به الگوریتم اعتماد کنید یا به غریزه‌ی خودتان؟

مطالعه موردی: به الگوریتم اعتماد کنید یا به غریزه‌ی خودتان؟

نویسندگان: جفری پولزر

یک مدیر باید تصمیم بگیرد که کدام گزینه بهتر است!

آلایا جونز نمی‌توانست به سخنرانی‌های خداحافظی به‌خوبی توجه کند. اگرچه خیلی ناراحت بود که همکار قدیمی‌اش، ان بنک، آن‌ها را ترک می‌کند، اما بیشتر ذهنش درگیر این موضوع بود که چه کسی می‌تواند جایگزین او شود. آلایا به‌عنوان مدیر بخش بازاریابی و فروش در بکر-برنبام اینترنشنال، یک کمپانی جهانی در زمینه‌ی کالاهای مصرفی، می‌دانست که به یک مدیر بازاریابی مستعد نیاز دارد تا از پورتفولیوی بخش که شامل 34 محصول بود پشتیبانی کند. پس از کار با منابع انسانی در راستای اصلاح و کوچک کردن فهرست کاندیداها، در نهایت به دو گزینه‌ی نهایی رسیدند که هر دو در داخل سازمان مشغول به کار بودند: مالی اشورث، مدیر برند در تیم او که در بخش شوینده کار می‌کرد و اد یو، یک ستاره‌ی نوظهور که در بخش زیبایی بی‌بی‌آی حضور داشت.

آلایا مالی را دوست داشت و به کارش احترام می‌گذاشت. دو سال پیش، مالی یک سرویس ثبت‌نام جدید را برای محصولات شوینده‌ی بی‌بی‌آی هدایت کرده بود که رشد قابل توجهی را طی دو فصل گذشته داشت. به نظر می‌رسید مشتریان راحتی آن را دوست داشتند و تیم‌های تحقیق و توسعه، بازاریابی و اجرایی از این سرویس به‌عنوان پلتفرمی برای آزمودن محصولات جدید هیجان‌‎زده شده بودند. به‌واسطه‌ی هدایت مالی در پروسه‌ی راه‌اندازی این سرویس، آلایا آشنایی زیادی با نقاط قوت و ضعیف شاگردش داشت و مطمئن بود که برای چالش بعدی آماده است.

اما خیلی زود پس از خالی شدن این موقعیت، کریستین جنکینز، معاون منابع انسانی شرکت، با رزومه‌ی اد نزد آلایا آمده بود. اد هم همانند مالی بلافاصله پس از دانشکده‌ی کسب‌وکار به بی‌بی‌آی پیوسته بود و به‌سرعت او را تحت عنوان یک استعداد رده‌بالا شناسایی کردند. او هم داستان موفقیت خودش را برای بی‌بی‌آی داشت: به‌عنوان یک مدیر برند در گروه زیبایی، خط تولید محصول پاک‌کننده‌ی آرایش فرش‌فیس که 20 سال سابقه داشت را احیا کرد و میزان فروش آن را طی سه سال، 60 درصد افزایش داد.

نکته‌ای که احتمالاً برای کریستین مهم‌تر بود، میزان انطباق اد با این شغل بود که بر اساس سیستم جدید منابع انسانی برای تحلیل افراد، این انطباق به میزان 96 درصد برآورد شده بود (مالی 83 درصد انطباق داشت). هدف از این طرح، توسعه‌ی بهره‌برداری از تحلیل داده در منابع انسانی و استفاده از آن برای تصمیمات استخدام، ارتقای رتبه و میزان پرداخت بود. آلایا خوشحال بود که دو فرد خودی وارد رقابت شده‌‎اند – خودش این رتبه‌ها را به آن‌ها داده بود – اما همین امر تصمیم‌گیری را سخت‌تر کرده بود. زمانی که مدیر ارشد عملیات درباره‌ی ان سخنرانی می‌کرد، آلایا در فکر مصاحبه‌هایش با اد و مالی بود.


