Monthly Archives: November 2019

Game theory approach to human capital management

Game theory provides mental models to integrate behavioral capital with finance and HR data. In this blog post, I will illustrate what management game theory is and why it is so powerful in connection with artificial intelligence (AI).

Behavioral capital is becoming increasingly important in creating business value. These “soft skills” are difficult to acquire because human social context is complex due to different personalities and biases. However, there is an emerging new science that will solve this problem and foster organizational performance. Game theory sheds light on management behavior and helps illuminate the relationship between the actions of management and the performance of subordinates. It helps illustrate why some organizations fail at change management or face high staff turnover. Game theory is science that applies mathematics to better understand human decision-making and social behavior. Game theory is key in creating new generation model-driven artificial intelligence to reinforce managers’ behavior and create sustainable competitive advantages.

Every leader, manager or supervisor is playing a game that includes the following game theory principles:

  1. Strategic game
  2. Bayesian game
  3. Stochastic game
  4. Non-symmetric game
  5. Signaling game
  6. Non-co-operative or co-operative game
  7. Zero-sum or general sum game

Strategic game: A leader’s behavior today affects an organization’s profits after twelve months. This phenomenon of long-term effects makes leadership strategic. Every leader has a certain management mindset or policy that he or she follows, either consciously or subconsciously. There are also human biases that dictate leadership behavior. In addition, there are personal assumptions about the rewards of leadership behavior. Some leaders are able to predict future rewards while others think only about fast rewards or avoiding possible punishment, which may be strategically unwise.

Bayesian game: The management game is Bayesian, meaning we have to make decisions with imperfect information. Managers’ have prior assumptions about their leadership behavior’s effects. With experience the prior assumptions may change as learning from doing gives better understanding about the context and behavior’s causalities. This is called reinforcement learning that rational persons naturally have, and it is also included at Bayesian game theory. Leaders operate at organization environment that is complex and may sometimes be hard to comprehend. However, leaders know certain probability distributions upon which they can base their decisions. Rational leaders utilize the brain’s natural phenomenon of reinforcement learning despite the imperfect information from complex environment.

Stochastic game: The management world is stochastic, which usually leads to negative surprises. One cannot expect that each day’s activities will be fulfilled as planned. Often there are stochastic interventions which require our attention. Also, humans are heavily affected by current moment bias in which short-term reward (or avoiding immediate punishment) is valued more than long-term reward (which would require different actions and more strategic thinking). The stochastic world is evolving and manager behavior will have a great effect on the outcome.

Non-symmetric game: Leaders, managers and supervisors are all in non-symmetric positions compared to their subordinates. The leadership power of managers is controlled by management systems. Thus, managers usually have different strategies than their subordinates. While worker focus on doing their tasks, managers have to think about whole team collaboration and performance. In addition, there are myriad personal and social features that form the way leaders use their non-symmetric power to influence subordinates.

Signaling game: The behavior of the leader can modify a team’s culture and culture dictates the signaling game. When there is common trust that problems are solved in a positive way, there will be more signals about possible problems and development needs. In addition to staff comments and feelings, there are also signals from management systems. For example, a digital leaderboard can signal increased sickness risk and recommend activating early intervention for preventing absences. In this case, the digital system analyzes data (i.e. staff inquiries and other data) and sends out alarms and offers advice for action.

Non-cooperative or cooperative game: In the famous prisoner’s dilemma there are two prisoners who can’t communicate but are forced to choose to either cooperate with each other or act in their own best interest. In the context of an organization, communication is not restricted, but the same type of social decision dilemma is present in every organization and team: Do the employees choose to cooperate, or do they act on their personal best interest? A non-cooperative mindset reduces productivity and may cause severe performance problems. Using game theory, it is possible to foster a more cooperative mindset in which employees innovate and solve problems in a positive atmosphere.

Zero-sum or general sum game: In zero-sum game, a gain for one player results in a loss for the other player. A zero-sum game mindset is harmful for organizations because it prevents cooperation. In the general sum game, the players help each other to achieve rewards and higher performance levels. General sum players are also willing to take risks together. They are focused on winning and are ready to make sacrifices to secure long-term rewards. Both, the zero-sum and general sum game leave marks at organization data, thus it is possible to analyze which type of game the organization plays. Data-driven AI helps identify exiting culture and model-driven AI helps with teaching which behaviors lead to the general sum game.

