Quanto os gerentes sabem sobre como suas equipes trabalham? Recentemente, realizamos um estudo de pesquisa envolvendo 14 equipes compreendendo 283 funcionários em quatro empresas Fortune 500. Quando os gerentes foram questionados sobre o trabalho de suas equipes, em média, eles não sabiam ou não conseguiam se lembrar de 60% do trabalho que suas equipes fazem. Em um caso extremo, um gerente em nosso estudo poderia descrever apenas 4% do trabalho de sua equipe.

O custo para os gerentes não saberem que essa lacuna existe pode ser alto, mesmo em equipes com apenas cinco membros e, portanto, é aplicável a qualquer empresa, grande ou pequena. Os gerentes e os principais tomadores de decisão em todos os níveis definem metas de transformação digital sem compreender suficientemente como suas equipes realizam o trabalho ou onde estão os pontos fracos. Normalmente, eles recorrem a adivinhações para decidir quais investimentos ajudarão suas equipes. Consequentemente, eles subestimam sistematicamente a produtividade dos funcionários ou alocam mal os recursos e investimentos em tecnologia, como automação. A Covid-19 e a transição para o trabalho digital remoto apenas tornaram mais difícil para os gerentes entender como suas equipes estão trabalhando.

Mas nosso estudo também mostrou que o problema pode ser corrigido usando algoritmos de aprendizado de máquina (AM) para aprender como as equipes usam a tecnologia para fazer seu trabalho – contanto que medidas de segurança sejam implementadas para proteger a privacidade dos funcionários.

O Que Encontramos

No estudo, tivemos gerentes que ensinaram a um sistema de software os processos que eles achavam que estavam ocupando a maior parte do tempo de suas equipes. Usando uma interface semelhante à que as pessoas usam quando marcam fotos suas no Facebook, os gerentes executaram amostras de cada processo em suas máquinas da maneira que esperavam que suas equipes fizessem o trabalho. Eles então marcaram esses processos em categorias como “gerenciamento de pedidos”, “processos contábeis” e “operações da cadeia de suprimentos”. Não havia limite para o número de processos que um gerente poderia ensinar ao sistema. Os gerentes confiaram em sua intuição, julgamento e experiência para selecionar e ensinar os processos que acreditavam ocupar a maior parte dos esforços de suas equipes. Esses dados foram coletados em um “gráfico de trabalho”, um mapa de como essas equipes realizam o trabalho.

Usando os processos ensinados pelo gerente, nossos algoritmos de aprendizado de máquina tentaram encontrar padrões semelhantes de trabalho sendo feito pelos membros da equipe. Em seguida, medimos a fração do dia de cada equipe em que os membros da equipe demonstraram padrões semelhantes dos processos ensinados. Esta é, em essência, uma medida para avaliar até que ponto a intuição de um gerente é responsável pelo trabalho diário de uma equipe.

Um aspecto importante desses estudos foi manter a privacidade do usuário: garantimos que todas as ferramentas e coleta de dados tornassem o usuário final anônimo, agregando dados a uma equipe e demos às equipes as ferramentas para definir e filtrar informações pessoais identificáveis confidenciais. Todas as análises foram realizadas apenas no nível da equipe agregada, sem identificação de nenhum indivíduo.

Presumimos que, em um cenário ideal, o gerente deveria ser capaz de responder por pelo menos 80% do trabalho diário de suas equipes – baseando esse limite nominal em uma pesquisa que realizamos entre os gerentes, onde pedimos que avaliassem quanto de seus trabalhos diários das equipes que eles esperavam compreender. Definimos a lacuna de recordação do trabalho como a fração do trabalho diário da equipe que um gerente não poderia contabilizar, assumindo um teto de 80%. Esta também é uma medida de falta de completude no entendimento de um gerente sobre o trabalho que sua equipe faz diariamente.

Encontramos uma lacuna de recall de trabalho considerável em todas as 14 equipes – para a surpresa de seus gerentes – em funções que vão desde operações da cadeia de suprimentos, gerenciamento de projetos, interações com clientes, gerenciamento de dados mestre, finanças / contabilidade e RH.

Um exemplo ajuda a ilustrar os problemas específicos que nosso estudo revelou: em uma empresa, a equipe da cadeia de suprimentos enfrentava reclamações de funcionários sobre uma implementação deficiente de planejamento de recursos empresariais (ERP). Embora tecnicamente correta e suficiente, a implementação carecia de vários recursos para o processamento de dados. Como resultado, para transações comuns, os funcionários eram forçados a gastar tempo copiando dados do sistema ERP para o Excel, criando tabelas dinâmicas e iterando os dados. Quando finalmente obtiveram as respostas, eles copiaram os dados de volta para o sistema ERP.