جفری پولزر استاد بنیاد یو‌پی‌اس در حوزه‌ی مدیریت منابع انسانی در واحد رفتار سازمانی از دانشکده‌ی کسب‌وکار هاروارد است.

مطالعات موردیِ ساخته‌ی ذهن در اچ‌بی‌آر، مشکلاتی که رهبران در کمپانی‌های واقعی با آن مواجه می‌شوند را ارائه می‌کند و راهکارهای متخصصین را می‌پرسد. این مورد بر اساس مطالعه‌ی موردی «ادغام ماریوت استاروود : معماری پورتفولیوی برند» بنا شده است.


 

ملاقات با اد یو

اد که اندکی آشفته به نظر می‌رسید، گفت: «متاسفم که دیر رسیدم. راننده‌ی اوبر اصرار داشت که یک میان‌بر از هیترو بلد است – اما اشتباه می‌کرد.»

آلایا خواه‌ناخواه این رفتار را با روحیات مالی مقایسه می‌کرد که همیشه باثبات و خونسرد بود، اما سعی کرد قضاوت نکند و ذهنش را باز بگذارد.

گفت «مشکلی نیست، می‌توانیم شروع کنیم؟»

اد با اشتیاق گفت «حتماً»

«چه چیزی درباره‌ی این شغل هست که تو را جلب می‌کند؟»

اد توضیح داد درحالی‌که به رشد فرش‌فیس تحت هدایت خودش افتخار می‌کند، آماده‌ی یک چالش جدید است. او دوست داشت خیلی عمیق درگیر یک محصول شود، اما احساس می‌کرد مهارت‌هایش برای موقعیتی مناسب هستند که بتواند بالاسر طرح‌های مختلف باشد و پورتفولیوی بزرگ‌تری را هدایت کند.

آلایا با خودش فکر کرد عجب جواب هوشمندانه و شفافی داد. پرسید «در بخش زیبایی چه چیزهایی یاد گرفتی تا بتوانی آن‌ها را در بخش شوینده‌ها اعمال کنی؟»

این یک سوال مهم بود. تیم ارشد بی‌بی‌آی بخش‌ها را هدایت کرده بود تا بهترین رویه‌ها را به اشتراک بگذارند و همکاری را بهبود ببخشند. در واقع رئیسش از او خواسته بود که همکاری نزدیکی با همکارانش در سایر بخش‌ها داشته باشد.

اد درباره‌ی رویکرد بخش خودش در زمینه‌ی تحقیقات میدانی از مشتریان توضیح داد که همین موضوع را عاملی برای ارتقای فروش فرش‌فیس می‌دانست و می‌گفت در بخش شوینده‌ها جواب می‌دهد. همکاری با مردم‌شناس‌ها، از آن مسائلی بود که در تیم آلایا مطرح شده بود اما هنوز آن را امتحان نکرده بودند.

همچنین از او درباره‌ی برنامه‌ی ثبت‌نام جدید پرسید و به مقاله‌ی سفید اخیر در زمینه‌ی روند مدل‌های کسب‌وکار ثبت‌نام ارجاع داد. مشخص بود که تکالیفش را انجام داده، باهوش و جاه‌طلب است، کسب‌وکار بی‌بی‌آی را به‌خوبی می‎شناسد و به مشتاق یادگیری است. اما پاسخ‌ها و حتی پرسش‌هایش اندکی خشک به نظر می‌رسیدند. آلایا آن حس پویایی و ذهنیت کارآفرینی که در مالی سراغ داشت را در او حس نمی‌‎کرد. با خودش فکر کرد شاید مضطرب بوده یا شاید هم ذاتاً همین‌طوری است.

آلایا شک نداشت که اد می‌توانست مسئولیت را انجام دهد. اما خیلی برای استخدام او هیجان‌زده نبود.

