Data-analytiikka ja tekoäly organisaation kehittämisessä – vältä pahimmat sudenkuopat

Johdanto

Digitalisaation ja tekoälyn nopean kehityksen myötä monet organisaatiot pyrkivät hyödyntämään talous- ja HR-dataa paremmin. Tässä kirjoituksessa tarkastelen riskejä ja sudenkuoppia tekoälyn hyödyntämisessä.

Tekoälyn kaksiteräinen miekka organisaation johtamisessa

Kun puhutaan tekoälyn (AI) roolista organisaation johtamisessa, on ymmärrettävä sen kaksoisluonne: toisaalta tekoäly tarjoaa ennenäkemättömän mahdollisuuden datan analysointiin ja päätöksenteon tehostamiseen, mutta toisaalta se voi vahvistaa olemassa olevia ennakkoluuloja ja johtaa huonoihin johtopäätöksiin. Sanonta ”Tekoäly on hyvä renki, mutta huono isäntä”, pätee hyvin.

Tekoäly mahdollistaa suurten datamäärien nopean käsittelyn ja analysoinnin, tarjoten organisaatioille arvokkaita oivalluksia, jotka voivat ohjata liiketoiminnan strategiaa, parantaa operatiivista tehokkuutta ja vahvistaa henkilöstöhallinnon päätöksiä. Tämän datan avulla johtajat voivat tehdä nopeampia ja tietoon perustuvia päätöksiä, jotka perinteisissä olosuhteissa olisivat vaatineet huomattavasti enemmän aikaa ja resursseja.

Riskit ja sudenkuopat talous- ja HR-datan analysoinnissa

Tekoälyn käytössä piilee merkittäviä riskejä. Ohjattua oppimista (supervised learning) hyödyntävän tekoälyn laatu riippuu suuresti sen koulutusdatasta – jos tämä data on puutteellista, yksipuolista tai vinoutunutta, tekoälyn tekemät analyysit ja suositukset voivat olla harhaanjohtavia. Tekoälyllä voi olla taipumus vahvistaa lyhyen aikavälin taloudellisten tulosten painotusta, jättäen huomiotta pitkän aikavälin kestävän kehityksen ja työntekijöiden hyvinvoinnin.

Esimerkiksi, jos tekoälyjärjestelmä koulutetaan datasta, joka painottaa suoritteita ja kuukausittaista taloudellista suorituskykyä, se voi suositella päätöksiä, jotka todennäköisesti parantavat hetkellistä taloutta, mutta samalla vaarantavat organisaation pitkäaikaisen tuloskyvyn ja kasvun. Suositukset voivat ohjata johtajia vähentämään panostuksia henkilöstön kehittämiseen tai innovaatiokykyä, mikä pitkällä aikavälillä todennäköisesti heikentää organisaation kilpailukykyä ja työntekijöiden sitoutumista.

QWL:n merkitys ja sen hyödyntäminen analytiikassa

Jotta tekoälyä voidaan hyödyntää tehokkaasti ja eettisesti, on välttämätöntä varmistaa, että sen koulutusdata on monipuolista ja tasapainoista. Tulosjohtamisen tasapainottaminen vaatii laajempaa näkemystä menestyksen mittareista. Työhyvinvoinnin (Quality of Working Life, QWL-indeksin) huomioiminen on keskeistä, kun pyritään tasapainottamaan lyhyen ja pitkän aikavälin tavoitteita. Työelämän laadun indeksi (QWL) on tieteellisesti validoitu mittaamaan työhyvinvointia tuotantotekijänä eli se on henkilöstön aineettoman suorituskyvyn KPI. Jos QWL paranee, niin se ennakoi tuottavuuden nousua, joka näkyy myöhemmin suoritteissa ja taloudessa. Vastaavasti jos QWL huononee, niin se kertoo, että sähläys lisääntyy ja työn tuottavuus alenee.

Kun tekoälyyn perustuvat järjestelmät integroivat QWL-datan osaksi analyysiään, ne voivat auttaa tunnistamaan kielteisiä trendejä, kuten työntekijöiden motivaation laskua tai sisäisten virheiden ja poissaolojen kasvua. Tämä mahdollistaa proaktiiviset toimet, kuten henkilöstön kehittämisen ja koulutuksen jo ennen kuin ongelmat vaikuttavat merkittävästi organisaation tulokseen.

