Jak odblokować przewidywalny wzrost dzięki zarządzaniu zasobami opartemu na danych i wspieranemu przez generatywną sztuczną inteligencję

Przeczytaj transkrypcję:

Testujemy transkrypcję naszych podcastów za pomocą programu komputerowego. Prosimy o wyrozumiałość w przypadku literówek, ponieważ bot nie zawsze działa w 100% poprawnie.

Galen Low: Witamy na naszej dyskusji panelowej poświęconej wykorzystywaniu danych i sztucznej inteligencji jako kryształowej kuli do prognozowania zapotrzebowania na zasoby. Nie chcemy jednak przesadnie tego reklamować — będziemy o tym dyskutować, analizować temat i sprawdzać, na czym naprawdę polega. Co miesiąc organizujemy takie spotkania dla naszych członków i zaproszonych gości VIP.

To sposób na bezpośredni kontakt z ekspertami oraz osobami, które współtworzą i wspierają nas tutaj, w The Digital Project Manager. Jeśli mnie nie znacie, mam na imię Galen. Jestem założycielem i współzałożycielem The Digital Project Manager, a także prowadzę dzisiejsze spotkanie. Przez chwilę jesteście więc na mnie skazani, ale towarzyszy mi wyjątkowy zespół najlepszych znanych mi ekspertów ds. operacji agencyjnych — Ann Campea, Marcel Petitpas i Grant Hultgren.

Zarządzanie zasobami jest niezwykle popularnym tematem w świecie agencji i, szczerze mówiąc, w wielu organizacjach. Myślę, że istnieje ku temu dobry powód: brak odpowiednich zasobów potrzebnych do realizacji kluczowych programów i inicjatyw stanowi poważne ryzyko, które może zagrozić osiągnięciu celów, a nawet bezpieczeństwu pracy waszej i waszych współpracowników.

Właśnie dlatego zarządzanie zasobami odbywa się na tak wielu poziomach organizacji — od przydzielania właściwych członków zespołu do projektów po zapewnienie odpowiedniego projektu organizacyjnego i talentów potrzebnych do jego realizacji. Kiedy jednak próbujemy przewidywać przyszłość, my, ludzie, w najlepszym razie zgadujemy, a w najgorszym opieramy się na przesadnie optymistycznych, wyidealizowanych założeniach.

Czasami zakładamy więc, że Surrender wykona zadanie równie szybko jak Kathy, gdyby ta nie przebywała niespodziewanie na zwolnieniu lekarskim. Innym razem zakładamy, że Kelvin może pracować jednocześnie nad ośmioma różnymi projektami przez osiem godzin dziennie, bez żadnej straty czasu na przełączanie kontekstu. Niekiedy zakładamy też, że Elena i Leila mają takie same preferencje dotyczące pracy, poziom wiedzy i rozumienie obowiązków, ponieważ zajmują to samo stanowisko.

Ostatecznie zarządzanie zasobami jest trudne, ponieważ zazwyczaj obejmuje zmienne, nad którymi nie mamy kontroli — a mianowicie ludzi. Chociaż nasze podejście do zarządzania zasobami nie zmieniło się znacząco w ciągu ostatnich kilku dekad, przynajmniej z mojej perspektywy technologia już tak. Zacząłem więc zadawać sobie pytanie: skoro korzystamy z tylu narzędzi i gromadzimy tak wiele danych, czy nie moglibyśmy używać ich do formułowania trafniejszych przewidywań dotyczących naszych zasobów oraz tego, co wydarzy się w przyszłości w naszych projektach, inicjatywach i działaniach zmierzających do osiągnięcia celów? Tym właśnie zajmiemy się dzisiaj.

Zacznę od największego i najszerszego pytania do wszystkich panelistów: skoro organizacje stają się coraz bardziej skoncentrowane na danych, a w grę wchodzi generatywna sztuczna inteligencja, dlaczego zarządzanie zasobami nie jest już automatyczne i magicznie proste?

Może najpierw oddam głos Marcelowi. Stawiam cię pod ścianą.

Marcel Petitpas: Jasne. Prosta odpowiedź brzmi: dane są chaotyczne, a ludzie nieprzewidywalni. To niezwykle ekscytujące, co generatywna sztuczna inteligencja będzie w stanie zrobić, pomagając nam czerpać wartość z danych i je interpretować. Problem polega jednak na założeniu, które zawsze irytuje mnie w demonstracjach firm zajmujących się generatywną sztuczną inteligencją. Mówią one: „Spójrzcie, możecie po prostu zautomatyzować raportowanie”.