 

آیا استفاده از الگوریتم‌ برای هرگونه تحلیل افراد، تخطی از مرامنامه‌ی کارکنان قلمداد می‌شود؟ قوانین جدید – علی‌الخصوص قانون پشتیبانی از داده‌های عمومی (GDPR) در اتحادیه‌ی اروپا – در حال وضع محدودیت‌ها بر روی اطلاعاتی که فرد می‌تواند و نمی‌تواند جمع‌آوری کند و همچنین نحوه‌ی اطلاع‌رسانی به کارکنان هستند.

تحقیقات نشان می‌دهند که مدیران گزینش معمولاً در همان 30 ثانیه‌ی اول مصاحبه، عقایدی را درباره‌ی شخصیت و شایستگی یک کاندیدا پیدا می‌کنند.

 

«مصاحبه» مالی

وقتی به کریستین پیشنهاد کرد مصاحبه با مالی در همان روز مصاحبه با اد باشد، ایده‌ی جالبی به نظر می‌رسید و با توجه به ساعتی که به ناهار اختصاص داشت، طبیعی به نظر می‌رسید که با مالی در همان مکان همیشگیِ نزدیک دفتر و در ساعت ناهار دیدار کند. اما وقتی آلایا وارد کافه شد، متوجه شد که این نحوه‌ی مصاحبه، بی‌انصافی در حق اد است.

نمی‌توانست مالی را بغل نکند و از او نخواهد که اخبار جدید پروژه‌ها و خانواده‌اش را به او بگوید. آن‌‎ها حتی یک چیز را سفارش دادند: سالاد تخم‌مرغ مزه‌دارشده. اما به‌محض اینکه گارسون رفت، مالی رفت سراغ کار: «می‌دانم که روزی 10 بار به هم ایمیل می‌زنیم، اما دوست دارم این مصاحبه به شکل رسمی باشد»

آلایا لبخندی زد: «البته»

همان‌طور که کریستین به او توصیه کرده بود، سوالاتی را پرسید که با سوالات اد مشابه یا دقیقاً یکسان بودند.

او شروع کرد: «به من بگو چرا به این مسئولیت علاقه داری». عجیب بود. آلایا از پیش پاسخ مالی را می‌دانست، اما بنا به درخواست مالی، به‌گونه‌ای رفتار کرد که انگار همکار نزدیک نیستند. با هر پاسخ، مالی دانش عمیق خود نسبت به کسب‌وکار را نشان داد و ایده‌های خوبی درباره‌‎ی همکاری با طرح‌ها و ایجاد موفقیت در برنامه‌ی ثبت‌نام داشت. او به‌اندازه‌ی اد جلاخورده و فکور بود، اما به نظرش گرم‌تر و دارای خودآگاهی بیشتر به نظر می‌رسید.

آلایا در مسیر برگشت به سمت محل پارک، با خودش فکر کرد که خیلی خوب جواب داد. با نگاهی به چهره‌ی خندان مالی، آلایا می‌دانست که شاگردش حس اطمینان لازم درباره‌ی عملکرد خوبش را دارد.

 

مطالعات نشان می‌دهند مدیران تمایل دارند افراد مشابه با خودشان را استخدام کنند. مثلاً لورن ریورا، استاد دانشکده‎ی مدیریت کلوگ دریافته که مدیران بیشتر افرادی با پتانسیل دوستی را انتخاب می‌‎کنند، حتی اگر فرد شایسته‌تری از آن‌ها وجود داشته باشد. آیا آلایا باید نگران باشد که به خاطر دوستی‌اش با مالی، او را انتخاب می‌کند؟

مصاحبه‌های سازماندهی‌نشده، روش پیش‌فرض برای اکثر مدیران گزینش هستند، اما مطالعات متعددی دریافته‌اند که آن‌ها نمی‌توانند عملکرد واقعی در ارائه‌ی مسئولیت را پیش‌بینی کنند.

 

الگوریتم

فردای مهمانی خداحافظی ان، آلایا با کریستین و برد بیبسون، یک متخصص داده از تیم تحلیل افراد، دیدار کرد.