Monipuolinen datan analytiikka – ihmislähtöinen lähestymistapa

Työhyvinvoinnin keskiarvon käyttäminen antaa harhaanjohtavaa tietoa työhyvinvoinnista tuotantotekijänä. Virhe tulee siitä, että työhyvinvoinnin keskiarvo ei ymmärrä motivaatioteorian lainalaisuuksia. Pelkällä keskiarvolaskennalla on taipumus pimittää eli väheksyä työhyvinvoinnin taloudellista vaikutusta. Esimerkiksi työhyvinvoinnin keskiarvo 75% kuulostaa aika hyvältä, mutta se on QWL indeksinä vasta noin 60%. Tämä johtuu siitä, että motivaatioteorian mukaan työhyvinvoinnin keskiarvo ja suorituskyky eivät ole lineaarisesti yhteydessä vaan suorituskyky muodostaa nousevan käyrän. Virhe on suuri ajatellen tekoälyn vaatiman koulutusdatan tarkkuutta.

Hajonta-analyysi on tärkeä osa analytiikkaa, sillä tyypillisesti seuraavan asia pätee: heikoimmin suoriutuvat tiimit aiheuttavan enemmän tappiota, kuin mitä parhaimmat tiimit pystyvät tuottamaan tulosta. Hajonta-analyysi kannattaa tehdä yksittäisistä vastauksista sekä tiimeistä. Yksittäiset vastaukset kertovat hajonnan työntekijätasolla, jolloin voidaan tunnistaa erilaisia henkilöstöriskejä ennakoivasti (sairauspoissaolo-, työuupumus-, työkyvyttömyys- ja vaihtuvuusriskit). Tiimitason hajonta-analyysi kertoo suorituskyvyn eri tiimeissä. Sen perusteella voidaan kohdentaa tehokasta tiimien tukea sekä tunnistaa prosessin todennäköisiä sisäisiä virhelähteitä.

Vinkit kestävään datan ja tekoälyn hyödyntämiseen

Monipuolisen ja tasapainoisen datan kerääminen: Varmista, että käytettävä data ei keskity pelkästään suoritteisiin ja taloudellisiin mittareihin, vaan sisältää myös HR-datan ja työntekijäkokemuksen QWL-mittarin.

Eettiset periaatteet: Muista, että tekoälyn tulee toimia ihmisten tukena, ei korvata heidän päätöksentekoansa. Johto on vastuussa tekoälyn käyttämisen eettisistä periaatteista.

Jatkuva arviointi ja kehitys: Tarkkaile tekoälyn käytön vaikutuksia organisaatioon ja säädä sen parametreja tarvittaessa, jotta varmistat, että se tukee organisaation pitkän aikavälin tavoitteita ja kestävää kehitystä.

Koulutus ja ymmärrys: Kouluta organisaation jäseniä ymmärtämään tekoälyn mahdollisuuksia ja rajoituksia sekä sen, miten se parhaimmillaan tukee sekä työhyvinvointia että organisaation taloudellista hyvinvointia.

Yhteenveto

Organisaatioissa kerätään paljon erilaista dataa, mutta sitä ei ole osattu hyödyntää kovin tehokkaasti. Tekoälyn hyödyntäminen talous- ja HR-datan analysoinnissa tarjoaa merkittäviä etuja, mutta on myös olennaista lisätä ymmärrystä ja siten välttää riskejä. Ottamalla QWL-mittari osaksi johtamisjärjestelmää ja data-analytiikkaa voidaan paremmin varmistaa kestävä kehitys organisaatiossa.

Lisätietoa QWL mittarista ja data-analytiikasta saa minulta.

Tekoälyavusteinen esihenkilöiden valmennus tuottaa tuloksia

Tekoälyavusteinen opetuspeli simuloi esihenkilötoiminnan vaikutuksia talouteen ja työhyvinvointiin. Tekoäly neuvoo ja opettaa löytämään paremman johtamistavan ja keinot tuottavuuden ja työhyvinvoinnin parantamiseen.

Lapin yliopiston henkilöstötuottavuuden ohjelmassa on tutkittu ja testattu menetelmiä, joilla saataisiin nostettua esihenkilötoiminnan tasoa. Esihenkilötoiminnan kehittäminen on tutkimusten mukaan välttämätöntä myös henkilöstötuottavuuden parantamiseksi. Esihenkilötoiminnan vaihteleva taso on ongelma, joka käytännössä vaikeuttaa henkilöstötuottavuuden kohottamista. Lähijohtamisen laadussa olevat suuret erot ovat myös kansainvälisen henkilöstöjohtamisen suurin päänvaiva. Perinteiset esimieskoulutukset tuottavat vain heikkoa tai kohtalaista vaikuttavuutta lähijohtamisen laadun parantumiseen. Esihenkilöiden valmennukset eivät tuota toivottua käyttäytymisen muutosta ja siksi ne koetaan usein hukkainvestointeina. Ratkaisuna on kehitetty tekoälyavusteinen opetuspeli, joka simuloi esihenkilötoiminnan vaikutuksia talouteen ja työhyvinvointiin. Pelimuotoinen simulaatio auttaa ratkaisemaan johtamiseen liittyviä haasteita vahvistusoppimisen keinoin.

