На одной крупной конференции наблюдала интересный диалог спикера с залом. Одного руководителя спросили: «Сколько человек работает в вашей команде?». Он задумался и ответил: «Ну,… процентов 20...». Зал посмеялся, но смех получился нервный. Потому что многие руководители понимают, о чем речь. В компании могут быть оформлены десятки или даже сотни человек. Они получают зарплату, участвуют в совещаниях, отвечают в чатах, пишут отчеты. Но если посмотреть на их вклад в результат, картина часто оказывается другой.
- Есть люди, которые действительно двигают бизнес.
- Есть те, кто стабильно поддерживает процессы.
- Есть те, кто давно выгорел.
- Есть те, кто не на своем месте.
- А есть сотрудники, к которым просто привыкли: они вроде бы есть, но если честно спросить, что именно изменится без них, ответ будет не таким очевидным.
Здесь не стоит сразу уходить в простое объяснение: «люди плохие» или «никто не хочет работать». На практике все сложнее. В этой статье обсудим неудобные вопросы, над которыми стоит задуматься руководителю, когда появился неэффективный сотрудник.
1. Совпадает ли название должности и реальной роли кандидата?
В подборе персонала бывает незаметная ловушка. Вакансию формулируют через название должности: нужен менеджер, руководитель отдела, продажник, HR-специалист, операционный директор. Но название должности не отвечает на главный вопрос: какую задачу должен решить человек? Один и тот же «руководитель отдела продаж» в разных компаниях – это совершенно разные роли. Где-то нужно строить отдел с нуля. Где-то навести порядок, но не разрушить то, что уже работает. Где-то усилить дисциплину в команде или удержать сильных продавцов.
Если на входе это не проговорить, можно взять кандидата, который формально подходит. Резюме хорошее, опыт есть, говорит уверенно. А потом выясняется: не тот темп, не та самостоятельность, не тот стиль управления, не тот масштаб ответственности. Вакансия закрыта, а задача – нет. Поэтому полезно спрашивать себя не только «какого человека ищем», но и «какую проблему бизнеса он должен закрыть». Это сильно меняет и профиль кандидата, и вопросы на интервью.
2. Сотрудник не подошел или его не ввели в роль?
Адаптация новичка часто выглядит как формальность. Познакомили с командой, добавили в чаты, показали документы, дали задачи. Дальше начинается период ожидания. Может, разберется. Может, раскачается. Может, сам поймет. Иногда это срабатывает. Но не всегда.
На испытательном сроке важно не просто ждать, а смотреть динамику. Как человек понимает задачи? Как задает вопросы? Где ему нужна помощь? Что он делает сам, а где зависает без постоянного контроля? Есть ли движение к результату через две недели, через месяц, через два? Это не про микроменеджмент. Это про честную управляемость входа в роль.
Потому что бывает так: через три месяца руководитель говорит «не наш человек». А если разбирать ситуацию подробнее, оказывается, что ожидания были не проговорены, критерии результата не обозначены, обратная связь давалась случайно, а наставник существовал только в распечатанном адаптационном листе. И тогда вопрос уже не только к сотруднику.
3. Сотрудник справляется или к нему привыкли?
Самая сложная часть в управлении персоналом – честно посмотреть на уже работающую команду. Потому что к людям привыкают. Этот давно работает. Этот хороший человек. Этот не конфликтует. Этот слабоват, но у него сложная жизненная ситуация, сейчас не время трогать. Так остаются сотрудники, чей слабый результат давно встроился в систему. Их задачи доделывает руководитель, ошибки страхуют сильные коллеги. Их низкий темп становится нормой. Формально, человек работает. Фактически, команда платит за это своей скоростью.
Оценка в этом смысле нужна не для красивых таблиц и не для ежегодной процедуры «поставим всем баллы». А чтобы увидеть реальность:
- Кто действительно влияет на результат.
- Кто держит стабильность.
- Кто вырос и может взять больше.
- Кто перегружен или выгорел.
- Кто занимает роль, но, по сути, ее не закрывает.
И самый важный вопрос после оценки: какое управленческое решение из этого следует?