کریستین گفت «بعد از بررسی مصاحبه‌ها، می‌دانم که به سمت مالی گرایش داری، اما دوست داریم داده‌های بیشتری را به اشتراک بگذاریم».

برد دو دیاگرام رنگارنگ را تقدیم کرد. «این‌ها تحلیل‌های شبکه‌ی ایمیل مالی و اد و سابقه‌ی جلساتشان در بی‌بی‌آی است. با اجازه‌ی آن‌ها و بدون اینکه به محتوای ایمیل‌ها یا تقویمشان نگاه کنیم، افرادی از سرتاسر شرکت که در طول شش ماه گذشته با آن‌ها در تماس بودند را پیدا کردیم».

از روی دیاگرام‌ها مشخص بود که اد نه‎‌تنها با همکاران بخش زیبایی ارتباط داشته، بلکه با سایر افراد کلیدی سایر گروه‌ها نیز صحبت می‌کرد. شبکه‌ی مالی عمدتاً داخل محصولات شوینده بود.

آلایا گفت «نمی‌دانستم که چنین تحلیلی هم انجام می‌دهیم».

برد گفت «به‌تازگی بررسی شبکه‌ها را آغاز کردیم و فکر می‌کنم می‌توانیم بینش‌‎های مفیدی را به دست بیاوریم».

کریستین گفت «می‌دانم که یک چارت قرار نیست تصمیم تو را عوض کند، اما داده داشتن بهتر از نداشتن است، نه؟ خودت بدون داده، یک محصول یا کمپین جدید را راه‌اندازی نمی‌کنی. تصمیمات منابع انسانی هم باید چنین رویکردی داشته باشند». این روشی بود که کریستین بارها برای یک طرح جدید سراغ آن رفته بود. او گفت «ما مطمئنیم که تصمیماتمان منطقی، قدرتمند و بدون گرایش عاطفی و شخصی نسبت به کارکنان هستند».

آلایا به سمت برد برگشت «حتماً موافق هستی، نه؟»

برد با نگاهی به واکنش کریستین گفت «البته. اما به‌عنوان یک متخصص داده، تردیدهای سالم را تشویق می‌کنم. الگوریتم ما بسیار جدید است. تا کنون از آن برای اتخاذ سه تصمیم درباره‌ی ارتقای رتبه بهره گرفتیم، اما برای قضاوت درباره‌ی نحوه‌ی عملکرد این افراد خیلی زود است. نمی‌خواهم این‌گونه القا کنم که 100 درصد درست می‌گوییم».

کریستین تا حدودی عصبانی بود. «احتیاطت را تحسین می‌کنم، برد. اما از مدیران گزینش شنیده‌ام که توصیه‌های مهیاشده توسط الگوریتم، طرز فکرشان درباره‌ی موقعیت‌ها و کاندیداها را عوض کرده است. ماه‌هاست که این سیستم را مورد آزمایش قرار می‌دهیم».

آلایا آهی کشید. «اگر این الگوریتم را بهتر می‌شناختم، با آن اعتماد بیشتری پیدا می‌کردم،». او می‌دانست که تنها خودش مردد نیست: از تیم کریستین سوالات زیادی را درباره‌ی این روش پرسیده بودند، با اینکه جلسات آموزش آن در سرتاسر کمپانی برگزار شده بود.

کریستین جواب داد «خوشحال می‌شوم بیشتر درباره‌ی نحوه‌ی عملکرد الگوریتم صحبت کنیم. اما الان باید تمرکزم روی این دو گزینه باشد. هدف از سیستم این نیست که جایگزین قضاوت تو شود. هدف شناسایی افراد شایسته‌ای است که در صورت عدم وجود این سیستم، اطلاعی از توانایی‌هایشان پیدا نمی‌کردی تا بتوانی تصمیم آگاهانه‌ای بگیری».

برد به میان حرفش پرید «می‌توانم با اتکای بیشتر به داده و وابستگی کمتر به غریزه، به تو کمک کنم تصمیمی بگیری که منطقی‌تر و بدون گرایش به فرد خاصی باشد».