Why is game theory combined with machine learning an incredible breakthrough? Because we can model complex human behavior in an organizational context using mathematical modeling. First, we have to make digital presentations for organizations that model the effect of management decisions on fiscal and human performance, then we must implement Markov sequences at this digital twin and start running reinforcement Q-learning with the Bellman function. This may sound complicated (and it actually is), but when the digital twin world is built, it explains why human capital management within organizations is so difficult. AI can provide advice for managers in their decision-making, forming sort of a crystal ball that reveals future alternatives and reinforce behavior for winning.

There are significant benefits in utilizing game theory, data-analytics and machine learning in an organizational setting. I believe there is going to be an emerging new management science in this field. Game theory provides mental models to integrate behavioral capital with finance and HR data. This is not an easy task, but this revolutionary research has already begun. At this stage, it is essential to have close research collaboration with companies where data is created every day and performance problems are difficult to solve. It seems that Kurt Lewin’s saying, “Nothing is more practical than good theory,” applies here as well.

Marko Kesti
M.Sc., Dr., Adjunct Professor (human capital productivity)
Research Director, University of Lapland

Henkilöstökehittämistä tuottavuustakuulla

Nykyisellä menolla SOTE ei selviä velvoitteistaan. Tuottavuus laskee ja henkilöstö voi huonosti. Kestävän tuottavuuskehityksen luominen vaatii uusia ratkaisuja – seuraavassa on yksi.   

Sote-organisaatioiden toiminta on vakavissa ongelmissa ja moni kunta on kriisissä sote-sektorin rahoituksen kanssa. Hoitohenkilökuntaa tarvitaan lisää, mutta ei ole varaa palkata. Toisaalta ammattitaitoisia sairaanhoitajia ja hoitoalan työntekijöitä ei saa, vaikka olisi varaa palkata. Sote-alan työntekijät väsyvät ja moni harkitsee alan vaihtoa. Koko toimialan tuottavuus laskee, kun sen pitäisi parantua merkittävästi. Ongelmat ovat vakavia ja niiden ratkaisemiseen tarvitaan uudenlaista johtajuutta ja innovatiivisia ratkaisuja. Näyttää siltä, että Sote-organisaatiot eivät yksin kykene tuottavuusongelmaa ratkaisemaan. Erilaisia kehittämispalveluja kilpailutetaan, mutta niillä ei saada toivottua vaikuttavuutta, sillä niistä puuttuu aito vastuun kanto. Toimittajan ei tarvitse sitoutua tuottavuuden parantamiseen, sillä sitä ei oikeasti vaadita.

Olemme Lapin yliopistossa kehittäneet analytiikkaa, jolla tuottavuuden kehittymistä voidaan todentaa. Hyvä analytiikka mahdollistaa tehokkaamman kehittämisen, jolla saadaan toivottua vaikuttavuutta talouteen. On tärkeää, että henkilöstön merkitys osataan huomioida oikealla tavalla. Kestävä tuottavuuden parantaminen vaatii parempaa henkilöstön kuuntelemista ja osallistamista jatkuvaan parantamiseen. Tiedolla johtamisen nostaminen on myös keskeinen osa tehokasta henkilöstölähtöistä kehittämistä. On totta, että tieto lisää tuskaa, mutta se myös auttaa kehittämään organisaatiota. Onko paras osaaminen käytettävissä siellä missä se tarvitaan? Onko resurssit kohdennettu asiakastarpeen mukaan? Onko jokin työyhteisöryhmä jatkuvassa ylikuormituksessa? Hukataanko kallisarvoisia ideoita työn sujuvuuden parantamiseen?

Tarvitaan win-win malli, jossa tietoa analysoidaan avoimesti tilaajan ja toimittajan kesken. Sovitaan toimenpiteet ja seurataan niiden vaikuttavuutta jatkuvatoimisesti. Tieto tehdään näkyväksi ja se analysoidaan toimintaa ohjaavasti. Parempi tiedolla-johtaminen mahdollistaa sairauspoissaolojen vähentämisen, sillä se aktivoi esimiehiä tehokkaisiin ennaltaehkäiseviin toimenpiteisiin. Esimies näkee omalta Leaderboard näytöltä suositukset toimenpiteisiin ja saa tietää niiden vaikuttavuuden. Tiedon avulla voidaan positiivisesti pelillistää työelämän laadun ja tuottavuuden kehitystä. Tekoälyavusteinen analytiikka kiihdyttää organisaation oppimista. Kestävä tuottavuuden kasvattaminen vaatii henkilöstölähtöistä johtamista ja uuden teknologian sekä tutkimustiedon soveltamista.

