Big Data. Вся технология в одной книге

Поскольку компании используют новые источники информации, работники должны требовать ознакомления с формулами оценки результативности и расчета компенсаций, в том числе с полным перечнем входящих данных и их значимости. Такая прозрачность даст им возможность лучше увязывать свои усилия с приоритетами компании. Использование компанией информации из различных источников, например особенностей коммуникаций в электронной почте и по телефону, данных социометрических бэджей, мнения коллег, рейтингов, результатов анкетирования и так далее, существенно затрудняет фальсификацию результатов работы. Возможности доступа к информации и ее переноса могут быть полезны для выявления действий менеджеров, идущих вразрез с рекомендациями системы, что полезно для обнаружения случаев пристрастного или дискриминирующего отношения.

Внешняя обработка данных, полученных на рабочих местах, позволяет получить лучшее представление о влиянии экономических трендов на трудовую деятельность и карьеру. На основе информации, получаемой от 400 миллионов своих пользователей, социальная сеть LinkedIn может детально описывать состояние отдельных отраслей и компаний. В ее истории был один удивительный случай. В один прекрасный воскресный день 14 сентября 2008 года аналитики LinkedIn обратили внимание на необычно высокий для выходного дня уровень активности на сайте. Они решили, что сайт взломан хакерами, и вызвали специалистов по безопасности. Те ознакомились с происходящим и выявили источник трафика: все запросы исходили от сотрудников инвестбанка Lehman Brothers, судорожно связывавшихся со знакомыми, размещавшими резюме и скачивавшими контактную информацию. Команда LinkedIn сделала вывод, что такая активность означает провал планов по спасению Lehman Brothers от банкротства, хотя официально об этом еще не объявлялось.

Сотрудники, скачивающие все свои контакты, – дурной знак. Исход сотрудников из компании – тоже дурной знак. Если кадры постоянно перетекают к конкурентам, то будущее компании выглядит отнюдь не безоблачным. Сегодня подобная информация доступна только корпоративным клиентам. Сеть LinkedIn уже показывает самых популярных работодателей среди выпускников конкретных университетов в разделе University Pages и могла бы сделать следующий шаг в этом направлении: показывать работодателей, к которым чаще всего переходят из других компаний. Примером в этом смысле могла бы служить система рекомендаций Amazon.

Социальные данные можно использовать не только для оптимизации состава кадров, но и для оптимизации рабочего времени и условий труда. Так, планирование численности сотрудников в рабочих сменах является извечной проблемой предприятий розничной торговли (впрочем, не только их). На количество посетителей магазина в данный момент времени или день недели влияют многие факторы – от погодных условий (резкое похолодание или сильный ливень) до маркетинга (активная промоакция или рекламная кампания на телевидении). Основатель аналитической компании Percolata[465] Грег Танака разработал вместе со своими коллегами систему, прогнозирующую посещаемость магазина и определяющую численность персонала, необходимого для обслуживания покупателей. Главное – оптимизация количества работников. «Каждый третий посетитель уходит из магазина без покупок, потому что не смог найти продавца, готового помочь», – объяснял Грег[466]. Но постоянный «запас» персонала экономически неоправдан, особенно с учетом низкой маржинальности розничной торговли. Нельзя игнорировать и специфические особенности межличностного взаимодействия. Коллектив может представлять собой нечто большее (или меньшее), чем просто набор должностей в смене, и это влияет как на производительность труда и моральное состояние работников, так и на общую атмосферу в магазине.

Хотя опыт и интуиция обычно подсказывают толковому менеджеру дни и часы пиковых продаж, такие субъективные предсказания не идут ни в какое сравнение с моделями Percolata, которые работают на основе данных, полученных с видеокамер и микрофонов, установленных в магазинах. Видео– и аудиозаписи фиксируют не только количество посетителей, но и степень их заинтересованности товарами. Замер уровня шума в разных частях торгового зала помогает определить, какие отделы или товарные группы больше привлекают людей. Компания фиксирует также след мобильных телефонов[467] – офлайновый эквивалент cookie-файлов в интернете. Эта информация помогает торговому предприятию оценить частоту посещений различных отделов магазина. Более того, формирование смен на основе прогнозов производительности труда их членов, подготовленных Percolata, позволяет увеличить выручку магазинов на 10 процентов без повышения затрат на персонал[468].