آلایا با خود فکر کرد که آیا برد فکر می‌کند به شکلی غیرمنصفانه طرف مالی را می‌گیرم. خودش هم در این مورد نگران بود و عمیقاً دوست داشت که تصمیمی منطقی را بگیرد. آیا اعتماد به سیستم جدید به او کمک خواهد کرد؟

او گفت «اما الگوریتم هم کاملاً بی‌طرف نیست، نه؟»

«تو کماکان به اطلاعاتی – بازبینی عملکرد، رزومه – اتکا می‌کنی که امکان ظهور گرایش و انحراف در آن وجود دارد.»

کریستین تصدیق کرد «منطقی است و ما سخت تلاش می‌کنیم تا آن‌ها را کنترل کنیم. اما به‌عنوان یک شرکت مبتنی بر داده، باید رویکردمان را به مهم‌ترین بخش‌ کسب‌وکار گسترش دهیم: افراد.»

آلایا گفت «به نظر می‌رسد می‌خواهی اد را برای این پست تحمیل کنی؟»

کریستین گفت «یادت باشد که باید دید وسیع‌تری داشته باشم. ما تحلیل می‌کنیم تا ببینیم احتمال خروج کدام افراد باجربزه از بی‌بی‌آی بیشتر است و اد در صدر این فهرست قرار دارد. احتمالاً موقعیت خالی دیگری در بخش محصولات زیبایی به وجود نخواهد آمد و دوست داریم او را نگه داریم.»

آلایا گفت «اما مالی چطور؟ اگر این شغل به او نرسد ویران خواهد شد و مطمئنم که او هم فکر خروج به سرش خواهد زد.»

برد گفت «تحلیل ما او را در میان افراد پرخطر برای خروج نگذاشته، اما امکان دارد حق با تو باشد.»

 

تحلیل‌های شبکه می‌توانند الگوهایی را نشان دهند که در صورت عدم وجودشان، قابل تشخیص نبودند – مثلاً شناسایی کارکنانی که نقش محوری را در جریان‌های اطلاعات غیررسمی دارند.

مطالعات، پدیده‌ای تحت عنوان «الگوریتم‌گریزی» را نشان داده‌اند. حتی زمانی که پیش‌بینی‌های مبتنی بر داده، نرخ موفقیت بالاتری نسبت به پیش‌بینی‌های شهودی و انسانی دارند، باز هم افراد دومی را ترجیح می‌دهند و اگر بدانند که یک الگوریتم بی‌نقص نیست، خیلی ساده از آن بهره نمی‌گیرند. تحت چه شرایطی یک تصمیم را بر اساس تحلیل داده اتخاذ می‌کنید؟

بنا به گفته‌ی پیو، در کنار مدیران، بسیاری از متقاضیان نیز به الگوریتم‌ها بدبین هستند. اکثریت آمریکایی‌ها (76 درصد) می‌گویند برای مشاغلی که تصمیم‌گیری گزینششان توسط یک برنامه‌ی کامپیوتری انجام می‌گیرد، اقدام نخواهند کرد.

 

وقت تصمیم‌گیری

یک هفته بعد، آلایا اصلاً به تصمیم نهایی نزدیک نشده بود. از مالی دوری می‌کرد و تحلیل‌های برد را داخل کشو گذاشته بود. اد مشخصاً شایسته بود و او را تحت تاثیر می‌گذاشت. اما به‌صورت حسی می‌دانست که مالی برای این شغل آماده است.
آیا مالی را به خاطر رابطه‌ی نزدیکشان ترجیح می‌داد؟ اگر مالی انتخاب نمی‌شد، آیا باز هم در بی‌بی‌آی باقی می‌ماند؟ آلایا باید تصمیم می‌گرفت. آیا باید به الگوریتم اعتماد می‌کرد یا غریزه‌ی خودش؟
نظرات را در صفحات بعد ببینید.