Tehokkaan henkilöstökehittämisen taloudelliset vuosittaiset hyödyt ovat arviolta noin 700 €/työntekijä. Esimerkiksi 2000 hengen Sote-organisaatiossa se tarkoittaa 1.4 M€ tulosparannusta per vuosi. Hyödyt tulevat seuraavista lähteistä:

  • sairauspoissaolojen vähentyminen tuo 312 000 € tulosparannusta (156 €/hlö)
  • vaihtuvuuden vähentyminen tuo 120 000 € tulosparannusta (60 €/hlö)
  • muuttuvien kulujen vähentyminen tuo 528 000 € tulosparannusta (264 €/hlö)
  • henkilöstökulujen (mm. ylityöt) vähentyminen tuo 456 000 € tulosparannusta (228 €/hlö)

Tuottavuus ei nouse toistamalla entistä, joten on investoitava henkilöstökehittämiseen. Tavoitteena on luoda toimintamalli, jossa sekä tilaaja että toimittaja ottavat yhteisvastuun tuottavuuden nostamisesta. Henkilöstötuottavuuden parantaminen vaatii kehittämisinvestoinnin, jonka suuruus on arviolta noin 120 €/työntekijä, eli esimerkkiorganisaatiossa 240 000 €. Investointi käsittää tekoälyavusteisia kehittämistyökaluja sekä tehokkaita kehittämisinterventioita. Tässä niin sanotussa Tuottavuustakuu-hinnoittelussa tuottaja ottaa puolet palvelun kuluista omana riskinä, jolloin Sote-organisaation kassasta rahoitettava kustannus on esimerkissä 120 000 € (60 €/työntekijä). Se on investointi, jolta odotetaan moninkertaista tuottoa. Syntyneestä tuotosta saa palvelun toimittaja esimerkiksi 20% bonuspalkkion. Esimerkin Sote-organisaatio parantaa talouttaan seuraavasti: 1.4 M€ – (1.4 M€ – 0.12 M€) *0.2 – 0,12 M€ = 1.4 – 0.256 – 0.12 = 1.4 – 0.376 = 1.024 M€. Toimittajan kokonaispalkkio on 376 000 €, jolloin kehittämisinvestoinnin ROI on 1.024/0.376 = 2.7 kertainen. SOTE organisaation talous paranee 512 € jokaista työntekijää kohti. Kokemusten mukaan hyödyt kasvavat, kun kehittämistä tehdään jatkuvatoimisesti, jolloin toiminnan kehittäminen juurtuu osaksi organisaation toimintakulttuuria.

Mikäli talouden parantuminen on merkittävästi pienempi, esimerkiksi vain 100 €/työntekijä, niin silloin palvelun toimittajan bonuspalkkio on (100 – 60) *20% = 8 € per työntekijä. SOTE organisaation tulosparannus on silloin 100 – 60 – 8 = 32 €/työntekijä. Palvelun toimittajan kannattaa siis tehdä kaikkensa, jotta asiakasorganisaation tuottavuus paranee, jolloin palvelun toimittaja saa työlleen kohtuullisen korvauksen. Tuottavuustakuu-mallissa on tilaajalla ja toimittajalla yhteisvastuu tuottavuuden parantamisesta, jolloin molempien intressinä on saada hyvää vaikuttavuutta ja parantaa tuottavuutta.

Tässä mallissa ei ole huomioitu todennäköisiä taloushyötyjä, jotka tulevat työkyvyttömyyskulujen alentumisesta. Henkilöstölähtöinen tuottavuuden parantaminen on kestävää kehittämistä, jossa asiakaskokemus paranee ja tuo useita välillisiä hyötyjä sotepalvelujen paremman vaikuttavuuden myötä. Tuottavuustakuumallin missiona on parantaa sotepalvelujen laatua ja kapasiteettia henkilöstölähtöisesti. Kustannussäästöjen avulla rahoitetaan palvelujen kehittäminen.

Marko Kesti, Tutkimusjohtaja, Lapin yliopisto