Quando esse esforço extra foi adicionado em várias transações, foi responsável por uma grande parte do trabalho mensal da equipe. Todos na equipe sabiam que isso era um problema até certo ponto; eles sentiam o atrito todos os dias; mas ninguém entendeu o quão ruim era a situação até que os ajudamos a medir a lacuna de subestimação de seu gerente.

O que os Líderes Podem Fazer? 

A boa notícia é que nosso estudo demonstrou que a lacuna trabalho-recordação pode ser eliminada com o uso de Aprendizado de Máquina (AM). No estudo, empregamos uma classe de algoritmos de AM que não exigia nenhuma entrada gerencial para detectar padrões de trabalho das equipes. Excluímos padrões que se sobrepunham aos padrões descritos pelo gerente e, em seguida, medimos a fração incremental do dia de uma equipe que poderia ser contabilizada usando os padrões detectados inteiramente por algoritmos de AM e nenhuma entrada humana. Resumidamente, esses algoritmos de AM encontram rajadas curtas de atividades repetidas nos padrões de trabalho de uma equipe. Em seguida, combinam as atividades repetidas que ocorrem com mais frequência para formar uma cadeia mais longa de atividades. E repetem este processo até que eles não possam mais combinar atividades.

Descobrimos que o emprego de algoritmos de AM reduziu a lacuna média entre trabalho e recordação em nosso estudo de ~ 60% para 24%. Na equipe em que os processos descritos pelo gerente representaram apenas 4% do trabalho diário da equipe, os algoritmos de AM foram capazes de responder por 48% do trabalho diário da equipe em atividades produtivas (reduziram a lacuna de 76% para 28%).

De modo geral, os algoritmos se saíram melhor do que os gerentes em nosso estudo por dois motivos. Primeiro, os gerentes tinham uma visão desatualizada e / ou incompleta dos padrões de trabalho de sua equipe. Os algoritmos de AM, por outro lado, podem encontrar padrões sem depender de intuições pré-existentes sobre o trabalho que está sendo feito. Em segundo lugar, os algoritmos de AM podem ser responsáveis de maneira escalonável por uma infinidade de maneiras pelas quais o mesmo trabalho é feito. Vimos casos em que o gerente normalmente ensinava alguns exemplos de como eles pensavam que o trabalho deveria acontecer, mas a equipe executou o mesmo trabalho de maneiras diferentes do que o gerente esperava. Por exemplo, ao realizar uma reconciliação comercial, vários membros experientes de uma equipe encontraram caminhos mais curtos para obter a reconciliação e, portanto, desviaram-se dos procedimentos operacionais padrão prescritos.

***

Sem o uso de ferramentas de aprendizado de máquina para compensar, as lacunas dos gerentes em relembrar o trabalho básico de suas equipes provavelmente só aumentarão no futuro devido à tendência de trabalho remoto. E, sem intervenção, os gerentes tendem a permanecer no escuro sobre o que não sabem – em nosso estudo, os gerentes ficavam chocados rotineiramente quando revelávamos nossos resultados a eles.

O futuro de qualquer ambiente de trabalho – não apenas ambientes de trabalho remotos – depende, portanto, de equipar os gerentes com novas ferramentas e técnicas para compreender e gerenciar suas equipes de forma mais eficaz. O uso de tais ferramentas exigirá padrões de privacidade consistentes e abertos, como anonimato dos usuários, agregação de dados e comunicação consistente dos líderes para que os funcionários entendam suas intenções. Todo o nosso estudo focou apenas em equipes e não permitiu a identificação de nenhum indivíduo.

Nosso conselho para mudar líderes e gerentes é tratar a experiência de sua equipe no trabalho como dados. Esses dados provavelmente revelarão o que aflige suas equipes e o que é realisticamente possível com investimentos em transformação digital e outras novas iniciativas. Então, todas as mudanças com os gerentes mais bem-intencionados serão mensuráveis. Por outro lado, na ausência de tais dados, as metas de cima para baixo são definidas sem que os fatos sejam conhecidos, e as equipes têm pouca escolha a não ser assinar os planos sem entender suas implicações, levando a uma imensa pressão sobre as equipes. Nossa esperança é que, se os gerentes entenderem mais sobre as especificidades do trabalho de suas equipes, eles estabeleçam metas mais realistas e ajudem suas equipes a se tornarem mais produtivas.

Artigo Traduzido da Harvard Business Review. Fonte Original: https://hbr.org/2021/12/do-you-know-how-your-teams-get-work-done