 

کتی اونیل که متخصص داده است، در کتاب خود تحت عنوان «تخریب اسلحه‌های ریاضی» گفته، اگرچه می‌توان با استفاده از داده‌های تاریخی الگوریتم ساخت و بازدهی تصمیم‌گیری را بهبود داد، اما افراد غالباً بدون درک گرایش‌هایی که در این الگوریتم‌ها وجود دارد، به آن‎ها اتکا می‌کنند.

چگونه استفاده از الگوریتم برای تحلیل مشتریان با استفاده از آن برای کارکنان فرق می‌کند؟ آیا کمپانی‌ها باید احتیاط بیشتری در زمینه‌ی بهره‌برداری داخلی از این روش‌ها داشته باشند؟

آلایا باید مالی را استخدام کند یا اد را؟ متخصصان پاسخ می دهند

پراساد ستی سرپرست بخش تحلیل افراد در گوگل است.

به‌عنوان تحلیل‌گر و فردی که چند سال به‌عنوان متخصص تحلیل افراد کار کرده، اعتقاد دارم که بهتر است از آن نه به‌عنوان جایگزین قضاوت انسانی، بلکه در قالب مکمل آن استفاده شود. مثلاً الگوریتم می‌تواند استفاده شود تا گزینه‌های مدنظر مدیر گزینش برای فلان مسئولیت را گسترش دهد. در قضیه‌ی بی‌بی‌آی، به نظر می‌رسد سیستم تحلیل افراد عملکرد خوبی را در مطرح کردن اد داشته، زیرا او یک کاندیدای غیرقابل انتظار است.

درهرحال اگر قرار است الگوریتم به‌جای آلایا تصمیم بگیرد، مسئولیت اثبات این ادعا بسیار بالا است. به اعتقاد من سابقه‌ی بی‌بی‌آی با سه تصمیم‌گیری، خیلی کافی نیست و نمی‌تواند قابلیت اطمینان به این سیستم را نشان دهد. وقتی صحبت از استخدام و ارتقای رتبه می‌شود، بسیار مهم است که بتوانیم دلیل فلان انتخاب را به‌صراحت توجیه کنیم. آلایا حق دارد که خواهان شفافیت بیشتری درباره‌ی روش سیستم باشد. او باید بداند که الگوریتم فلان کاندیدا را بر چه اساسی انتخاب کرده است.

اگر قرار است الگوریتم به‌جای آلایا تصمیم بگیرد، مسئولیت اثبات این ادعا بسیار بالا است.

بنابراین پیشنهاد من به آلایا چیست؟ او باید دقیقاً همان چیزی که می‌خواهد برای ایفای این مسئولیت به آن برسد را تعریف کند – چیزی که الگوریتم احتمالاً نمی‌داند – و تصمیمش را بر همان اساس بگیرد. اگر موفقیت برای آلایا به معنای حضور یک مدیر بازاریابی مستعد در کمترین زمان ممکن در هیئت‌مدیره باشد و بخواهد که این شخص کارش را بلافاصله و با بالاترین سرعت شروع کند، می‌توان گفت مالی گزینه‌ی بهتری است. اگر آلایا بیشتر به افزایش همکاری با سایر بخش‌های کمپانی تمایل دارد، پس اد که شبکه‌ی وسیع‌تری از ارتباطات دارد، گزینه‌‎ی هوشمندانه‌تری به نظر می‌رسد. در هر دو حالت، آلایا باید خودش تصمیم بگیرد و بتواند دلیل انتخاب آن گزینه‌ی ویژه را بیان کند.