Kluczowe założenie brzmi: dostarczacie idealnie czyste, konsekwentnie ustrukturyzowane dane, z jasnym schematem, spójnymi konwencjami nazewnictwa, bez błędów i wartości odstających. Wtedy oczywiście generatywna sztuczna inteligencja będzie mogła odpowiadać na pytania dotyczące danych i przetwarzać je szybciej niż człowiek. Myślę więc, że najbardziej ekscytujące jest to, iż sposób, w jaki kontaktujemy się z danymi, z pewnością ulegnie zmianie.

Za dekadę będziemy prawdopodobnie uważać klikanie tabeli, stosowanie filtrów i sortowania w celu uzyskania potrzebnej wizualizacji za rozwiązanie archaiczne. Problem, który nie zniknie, polega jednak na tym, że sztuczna inteligencja potrzebuje dobrych, czystych danych, aby móc dostarczać tego rodzaju rezultaty.

Niestety jako menedżerowie produktów i operacji pracujemy z zestawami danych tworzonymi przez ludzi, a zatem z definicji niedoskonałymi. Musimy uwzględnić to w sposobie projektowania naszych procesów i systemów danych.

Galen Low: Świetnie. Bardzo podoba mi się to doprecyzowanie dotyczące czystości danych. Myślę, że później wrócimy do kwestii kompetencji w zakresie danych — co oznaczają one obecnie i kto powinien je posiadać. Zdradzę tylko, że prawdopodobnie wszyscy.

Ann, czy chcesz coś dodać na temat tego, dlaczego zarządzanie zasobami nie jest dziś łatwiejsze, mimo całej dostępnej technologii?

Ann Campea: Przede wszystkim nawiązując do tego, co powiedział Marcel: chodzi o uzyskanie dobrych danych. Za próbą ich rejestrowania stoi czynnik ludzki. Z mojego doświadczenia wynika, że budujemy narzędzia, sądzimy, że mamy właściwy system raportowania i analizujemy odpowiednie wskaźniki, ale później wracamy do danych. Uzyskanie dobrych danych przypomina próbę schwytania błyskawicy do butelki.

To trudne i czasami zawodne, ponieważ zawiera w sobie czynnik ludzki. Ludzie są wspaniali, ale bywają też wspaniale nieprzewidywalni. W przykładzie, który podałeś na początku, Susie może próbować zrealizować w ciągu tygodnia 50 projektów, podczas gdy Joe musiał wziąć trzy dni urlopu, bo źle się czuł.

Zrealizował więc nieco mniej projektów niż Susie. Jak właściwie uchwycić ludzki czynnik obecny w danych — w kontekście rejestrowania czasu, złożoności projektów oraz możliwości pracowników? Każdy pracuje przecież trochę inaczej.

Myślę więc, że — nawiązując do Marcela — najpierw trzeba zdobyć dobre dane, a następnie zbudować wokół nich technologię i sztuczną inteligencję. Dodałabym jeszcze jeden przykład: pracowałam w organizacjach, w których trzeba było łączyć stare i nowe technologie. Teraz dodatkowo nakładamy na nie sztuczną inteligencję.

Jak sprawić, by wszystkie te elementy dobrze ze sobą współdziałały, a jednocześnie nadal pozostawić człowieka w procesie?

Galen Low: Bardzo mi się to podoba.

Wracamy tu również do tego, co mówiłeś na początku, Grant. Narzędzie nie jest magicznym rozwiązaniem. Istnieją inne zmienne. Może to dobry moment, by przejść od stwierdzenia „to skomplikowane” do pytania: dlaczego nie jest łatwiej?

Ponieważ dane są nieczyste, a ludzie nieprzewidywalni. Rodzi się więc pytanie: jakie dane powinniśmy gromadzić? Prawdopodobnie jest ich ogromny zbiór, ale Grant, z twojej perspektywy, jakie punkty danych agencja lub dowolna organizacja powinna rejestrować, aby dokładniej zarządzać zasobami?

Coś nietradycyjnego, a może kontrowersyjnego w kontekście danych, które powinniśmy gromadzić?

Grant Hultgren: Myślę, że sprowadza się to do pytania: czemu ufasz? Jako właściciel agencji, kiedy rozpoczynasz tę drogę albo dołączasz do agencji, często myślisz: „Mogę zrobić to lepiej niż firma, z której odszedłem, albo osoba, z którą wcześniej pracowałem”. To często oznacza jednak, że zdefiniujesz coś nieco inaczej.

Nagle różne punkty danych zaczynają mieć różne znaczenia. Marcel powiedziałby zapewne: „Nie musimy definiować tego inaczej. Możesz używać własnego słownictwa, ale tak naprawdę mówimy o tych samych rzeczach”.

