Great Work. Как найти вдохновение, полюбить свою работу и начать зарабатывать - Дэвид Стерт

«Сотрудник придумал способ ускорить процесс оплаты безналичных счетов. Раньше их оплачивали вручную, но он предложил специальную систему, которая сильно ускоряла и упрощала процесс».

«Мы придумали идею новой сферы деятельности для нашего бизнеса, пришли с ней к руководству корпорации для одобрения, а затем воплотили эту идею на разных уровнях по всей стране. Эта новая сфера помогла нашему отделению достигнуть самых высоких показателей роста за всю свою историю».

«Сотрудник придумал инструмент, который побил все стандартные возможности нашей системы управления предприятием. Интересная часть в том, что никто не просил его этого делать или даже просто посмотреть, есть ли возможность осуществить что-то в этой области».

«Мы очень признательны новым членам команды, которые создали новые модели и позволили нам переопределить весь наш бизнес-подход к клиентам. Я был очень впечатлен их энергией и экспертизой».

«Кто-то придумал базу данных, которая смотрела на действия клиента и таким образом определяла возможности, которые мы могли представить розничным продавцам. Это создало новый бизнес для розничных продавцов и новый доход для компании».

«Нам нужно было исправить продажи, привлекая новый круг клиентов. Мы создали новый процесс, который увеличил количество клиентов на 480 процентов».

«Один партнер недавно помогал нашей организации внедриться в продажи продукта, которым мы никогда не занимались. Она составила бизнес-план и продемонстрировала возможности совету директоров. С тех пор это одно из самых значительных направлений в нашей организации».

«Наш производственный отдел нашел возможность сохранить несколько миллионов долларов на затратах на транспортировку за счет перемещения склада».

Наиболее важным из компонентов исследования выдающейся работы было наше знакомство с 1,7 миллиона случаев признанной работы в корпорациях по всему миру. Всего мы рассмотрели 10 000 заявок о признанной работе.

Эти заявки приходили к нам в форме электронных выдвижений кандидатов, написанных руководителями или коллегами и описывающих, что человек сделал, что заслуживает корпоративной награды. Эти выдвижения содержали в среднем 80 слов. Мы проанализировали изначальные заявки и закодировали их содержание по категориям. Эти заявки помогли нам сфокусироваться на 19 вариациях выдающейся работы. Чтобы избежать погрешности субъективности, две независимые команды кодировали финальную группу заявок по специальной книге, с широким пояснением 19 наиболее многообещающих вариаций. Результаты обеих групп сравнили, чтобы определить степень сходства. Средний уровень сходства был около 80 процентов, что является очень высоким уровнем для такого опыта.

Мы приводим одну из заявок внизу как пример описания выдающейся работы, как его могли бы закодировать для исследования.

Заявка на выдвижение Джейн Доу

Ниже мы предлагаем вам ознакомиться с описание метода анализа, использованного при исследовании, придуманного доктором Трентом Кауфманом и Лоуренсом Кованом из Cicero Group, которые предоставили детальный анализ закодированных данных.

Целью работы с данными исследования было определить наблюдаемые характеристики работника и его характерные черты, которые увеличивают шансы того, что этот сотрудник осуществит выдающуюся работу.

Данные исследования можно было разделить на два класса, когда первый кодировался цифрой 1, когда характеристика была наблюдаемой, и 0, когда характеристика была ненаблюдаемой. Использование подобного дихотомического деления – общая практика в социальных науках (к примеру, работающий – безработный, женатый – неженатый, голосовал – не голосовал).

В наборе данных исследования выходные переменные описывали аспекты наблюдаемых результатов работы сотрудника, вроде «принесло финансовую выгоду», «оказало влияние на других» и т. д.

Сходным образом предикторные переменные описывали наблюдаемые действия или причины полученного результата, вроде «разговаривал с внешним кругом», «смотрел своими глазами» и т. д.

Данные изучались с использованием типа регрессионного анализа, известного как модель вероятности с логистическим распределением (такие логит-модели были созданы специально для предсказания результатов дихотомических выходных переменных). Вывод результатов измерений дает нам возможность просчитать вероятность того или иного события.

Вероятность события – это просто соотношение ожидаемого количества случаев, когда событие случится, к ожидаемому количеству случаев, когда оно не случится. К примеру, вероятность, равная 3, значит, что мы можем ожидать, что случаев, когда событие случится, в 3 раза больше, чем когда оно не случится, тогда как вероятность, равная j, значит, что мы ожидаем, что только в j случаев событие случится.

С набором данных для данного конкретного исследования все закодированные по типу «предиктор – ответ» вероятности были протестированы как индивидуальные модели. Набор данных включал в себя 5 вариантов ответа и 13 вариантов предиктора, что дает нам 60 индивидуальных моделей. Из этих моделей 46 представляют статистически значительное соотношение между предиктором и ответом, с вероятностью от 17,13 до 1,64. Наиболее экстремальный случай (17,13) может быть объяснен следующим образом: вероятность, равная 17,13, информирует нас о том, что модель предсказывает вероятность того, что сотрудник получит результат «Страсть» (выходная переменная) в 17,13 раза больше для сотрудников, которые выполнили действие «Смотреть» (предикторная переменная), чем для тех сотрудников, которые этого действия не выполнили.

Другой способ посмотреть на данные

Мы анализировали набор данных исследования разными способами. Но один из самых интересных вопросов, которым мы задавались, был «А что случится с вероятностью достижения результата, если наличиствуют два или больше навыка?». Чтобы ответить на этот вопрос, исследователи рассматривали случаи, где больше одной предикторной переменной (действие) работали вместе, и измеряли совокупный эффект на выходные переменные (результаты). И вот что мы увидели.