در یک دنیای ایده‌‎آل، بی‌بی‌آی تلاش خواهد کرد تا تصمیمات استخدام عینی‌ و فاقد حب و بغض را با برقراری یک پروتکل مصاحبه‌ و پروسه‌ی ارزیابیِ ساختاریافته، معیارهای از پیش تعیین شده و تعریف مهارت‌‎های ضعیف، متوسط و رده‌بالا برای کاندیداهای مدنظر اتخاذ نماید. کمپانی تمامی مسئولیت‌ها را تبلیغ خواهد کرد تا تعداد متقاضیان گسترده‌ای را جذب کند. چندین نفر ارزیابی را انجام خواهند داد و افرادی که تصمیم نهایی را می‌گیرند با آن‌هایی که گزینه‌ها را ارزیابی کرده‌اند، فرق می‌کنند. تحلیل می‌تواند برای برپایی این پروتکل‌ها، توصیه‌ی کاندیداهای بالقوه و رهگیری تاثیرگذاری تصمیمات بر عملکرد شغلی استفاده شود. در این قضیه چنین اتفاقی رخ نداد: آلایا هم‌اکنون باید یکی از کاندیداها را بر اساس پروسه‌ی کنونی بی‌بی‌آی، اطلاعات تحت اختیار و اهداف مدنظرش انتخاب کند.

در گوگل، مدیران ما تصمیمات استخدام و ارتقای رتبه را به‌صورت یک‌طرفه نمی‌گیرند. تمامی موقعیت‌های موجود داخل سازمان به‌صورت عمومی مطرح می‌شوند و همه می‌توانند برای آن تقاضا کنند. با ارائه‌ی جزئیاتی که برای موفقیت در هر مسئولیت موردنیاز است، از کمیته‌های مستقل برای ارزیابی متقاضیان بهره می‌گیریم. خروجی این پروسه‌ها را تحلیل می‌کنیم – مثلاً آیا افراد در مسئولیت‌های جدیدشان رشد می‌کنند – تا مطمئن شویم که افراد پربازدهی را انتخاب می‌کنیم.

وقتی گروه تحلیل افراد گوگل را استارت زدیم، هدفمان این بود که تمامی تصمیمات منابع انسانی بر اساس داده و تحلیل اتخاذ شوند. در دهه‌ی پس از آن، برخی محدودیت‌‎های تصمیمات مبتنی بر داده‌ی منابع انسانی را مشاهده کردیم. هم‌اکنون هدفمان این است که داده‌ها و چارچوب لازم را در اختیار رهبران بگذاریم تا با اطمینان بیشتری انتخاب کنند، نه اینکه پای خودشان را از این پروسه بیرون بکشند. امروز شعار تیم ما این است: «کمک به تمامی افراد تا تصمیم خود را بر اساس داده و تحلیل اتخاذ کنند».

پتی مک‌کورد مدیر پیشین استعدادیابی در نت‌فلیکس و مشاور کارآفرین‌ها و استارتاپ‌ها است.

آلایا باید به غریزه‌اش اعتماد کند، نه الگوریتم. تنها او می‌داند که چه انتظاراتی از مدیر بازاریابی دارد و مشخص است که مالی دارای این ویژگی‌ها هست.

پیش از اینکه نت‌فلیکس را ترک کنم، بسیاری از کمپانی‌های تحلیل داده به سمتم آمدند و وعده دادند که به ما کمک می‌کنند تا با استفاده از الگوریتم‌هایشان تصمیمات بهتری را بگیریم، اما به نظرم سرمایه‌گذاری روی آن‌ها بازدهی نداشت. در آن زمان، چند هزار نفری را به کار گرفتیم و کمپانی تقریباً در حال شکل‌گیری بود، بنابراین به‌سختی می‌شد تصور کرد که چگونه یک الگوریتم می‌تواند تصمیماتمان را به‌شدت ارتقا دهد. بی‌بی‌آی یک کمپانی بسیار بزرگ‌تر است، بنابراین امکان دارد که هوش مصنوعی در چارچوب آن‌ها مفیدتر باشد. اما در حال حاضر، تصمیم‌گیری بر عهده‌ی آلایا است.

