Технический обзор Insights на основе сети электронной почты

Серия статей об организационном сетевом анализе и анализе коммуникационного контента

Это продолжение статьи Часть 1, где мы упомянули несколько ключевых проблем, которые хотим решить.

Здесь мы углубимся в два наиболее интересных вывода:

  • Внутреннее планирование преемственности
  • Что делать, если сотрудник уходит

Внутреннее планирование преемственности

Часто внутренние кандидаты становятся преемниками. Внутреннее продвижение часто основано на производительности и социальных отношениях с уходящим лидером и окружающими группами влияния, без анализа данных. Современные системы не выполняют оптимальную работу по планированию преемственности, потому что они предвзяты и не принимают во внимание сети и отношения, управляемые данными (ONA).

В нашем подходе, в дополнение к общению между лидером и преемником, мы рассматриваем общее социальное состояние, которое косвенно включает другие факторы и искажающие факторы. Мы позаимствовали концепцию Социальной дисперсии, разработанную Facebook. В этой статье, среди прочего, говорится, что:

Доказано, что сетевое окружение человека — набор людей, с которыми он или она связаны, — имеет важные последствия в самых разных условиях, включая социальную поддержку и профессиональные возможности.

Предложение «включая социальную поддержку и профессиональные возможности» является важной основой для изучения аспектов планирования преемственности в дополнение к парадигме общения общих друзей. Недостатком этого подхода является то, что провести такой анализ для внешних кандидатов непросто, потому что уходящий лидер находится в другом домене связи, поэтому практически невозможно выполнить анализ на основе сети электронной почты.

Наша реализация может порекомендовать уходящим руководителям несколько потенциальных внутренних преемников.

Это делается путем понимания того, взаимодействует ли сеть преемников с сетью лидера. Можно сделать вывод, что высокая дисперсия является хорошей основой для успешного внутреннего планирования преемственности. Это означает, что сеть преемника сильно взаимосвязана с сетью лидера. Очевидно, что уходящий лидер примет во внимание и другие факторы при выборе преемника, возможно, не столько на основе данных, сколько на основе интуиции. Наш подход скорее рекомендательный, чем абсолютное совпадение.

Однако, если преемник получит повышение, он, скорее всего, оставит пробел в своей роли в организации. Поэтому мы сделали еще один шаг вперед, предоставив еще одного преемника. Диаграмма ниже поясняет концепцию более подробно.

Чтобы реализовать это, мы использовали основанные на сети электронной почты поля от и кому без какого-либо вовлеченного контента (на более позднем этапе мы будем использовать временные метки для решения проблемы распада отношений). Набор данных содержит 8000 сотрудников и четверть миллиона электронных писем. Что касается технологий и алгоритмов, мы использовали такие пакеты Python, как: NetworkX, pandas и NumPy. Приведенный ниже фрагмент кода является ключевой частью реализации алгоритма внутреннего планирования преемственности:

df = pd.DataFrame(data, columns = ['Sender','Recipient'])
G = nx.from_pandas_edgelist(df, source = 'Sender', target = 'Recipient', create_using = nx.DiGraph())
dis = nx.dispersion(G, normalized = True)

Для нашей аудитории во время шоу мы реализовали трехмерную визуализацию сети, показанную ниже. Однако реализация продукта основана на API как услуга.

(Обратите внимание, что имена не представляют наших сотрудников)

Что делать, если сотрудник увольняется

Понимание коммуникационного риска, когда сотрудник не выполняет ту же роль, является ключом к бизнес-операциям. Эта функция особенно полезна для линейных менеджеров, которым необходимо поддерживать нормальную связь и рабочую силу во время изменений. Высокая промежуточная центральность означает более высокие затраты на замену сотрудников. Если сотрудник имеет тесные связи и служит связующим звеном, представление нового кандидата на такую ​​роль требует затрат времени и денег.

Центральность по промежуточности определяется как доля раз, когда узлу i требуется узел k (чья центральность измеряется), чтобы достичь узла j по кратчайшему пути. Исследовательская база для нашей реализации взята из исследовательской работы Центральность и сетевой поток.

Фрагмент базовой реализации алгоритма показан ниже:

def betweenness_centrality_chunks(l, n):
    l_c = iter(l)
    while 1:
        x = tuple(itertools.islice(l_c, n))
        if not x:
            return
        yield x
def _betweenness_centrality_map(G_normalized_weight_sources_tuple):
    return nx.betweenness_centrality_source(*G_normalized_weight_sources_tuple)
def betweenness_centrality_parallel(G, processes=None):
    p = Pool(processes=processes)
    node_divisor = len(p._pool)
    node_chunks = list(betweenness_centrality_chunks(G.nodes(), int(G.order() / node_divisor)))
    num_chunks = len(node_chunks)
    bt_sc = p.map(_betweenness_centrality_map,
                  zip([G] * num_chunks,
                      [True] * num_chunks,
                      [None] * num_chunks,
                      node_chunks))
    bt_c = bt_sc[0]
    for bt in bt_sc[1:]:
        for n in bt:
            bt_c[n] += bt[n]
    return bt_c
    btwn_cent = betweenness_centrality_parallel(G)

Опять же, для витрин мы реализовали 3D визуализацию сети.

Существует множество реализаций, связанных с вероятностью увольнения сотрудников, известных как бегство от риска, отток сотрудников и т. д. Эти подходы в основном основаны на машинном обучении и анализе подобных случаев, например. кластеризация k-средних. Наш подход отличается тем, что он использует метрики ONA для получения таких выводов, которые гораздо более актуальны для конкретного сотрудника, чем для изучения других случаев. Лучшим подходом было бы взвешенное сочетание метрик из ONA и машинного обучения, над которым мы работаем.

________________________________________________________________

Большинство компаний решают эти вопросы с помощью письменных официальных процедур. Это не подготовит эти компании к будущему, потому что процессы статичны, почти не обновляются, не всегда доступны и не динамичны, чтобы отражать постоянно меняющиеся события. Мы хотим изменить это, введя динамический подход. Этот подход не зависит от письменных документов, а скорее от текущих информационных потоков, контекста, тенденций, коммуникации и фактических данных о сотрудниках — в основном ответ VUCA.

Наше дальнейшее развитие идет в направлении машинного обучения, обнаружения аномалий и анализа временных рядов.

Эта статья является частью серии статей ONA@Haufe.

________________________________________________________________

  1. Как использовать анализ корпоративной электронной почты, чтобы выявить скрытые звезды и обеспечить равные возможности (Часть 1)
  2. Технический обзор Insights на основе электронной почты (Часть 2)
  3. Подробное изучение Рекомендаций по электронной почте (Часть 3)
  4. Как использовать тренды, чтобы найти скрытые звезды и работать над идеальным проектом? Аналитика людей сделает вас звездой (Часть 4)
  5. Как реализовать контент-анализ электронной почты (Часть 5)

________________________________________________________________