Интеллектуальная эвристика для управления производительностью
Давайте рассмотрим еще один тип кадровых решений: управление эффективностью, в частности, продвижение и увольнение сотрудников.
Продвижение и увольнение с помощью быстрых и экономных деревьев
Должен ли сотрудник получить премию? Быть повышенным в должности? Или уволить? Организации принимают такие решения в рамках так называемого управления эффективностью. Играет ли умная эвристика роль в принятии этих решений? Чтобы выяснить это, мы изучили, лучше ли моделируются решения о повышении или увольнении сотрудников с помощью логистической регрессии с взвешиванием и добавлением, компенсирующей логистической регрессии, или с помощью лексикографических, некомпенсирующих быстрых и экономных деревьев. 25 Мы предоставили лицам, принимающим решения, профили производительности, которые варьировались по трем признакам, связанным с производительностью, для каждого сотрудника: средняя (усредненная) производительность за последние полгода, вариация производительности (то есть случайные, несистематические изменения со временем) и тенденция производительности (то есть систематические изменения со временем, например, тенденции к росту или снижению).
Мы обнаружили, что быстрые и экономные деревья широко использовались, причем в большей степени опытными менеджерами, из которых две трети полагались на них. Большинство участников также адаптировали ключевые особенности быстрых и экономных деревьев в ответ на манипуляции с требуемыми распределениями положительных (бонус) или отрицательных (увольнение) решений, что соответствует принципу экологической рациональности.
Рейтинг стеков
В нашем исследовании мы требовали от участников уволить или премировать определенный процент сотрудников. Наш подход был адаптирован к так называемым системам управления эффективностью с принудительным распределением или стековым ранжированием. Этот подход, также известный как rank and yank, стал (не)известным после того, как генеральный директор General Electric (GE) Джек Уэлч ввел правило "20/70/10 split": 20 процентов лучших сотрудников, согласно рейтингу их менеджеров, вознаграждались, а 10 процентов увольнялись. 26 Смысл этого простого правила заключался в том, чтобы вознаградить исполнителей и убрать отстающих, и, похоже, правило хорошо работало в GE, когда Уэлч возглавил компанию, в то время как в ней было много "мертвого леса".
Однако эффективность и реакция на такие правила принудительного распределения рангов существенно различаются. 27 И критика предсказуема: как может такое простое правило учитывать специфическую и уникальную ситуацию каждого сотрудника? Эта критика не учитывает того, что ни одна стратегия принятия решений в условиях неопределенности не может быть безошибочной; существуют также недостатки внедрения более неоднозначной системы управления эффективностью, в которой нет четкого определения того, кто награждается, а кто наказывается. Как и любая другая эвристика, штабельное ранжирование хорошо работает только для конкретной цели (очистка организации) и ситуации (наличие валежника). Как только цель достигнута или ситуация изменилась, продолжение ранжирования заставляет менеджеров увольнять способных сотрудников, делая фирмы менее функциональными. Это может объяснить, почему эвристика не сработала в Microsoft и, возможно, даже способствовала ее упадку в 2000-х годах.
Движение вперед
Хотя эвристики широко используются при принятии кадровых решений, лишь немногие из них исследовались с точки зрения экологической рациональности. Вместо этого в большинстве исследований эвристика ассоциируется с предвзятостью и утверждается, что решения должны приниматься с помощью системы 2, а не системы 1, несмотря на отсутствие доказательств такой двойственности. 28 Мы надеемся изменить эту точку зрения. Чтобы принимать правильные решения в условиях неопределенности, необходимо полагаться как на интуицию, так и на анализ. Умные эвристики позволяют объединить эти две составляющие. При этом эвристика может помочь сделать кадровые решения более прозрачными, последовательными, справедливыми и эффективными.
Примечания
1 . Моррис и Селлерс (2000).
2 . NZ Herald (2000).
3. Сакетт и Ливенс (2008).
4 . Попомаронис (2021).
5 . Шмидт и Хантер (1998).
6 . Попомаронис (2020).
7 . Ock and Oswald (2018).
8 . Шмидт и Хантер (1998).
9 . Луан, Реб и Гигерензер (2019).
10 . Шмидт и Хантер (1998).
11 . Липшиц и др. (2001).
12 . Haunschild and Miner (1997).