Jeśli chodzi o podstawowe wskaźniki KPI, całkowicie się z tym zgadzam. Z naszej perspektywy, jako firmy oferującej oprogramowanie jako usługę, analizujemy przychód na pracownika rozliczanego za czas pracy oraz przychód na wszystkich pracowników. Sprawdzamy marże na poziomie projektu w porównaniu z rachunkiem zysków i strat w ujęciu kwartalnym i rocznym, z uwzględnieniem wszystkich kosztów ogólnych.

Wiele elementów jest tu wspólnych. Kiedy jednak spojrzymy na obszar zarządzania projektami cyfrowymi, wszystko stanowi część ekosystemu wpływającego na wskaźniki KPI wyższego poziomu.

Istnieje wiele narzędzi — niektóre mogą pochodzić z 1990 roku, inne są znacznie nowocześniejsze. To właśnie staje się wyzwaniem. Najważniejsze pytanie brzmi jednak: czy ufamy naszym wewnętrznym systemom na tyle, by modele sztucznej inteligencji mogły podejmować na ich podstawie decyzje i zapewniać optymalne rezultaty?

Moim zdaniem jeszcze nie. Dlatego ludzie są tak ważni. Nikt nie będzie rozliczał sztucznej inteligencji z niewłaściwej marży projektu. Wszyscy spojrzymy na kierownika projektu i zapytamy: „Co się stało? Zinterpretuj dla nas te dane”. A kiedy Ann powie: „Ktoś zachorował”, zapytamy: „Dlaczego nic z tym nie zrobiliśmy?”

„Sztuczna inteligencja tego nie wykryła”. To nie jest wystarczające wyjaśnienie. Być może kiedyś do tego dojdziemy, ale nie sądzę, by same wskaźniki miały się znacząco zmienić. Zmieni się raczej sposób, w jaki zostaną połączone w jeden wspólny obraz.

Marcel Petitpas: Opowiem, jak w Parakeeto wdrażamy kogoś do systemu prognozowania i jak myślimy o jego strukturze oraz sposobie pracy. Zaczynamy od zrozumienia, jak dana organizacja postrzega swoje możliwości. Będzie się to różnić w zależności od organizacji.

Niektóre organizacje myślą o tym w kategoriach zestawów umiejętności: ta osoba zna się na projektowaniu, zarządzaniu projektami, programowaniu i pisaniu tekstów. Innym razem myślą o tym w kategoriach zestawów zadań: ta osoba wykonuje taki rodzaj pracy.

Niezależnie od tego, czy chodzi o kategorie zadań, role, czy nazwy stanowisk, ważne jest, jaki model mentalny opisuje możliwości firmy oraz podejmowanie decyzji rekrutacyjnych. Zwykle chcemy stworzyć prostą warstwę abstrakcji między poszczególnymi wykonawcami a większymi kategoriami, do których możemy ich przypisać.

W tym miejscu wprowadzę pojęcia, o których prawdopodobnie będę często mówić: precyzję i dokładność. To różne idee. Myślę, że przekleństwem większości kierowników projektów jest utożsamianie ich ze sobą i uznawanie, że są nie tylko tym samym, ale także że są ze sobą skorelowane. Często pozostają jednak w konflikcie.

Wielu kierowników projektów skazuje się na porażkę, próbując tworzyć bardzo precyzyjne systemy, których nie da się utrzymać. W efekcie pozostają z dużą ilością chaotycznych danych, z których trudno czerpać jakąkolwiek wartość.

Dlatego na pierwszym etapie próbujemy opracować prosty model — od pięciu do maksymalnie ośmiu kategorii możliwości. Następnie planujemy pracę w taki sposób, aby wyglądała podobnie: używamy tych samych konwencji nazewnictwa i grupujemy szacowany czas według tych samych kategorii.

Później przechodzimy do rejestrowania czasu i pytamy, jak sprawić, by każdy wpis czasu zawierał metadane, które można powiązać z jedną z tych kategorii. Jeśli z czasem zbudujemy ustrukturyzowane dane w takim formacie i dodamy kilka innych obiektów — rodzaj pracy, rodzaj klienta, ofertę usługową lub produkt — algebra liniowa staje się bardzo łatwa.

Pytanie takie jak: „Ile czasu projektowego średnio musimy zaplanować na każdego dolara budżetu strony internetowej?” nie wymaga ogromnego zbioru danych, by stworzyć interesującą linię najlepszego dopasowania. Pozwala ona dość dokładnie przewidzieć rezultat, a także określić, co jest przewidywalne, a co bardzo nieprzewidywalne.