البته او باید بهترین رویه‌ها را برای مدیران استخدام پی بگیرد و در تحلیل خود به مجموعه‌ی تیم به‌عنوان یک کل بنگرد. ترکیب کنونی آن چگونه است و مدیر تازه استخدام شده چگونه در آن جای خواهد گرفت؟ آلایا انتظار دارد چه نتایجی را طی شش ماه یا یک سال آتی مشاهده کند تا عملکرد آن بخش را مناسب قلمداد کند؟ و با پشتیبانی صحیح، کدام کاندیدا احتمال بیشتری برای دستیابی به این نتایج خواهد داشت؟

آلایا حق دارد که گرایش خود به شاگرد و فردی که چندین سال همکاری نزدیکی با او داشته را زیر سوال ببرد. مدیران گزینش غالباً می‌گویند «به دنبال کسی می‌گردم که باهوش باشد، محکم روی پای خودش بایستد و آماده‌ی رفتن سراغ مسئولیتش باشد» و در نهایت تمامی این ویژگی‌ها را بیشتر در شخصی می‌بینند که بیش از همه به او علاقه دارند. این‌ انتخاب‌ها همواره با حب و بغض آشکار صورت نمی‌گیرند.

غالباً به این دلیل است که دوست ندارند ریسک کنند.

اگرچه هیچ سند و مدرکی نمی‌بینم که آلایا به خاطر خانم بودن به مالی گرایش دارد، اما فکر می‌‎کنم جنسیت باید یکی از ملاحظات در این نمونه باشد. تحقیقات مکرراً نشان داده‌اند که خانم‌ها به‌اندازه‌ی آقایان ارتقای رتبه پیدا نمی‌کنند. در سرتاسر حرفه‌ی خودم به‌عنوان منابع انسانی، مردانی را مشاهده کرده‌ام که کاندیداهای خانم را در نظر می‌گیرند اما در نهایت یک مرد را استخدام می‌کنند و می‌گویند «می‌دانم که فلانی شایسته است، اما به دنبال کسی می‌گردم که آماده‌ی پیشرفت باشد و نمی‌خواهم آن خانم شکست بخورد». البته اگر فرصت شکست را در اختیار شما قرار ندهند، نمی‌توانید به پیروزی برسید. نگرانم که اگر مالی این شانس را نداشته باشد، دیگر نتواند به آن برسد.

کریستین الگوریتمش را بدون گرایش می‌داند، اما تا زمانی که اطلاعات مربوط به روش و معیار مورد استفاده‌ی او را نداشته باشیم، نمی‌توانیم مطمئن شویم راست می‌گوید.

کریستین الگوریتمش را بدون گرایش می‌داند، اما تا زمانی که اطلاعات مربوط به روش و معیار مورد استفاده‌ی او را نداشته باشیم، نمی‌توانیم مطمئن شویم که راست می‌گوید. در واقع تردید ویژه‌ای را روی داده‌های شبکه که برد با خودش به جلسه آورده بود دارم. امکان دارد دلیل ارتباطات بیشتر اد– اینکه به جلسات بیشتری دعوت شود، با افراد بیشتری در ارتباط باشد – به خاطر این باشد که یک مرد است و فرصت‌های بیشتری به او داده می‌شود؟ اگر من آلایا بودم، می‌پرسیدم که شمایل کلی این نقشه‌ی روابط برای آقایان و خانم‌های سرتاسر کمپانی چگونه است.

قبول دارم که اگر جای جنسیت مسئولین در این نمونه برعکس می‌شد، توصیه‌ام را عوض می‌کردم. منظورم شرایطی است که مدیر گزینش، مرد بود و کاندیدای آقایی که خوب می‌شناخت را بر خانمی که الگوریتم توصیه کرده بود، ترجیح می‌داد. در این نمونه، الگوریتم وظیفه‌ی خود را با توصیه‌ی یک گزینه‌ی غیرقابل انتظار انجام داده است. اما اگر آلایا یک تحلیل منصفانه را انجام دهد – آگاهانه پیش‌فرض‌های قبلی خود را کنار بگذارد و به‌صورت عینی بهترین گزینه برای این شغل را در نظر بگیرد – و کماکان مالی را ترجیح بدهد، باید به غریزه‌ی خود اعتماد کند.

این مقاله در شماره ی زیر منتشر شده است:

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *