На эту статью нас вдохновила новость о том, что в Amazon специальные радиочастотные сканеры определяют, чем занимается сотрудник на рабочем месте. За каждую минуту, потраченную не на функциональные обязанности, человек должен отчитаться: в том числе даже если он был в уборной, разговаривал с коллегой или отходил попить воды. Руководство, ориентируясь на эти сводки, увольняет всех, у кого набегает два часа нерабочего времени в день: прецеденты уже были.
В США каждая пятая компания использует специальное программное обеспечение для удаленного наблюдения за сотрудниками — в том числе и без их ведома. С 2020 года спрос на такое ПО в США вырос на 58%.
В России такие средства слежения тоже становятся востребованными.
При этом исследования показывают, что работники, знающие об установленных на работе трекерах, быстрее выгорают. Причем стресс испытывают и те, кому нечего скрывать.
А потому поддержка производительности необходима, но она не должна давить на персонал, иначе ожидаемого эффекта не будет.
Так может ли ИИ в части контроля сотрудников выполнять не карательную роль, а оказывать реальную помощь? Разберемся далее.
Смоделируем ситуацию работы ИИ в отдельно взятой компании
Предположим: в СберКорус обратилась компания «Амазон и Амазон» и сообщила, что для ее развития особенно важны следующие цели:
• Улучшить бизнес-процессы для обеспечения роста доходности.
• Увеличить присутствие на рынке.
• Создать полноценную облачную платформу.
Для аналитики и пошаговой стратегии достижения этих целей СберКорус предложил использовать Интеллектуальную Систему Управления (ИСУ).
Что известно о текущем положении дел в компании?
В «Амазон и Амазон» работает 300 человек. За смену к ним обычно поступает 3000 заказов. Но накануне праздников, перед отпускным сезоном и каникулами заказов становится больше. Впрочем, даже если количество заказов повышается всего на 100 штук, у «Амазон и Амазон» начинаются задержки со сборкой.
Искусственный интеллект начал с аналитики показателей эффективности каждого филиала компании. Всего у «Амазон и Амазон» три распределительных центра, где формируются заказы. ИСУ выяснила, что средняя производительность в разных распределительных центрах различается в 3 раза:
• в главном распределительном центре средняя производительность сотрудников составляла 3,75 собранных упаковок в час;
• в филиале № 1 — 4 собранных упаковок в час;
• в филиале № 2 — 5 собранных упаковок в час.
Производительность сотрудников при этом была следующей:
• Главный распределительный центр: 80 сотрудников — 300 упаковок/час
• Филиал № 1: 70 сотрудников — 280 упаковок/час
• Филиал № 2: 50 сотрудников — 250 упаковок/час
ИСУ сделала вывод, что в каждом филиале есть значительный потенциал роста производительности от 6% до 17%.
А теперь рассмотрим рекомендации ИИ на примере конкретного сотрудника
Познакомьтесь с Сергеем Ивановым — оператором склада из главного распределительного центра. Тип отклонения, который ИСУ определила, анализируя показатели Иванова — «Низкая утилизация рабочего времени», низкая производительность.
Детали в цифрах:
• Доля времени, затраченная на сбор заказа составила 46% от недельного рабочего времени (16,5 из 36 часов);
• Средняя доля времени, затраченного на сбор заказа у других сотрудников — 80%.
ИСУ заключила, что низкая производительность Иванова сильно снижает и общие показатели по филиалу:
• Среднее количество собранных упаковок за смену у Иванова — 2 штуки в час.
• Среднее количество собранных упаковок за смену по остальным 79 сотрудникам этого же отдела — 3,54 штуки в час.
Цифровой помощник отобразил в наглядной таблице тайминг всех простоев Иванова дольше 10 минут и определил их типы: позднее начало рабочего дня, раннее его окончание, внеплановый простой и пр.
ИСУ предложила начать с мотивации сотрудника, вместо того, чтобы переходить к карательным мерам.
Шаг первый. Разговор с сотрудником
Руководителю предстояло обсудить с сотрудником детали отклонений и провести совместную работу над ошибками. Для этого нужно было определить ключевую мотивацию работника (доход / уверенность в завтрашнем дне / карьерный рост и пр.) и сообща выявить причину каждого простоя.
Шаг второй. Выявление проблемы и меры по ее устранению
После того, как начальник выявил причину простоя, искусственный интеллект предложил подходящий комплекс мероприятий по устранению недоработок. Приведем часто встречающиеся причины простоев и рекомендации ИИ по их устранению, а позже снова вернемся к Иванову.
Проблема: руководитель не выдал новое задание на набор заказов на складе.
Решение: довести до сотрудника важность контакта с руководителем. Система порекомендует определить, обращался ли сотрудник за новым наборным листом после окончания перерыва, и выяснить причину, если этого не было сделано.
Проблема: оборудование не функционирует.