To ciekawy sposób myślenia o tym, gdzie może występować problem procesowy, który skazuje nas na porażkę. Jeśli nie działamy wystarczająco konsekwentnie, przewidywanie przyszłości będzie trudne niezależnie od jakości danych.

Jeśli chodzi o strukturę informacji, najważniejsze punkty danych dotyczą możliwości: jaki jest nasz model i schemat? Następnie planujemy pracę: jaki jest nasz model i schemat? Później dopasowujemy rzeczywisty czas poświęcony pracy do tego samego schematu, aby nie tłumaczyć między trzema różnymi strukturami danych.

To niepotrzebne tarcie, które często uniemożliwia uzyskanie odpowiedzi na pytania postawione na początku procesu.

Galen Low: Podoba mi się pomysł, że istnieją rzeczy przewidywalne oraz takie, których przewidzieć się nie da. Już sama taka perspektywa jest ważna, bo mówimy o chaosie i rzeczach niemożliwych do zaplanowania.

Jako ludzie chcemy je rozwiązać, ale być może nie wszystko da się rozwiązać. Zainteresował mnie też wątek technologii. Pamiętam, jak tworzyłem macierz umiejętności dla pracowników agencji, w której pracowałem. Pytaliśmy: „W skali od jednego do dziesięciu, jak dobrze znasz programowanie w Drupalu?”

Ludzie odpowiadali: „Chyba dziesięć”, a zebranie i uporządkowanie tych danych w Arkuszach Google było ogromnym bałaganem. Intencje mieliśmy dobre. Pytaliśmy, jak ktoś lubi pracować, gdzie się znajduje, jakie projekty znajdują się na jego ścieżce kariery i tak dalej. Próbowaliśmy wszystko zaplanować, ale ilość danych, które jako ludzie musieliśmy uwzględnić, była po prostu zbyt duża.

Kiedy cię słucham, myślę: to mnóstwo modeli i taksonomii. Co z tym zrobimy? To prowadzi do idei, że właśnie tutaj może pomóc technologia.

Grant Hultgren: Możesz to wszystko zaprojektować i skonfigurować, ale za godzinę wszystko się zmieni. Klient podpisze zakres prac, złoży zamówienie na zmianę albo ograniczy zakres. Pojawi się COVID. Czy nadal potrzebujemy biura? Czy to koszt ogólny, który musimy ponosić?

Właśnie dlatego, jak powiedział Marcel, po stworzeniu struktury trzeba ustalić rytm działania. Jak zaangażować osoby wykonujące pracę, które są na pierwszej linii i mogą najlepiej dostarczać informacji do danych, aby umożliwić wprowadzanie stopniowych zmian?

To, o czym mówił Marcel, jest właściwie powodem istnienia naszej firmy. Próbujemy skodyfikować te zasady w danych, ale chodzi o dokładnie ten sam sposób myślenia i pomiaru różnych danych wejściowych wpływających na różne rozwiązania.

Możesz zatrudnić konsultantów takich jak Marcel, którzy pomogą ci przejść przez ten proces, albo Ann, która pokaże, jak podejść do tego z zespołem. Możesz również spróbować samodzielnie to skodyfikować.

Problemy nadal pozostają: jak dotrzeć do każdej warstwy — od właściciela aż po osoby wykonujące pracę — i sprawić, aby wszyscy rozumieli, gdzie pojawia się precyzja, gdzie dokładność i gdzie znajduje się wartość.

Galen Low: Przejdźmy do tego, bo to bardzo interesujące pytanie. Czyste dane wydają się mitem — niekoniecznie z perspektywy danych i taksonomii, ale z perspektywy ludzi. Ann, czy mogę skierować do ciebie pytanie dotyczące czynnika ludzkiego? Jak przekonać ludzi, że odniosą korzyść z rejestrowania większej ilości danych?

Ludzie już teraz nie lubią rejestrowania czasu. Marcel, niedawno publikowałeś na LinkedIn wpis o wykorzystaniu — to tematy, które wywołują wiele emocji i mogą poważnie obniżać morale. Teraz chcemy prosić ich o rejestrowanie jeszcze większej liczby danych i modeli. Jak przekonać ich, że będzie to pomocne?

Ann Campea: To bardzo obciążone pytanie. Trudno jest zgrać ze sobą wszystkie poziomy organizacji. Myślę, że chodzi o uzgodnienie struktury, nawet jeśli różni się ona od tego, co robią inne agencje. Jeżeli zespół kierowniczy i kultura organizacyjna wspólnie zdecydują się ją wspierać, uzyskamy przynajmniej akceptację.

