند داشت.
هیچ رویکردی برای همه وجود ندارد. هر سازمانی باید ارزیابی دقیقی از مزایا و چالش هایی که معرفی الگوریتم ها برای آنها به همراه دارد انجام دهد. استراتژی های ارائه شده می تواند به هدایت سازمان ها در این تحول کمک کند. وعده مدیریت الگوریتمی بزرگ است. با این حال، ضروری است که همیشه تمرکز خود را بر با ارزش ترین دارایی سازمان ها حفظ کنیم: افرادشان.
مراجع
Angrave، D.، Charlwood، A.، Kirkpatrick، I.، Lawrence، M.، & Stuart، M. (2016). منابع انسانی و تجزیه و تحلیل: چرا HR قرار است در چالش کلان داده شکست بخورد. مجله مدیریت منابع انسانی، 26 (1)، 1–11. https://doi.org/10.1111/1748-8583.12090
باک، بی و مورو، جی. (2018)، “هوش مصنوعی، مدیریت عملکرد و مشارکت: بهترین خود را حفظ کنید”. بررسی استراتژیک منابع انسانی ، 17 (5)، 261-262. https://doi.org/10.1108/SHR-10-2018-145
Cowgill، B. (2019). تعصب و بهرهوری در انسانها و ماشینها (SSRN Scholarly Paper ID 3584916). شبکه تحقیقات علوم اجتماعی . https://doi.org/10.2139/ssrn.3584916
Dietvorst، BJ، و Bharti، S. (2020). مردم الگوریتمها را در حوزههای تصمیمگیری نامشخص رد میکنند زیرا حساسیت آنها به خطای پیشبینی کاهش مییابد. علوم روانشناسی 0956797620948841. https://doi.org/10.1177/0956797620948841
داگان، جی.، شرمن، یو.، کاربری، آر.، و مک دانل، ا. (2020). مدیریت الگوریتمی و کار اپلیکیشن در اقتصاد گیگ: دستور کار تحقیقاتی برای روابط استخدامی و مدیریت منابع انسانی مجله مدیریت منابع انسانی، 30 (1)، 114-132. https://doi.org/10.1111/1748-8583.12258
Kellogg، KC، Valentine، MA، & Christin، A. (2019). الگوریتمهای در کار: زمین رقابتی جدید کنترل. سالنامه های آکادمی مدیریت، 14 (1)، 366-410. https://doi.org/10.5465/annals.2018.0174
لی، ام کی (2018). درک درک تصمیمات الگوریتمی: انصاف، اعتماد و احساسات در پاسخ به مدیریت الگوریتمی کلان داده و جامعه، 5 (1). https://doi.org/10.1177/2053951718756684
نارایانان، ج.، لاوانچی، م.، و ساوانی، ک. (2018). تأثیر الگوریتم های استخدام بر ادراک داوطلبان. مجموعه مقالات آکادمی مدیریت جهانی، ساری (2018)، 182. https://doi.org/10.5465/amgblproc.surrey.2018.0182.abs
نیومن، دی تی (2020). زمانی که حذف سوگیری عادلانه نیست_ تقلیل گرایی الگوریتمی و عدالت رویه ای در تصمیم گیری های منابع انسانی. رفتار سازمانی و فرآیندهای تصمیم گیری انسانی ، 19.
دیدگاهتان را بنویسید