Lapin sairaanhoitopiirissä (LSHP) on menossa henkilöstötuottavuuden kehittämishanke, jossa mitataan henkilöstön kokemaa työelämän laatua (QWL-indeksi) ja tulosten perusteella parannetaan johtamista sekä esihenkilötoimintaa. Hankkeen asiantuntijoina toimivat Mcompetence ja Leadermind. Ensimmäisessä mittauksessa QWL-indeksi oli 56.7% ja toisessa 58.7%. Mittausten väli oli noin neljä kuukautta. Kaikki esihenkilöt osallistuivat valmennuksiin, joista noin 15% toteutti myös henkilökohtaista tekoälyavusteista simulaatioharjoittelua. Pelin avulla esihenkilöt harjoittelevat tärkeitä johtamiskäytänteitä ja vahvistavat käyttäytymistä, joka tuottaa kestävää tuottavuuden parantumista. Peliin integroitu tekoäly neuvoo ja opettaa löytämään paremman johtamistavan ja keinot tuottavuuden ja työhyvinvoinnin parantamiseen. Henkilöstöltä kysyttiin kokemusta työelämän laadun QWL-indeksiin vaikuttavien tekijöiden toteutumista sekä esihenkilön kyvykkyydestä. Tehtiin alkukartoitus (mittaus 1) ja interventioiden jälkeen toinen mittaus (mittaus 2). Simulaatiopelaajien ryhmää verrattiin koko organisaation tuloksiin.

Taulukko 1. QWL-indeksin mittaukset koko organisaatiosta ja pelaajien ryhmästä.

QWL-indeksi	Koko organisaatio	Pelaajien ryhmä
Mittaus	56.7%	59.3%
Mittaus	58.7% (+2.0)	64.2% (+4.9)

Taulukko 2. Esihenkilökyvykkyyden mittaukset koko organisaatiosta ja pelaajien ryhmästä.

Esihenkilön kyvykkyys	Koko organisaatio	Pelaajien ryhmä
Mittaus	53.6%	59.4%
Mittaus	56.4% (+2.8)	66.7% (+7.3)

Lähtötilanteessa QWL-indeksi ja esihenkilötoiminnan kyvykkyys olivat jonkin verran parempia niissä työyhteisöissä, joiden esihenkilöt lähtivät aktiivisesti harjoittelemaan simulaatio-opetuspelissä. Harjoitusjakson jälkeen sekä QWL-indeksi että esihenkilötoiminnan kyvykkyys olivat parantuneet merkittävästi enemmän niissä työyhteisöissä, joissa esihenkilöt harjoittelivat aktiivisesti simulaatio-opetuspelissä. QWL indeksi parantui 4.9 %-yksikköä ja esihenkilötoiminnan kyvykkyys peräti 7.3 %-yksikköä vajaassa puolessa vuodessa. Ottaen huomioon sote-organisaatioiden haasteet, niin tulos on erittäin merkittävä.

Kuva. Organisaation kehittämisen ja simulaatio-opetuspelin vaikuttavuus.

Johtopäätökset

Simulaatio-opetuspeli hyödyntää pedagogisesti tehokasta vahvistusoppimisen periaatetta. Siinä vahvistetaan esihenkilön käyttäytymismallia, joka johtaa kestävään taloudelliseen menestykseen. Perinteinen koulutus kertoo miten pitäisi esimiehenä toimia – simulaatio luo kokemuksen siitä, miten oikea johtamiskäyttäytyminen näkyy taloudessa, työhyvinvoinnissa ja todistusarvosanassa. Näin peli vahvistaa hyvää johtamismallia ja kokemuksellisesti rohkaisee esihenkilöä soveltamaan oppimaansa myös käytäntöön.