To jedna z największych przeszkód. Możemy poświęcić mnóstwo czasu na budowanie narzędzi, tworzenie raportów i zbieranie danych o czasie pracy, ale bez akceptacji stanie się ona największym blokującym czynnikiem.

Ponownie wracamy do elementu ludzkiego. Czasami zakładamy, że promujemy całkowicie obiektywne dane ilościowe. Nawet w danych ilościowych istnieje jednak pewien poziom subiektywności, ponieważ to ludzie wprowadzają dane.

Zawsze przedstawiam dane w ten sposób: „To jest badanie czasu, ale będzie w nim występować odchylenie, ponieważ prosimy ludzi o wprowadzanie danych”. Kiedy przedstawiasz je interesariuszom, musisz zachować realizm. Nie możesz powiedzieć: „To są dane, są czyste i w 100% dokładne”. Mogą się do tego zbliżać, ale nigdy nie będą idealne.

Galen Low: Podoba mi się to podejście, ponieważ jest współpracujące. Nie wysyłasz rozwiązania z góry i nie narzucasz go ludziom. Ważny jest również sposób przedstawienia. W zarządzaniu zasobami często mówimy: „To jest ostateczna prawda. Każdy ma 40 godzin tygodniowo i wszystko będzie idealne”.

Masz rację — jeśli pokażemy zmienność, proste rozwiązanie może być lepsze niż próba nadmiernego komplikowania wszystkiego i tworzenia „idealnych” danych.

Marcel Petitpas: W branży dużo mówi się o taktykach poprawiających zgodność. Można wprowadzić elementy grywalizacji, bota na Slacku, który przydziela ludzi do zespołów i pokazuje zgodność, albo narzędzie monitorujące czas i pomagające wypełniać karty czasu pracy.

Można też wstępnie uzupełniać karty czasu na podstawie planu zasobów. Wszystko to jest pomocne, ale podstawowym problemem pozostaje akceptacja. Kolejnym ważnym elementem jest brak zamkniętej pętli informacji zwrotnej.

Osoby wykonujące pracę, które prosimy o rejestrowanie czasu, często nie mają dostępu do rozmów, decyzji ani raportów tworzonych na podstawie tych danych. Wymyślają więc własną historię na temat sposobu ich wykorzystania, a zazwyczaj nie jest ona dla nich korzystna.

Niezależnie od tego, jak dobrze wyjaśniasz ludziom, do czego używasz danych, muszą zobaczyć rezultaty, aby w nie uwierzyć. Warto angażować ich w tę rozmowę.

Wiele zespołów kierowniczych obawia się pokazywania danych pracownikom, ponieważ „dane nie są jeszcze wystarczająco dobre”. Powstaje błędne koło. Zawsze zachęcam, aby zorganizować spotkanie i udawać, że nie wiemy, iż dane są niedoskonałe.

Może się wtedy okazać, że brak jasno określonych wskaźników KPI tworzy zachęty przeciwne do zamierzonych. Nadmierne koncentrowanie się na wykorzystaniu zasobów często wywołuje niepożądaną reakcję.

Jeśli używacie danych właściwie i prowadzicie rozmowę szczerze oraz z ciekawością, z czasem wahadło przesunie się w stronę prawdy. Zespół zacznie rozumieć, w jaki sposób dane służą jego interesom i zapewniają ochronę.

Ważne jest również, aby nie wymagać rejestrowania czasu na poziomie podzadań w zadaniach, kamieniach milowych, produktach końcowych, fazach i projektach. To zbyt duże tarcie. Uprośćcie system. Większe kategorie czasu będą bardziej znaczące, szybciej uzyskacie statystycznie istotne wnioski i zazwyczaj zwiększycie zgodność.

To samo dotyczy planowania zasobów. Indywidualne przydziały nie są drogą do sześciomiesięcznej prognozy. Zakres zmian jest zbyt duży. Metodologię należy dopasować do celu pytania, na które chcemy odpowiedzieć.

Galen Low: W mojej głowie brzmi to trochę podstępnie, ale rozumiem, jak wydobywa jakościowy aspekt danych. Wracając do tego, co mówiła Ann: zaczynasz od danych, ale nie kończysz na danych. Dane prowadzą do rozmowy o rzeczach, których w nich nie ma.

Wszyscy boją się, że dane zostaną użyte przeciwko nim: „Masz tylko 70% wykorzystania?” albo „Wykonanie pięciogodzinnego zadania zajęło ci siedem godzin?”. Nikt nie chce dobrowolnie dostarczać takich informacji. Podoba mi się więc podejście, że prostota jest w porządku i nadal lepsza niż próba nadmiernego komplikowania systemu.

Grant Hultgren: Mam historię sukcesu. Przestałem przeszkadzać sam sobie w agencji cyfrowej, z którą pracowałem, i zastosowałem dokładnie to, o czym mówiły Ann i Marcel: trzeba zaufać zespołowi, edukować go i wyjaśnić, dlaczego to jest ważne.

Wyjaśniliśmy, dlaczego obliczamy marżę projektów i co oznacza koszt związany z daną rolą. Nie ujawnialiśmy wynagrodzeń, ale zaczęliśmy pokazywać, że starszy programista kosztuje organizację więcej niż młodszy, dlatego ma to znaczenie przy planowaniu zasobów.

Największym sukcesem nie był pojedynczy wskaźnik KPI. Trzy osoby założyły rodziny, dwie kupiły domy. Pamiętam rozmowę z ówczesnym właścicielem i dyrektorem generalnym. Powiedział: „To był najbardziej satysfakcjonujący rok w moim życiu. Właśnie to chciałem osiągnąć dla zespołu”.

Największym zwycięstwem było to, że członkowie zespołu podejmowali decyzje życiowe, pokazując tym samym, że mają zaufanie do swojej sytuacji. Kiedy robisz to właściwie, możesz czasami powiedzieć: „W tym momencie zrobiłem to dobrze”.

Zawsze będziemy pracować nad danymi i procesem. Będziemy się rozwijać, kurczyć i zwiększać efektywność. Nie ma skrótu na tej drodze dla właścicieli agencji cyfrowych ani ich pracowników.

Nie wypalajmy starszych programistów. Nie ignorujmy obszarów, w których trzeba pomóc młodszym programistom i projektantom się rozwijać. Informujmy firmę z dokładnością, a nie nadmierną precyzją. Pojedynczy punkt danych daje zawężoną perspektywę. Kiedy zaczynamy agregować dane, możemy opracować strategiczną mapę drogową firmy, która przyniesie korzyści ludziom i pozwoli tworzyć dla nich ścieżki rozwoju zawodowego.

Galen Low: Podoba mi się ta historia, ponieważ zaczęliśmy od pytania, jak poprawić kompetencje w zakresie danych, a doszliśmy do pytania „dlaczego”. Nie chodzi o to, że lepsze rozumienie danych pozwoli zrozumieć, dlaczego je gromadzimy. Chodzi o rozwój — nie tylko agencji, ale również osobisty i zawodowy, a także rozwój naszych współpracowników.

Ann Campea: Trudno dorównać historii Granta, ale powiedziałabym, że czasami pojawiają się chwile, gdy czujesz się bohaterem swojej roli. Możesz wziąć dane, opowiedzieć historię odbiorcom i przekonać ich do celu, który chcesz osiągnąć.

W moim przypadku często chodzi o zapobieganie wypaleniu zespołu i lepsze zrozumienie złożoności pracy oraz jej wpływu na pracowników. Te małe zwycięstwa pojawiają się w codziennych rozmowach, kiedy możesz wykorzystać wystarczająco dobre dane i przedstawić kierownictwu obraz sytuacji.

Dane opowiadają historię tego, co dzieje się z zasobami. Chcemy być rentowną firmą, dobrze obsługiwać klientów i dostarczać wysokiej jakości pracę.

Marcel Petitpas: Podzielę się historią transformacji klienta, z którym długo pracowaliśmy. Na pierwszy rzut oka wiele agencji wyglądało tak, jakby odnosiły ogromne sukcesy: niesamowite logotypy na stronie, znakomita i kreatywna praca, nagrody branżowe.

Kiedy jednak zajrzeliśmy pod powierzchnię, znaleźliśmy kulturę bardzo kreatywnych, ale skrajnie wypalonych ludzi. Organizacja przechodziła od okresów, w których wszyscy pracowali po nocach i w weekendy przy 150% wykorzystania, do długich okresów bez pracy, podczas których trzeba było zwalniać ludzi.

Kierownicy projektów obwiniali sprzedaż za przygotowanie ich do porażki, a sprzedaż twórców za brak kontroli nad ego i przekraczanie budżetów. Występowała całkowita rozbieżność oczekiwań oraz problematyczna relacja między czasem i pieniędzmi w kontekście wyceny i zakresu pracy.

Zaczęliśmy od rozdzielenia tych kwestii. Ustaliliśmy strukturę danych i zaczęliśmy rejestrować rzeczywisty przebieg pracy. Z czasem określiliśmy, które prace wiążą się z większym ryzykiem, a które z mniejszym.

Okazało się, że produkcja wideo była niezwykle nierówna. Dni zdjęciowe trwały po 18 godzin, powodując wypalenie, a jednocześnie była to usługa o najniższej marży. Generowała ogromny stres, niestabilność i ryzyko. Z drugiej strony projektowanie marek, stron internetowych i strategii było znacznie bardziej rentowne.

Na podstawie tych informacji stworzyliśmy dla zespołu sprzedaży model algebraiczny, który ograniczył subiektywność wyceny i określania zakresu. Sprzedawcy wprowadzali dane od klienta do kalkulatora, uzyskiwali przybliżony wynik, a następnie odpowiednio go korygowali.

Rezultatem był wzrost firmy o 60%, a następnie o 90% rok do roku, przy jednoczesnym zwiększeniu marży zysku o ponad 500%. Najbardziej cieszyło mnie jednak to, że zespół pracował znacznie mniej wieczorami i w weekendy.

Właśnie dlatego kierownicy projektów i menedżerowie operacyjni są tak ważni. Operacje agencyjne polegają na braniu naszych założeń dotyczących rzeczywistości i projektowaniu ich w przyszłość. Sprowadzają się do dwóch pytań: jak trafne są nasze założenia i czy możemy wykorzystać dane, aby usunąć subiektywność oraz zwiększyć konsekwencję? Następnie pytamy, jak skutecznie możemy przenieść to w przyszłość.

Galen Low: Kilka tygodni temu rozmawiałem z osobami z sektora szkolnictwa wyższego i pracownikami agencji o rejestrowaniu czasu. Powiedzieli: „Wy rejestrujecie czas? To świetne, bo obecnie nie mam żadnego sposobu, aby poinformować kierownika, że przekroczyłem swoje możliwości, poza anegdotycznym opisem sytuacji”.

Dane pozwalają rozpocząć rozmowę nie tylko o tym, jak coś zrobić, ale również o tym, czy powinniśmy to robić i czy warto kontynuować działania, które wypalają ludzi i mają niską marżę.

Przejdźmy do pytania dotyczącego generatywnej sztucznej inteligencji, danych, etyki i bezpieczeństwa. Jeśli umieszczamy dane projektu w narzędziu generatywnej sztucznej inteligencji, jak zapewnić ich bezpieczeństwo? Czy musimy korzystać z narzędzia opłacanego przez firmę, dla której pracujemy, czy możemy użyć czegoś innego? Gdzie przebiega granica etyczna, gdy gromadzimy informacje o preferencjach dotyczących pracy, poziomie umiejętności lub czasie potrzebnym danej osobie na wykonanie podobnego zadania?

Grant Hultgren: Współpracowałem z agencją marketingową i uważam, że przede wszystkim trzeba ustalić, czy ujawniamy fakt korzystania z generatywnej sztucznej inteligencji i co to oznacza. Musieliśmy jako zespół zdecydować, czy chcemy z niej korzystać i czy jakość jest wystarczająca.

Jeśli tak, jest to kolejne narzędzie w naszym zestawie. Trzeba jednak przeprowadzić wewnętrzną rozmowę, szczególnie gdy wykorzystujemy je na rzecz klienta. W przypadku danych wewnętrznych sytuacja jest bezpieczniejsza, ale nadal trzeba zapewnić zgodność z przepisami.

Jeśli klient nie powiedział wyraźnie, że można wykorzystywać jego dane, należy założyć, że nie można tego robić. Nie warto ryzykować relacji. Można natomiast anonimizować dane i korzystać z narzędzi do określania metodologii, a później używać własnego doświadczenia do dostosowania rezultatu.

Generatywna sztuczna inteligencja może wskazywać kierunek, ale nie powinna dostarczać klientowi gotowej diagnozy ani dokładnych kolejnych kroków bez udziału człowieka.

Ann Campea: Jeśli chodzi o granicę etyczną, trzeba pamiętać, że generatywna sztuczna inteligencja może zawierać uprzedzenia. Należy zachować ostrożność. Najważniejsze jest to, w jaki sposób wykorzystujesz dane i czego oczekuje się od ciebie na ich podstawie.

Czy nie przekraczasz granicy, modyfikując dane tak, aby potwierdzały określony cel? Trzeba bardzo uważać, gdy ktoś próbuje wykorzystać dane do celu, do którego nie powinny służyć.

Marcel Petitpas: Trudno wyobrazić sobie pełną automatyzację od początku do końca. Ostatnie dwa procent są bardzo trudne do osiągnięcia. Można zautomatyzować 98% procesu, szczególnie przy dobrej strukturze danych i potoku danych, ale pewien poziom osądu będzie bardzo trudny do zastąpienia przez sztuczną inteligencję.

Niezwykle ważna będzie obserwowalność. Narzędzie może udzielić odpowiedzi, ale często nie wiemy, jak do niej doszło. To problem, gdy trzeba ocenić, czy wpis 99 godzin pracy w weekend jest rzeczywisty, czy wynika z tego, że ktoś zapomniał wyłączyć licznik.

Takie decyzje będą trudne do podejmowania przez sztuczną inteligencję w sposób konsekwentny i dokładny. Nawet jeśli będzie formułować założenia, prawdopodobnie nadal będziemy chcieli, aby człowiek sprawdzał przypadki nietypowe i oceniał ich zgodność z rzeczywistością.

Grant Hultgren: Szczerze mówiąc, myślałem, że sztuczna inteligencja pomoże mi zmywać naczynia, a nie tworzyć sztukę. Zacznijmy od automatyzacji zadań i dostarczania podpowiedzi. Jeśli ktoś doda zadanie, narzędzie może zapytać, czy należy uwzględnić dodatkowy czas Marcela w projekcie.

Nie ufałbym obecnie sztucznej inteligencji w prowadzeniu całej firmy. Jak miałaby przewidzieć COVID i jego skutki? Wielkie wydarzenia mogą całkowicie zmienić model.

Ann Campea: Generatywna sztuczna inteligencja ma być naszym partnerem i źródłem informacji, a nie osobą podejmującą za nas decyzje. Powinna pomagać zajmować się nudnymi zadaniami, aby ludzie mogli skupić się na znaczącej i kreatywnej pracy. Maszyny nie mogą przytulić człowieka ani zrozumieć jego trudnego dnia tak jak druga osoba.

Marcel Petitpas: Jeśli narzędzie sugeruje, że Tony jest wolniejszy, a Sergio szybszy, to może dostarczyć obiektywnych informacji. Decyzje i rozmowy nadal należą jednak do osób kierujących organizacją. Większa obiektywność może pomóc, ponieważ trudno podejmować takie decyzje, gdy kierują nami emocje.

Trzeba ustanowić jasne zasady i świadomie wdrożyć system. Może on pomóc powstrzymać nas przed emocjonalną decyzją albo skierować nas ku decyzji, która jest trudna emocjonalnie, ale leży w najlepszym interesie organizacji.

Grant Hultgren: Ludzie nie odchodzą z pracy — odchodzą od swoich menedżerów. Jeśli wykorzystujemy technologię do zwiększania efektywności i wspierania ludzi, może ona pomóc zauważyć, że ktoś rozwija się wyjątkowo szybko i powinien otrzymać więcej odpowiednich projektów.

Galen Low: Podoba mi się perspektywa człowieka za kierownicą. Ostatnie pytanie dotyczy prezentowania danych jako zakresu zamiast wartości bezwzględnej. Czy może to ograniczyć wpływ czynników ludzkich i elementów niemożliwych do zaplanowania?

Marcel Petitpas: To idealny przykład różnicy między precyzją a dokładnością. Mogę powiedzieć, że temperatura wyniesie 76,4 stopnia, albo że przez większą część dnia będzie wynosić od 72 do 78 stopni. Druga odpowiedź jest mniej precyzyjna, ale dokładniejsza.

Im wyżej w organizacji się znajdujemy, tym większa jest niepewność i tym mniej doskonałe są dane. Podejmujemy decyzje oparte na prawdopodobieństwie. Zakresy lepiej odzwierciedlają rzeczywistość, z którą mamy do czynienia.

Grant Hultgren: Spróbuj utrzymać precyzyjną prognozę pracy przez cztery tygodnie, a zobaczysz różnicę. Po trzech lub sześciu miesiącach rozbieżność będzie ogromna. Zakres jest kluczowy dla zrozumienia wzlotów i spadków oraz podejmowania decyzji dotyczących klientów i pracy.

Galen Low: Nie można planować z przesadną precyzją.

Dziękuję Grantowi, Marcelowi i Ann za poświęcony czas i udział w dzisiejszym spotkaniu.

Jak zawsze, jeśli chcecie dołączyć do rozmowy z ponad tysiącem podobnie myślących osób zajmujących się zarządzaniem projektami, dołączcie do naszej społeczności. Odwiedźcie thedigitalprojectmanager.com/membership, aby dowiedzieć się więcej. Jeśli podobało wam się to, czego dziś słuchaliście, zasubskrybujcie nas i pozostańcie w kontakcie na stronie thedigitalprojectmanager.com. Do usłyszenia następnym razem — dziękujemy za słuchanie.