Умный менеджмент - Jochen Reb

более либеральное дерево. Контекст также имеет значение: в правовой и культурной среде, где трудно уволить сотрудника, избежание ложноположительных результатов более важно, в то время как в культурах "нанимай и увольняй" избежание ложноотрицательных результатов относительно более важно.

Выбор из нескольких упряжек

Деревья Fast-and-frugal можно также использовать для проектирования процессов отбора с несколькими препятствиями, в которых организации отсеивают часть кандидатов на каждом шаге ("препятствии") и принимают только тех, кто прошел все препятствия. 7 Например, на первом этапе кандидаты могут быть отсеяны по представленным материалам, на втором - по стандартизированным тестам, на третьем - по центрам оценки, а на последнем - по результатам собеседования. Эту процедуру отбора можно смоделировать в виде дерева с базовой структурой (но с разными подсказками), как в крайнем левом дереве на рисунке 4.3, в которое принимаются только те, кто прошел все этапы. Этот подход, как мы видели, консервативен: он снижает количество ложных срабатываний, но при этом рискует отсеять кандидатов, которые могли бы подойти для этой работы.

Процессы отбора по нескольким препятствиям являются некомпенсационными, то есть высокие результаты кандидата на более поздних препятствиях не могут компенсировать низкие результаты на более ранних препятствиях. Вместо того чтобы оценивать все эти признаки у всех кандидатов, они экономят значительное количество времени и других ресурсов. Процедуры с несколькими препятствиями экологически рациональны, особенно если кандидатов много, а ранние препятствия недороги и просты в реализации, что позволяет организации быстро и без особых затрат сузить круг кандидатов.

Выбор между двумя претендентами на работу с помощью эвристики дельта-вывода

Эвристика Маска и Безоса была предназначена для принятия решения по одному кандидату за раз. В других ситуациях организации пытаются определить, кто лучше из двух претендентов. Для этого они могут использовать эвристику дельта-инференции. Возможно, вы помните из главы 3, что дельта-инференция позволяет принимать решения между двумя альтернативами путем перебора признаков в порядке их валидности и прекращения поиска, когда первый признак различает два варианта. Например, при приеме на работу организация может использовать следующие три признака в последовательности: общие умственные способности соискателей, их добросовестность и оценки, полученные в ходе структурированного интервью. Сообщалось, что эти признаки являются одними из лучших предикторов будущей работы в широком диапазоне профессий. 8 Если два кандидата отличаются по общим умственным способностям по крайней мере на определенную величину (т. е. порог дельты), то работу предлагают тому, кто набрал больше баллов; если нет (т. е. ≤ дельты), то следующим рассматривают добросовестность и так далее.

Используя реальные данные о 236 кандидатах, принятых на работу в авиакомпанию, мы изучили, насколько хорошо менеджеры могут выбрать лучшего кандидата из пары, полагаясь на дельта-умозаключение. Каждый претендент оценивался по трем упомянутым здесь признакам; кроме того, поскольку все они были приняты на работу, мы знали их результаты работы через три месяца, оцененные их начальством. 9 Было получено 50 334 пары претендентов, которые имели разные оценки за работу. Из этих пар мы составили малую, умеренную и большую случайные выборки, чтобы смоделировать условия скудных, умеренных и широких возможностей для менеджера узнать параметры эвристики: порядок подсказок и дельту каждой подсказки. Мы сравнили точность дельта-вывода с точностью логистической регрессии - стандартной техники, которая всегда использует все три признака для принятия решения о выборе.

На рисунке 4.4 показано, что если менеджеры используют дельта-индукцию, они могут выбрать лучшего кандидата чаще, чем если бы они использовали логистическую регрессию. Этот эффект "меньше-больше" проявлялся во всех условиях обучения, особенно когда возможности обучения были скудными. Более того, использование дельта-анализа позволяет принимать решения довольно экономно, используя в среднем менее половины доступных подсказок. Помимо иллюстрации практической пользы дельта-инференции, эти результаты еще раз демонстрируют, что предполагаемые компромиссы "скорость-точность", "усилия-точность" и "прозрачность-точность" в условиях неопределенности обычно не работают (см. главу 2): опираясь на эвристику дельта-инференции, менеджеры могут принимать решения быстрее, экономнее и прозрачнее, одновременно повышая точность.

Рисунок 4.4

Принятие решений по одной причине (дельта-вывод) позволило выбрать кандидатов на работу лучше, чем принятие решений по многим причинам (логистическая регрессия). Это преимущество сохранялось независимо от того, были ли возможности обучения скудными, умеренными или широкими (случайные выборки размером 30, 100 и 1 000 соответственно). По материалам Luan, Reb, and Gigerenzer (2019).

Как видно из рисунка 4.4, производительность растет с увеличением возможностей обучения. Однако даже при наличии широких возможностей и использовании дельта-индукции менеджеры смогут выбрать лучшего кандидата только в 63 % случаев. Предсказать будущую производительность соискателей сложно, и, несмотря на использование умной эвристики, ошибки остаются частыми. 10

Установив ее эффективность, мы хотели выяснить, используют ли менеджеры дельта-индукцию при принятии решений об отборе и адаптируют ли они эту эвристику. Мы набрали менеджеров по персоналу и студентов-бизнесменов с разным уровнем опыта в принятии кадровых решений для участия в эксперименте с двумя задачами: нанять секретаря и нанять аналитика данных. Как показано на рисунке 4.5 , и менее, и более опытные менеджеры часто принимали решения с помощью дельта-инференции, но последние делали это чаще. В качестве признака адаптивности можно отметить, что использование дельта-умозаключения возрастало, когда один из признаков считался гораздо более важным, чем другие, то есть когда действовало условие доминирующего признака, описанное в главе 3. Такое понимание экологической рациональности было особенно сильным для более опытных менеджеров. Таким образом, в соответствии с результатами, полученными в других областях, 11 опытные менеджеры с большей вероятностью будут использовать эвристику и делать это адаптивно.

Рисунок 4.5

Опытные менеджеры чаще, чем менее опытные, полагались на принятие решений на основе одной причины (дельта-умозаключение). Они также с большей вероятностью использовали эвристику, когда она была экологически рациональной: то есть при условии доминирующей подсказки. В исследовании участники указывали, кого из двух кандидатов на работу они хотели бы нанять, основываясь на трех подсказках, и делали это для множественного сравнения. Участники, принявшие в прошлом более четырех кадровых решений (т. е. среднее значение), были отнесены к категории "более опытных". Участники оценивали важность каждой из трех подсказок. В условии "доминирования" рейтинг наиболее важного сигнала был больше, чем сумма рейтингов двух других сигналов. Планки ошибок указывают на стандартные ошибки. По материалам Luan et al. (2019).

Социальная эвристика при приеме на работу

Организации часто полагаются на социальную эвристику подражания и "сарафанного радио", чтобы найти подходящих кандидатов на работу. Например, при поиске руководителей фирмы из списка Fortune 500 склонны нанимать сотрудников из компаний, которые в прошлом направляли большое количество руководителей