Решение: выяснить, как сотрудник представляет свои действия в случае поломки, разъяснить порядок его действий в этой ситуации, при необходимости сделать заявку на ремонт.
Проблема: сотрудник занят другой работой, не связанной с набором товаров. Решение: внимательнее посмотреть на то, как организован процесс, проанализировать действия сотрудника на соответствие должностным обязанностям, соотнести трудозатраты к объему выполненной работы и пр.
Шаг третий. Утверждение рекомендаций ИСУ
На этом этапе начальнику необходимо убедиться, что сотрудник понял рекомендации (либо дать дополнительные объяснения).
После разговора с Ивановым руководитель понял, что причины низкой производительности работника — назначение начальником смены сотрудника, который пришел в «Амазон и Амазон» через год после трудоустройства Сергея. Иванов счел назначение менее опытного коллеги неприемлемым и потерял мотивацию. У Сергея за последний месяц дважды выходило из строя оборудование, однако, оформив заявку на проверку, он не поднял приоритет до максимального, из-за чего увеличилось время простоя.
Было оговорено, что Иванову назначается испытательный срок в 5 месяцев, после чего его кандидатуру рассмотрят на должность начальника смены. Сотруднику также напомнили о повышении приоритета заведенной заявки на ремонт. О приоритетах заявок была сформирована рассылка и направлена всем работникам складов.
Шаг четвертый. Наблюдение и корректировка
ИСУ — не разовый инструмент. Пройдёт ещё неделя — система подскажет новые задачи. С кем из сотрудников и над чем именно нужно поработать для увеличения общего результата. А по Сергею Иванову обязательно отследит изменения и зафиксирует эффект от исполнения задач.
Благодаря ИСУ автоматически (а значит без лишних трат сил и времени руководителей и сотрудников) были проанализированы причины проседания показателей, сформулированы конкретные задачи для руководителей, оптимизированы бизнес-процессы. Это привело к долгожданному выравниванию показателей и повышению продуктивности деятельности компании. «Амазон и Амазон» пошла по гуманному пути — вместо массовых увольнений и жесткого контроля компания внедрила ИИ, который помог руководителю мягко и без радикальных мер повысить производительность сотрудников, а следовательно — увеличить доходность компании.
Новости и инсайды о цифровизации бизнеса в России ежедневно читайте в Telegram-канале СберКорус.
Комментарий недоступен
Во-первых, доверять ИИ, который разницу в производительности в треть обозначает как "в 3 раза" я не бы не стал.
Во-вторых, если сделать быстрый оценочный анализ по древней теории массового производства, наблюдается классический разрыв в производительности из-за накладных расходов на оперирование исполнителями (context switching), гласящий что производительность увеличивается не линейно при увеличении работников, а пропорционально квадратному корню из коэффициента увеличения количества задействованных работников.
В данной истории:
Филиал 2, самый маленький и ожидаемо самый высокопроизводительный -50 Рбтн, 250 уп/ч, примем за 1 (5 уп/(ч*рбтн)).
Рассмотрим Филиал 1, с увеличенным количеством работников до 70 (в 1.4 раза), ожидаемое увеличение производительности в 1.183 или (250*1,183) = 295.8, фактическое увеличение производительности составило 1.12, отклонение фактической от идеальной производительности 1,056 или 5,6% что в общем то в области статистической погрешности или сезонных факторов.
Считается, что при отклонениях менее 10% заниматься оптимизацией есть смысл на стадии 4-5 уровня зрелости компании, так-как вручную очень дорого, а самоподдерживающегося процесса постоянного улучшения еще нет даже на бумаге, а судя по тексту, рассматриваемая компания еле-еле из 2-го уровня зрелости вылезать начала :) .
Рассмотрим, судя по тексту, самое проблемное отделение. 80 работников (1.6 раз), ожидаемое увеличение производительности 1.265 раз (316 уп/ч) отклонение от ожидания 5,4%, т.е. еще меньше чем в Филиале 1.
Т.е в данном примере обстановка с производительностью труда хуже не центральном и ИИ нацелил фокус внимания оптимизаторов совсем не оптимально.
Таким образом, применение (внедрение и поддержание) дорогостоящего ИИ там, где любой знакомый с математикой 8 класса и с базовыми знаниями в экономике и массовом производстве (т.е. потенциально любой руководитель каждого филиала), может сделать оценки в течение секунд также сильно экономически не эффективно.
Рассмотренный пример с работником ну совсем не про ИИ и цифровизацию: руководитель не "понял", а "предположил" - насколько компетентно решение руководителя манкирующего своими непосредственными обязанностями ИИ не поясняет. Возникает вопрос, а в остальное время что руководитель делал, что его сверху пинать пришлось? В данном случае скорее руководителя надо было "соптимизировать" за некомпетентность и сразу производительность выросла бы - все-равно задания он не ставит и не контролирует исполнение, обязанности линейного руководителя исполняет только по приказу ИИ, а непосредственно упаковкой не занимается.