Robotics and Artificial Intelligence will boost the performance

Emerging new technologies will change the way of work: Software-Robotics, Neural Network and Simulation-AI. For early adaptors they provide competitive advantages.

SW-Robotics means work processes automation in a way that imitates the specialist doing the work. The benefits are multitude. Robotic solution is able to do the process in average five times faster and without labor costs. In addition, it will make human work more meaningful, since a robot now does the unmotivated routine work. Thus, in long-term there will be improvement at the staff quality of working life. For knowledge work, the benefits are similar as what technology has done for labor-intensive work. No worker wants to hammer, if there is possible to use nail-gun, or shovel when proper excavator is available.

Workers may fear the robotization at first, because it will change the way of work. Therefore, the change management is essential to consider in advance. Workers needs knowledge and skills to deal with SW-robotics. Essential question: are the staff motivated to train the SW-robot. Do employees feel that the change is a threat or is it an opportunity? Robot liberates time to learn other skills and do work that is more meaningful. Working time is scarce resource and lack-of time is general obstacle for business development. When time problem eases, the human intelligence can flourish.

Artificial intelligence (AI) is an assistant with predictive and explaining power. For organizations, there are two types of AI: Neural Networks (NN) and Simulation-AI. They both help management and specialists’ decision-making. NN finds correlations from organization data and learns the cause-relations (causalities). In simple cases, it can predict the outcome and alarm for doing preventive actions. For example, it knows that exceeding overwork will cause increase in absenteeism. The data consists business data, human resource data, working time data and staff QWL data.

The simulation-AI is for more complex problem solving. Simulation-AI knows how the organization works. We have created Bayesian People Analytics simulation with AI. Bayesian means that management behavior affects to the business outcome. We all know it, but how to make it visible. Actually, the phenomenon is too complex for human mind. Human mind is driven by intuitive decision making with several human biases. The simulation-AI helps to improve organization behavioral capital by showing the decisions consequences in the future. New science opens the “black-box” of HRM-Performance. It has both predictive and explaining power, and artificial intelligence helps finding the best leadership practices.

The word of warning. The AI-solution is as wise as the data and the architecture of AI algorithms. If data or algorithms are poor, the advice may be harmful either short or long term. Be critical, ask what is the scientific foundation at the algorithms and does the AI has explanatory power over the predictions.

 

Management Artificial Intelligence (IntelliSys conference)

I presented Management AI architecture at IntelliSys London. It was one of the best conferences I have attended, short interview: https://youtu.be/oqK4vtdA-tw

Management AI (Mgmt-AI) aim is to improve organization performance by advising optimal management decisions. Mgmt-AI connects business economics to the behavioral science by game theoretical approach. It simulates the reality, thus it is important that the architecture is based on bona-fide science (not just AI black box!). The architecture includes theories of human capital production function and the theory of quality of working life index (QWL). QWL is intangible production parameter and enables the connection to Bayesian Game theory.

The Mgmt-AI includes real data from the company (business, HR, and staff survey). In addition, there are several evidence-based deductive rules and efficiency factors, which form the base for Neural-Network (NN). In the future, the NN verifies organization and leader specific factors and causalities to the simulation, making it even more accurate. Simulation includes 32 best management practices that form the action space matrix. The state space has 27 workplace problems. Each problem has certain tendency to reduce QWL and management actions have tendency to improve QWL. Each management action requires working time, thus decreasing the time for making revenue and profit.

The mgmt-AI simulates one year (12 months) scenario where problems illustrate the market situations (cash-cow, recession, growth). One simulation round takes about 20 minutes, so forms optimal micro-learning session. Mgmt-AI includes the management “DNA” where the core causalities are simulated without normal noise factors of real-life management. The idea is that agent gets one-year management experience in 20 minutes. The manager can also learn from mistakes without the fear of remorse and will experience the positive results of improved management policy.

The executive management may cause harmful social dilemma at supervisors. Short-term monthly profit requirement may force the leader to choose a strategy that minimize the collaborative management activities to maximize workers’ time for work. The leadership’s social dilemma is harmful when leader neglects the workers’ signals. The leader may know this profit maximizing strategy will reduce the workers motivation. Neglecting workers opinions may eventually change the game from cooperative to non-cooperative mode, where workers do not give verbal signals from work-related problems. The sustainable competitive advantage is very difficult to achieve at non-cooperative mode. Without workers signals the leader cannot choose optimal HR-actions to prevent a decrease in the QWL. When a negative spiral occurs, the leader will have to make decisions solely by the fiscal data from the past.

Management AI simulation is the most precise people analytics, because it
– is based on Human Capital Production Function that include QWL as a production factor
– consists deductive rules and causalities that are evidence-based and can be verified organization specific by Neural-Network
– includes market situation, strategy and organization problems meaning to business performance
– includes management behavior policy meaning to business performance

In the simulation when a player’s learning is jammed, AI will help choosing the most optimal management actions. AI advice is based on Markov algorithm with Bellman advantage function. It encourage the investment-based thinking where some monthly profit is wise to sacrifice to gain more profit later. AI can give timely suggestions and so create a guided learning experience. Solving the workplace problems in time, the leader maintain basic performance level in the team. Higher performance requires also systematic HR-practices that nurture employee motivation and innovativeness. In this way, the company can achieve competitive advantage where both well-being and business performance flourish.

Kesti, M. (2018).  Architecture of Management Game for Reinforced Deep Learning, Intelligent Systems Conference 2018 6-7 September 2018 | London, UK.

Kuvaus hyvästä esimiestyöstä käytännössä

Johtamisen tekoäly mullistaa kokemuksellisen esimiestyön oppimisen. Seuraavassa on opiskelijan reflektio tekoälyavusteisesta simulaatio-opetuksesta (julkaistu opiskelijan luvalla).

Tuottava esimies -simulaatiopeli / reflektio

Simulaation pelaaminen tuntui alussa hieman haastavalta sisäistää, mutta kun rauhassa tutustui ohjeisiin, ja yhdessä Aimon (simulaation tekoäly) kanssa harjoitellessa tuli pelin idea kuitenkin pian tutuksi. Oli hyvä, että opetuspeli sisälsi selkeitä ohjeita sekä runsaasti informatiivista tietoa HR-käytänteistä tiiviissä muodossa kirjoitettuna. Positiivista oli myös oman suorituksen ranking-listautuminen. Lisäksi osaamistestit olivat hyvä lisä oman oppimisen tukemiseen. Kaiken kaikkiaan simulaatiopelin pelaaminen oli mukavan erilainen oppimiskokemus, sekä varsin mielekäs perinteisiin tapoihin (tentit, esseet ym.) verrattuna. Digitalisaatio on kuitenkin tätä päivää ja sen merkitys kasvaa koko ajan – myös opiskelussa. Oli todella mielenkiintoista nähdä kuinka viisas tekoäly voikaan olla. Tulevaisuuden juttu ehdottomasti.

Hyväksi havaitut esimieskäytännöt (HR-käytännöt)

Pelin pelaaminen alkoi sujua alun opettelun jälkeen nopeasti. Hyvä pelisuoritus edellytti, että alustan käyttö oli hallussa ja sen sisältö tuttu. HR-käytänteitä tuli osata soveltaa sen hetkiseen tilanteeseen sopivalla tavalla, ja samat toimenpiteet eivät toimineet kaikissa skenaarioissa. Löydettäessä toimivat HR-käytänteet, kannatti niitä käyttää silti melko kaavamaisesti tietyn skenaarion kohdalla, jotta hyvä tulos säilyi läpi simulaatiovuoden.

Simulaation jokaisessa skenaariovaiheessa korostuivat mielestäni esimiehen hyvät ongelmanratkaisutaidot. Valitsemalla oikeanlaiset toimenpiteet oikeaan aikaan oli mahdollista ylläpitää samalla sekä hyvää ilmapiiriä työyhteisössä että saada aikaan positiivsta tulosta, vaikka tilanne muutoin olisi ollut haastava esimerkiksi taantuman vuoksi. Ongelmiin kannatti puuttua nopeasti ja konkreettisin ratkaisuin. Toimivien HR-käytänteiden toimeenpano näkyi kuukausiraporteissa myönteisenä kehityksenä. Kehityskeskustelut, palkitseminen sekä työyhteisön epäkohtien puheeksiotto rakentavasti olivat jokaisessa skenaariossa tärkeitä toimenpiteitä, jotka lisäsivät työelämän laatua. Yksi hyödyllisimmistä HR-käytänteistä oli myös kuunteleminen ja avun tarjoaminen mikä on ymmärrettävää, sillä huolen huomioiminen ja siihen puuttuminen on osoitus aidosta välittämisestä.

Taantumavaiheen hyviksi HR-käytänteiksi osoittautuivat muun muassa esimiespajatoiminta, työsuojelutoiminta, työntekijöiden tarpeiden kuunteleminen sekä yhteishengen kohottaminen. Myös työroolien ja prosessien kehittäminen sekä kehityskeskustelut työntekijöiden tai ryhmän kanssa olivat hyödyllisiä. Taantumavaiheessa erityistä huomiota kannatti kiinnittää erilaisiin tukitoimenpiteisiin kuten työyhteisöryhmälle kohdistettuun HRD-tukeen ja palkitsemiseen niin yksilö- kuin ryhmätasolla. Epäkohdat ja huolen aiheet kannatti ottaa puheeksi rakentavasti. Lisäksi työrooleja ja prosesseja tuli kehittää jatkuvasti.

Kasvuvaiheessa korostuivat puolestaan etenkin työelämäinnovaatiot (työtavat, prosessit, työvälineet ym.) sekä toiminnan kehittäminen saadun asiakaspalautteen mukaan. Työntekijöiden tarpeiden kuuntelua ja tuen antamista sekä kehityskeskusteluiden pitämistä kannatti edelleen jatkaa.  Hyödyllisiä käytänteitä olivat myös yhteisölliset ja yksilölliset palkitsemiset sekä tunnustuksen antaminen. Tarpeen mukaan työyhteisöryhmälle kohdennettua HRD-tukea ja esimiespajatoimintaa kannatti hyödyntää. Työrooleja ja prosesseja kehittämällä sekä yhteishengen kohottamisella oli myönteisiä vaikutuksia työelämän laadun tuloksiin.

Kaikissa skenaarioissa korostui vuorovaikutuksen tärkeys. Tämä on ymmärrettävää, sillä onhan vuorovaikutus on yksi keskeisimmistä tavoista kommunikoida ja tuoda ilmi mielen päällä olevia asioita: kuulluksi ja ymmärretyksi tuleminen on arvostamista niin työhön kuin tunteisiin liittyvissä asioissa. Mikäli työyhteisössä tulee eteen ongelmatilanteita on tärkeää, että epäkohdat otetaan puheeksi rakentavasti ja korjaaviin toimiin ryhdytään nopeasti. Työyhteisön ilmapiirin heiketessä on hyvä pyrkiä kohottamaan yhteishenkeä järjestämällä esimerkiksi pikapalavereita tai yksilö-/ryhmäkohtaisia kehitysneuvotteluita. Myös erimuotoisia koulutuksia järjestämällä, sekä kehittämällä työrooleja ja prosesseja on mahdollista vaikuttaa työelämän laatuun myönteisesti. Myös kehityskeskustelut koettiin useissa tapauksissa mielekkäinä HR-käytänteinä niin yksilö- kuin ryhmätasolla tarkasteltuna. Taantumavaiheessa työyhteisöryhmälle kohdistetun HRD-tuen merkitys kasvoi, kun taas kasvuvaiheessa työelämäinnovaatioiden merkitys korostui. Toiminnan kehittäminen saadun asiakaspalautteen mukaan oli myös tärkeää.

Lopuksi

Esimies on työnanatajan edustaja, jonka osaaminen koostuu monesta kompleksisesta elementistä. Toimivassa työympäristössä on tärkeää, että toimijoiden vastuut ja roolit ovat linjassa strategiasta johdettujen tavoitteiden kanssa. Tärkeää on myös, että tavoitteet on ilmaistu riittävän selkeästi, jotta työntekijöillä on yhteinen näkemys toiminnasta ja sen päämääristä. Tavoitteiden toteutumista ja niiden kehittymistä tulee seurata ja arvioida jatkuvasti. Hyvinvoiva työyhteisö on tuloksellinen, ja hyvä tekemisen meininki välittyy usein myös ulospäin. Kilpailukykyiset ja tuottavat yritykset luovat niin ikään uusia työpaikkoja. Hyvinvoiva työyhteisö näyttäytyi pelin kuukausiraporteissakin positiivisina talouden tuloksina.

Työelämän laatu rakentuukin muun muassa siitä, että työt sujuvat ja töissä voidaan hyvin. Hyvä henkilöstöjohtaminen ammentaa vahvuuttaan toimivista henkilöstökäytänteistä sekä henkilöstön osaamisesta. Hyvässä työyhteisön toiminnassa näkyy organisaation kyvykkyyden lisäksi myös yksilöiden kyvykkyydet. Asenteiden ja motivaation ollessa kunnossa on työn tekeminen jo itsessään mielekkäämpää. Kaikkia toimijoita tulisi osallistaa mukaan kehittämään niin omaa kuin työyhteisön toimintaa, ja jokaisen ääni tulisi saada kuulluksi – onhan ääni kuitenkin yksi tärkeimmistä työvälineistämme. Työelämän laatu on aineetonta investointia, johon todella kannattaa satsata.

Lähde: Suvanto Annika (2018). Oppimisreflektio, Organisaation johtaminen, Vuorovaikutussuhteet kurssi 5 op. Pohjois-Pohjanmaan kesäyliopisto.

Johtamisen tehokkuusharha heikentää kilpailukykyä

Johtamisen tehokkuusharha (plunging-in bias) tarkoittaa tilannetta, jossa ongelmaa lähdetään ratkaisemaan nopeasti ja tehokkaasti, mutta todellisuudessa ongelmaa ei ymmärretä ja toimenpiteet ovat siksi huonoja.

“Things are not always as they appear and what is intuitively obvious can be misleading.”

Tehokkuusharhan juuret ovat ihmisen psykologiassa. Halu ratkaista ongelma nopeasti ja tehokkaasti on inhimillistä. Suurin osa päivittäisistä ongelmista on nopeasti ratkaistavissa, pienellä aivoenergian kulutuksella. Johtamisessa esiintyy kuitenkin tilanteita, joissa päätöksen tekemistä kannattaisi harkita huolellisemmin ja analysoida tilanne tarkemmin. Ongelman tarkempi selvittäminen on usein vaivalloista ja vaatii sekä tietoa että osaamista. Kiireisessä työelämässä on houkutus ohittaa lisäinformaation hakeminen ja valita toimenpiteet puutteellisella tiedolla, uskoen kokemukseen ja nopeaan tulkintaan. Ongelmaa lähdetään ratkaisemaan tehokkaasti, mutta vaikuttavuus jää huonoksi, koska ratkaistaan väärää ongelmaa.

“Organisation strategic management includes multiple complex issues that have to be considered together. One single, strategic area optimisation may destroy strategic possibilities in other areas and thus not be optimal for overall strategy.”

Jos ongelma on kompleksinen, siitä näkyy vain ”jäävuoren” huippu. Esimerkiksi ongelma tuottavuudessa näkyy erilaisissa tulosmittareissa, jotka kertovat myyntikatteen heikentymisestä ja kulujen noususta. Nopeana ratkaisuna lähdetään tekemään toimenpiteitä, joilla yritetään vaikuttaa suoraan näihin mittareihin, mutta ei ratkaista itse ongelmaa. Tuottavuusongelma on usein monimutkainen, jolloin toimenpiteitä tulisi pohtia syvällisemmin. Yleinen virhe on myös se, että päätösten vaikutuksia ei pohdita pitemmällä aikajänteellä, sillä toimenpiteet voivat vaikuttaa tulevaisuuden kilpailukykyä heikentävästi. Vanhan sanonta ”ajautua ojasta allikkoon” kuvastaa hyvin tehokkuusharhaa käytännössä.

“Although human resources are identified as the most important asset, they are considered so difficult that they are many times almost neglected in business strategy considerations.”

Yksi yleinen ongelma, jota ratkaistaan tehokkaasti väärin, on organisaation suorituskyvyn heikentyminen. Ongelma näkyy esimerkiksi sairauspoissaolojen ja vaihtuvuuden kasvuna, jolloin sisäiset virhekulut nousevat. Ongelman edetessä asiakaslaatu huononee ja yrityksen tuloskyky heikkenee. Ongelman ydin ei kuitenkaan ole asiakaslaadussa tai prosesseissa, vaan huonossa ihmisten johtamisessa, josta aiheutuu työmotivaation heikentyminen. Tutkimusten (mm. TEM) mukaan monet esimiehet kokevat, että heidän prosessijohtamisen taidot ovat hyvät ja työprosesseja johdetaan tehokkaasti. Jatkuvassa muutoksessa esimiehiltä odotetaan yhä enemmän läsnäoloa ja vuorovaikutusta. Esimiehet eivät kuitenkaan koe tarpeelliseksi oppia pehmeitä ihmisten johtamisen taitoja, koska heillä on prosessijohtamisen tehokkuusharha – he johtavat prosesseja, kun pitäisi johtaa ihmisiä. Hyvä ihmisten johtaminen on vaikeaa ja juuri siksi mahdollistaa ylivoimaisen kilpailuedun luomisen.

 “The fact that something is difficult does not make it less important.”

Muutama vuosi sitten kirjoitimme professori Syväjärven kanssa artikkelin, jossa havainnollistamme, miten strategisen johtamisongelman ratkaisua voidaan merkittävästi parantaa ottamalla huomioon aineeton henkilöstöpääoma. Artikkelissa havainnollistamme miten työelämän laatu vaikuttaa tuottavuuteen ja miten tehokkuusharha voidaan välttää paremmalla analytiikalla ja strategisella harkinnalla. Artikkelin analytiikassa hyödynnämme henkilöstövoimavarojen tuotantofunktiota, jossa työelämän laatu on tuotantotekijänä mukana. Työelämän laatu on aineettoman henkilöstöpääoman hyödyntämisaste. Suosittelen kaikille johtajille ja etenkin HR-johtajille tutustumista Henkilöstövoimavarojen tuotantofunktioon. Artikkeli on luettavissa linkistä ja mikäli analytiikka kiinnostaa, voin antaa hyvät laskentatyökalut.

Suorat lainaukset ovat lähteestä Kesti ja Syväjärvi (2015)

Lähteet:

Työelämä 2020, Suomalaisen johtamisen tila ja tulevaisuus. TEM oppaat 5/2018, Työ- ja elinkeinoministeriö ja Filosofian Akatemia Oy.

Kesti, M. and Syväjärvi, A. (2015) Human Capital Production Function in Strategic Management. Technology and Investment6, 12-21.

Mullistavat HR-teknologiat

Josh Bersinin raportissa on hyvää asiaa tulevista mullistavista HR-teknologioista. Näkemykseni on yhtenevä ja perustelen muutamia keskeisiä blogissani.