4. Развивать специалиста, переквалифицировать или расставаться?
Слабый результат не всегда означает, что сотрудника нужно увольнять. Возможно, он не на своем месте. Бывает, роль меняется, функционал оптимизируется, а человек остался прежним. Или его сильные качества не используются в текущей позиции. Поэтому зрелая работа с командой – это не деление людей на «хороших» и «плохих». Это попытка понять, где человек может давать максимальный вклад.
- Кого стоит развивать?
- Кого можно перевести на другую роль?
- Кому нужен наставник?
- Кого можно готовить в кадровый резерв?
- С кем пора честно расставаться?
Но здесь есть тонкая грань. Развитие не должно превращаться в бесконечное обучение чему-нибудь. Если у человека есть потенциал и мотивация, ему нужен понятный план, сроки и критерии. Если потенциала или желания нет, компания рискует годами инвестировать не в развитие, а в самоуспокоение.
Выводы
За словами руководителя, что в команде работает «процентов 20», часто стоит усталость от того, что людей много, а результат все равно держится на единицах. В такой ситуации первый импульс понятен: найти новых людей, заменить слабых. Но иногда полезно сначала остановиться и посмотреть на коллектив – не с позиции обвинения, а с позиции диагностики. Возможно, действительно, где-то допустили ошибку найма? Возможно, некоторые сотрудники «как-то сами втянулись», а не прошли адаптацию? Возможно, кто-то в команде держится только за счет сильных коллег? Возможно, по этому человеку решение давно назрело, но откладывается? Такие неудобные вопросы помогают видеть систему: кто действительно работает в компании на результат, а кто просто числится.
Также читайте:
Совершенно верно. Благо в реальных задачах бизнеса обычно какие-либо "прикидки" в голове уже есть: или у собственника, или у менеджмента. Важно просто дешево протестировать их и отбросить явные тупиковые ветки.
Кроме того, бизнес-экономика опирается на более-менее устоявшийся каркас корпоративных финансов, соответственно, совсем в темноте блуждать не придется. Наконец, даже при наличии локальных ошибок центральная предельная теорема будет приводить к нормализации итогового распределения, а поскольку с точки зрения совокупного риска нам интересно посмотреть на "тяжелые хвосты" совместных распределений, с высокой вероятностью у нас получится прийти к выводу, следует ли вообще браться за сценарий или нет, просто соотнеся альтернативные издержки со скорректированным на риск доходом по сценарию.
Но, как верно отметил Николай, такие "игры" требуют несколько большего уровня компетенций, чем предлагают современные учебные программы в России.
Вот это очень большая тема. Корреляцию и каузальность в медицине очень часто пытаются сделать схожими, вместе с тем разница между ними принципиальна. Регрессионные модели (в пределе - линейные) могут подтвердить совсем уж очевидные связи, в то время как интересен преимущественно кросс-эффект. "Нырять" туда оказывается сложно и дорого, поэтому в научных работах пытаются обойтись обычной регрессией: не ошибка, но "наперсточничество". Если посмотреть на экономические работы - там регрессия "всего на все" давно и прочно доминирует: она понятна и писателю, и читателю.
В части точности данных - это общая проблема дата-аналитики: решение оказывается настолько качественным, насколько "сырые данные" оказываются пригодными для дальнейшего обогащения и анализа в рамках выбранного метода их обработки. Вместе с тем иногда просто приходится принимать некоторые условия и проводить "разведку боем" - здесь мне вспоминается Королев и его решение о том, что пыли на Луне нет, а поверхность - твердая. Как раз тот случай, где эмпирика обыгрывает академичность теории.
Такое часто бывает, если у проектной группы нет "насмотренности" на решения прошлого: берут учебник и начинают поочереди тестировать распределения и спецификацию моделей. На безрыбье... Благо экономика отличается гораздо большей терпимостью к таким экспериментам: модель "завтра будет как вчера" удивительно часто оказывается далеко не самой плохой.
Здесь можно пойти двумя путями: на основании исторических данных попытаться построить ядерную оценку (kernel density estimation) плотности распределения, а можно и на основании итерационных экспертных Дельфи-оценок применить PERT-метод. В проектном менеджменте под это есть некоторый софт - например, Tamara от VOSE.
А здесь без вариантов: будущее мы узнаем с его наступлением, а пока остается только запас (резерв) для самострахования. Собственно, риск-менеджмент и позволяет сделать первичные оценки risk capacity (когда система точно рухнет), risk appetite (что комфортно брать на бизнес) и risk tolerance (в части метрик лимитирования, которые динамически контролируют). Обычно подход с позиций "базельского светофора" с разноцветными зонами позволяет управлять по возмущению, даже если изначально имеется неполнота информации. Конечно, от зоны бифуркации это не спасет, но можно попробовать диверсифицировать риски по разным проектам.
Согласен.
В бизнесе слишком много ситуаций, для которых моделирование было бы полезно - при правильной постановке задачи, но не связанных с финансами.
Слишком зависит от конкретной задачи. Я бы не спешил надеяться на ЦПТ.
Тема большая - мягко говоря. И всё нужно доказать и подтвердить. Лабораторные эксперименты и клинические испытания стоят дорого и иногда бывает, что, насмотря на относительно большие объемы полученных данных, первоначальные гипотезы не подтверждаются.
Почему нет, если это правильно. Лучше бы проверить.
Почему нет, если нет данных. А там посмотрим своими глазами, если долетим.
Проект предполает уникальность происходящего. Естественно, что менеджеры используют весь свой опыт и знания, внешние источники и др. и пр.. Но причинно - следственные связи могут быть другими, а что-то - совсем новым.
Исторические данные могут отсутствовать или - хуже - вводить в заблуждение. Гладко было на бумаге ...
Мне ближе некоторые идеи Годратта и CCPM. Что-то нужно посчитать заранее, подстелить соломку, где это напрашивается, а потом старательно отслеживать, какие первоначальные оценки были ближе к реальности. В случае необходимости - повторить упражнение с новым пониманием происходящего. И так до счастливого завершения.
О каких системах (или отраслях) Вы говорите, помимо базы риск-менеджмента?
Попробовать не просто можно, а даже нужно. Часто помогает. Знать бы, как управлять.
Посмотрю, подобное я видел. Если пользовались, что Вам понравилось?
Да. Финансы слишком связаны с психологическими особенностями человека, а вот технические системы моделируются гораздо надежнее.
Есть, конечно, свои ограничения, но при тестировании 10-50 тыс. вариантов обычно происходит стабилизация диапазонов вариативности. Если не будет явного фазового сдвига, решение может оказаться вполне пригодным для первичного отбора.
Согласен. Мне тоже нравится создавать дополнительные резервы прочности, если проект не был реализован ранее где-то: разумная перестраховка "покупает билет" на повторный тест, если первая итерация провалится. Без "соломки" может оказаться дешевле в моменте, но сильно опасно при работе вдолгую.
Преимущественно о всем финансовом блоке: банкинге, финансовых рынках, проектном финансировании (capex). Но это работает и в более широком домене - так, в рамках TQM имеются контрольные карты для технических систем со схожей функцией. В целом, в современные финансы очень сильно проникают инженерные подходы 50-60 годов прошлого века. Сейчас, с развитием нейросетей, этот процесс становится еще более очевидным. Просто раньше инженеры делали расчеты и не знали, что "говорят прозой", а экономисты сегодняшнего дня те же самые техники попытались шумно "поднять на знамена" как некое ноу-хау.
Мне ближе финансовый блок, а в нем управление сводится либо к достижению целевой доходности, либо к минимизации риска. В рамках этого пространства и вырабатываются возможные решения - частично на научной базе, частично - как элемент искусства менеджера.
Непосредственно это решение на "боевых" проектах не использовал, просто знакомился с тем, что у компании есть. Я применял другой их продукт - ModelRisk со схожим функционалом, но привязкой к Excel. В отличие от многих других вендоров VOSE пытаются встраивать в продукты наиболее передовые разработки: копулы, расширенную отчетность и проч. Но мне исторически ближе @Risk, хотя в последние годы этот софт явно "пошел по рукам", и это не пошло ему на пользу.