Yritysten henkilöstöjohtamisessa korostuu jatkossa tiimien suorituskyvyn kehittäminen. Tiimien suorituskyvyn ongelmat on tiedostettu jo usean vuoden ajan. Suurin syy on esimiestoiminnan huono laatu ja laadun suuri hajonta. Karkeasti ottaen 20 % esimiehistä taitaa esimiestyön, 60 % omaa merkittävää kehittämispotentiaalia ja lopulla 20 % on esimiestyössä vakavia ongelmia. Sama hajonta on tiimien suorituskyvyssä. Nyt haetaan siis uusia ratkaisuja tiimien suorituskyvyn parantamiseen.

“Companies want management tools that help enable and empower teams, drive team-centric engagement and performance, and support agile, networkfocused HR practices.” toteaa Bersin.

Olen tutkinut esimiestoiminnan laadun hajontaa ja selvittänyt sen juurisyytä. Yksi oleellinen syy on esimiesten huono osaaminen ihmisten johtamisessa. Vain harva esimies osaa hyviä ihmisten johtamisen käytäntöjä. Ne esimiehet, jotka eivät osaa esimieskäytäntöjä, eivät niitä myöskään toteuta käytännössä. Esimiesten johtamistaidoissa on samankaltainen hajonta kuin tiimien suorituskyvyssä. Tiimien suorituskykyä olen mitannut työyhteisön kokemalla Työelämän Laadun indeksillä (QWL, Quality of Working Life), jossa suorituskyky määräytyy motivaatioteorian mukaan.

Voidaanko esimiesten osaamisongelma ratkaista kouluttamalla esimiehille hyviä ihmisten johtamisen käytäntöjä? Ei voida, koska ongelma on pirullinen (wicked). Pirullisen siitä tekee se, että ne esimiehet, jotka tarvitsisivat ihmisten johtamistaitoja, eivät koe niitä tarvitsevansa. Heiltä puuttuu oppimiseen vaadittava motivaatio. Vaikka he käyvät koulutuksissa, johtamiskäyttäytyminen ei muutu. Heidän mielestä ihmisten johtamiskäytännöt syövät arvokasta työaikaa, joka kannattaa mieluummin käyttää tuloksen tekemiseen. Heillä on vahva käsitys (bias), että heidän toteuttama tulosjohtamisen malli on hyvä, ja syyt tiimin työhyvinvoinnin ja suorituskyvyn ongelmiin ovat heidän mielestä muualla – tekijöissä, joihin he eivät voi vaikuttaa.

Ongelma voidaan ratkaista uusilla HR-teknologioilla, jotka mahdollistavat seuraavat asiat:

  • tiimin työelämän laatu tehdään näkyväksi jatkuvatoimisella mittauksella (continuous QWL measurement)
  • tekoälyavusteinen simulaatio opettaa kokemuksellisesti paremman johtamismallin (redefining leadership mind-set)

Suorituskyvyn jatkuva parantaminen on monessa organisaatiossa tavoitteena. Jatkuva parantaminen on tehotonta, mikäli ongelmiin reagoidaan liian myöhään. Tehokas jatkuva parantaminen vaatii jatkuvaa henkilöstön näkemysten huomioimista, jolloin ongelmia voidaan ratkaista nopeasti ja ennakoivasti. Tuloshyödyt ovat niin merkittäviä, että jatkuva QWL-mittaus tulee yleistymään nopeasti. Aluksi se voisi tarkoittaa kuukausittain toteutettavaa henkilöstökyselyä. Kysymyksiä on vain muutamia ja niillä mitataan henkilöstön kokemuksia työelämän laadun tekijöistä.

When companies start implementing continuous performance management, they often realize that feedback and engagement survey systems should be connected to the process. … To do this effectively, organizations need a set of tools that facilitate continuous listening, which goes well beyond annual surveys.” toteaa Bersin

Työelämän laatu on aineeton tuotantotekijä. Se on tuotantotekijänä vähintään yhtä tärkeä kuin henkilöstömäärä. Työelämän laatu linkittyy asiakastyytyväisyyteen, innovatiivisuuteen sekä yrityksen talouteen henkilöstövoimavarojen tuotantofunktion avulla. Jatkuvatoiminen tiimin työelämän laadun mittaus nostaa esimiestoiminnan laadun ja tuottavuuden ongelmat esille. Samalla se automaattisesti pelillistää esimiestoimintaa, sillä rationaalinen esimies haluaa kokeilla, miten oma vuorovaikutusjohtaminen vaikuttaa tiimin kokemaan työelämän laatuun. Esimiehen huomio siirtyy tuloksesta ihmisten johtamiseen ja tuloksen parantuminen tulee pienellä viiveellä, kuten simulaatio opettaa.

“Let me add another hot trend that most people don’t understand yet. I am now convinced that virtual and augmented reality (VR and AR) are going to be big in the learning and performance support market.” toteaa Bersin

Olemme kehittäneet tekoälyavusteisen simulaatiopelin, joka opettaa esimiehille ihmisten johtamista ja sen vaikutuksia talouteen ja työelämän laatuun. Simulaatiomaailma (augmented reality) on luotu johtamisen peliteorian ja henkilöstötuottavuuden analytiikan avulla. Simulaatioon on kytketty tekoäly (artificial intelligence, AI). Se analysoi erilaisia vaihtoehtoja esimiehen puolesta ja ehdottaa sitten parhaita, joilla saadaan kestävää kilpailuetua. Ihminen tarvitsee apua nimenomaan pitkän aikavälin vaikutusten ymmärtämiseen. Ilman tekoälyn apua ihminen on taipuvainen tekemään hätiköityjä päätöksiä omien oletusten mukaan. Organisaation suorituskyvyn johtamisessa nämä oletuksiin perustuvat käyttäytymismallit (biases) ovat usein huonoja pitemmällä aikajänteellä. Suorituskyvyn parantaminen onnistuu parhaiten, kun ihmisellä on apuna tekoälyn kyky nähdä pitemmälle tulevaisuuteen.

Lähteet

Bersin J. (2018). HR Technology Disruptions for 2018: Productivity, Design, and Intelligence Reign. Deloitte. http://marketing.bersin.com/rs/976-LMP-699/images/HRTechDisruptions2018-Report-100517.pdf

Kesti, M. (2018).  Architecture of Management Game for Reinforced Deep Learning, Intelligent Systems Conference 2018 6-7 September 2018 | London, UK. (conference paper, not yet published)

Kesti M. (2018). Henkilöstötuottavuuden tutkimusohjelma. Tiedolla johtamisen hanke.

HR-AI helps solving wicked management problems

Companies are reinventing the performance management in their organizations (Bersin 2018). The HR-AI helps achieving this aim.

 

Traditional business management makes decisions with simplified iteration and using mental shortcuts called cognitive biases. Cognitive biases are assumptions of how the world works. Humans substitute complex issues with biases. Human performance management is too difficult to make sense of as there are just too many ifs involved: if a key person leaves, if strategy implementation fails, if customer satisfaction drops, if employee performance declines, if absence increases, etc. Therefore, cognitive biases drive leadership behaviors. However, what happens if these cognitive biases are wrong and/or harmful?

New management game theory and artificial intelligence (AI) algorithms make it possible to predict leadership behavior’s effect on business. The architecture consists of a human capital production function, motivation theories, and several evidence-based rules. For AI, management decision-making is a prediction problem, and solving it is possible through the use of an augmented reality simulation game. The simulation game predicts the future outcome according to management behaviors. Managers will learn to make better decisions from the simulation. Artificial intelligence (AI) will help to optimize human resource management decisions.

Artificial intelligence plays several rounds of simulations in milliseconds, and remembers the most valuable management practices for long-term success. AI also suggests actions to manage the decision-making process. A manager uses human judgment, because some of the the AI-suggested actions may not be reasonable in a real-life situation. Humans are good at estimating which actions are best for a specific situation, but humans are poor at predictions. Humans have several cognitive biases, which are based on wrong assumptions, and that harm long-term success. While AI can see into the future and can predict the long-term result, it does not take into consideration all situational realities. Thus, the best results are achieved when AI and human beings work in collaboration.

Human resources management AI is an intelligent prediction machine. Its prediction accuracy can be increased for each specific organization. AI has the ability to learn, and this learning is not limited by harmful biases. Prediction accuracy improves with more up-to-date data, listening to employee feedback continuously, and comparing the simulation prediction to the real-life realization.

Management_AI_architecture_dark

Figure 1. HR-AI architecture

One problem is the cognitive illusion that management competence is in order, and performance problems are due to other reasons (plenty of ifs). Supervisors’ leadership practice skills may be very poor and, therefore, there may be a tendency to neglect necessary leadership activities. The team-leader may justify omitting performing HR-practices, because it seems to be more important to use precious work time to maximize profits than to invest time into soft, human leadership practices. However, this is a wrong assumption. Management problems are serious, because behavioral cognitive biases are difficult to overcome and require practice-based learning to substitute these biases with better behavior. AI-based simulation learning may solve this problem.

 

REFERENCES

Bersin, J. (2018). HR technology disruptions for 2018: Productivity, design, and intelligence reign. New York, NY: Deloitte. Retrieved from http://marketing.bersin.com /rs/976-LMP-699/images/ HRTechDisruptions2018-Report-100517.pdf

Agrawal, A. (2018). The economics of artificial intelligence. Commentary McKinsey, April 2018.

Kahneman, D. (2012). Thinking, fast and slow. Location: Penguin Books.

Kesti, M. (2018).  Architecture of Management Game for Reinforced Deep Learning, Intelligent Systems Conference 2018 6-7 September 2018 | London, UK. (conference paper, not yet published)

Tekoälyavusteinen simulaatio mallintamaan kansantalouden tuottavuutta

Teimme tekoälyavusteisen simulaation kansantalouden tuottavuuden analysointiin. Simulaatiossa työelämän laatu on tuotantotekijä, johon vaikutetaan johtamisella. Henkilöstöjohtamisella voidaan parantaa yritysten tulosta 3 Mrd euroa – tosin se on haastavaa, voit itse kokeilla.

Simulaatioon on otettu kaikki Suomen yli 10 hengen yritysten HR-tiedot ja taloustiedot. Yritykset tekevät liikevaihtoa noin 280 Mrd euroa ja käyttökatetta 14,5 Mrd euroa. Ne työllistävät noin 834 000 työntekijää. Tavoite on työelämän laadun avulla parantaa yritysten tulosta 3 Mrd eurolla ja samalla lisätään työvoimaa noin 80 000 työntekijällä. Tavoitteet ovat erittäin haastavat, sillä henkilöstökulut kasvavat samanaikaisesti 2.7 Mrd eurolla. Jokainen voi kokeilla, että ilman tekoälyn neuvoja se on vaikeaa. Tulevaisuudessa tekoäly ratkaisee monia ongelmia ihmistä paremmin – myös ihmisten johtamisessa tekoälyn neuvot ovat tarpeen.

Voit kokeilla, saatko johtamisellasi kansantalouden kukoistamaan (blogin lopussa on linkki simulaatioon). Ihmisten johtamisen haastavuus selittää osaltaan, miksi yritysten tuloskyvyssä on niin suuri hajonta. Suuri osa (45 %) Suomen yrityksistä tekee heikkoa tulosta. Säästömoodissa olevat yritykset eivät juuri tee aineellisia investointeja. Kassassa ei ole rahaa ja huono tulos vaikeuttaa investointien poistoja. Noin 10 % yrityksistä on erittäin kannattavia ja ne tekevät yli 50 000 € käyttökatetta per työntekijä. Aineelliset investoinnit selittävät osan tästä menestyksestä, kuten kuviosta nähdään. Aineelliset investoinnit parantavat tehollisen työtunnin tuottamaa liikevaihtoa ja tulosta.

Yritysten_tuloskykyjakauma_R1

Kuva. Yritysten tuloskykyjakauma ja aineettomien investointien määrä per työntekijä.

Toinen menestystä selittävä tekijä on parempi ihmisten johtaminen. Työelämän laatu on aineeton tuotantotekijä, joka määrittää tehollisen työajan osuuden työhön käytetystä ajasta. Menestyvä yritys huolehtii näistä molemmista tuotantotekijöistä. Todennäköisesti menestyvissä yrityksissä on motivoitunut ja hyvinvoiva henkilöstö. Simulaatio osoittaa miten tärkeää ihmisten johtaminen on ja miten vaikeaa se on hoitaa hyvin. Simulaatioon on kytketty tekoäly, joka opastaa toteuttamaan johtamista, jolla parannetaan kilpailukykyä pitemmällä aikajänteellä. Tekoälyn toteuttama ihmisten johtaminen vähensi sairauspoissaoloja ja paransi henkilöstön työelämän laatua.

Simulaatiossa on johtamiskäytäntöjen osaamistehot asetettu 80 % tasolle. Todellisuudessa johtajien ja esimiesten osaamisissa on suuri hajonta. Myös työyhteisön kohtaamat haasteet on vakioitu siten, että jokaisessa simulaatiovuodessa toistuvat samat ongelmat. Työntekijöiden antamat signaalit ongelmista on niin ikään vakioitu. Jokainen työyhteisön kokema haaste tai ongelma heikentää työelämän laatua aiheuttaen lisääntyvää hukkaa. Todellisuudessa ongelmat tahtovat kertyä niille, joilla muutenkin on haasteita johtamisessa.

Tekoälyä hyödyntävä simulaatio mallintaa yritysten henkilöstötuottavuuden kehitystä. Simulaatiossa johdetaan keskimääräistä työyhteisöä, jonka tulokset skaalataan koko yrityskantaan. Olet siis työyhteisön esimies ja johtamisesi vaikuttaa kaikkiin yli 10 hengen yrityksiin. Simulaatiossa tekoäly auttaa ihmisten johtamisessa niin, että haastavat kasvu- ja tulostavoitteet voidaan saavuttaa. Työllisyys paranee ja yritykset tekevät enemmän liikevaihtoa ja tulosta. Tekoäly ei sorru lyhyen ajan tuloksen maksimointiin, vaan se panostaa viisaasti henkilöstökehittämiseen ja työelämän laatuun.

AIMO_kansantalous_R1

Kuva. Simulaatiossa tekoäly panostaa henkilöstön kehittämiseen monipuolisesti ja tilanteen vaatimalla tavalla. Haastava tulostavoite (sininen viiva) voidaan saavuttaa.

Tekoälyn todelliset hyödyt saadaan, kun simulaatioon otetaan yrityksen omat tiedot ja mitattu työelämän laatu. Tekoälyn neuvot optimoituvat jokaiselle esimiehelle persoonallisesti työyhteisön tilanteen ja esimiehen osaamistasojen mukaan. Kumulatiivinen tulosparannus saadaan, kun jokainen esimies parantaa omaa johtamista ja asennetta esimiestyötä kohtaan. Ihmisten johtaminen on kaikkea muuta kuin matematiikkaa. Onkin paradoksaalista, että ihmisten johtamisen kehittämiseen tarvitaan matemaattisiin algoritmeihin perustuva tekoäly, joka neuvoo, miten tullaan paremmaksi esimieheksi. Tekoälyavustajalle on annettu nimeksi AIMO (Artificial Intelligence Mentor’Omatic).

Tekoälyavusteiseen simulaatioon pääsee seuraavasta linkistä:

http://service.mekiwi.org/playgain/kansantalous-yritykset/

Huom. IE selain ei ole tuettu. Kirjaudu vasemmalta yläkulmasta BestBoss napista ja valitse Kasvu-skenaario. Mikäli ongelmia niin kannattaa tarkistaa palomuuriasetukset.

Lähteet

Tilastokeskus (2017). Yritysten toimialatilastot, yli 10 hengen yritykset 2015 tilastotiedot.

Tekoälyavusteista opetusta esimiehille

Pelkkä ongelmaratkaisu ei nosta organisaation tuottavuutta, mutta estää kyllä sen huonontumista. Tuottavuuden nosto vaatii strategisia ratkaisuja, joissa tekoälyavusteinen oppiminen on yksi keino.

Organisaatioiden vaikein ongelma tuottavuuden parantamisessa on esimiestoiminnan laadun suuri hajonta (vrt. Bersin tutkimus). Tyypillinen jakauma on karkeasti seuraava: 20 % onnistuu hyvin esimiestyössä, 60 % onnistuu kohtalaisesti ja 20 % on vaikeuksissa tiiminsä johtamisessa. Ongelmatiimit työllistävät HR-asiantuntijoita, sillä kohonneet sairauspoissaolot ja vaihtuvuus sekä heikko suorituskyky vaativat toimenpiteitä. Valtaosa (60%) esimiehistä ei koe tarvitsevansa välitöntä apua. Paras 20 % tekee hyvää tulosta ja saa tukea sekä huomiota ylimmältä johdolta.

Kun HR:n tuella saadaan konflikteissa olevan tiimin ongelmat ratkaistua, ajautuu uusi tiimi ongelmiin ja näin hajonta pysyy samanlaisena. Reaktiivinen ongelmaratkaisu ei siis nosta organisaation tuottavuutta, mutta estää kyllä tuottavuuden huonontumista. Tuottavuuden nosto vaatii strategisia ratkaisuja, joissa tekoälyavusteinen oppiminen on yksi keino.

Jokainen esimies on yksilö, joka johtaa tiimiä erilaisessa tilanteessa, erilaisella osaamisella, oppimiskyvyllä ja asenteella. Tiimi, jossa työntekijöiden turvallisuuden tunne on pettänyt, vaatii toisenlaisia toimenpiteitä kuin tiimi jossa me-henki tai osaaminen kaipaa parannusta. Tekoäly opettaa jokaista esimiestä henkilökohtaisesti optimaalisella tavalla. Jos esimiehellä on vaikeuksia esimiesroolissa, niin tekoäly neuvoo enemmän ja harjoituttaa enemmän sekä mittaa automaattisesti oppimistulosta, kunnes esimieskompetenssi on parantunut. Oppiminen skaalautuu, personoituu ja tehostuu. Tekoäly on HR:n oikea käsi, joka automaattisesti parantaa jokaisen esimiehen kyvykkyyttä ja kertoo oppimistulokset.

Kaikkia esimiehiä tuetaan samanaikaisesti, jolloin uusia ongelmatiimejä ei enää synny siinä määrin. Haitallinen hajonta saadaan vähitellen hallintaan ja HR-johtamisessa voidaan reaktiivisen ongelmanratkaisun sijaan panostaa enemmän ennakoivaan kehittämiseen. HR-johtaminen muuttuu ongelmakeskeisestä cost-center moodista kohti strategista profit-center toimintaa. Oheisessa kuvassa on muutos havainnollistettu. Kuvassa on kaksi työelämän laadun mittausta. Tulokset on laitettu suuruusjärjestykseen QWL indeksin mukaan. Koko organisaation QWL indeksi on parantunut tasolta 63% tasolle 66%. Taloudellinen tulosparannus on esimerkkiyrityksessä noin 1.5 M€, mikä tarkoittaa 3 300 euroa parempaa tulosta jokaista työntekijää kohti.

Tiimine_QWL_jakauma

Kuva. Työelämän laadun (QWL) mittaukset suuruusjärjestyksessä. QWL indeksi analysoidaan henkilöstökyselyn tuloksista hyödyntäen motivaatioteoriaa. Menetelmä on kansainvälisessä tiedeyhteisössä hyväksytty.

Supertuottavuutta tekoälyllä

Tekoälyllä voidaan nostaa yrityksen tuottavuus aivan uudelle tasolle. Miten se on mahdollista ja mitä tekoäly henkilöstöjohtamisessa tarkoittaa?

AI_vs_Data

Kuva. Perinteinen henkilöstöjohtaminen ei tuota enää lisää hyötyä, vaikka datan määrä lisääntyy. Vahva tekoäly oppii uusia asioita, jotka parantavat kilpailukykyä.

Tekoäly voidaan luokitella heikkoon ja vahvaan tekoälyyn. Heikko tekoäly on opetettu tunnistamaan erilaisia asioita. Se osaa vastata kysymykseen mikä tämä on? Lisäksi heikko tekoäly kerää monenlaista dataa ja kykenee automaattisesti löytämään datasta asioiden välisiä korrelaatioita. Ihminen tarvitaan vahvistamaan korrelaatioiden kausaalisuuden eli opettamaan tekoälylle, että näillä asioilla on syy-seuraussuhde. Heikolle tekoälylle voidaan opettaa myös vaikuttavuuden ketju: tapahtuma – seuraus – toimenpide – vaikuttavuus.

Esimerkiksi kun henkilöstökyselyn tuloksissa henkilöstön kokema turvallisuuden tunne heikkenee ja sairauspoissaolot lisääntyvät, niin heikko tekoäly löytää korrelaation. Ihminen opettaa sille, että sairauspoissaoloja voidaan vähentää varhaisen välittämisen mallilla. Seuraavalla kerralla kun henkilöstön turvallisuuden tunne heikkenee, niin heikko tekoäly neuvoo käynnistämään varhaisen välittämisen mallin jo ennen kuin sairauspoissaolot lisääntyvät. Näin vältetään turhia sairauspoissaoloja, jolloin tuottavuus nousee. HR-analytiikalla voidaan arvioida, että sairauspoissaolopäivä aiheuttaa kuluja esimerkiksi 350 €/poissaolopäivä.

Vahva tekoäly on huomattavasti vaativampi luoda, sillä se osaa ennustaa ja selittää. Lisäksi se osaa neuvoa miten negatiivinen tapahtumaketju voidaan välttää tai tehokkaasti toipua ongelmasta. Ongelma voi tulla yllätyksenä tai sitten vahva tehoäly ennustaa ongelman esiintymisen todennäköisyyden. Vahva tehoäly on vaativa luoda, koska pitää luotettavasti kuvata miten maailma toimii kyseisessä kontekstissa. Henkilöstöjohtamisen tekoälyssä pitää kuvata arkkitehtuuri, joka selittää henkilöstötuottavuuden mekanismin. Haastavaa on myös oikeiden palkitsemisfunktioiden luominen. Vahvassa tekoälyssä palkitsemisfunktiot pitää tehdä sekä lyhyelle että pitkälle aikajänteelle. Vahvassa tekoälyssä voidaan jatkojalostaa heikon tekoälyn tuottamaa tietoa.

Tarkastellaan edellistä esimerkkiä, joka liittyi sairauspoissaolojen hallintaan. Voiko vahva tekoäly tuottaa lisäarvoa, johon heikko tekoäly ei kykene? Kyllä voi, sillä nyt mennään astetta syvemmälle toiminnan älykkyydessä. Vahva tekoäly tietää, että tuleva muutos todennäköisesti heikentää työntekijöiden turvallisuuden tunnetta. Näin se aktivoi ennakoivia johtamistoimenpiteitä jo ennen muutosta. Johtamistoimenpiteet eivät liity varhaisen välittämisen malliin, koska nyt turvallisuuden tunne ei ole vielä heikentynyt. Sen sijaan panostetaan ennakoivasti muutosviestintään, henkilöstön kuuntelemiseen ja me-hengen kohottamiseen. Vahva tekoäly tarjoaa simulaatioympäristön, jossa esimiehet voivat harjoitella tulevaa muutosta ja näin he vahvistavat optimaalista johtamiskäyttäytymistä muutoksen alkaessa. Näin tuleva muutos ei pääse heikentämään henkilöstön kokemaa työelämän laatua, jolloin varhaisen välittämisen mallia ei edes tarvita.

Muutoksen alkaessa esimiehet toteuttavat simulaatiossa opeteltua optimaalista johtamista, jolla ennaltaehkäistään turvallisuuden tunteen heikentyminen ja vahvistetaan työelämän laadun muita osa-alueita. Simulaatiossa olevalla analytiikalla voidaan osoittaa, että tuottavuuden nousu on esimerkiksi 663€/työntekijä/vuosi. Työntekijöitä palkitsee heidän osallistaminen muutoksessa ja näkemysten arvostaminen. Työelämän laadun parantuminen palkitsee sekä työntekijöitä että esimiestä. Esimiestä palkitsee myös taloudellinen menestys sekä muutoksen sujuvuus eli hyvät suhteet ylempään johtoon. Vahva tekoäly siis esti sekä sairauspoissaolot että niitä edeltävän tuottavuuden alentumisen ja auttoi kääntämään tuottavuuden nousuun muutosongelmista huolimatta. Sama ilmiö on mahdollista toteuttaa myös monessa muussa tapahtumaketjussa.

Supertuottavuus syntyy ilmiöstä, jossa kilpailukykyä parantavat investoinnit ja henkilöstötuottavuuden parantaminen kulkevat käsi kädessä. Investoinnit voivat liittyä strategisiin innovaatioihin tai tuotteiden ja palvelujen kehittämiseen. Vahva tehoäly varmistaa investointien nopean takaisinmaksun, jolloin kilpailukyky paranee ja epäonnistumisen riski pienenee. Liiketoiminnan kilpailukykyä parantavat investoinnit vaativat organisaation uudistumista, jolla on taipumus aiheuttaa sähläystä ja työelämän laadun laskua. Vahva tekoäly varmistaa, että jokainen tiimi toimii hyvällä tai erinomaisella suorituskyvyllä, vaikka uutta teknologiaa ja strategisia innovaatioita otetaan käyttöön.

Olemme luoneet johtamisen simulaatiopelin, jonka analytiikka mallintaa todellisuutta. Esimies harjoittelee erilaisten ongelmien ratkaisemista ja näkee vaikutukset suorituskykyyn lyhyellä ja pitkällä aikavälillä (simulaatiovuosi). Seuraavaksi aiomme tehdä simulaatiosta tekoälyavusteisen, jolloin esimies voi kysyä millä johtamiskäytännöillä saadaan parhaita tuloksia erilaisissa haasteissa. Simulaatioon voidaan kerätä dataa omasta työyhteisöstä, jolloin voi harjoitella ja optimoida johtamiskäyttäytymistä sekä todentaa oikea suunta reaalimaailmassa. Olemme vasta HR-tekoälyn kehityksen alkutaipaleella, innostavaa nähdä mitä kaikkea on tulossa.

Are employee surveys fundamentally wrong?

Traditional well-being analyzes using average values and correlations are over-simplified and can be harmful for organization performance development.

Cambridge professors Fleetwood and Hesketh argue that employee surveys with statistical analyzes are measurements without proper theoretical foundation. I have come to the same conclusion. The fundamental mistake comes from the fact that human performance is not so simple phenomenon that it could be analyzed by statistical methods. Employee survey analyzes using mean and average values or correlations are over-simplified and can be harmful for organization performance development. In this article I will explain why.

I will compare staff survey results by two different analyzing methods – one is traditional statistical average value and the other is new QWL method that uses motivation theory. In this study the employee survey questions are suitable for both analyzing methods. This means that inquiry is the same but results are analyzed differently. Inquiry has questions related to
– Physical and Emotional safety (PE)
– Collaboration and Identity (CI)
– Objectives and Creativity (OC)
These self-esteem factors affect to performance in different phenomenon. The performance outcome is the combination of all of these factors – but not average value. We have developed so called Quality of Working Life index (QWL) which is scientifically approved method for analyzing human performance at organization context. The performance index follows approved motivation theories (e.g. Herzberg) that have explanatory power. Quality of working life effect on business performance is not linear; it looks more like exponential curve. The principle of QWL is shown at the figure 1.

In simplified case study, let us assume that all self-esteem factors increase hand in hand. At the point where all self-esteem factors are 75% the QWL index is 61.8%, describing the performance level according to the motivation theory. Average value 75% indicates that the situation is relatively good and there is not so much development potential. However, QWL index (61.8%) indicates that there is still great possibilities to improve.

QWL_Example

Figure 1. QWL index where all self-esteem factors are 75%.

The difference between statistical average well-being and QWL index can be visualized when drawing both methods at the same diagram. Average well-being form straight line from 0 to 100%. QWL-index increases curving gradually and speeding up when survey measurements exceed 57 (x-axel value). The biggest variation in the values are at 57 when the QWL-index is only 41% (and average 57%), thus average calculation gives almost 30% higher value. Monetary mistake is at for example business service provider branch approximately 40 000 €/FTE, thus at 100 persons company 4 M€.

Average_vs_QWL.jpg

Figure 2. Average inquiry results and QWL method analyze at the same diagram.

Considering that the employee performance is production parameter, the mistake is huge at business competitiveness. Therefore it seems that average value hides the business improvement potential. When QWL analyze is done the company would find out the productivity improvement potential. QWL improvement will increase effective working time for making revenue. More revenue with the same fixed costs raise the profit with good efficiency. Thus, it seems that measuring human performance by statistical average is not only fundamentally wrong but also harmful for business.

To illustrate the problem we will study the case company with real data. The company is business services provider with 980 employees with 158 M€ revenue and 18 M€ EBITDA. Company’s wellbeing inquiry shows average value 78.7%.

Case 1. Strategy: improving well-being concentrating on problems indicated by traditional survey analytics (fig. 3)

According to the figure 3 the Company’s average well-being is improved to the level 80.7%. Self-esteem factor PE is improved and other remains the same. The company concentrate on improving the well-being at the self-esteem areas of physical and emotional safety which represent the lowest values at the survey. QWL-index improves from 67.0% to 69.1% thus 3.1% improvement at the performance. Company will gain 2.1 M€, meaning 2 159 € EBITDA increase per Full-Time-Equivalent.

Case_1

Figure 3. Case 1 strategy for improving wellbeing.

Case 2. Strategy: Improving QWL index with the most effective management practices (fig.4).

Company’s average well-being is improved to the level 80.7%, thus the average is the same as at case 1.  Self-esteem values at the beginning and end are shown at the figure 4. HR-Management strategy is to improve the self-esteem factors that gives the best value at QWL index. Management decides to concentrate on improving staff motivation and empowerment, thus the Objectives and Creativity. QWL-index improves from 67.0% to 71.6%, meaning 6.9% improvement. Company will gain 4.3 M€ EBITDA, corresponding 4 422€ increase per Full-Time-Equivalent.

Case_2

Figure 4. Case 2 strategy for improving QWL index with the most effective management practices.
At case 1 the HR-management strategy is good in reducing absence because Physical and Emotional safety are connected to the absence. Therefore the strategy is good if absence is high and causing problems at customer must-be quality and increased overtime work. However at the business value was not as good as at case 2. Improving Objectives and Creativity will boost the performance, but only if other self-esteem factors are not reducing simultaneously. At case 2 the absence is not likely to reduce. The benefits of this strategy is at improving business value. Fostering staff motivation and innovativeness creates possibilities to develop new services and products that generate more revenue and gain satisfied customers.
Conclusion
For creating competitive advantage there should be understanding on how human capital is developed. Human performance consists qualitative factors and therefore well-being connection to performance with statistical analyze seems to be oversimplified and fundamentally wrong. Instead of statistical science, there should be used motivation theory in analyzing well-being meaning to human performance.
Best management practices have tendencies to improve staff well-being. Depending on the situation and team manager skills, some management practices are more effective than others are. Each management practice require scarce working time, thus it is important to do effective development activities. Using traditional statistical method there is risk to prioritize wrong actions. Example illustrates how organization improvement profit is doubled by utilizing motivation theory.
The statistical inquiry analyze seems to hide the business development potential. For strategic decision-making, it is important that essential business related information is right. At knowledge-based business, the staff quality of working life is the most important production parameter. Staff human performance should be measured and analyzed using motivation theory, not statistical science.
In addition, QWL index should be measured much shorter intervals than yearly. Nowadays pulse type inquiries with real-time QWL analytics are possible, which allows situation sensitive performance management and continuous improvement. New research with practical case studies indicate that there are significant possibilities to make more profit through effective organization development.