Simulaatiopelin hyväksytty suorittaminen vaatii sekä aikaa että motivaatiota oppia. Toistaiseksi noin 15% esihenkilöistä on suorittanut vapaaehtoisen simulaatio-opetuksen. Simulaatio-oppimista aktiivisesti hyödyntävät esihenkilöt olivat jo lähtökohdiltaan keskimääräistä parempia omassa johtamisessaan. He paransivat oman ryhmän QWL-indeksiä merkittävästi muita enemmän. Näiden ryhmien yhteenlasketut henkilöstötuottavuuden parantumisen taloudelliset hyödyt ovat arviolta 680 000 euroa, mikä työntekijää kohti tarkoittaa noin 2300 €/työntekijä/vuosi.

Artikkeleita aiheesta

Kesti Marko (2021). The Digital Twin of an Organization by Utilizing Reinforcing Deep Learning, Deep Learning Applications, Pier Luigi Mazzeo and Paolo Spagnolo, IntechOpen, DOI: 10.5772/intechopen.96168. Available from: https://www.intechopen.com/chapters/75193

Kesti M., Ylitalo A.-I. and Vakkala H. (2019). Management Game: Gamifying Leadership Learning. International Journal of Innovation in the Digital Economy, Volume 10, Issue 3, pp. 37-52, Doi: 10.4018/IJIDE.2019070104.

Kesti M. (2019) Architecture of Management Game for Reinforced Deep Learning. In: Arai K., Kapoor S., Bhatia R. (eds) Intelligent Systems and Applications. IntelliSys 2018. Advances in Intelligent Systems and Computing, vol 868. Springer, Cham

Kesti, Marko Olavi, Jaana Leinonen and Terhi Kesti. (2017). “The Productive Leadership Game: From Theory to Game-Based Learning.” Public Sector Entrepreneurship and the Integration of Innovative Business Models. IGI Global, 2017. 238-260.

Johtamisen tekoälyllä kilpailuetua

Seuraavassa avaan lyhyesti tekoälyn toimintaperiaatteita ja selitän, miksi johtamisen tekoäly luo merkittävän kilpailuedun.

Tekoälyn soveltaminen johtamisessa mahdollistaa viisaampien päätöksien tekemisen ja ennakoivan johtamisen. Kyse ei ole pelkästään ongelmien välttämisestä, vaan ennen kaikkea ihmisten voimavarojen paremmasta hyödyntämisestä työntekijöiden ja organisaation parhaaksi.

Tekoäly (artificial intelligence) voidaan jakaa kahteen yläluokkaan ja kolmeen osa-alueeseen. Tekoälyn kaksi yläluokkaa ovat data- ja malliohjattu tekoäly. Dataohjatussa tekoälyssä käytetään algoritmeja datan syy-seurausvaikutusten tulkintaan sekä ennustamiseen. Malliohjatussa tekoälyssä tavoitteena on kontekstin syvällisen ymmärryksen (mallin) avulla muuttaa käyttäytymistä, jotta voidaan saavuttaa parempi tulevaisuus. Malliohjattu tekoäly perustuu vahvistetun oppimisen algoritmeihin (reinforcement learning). Dataohjatussa tekoälyssä käytetään ei-ohjattua (unsupervised) ja ohjattua oppimista (supervised learning).

Ei-ohjattu oppiminen (unsupervised learning) hyödyntää luokittelematonta dataa. Algoritmien avulla voidaan tunnistaa datassa olevia asioita ja indikaatioita, jotka liittyvät johonkin ilmiöön. Datasta voidaan selvittää, mitkä tapahtumat liittyvät todennäköisesti esimerkiksi sairauspoissaolojen kasvuun, työkyvyttömyyteen tai ei-toivottuun irtisanoutumiseen. Sen avulla saadaan suosituksia; esimerkiksi urakehityksessä tiettyyn koulutukseen hakeutuneille suositellaan jatkokursseja, jotka on koettu hyödyksi. On selvää, että organisaatiokontekstin ymmärrys on tärkeää, sillä ei-ohjattu oppiminen ei itsessään ymmärrä asiayhteyksiä ja syy-seuraussuhteiden kausaalisuutta.

Ohjattu oppiminen (supervised learning) on datan hyödyntämistä tapauksissa, joissa tieto on luokiteltua ja lopputulos tiedetään. Analysoinnissa käytetään regressiotarkasteluja, jotka ovat monelle tuttuja mm. Excelin kautta. Ohjattu oppiminen hakee datapisteitä noudattavan funktion, jonka avulla voidaan ennustaa tulevaa kehitystä. Esimerkiksi työelämän laadun (QWL) ja sairauspoissaolojen välillä on havaittu yhteys: työelämän laadun huonontuessa sairauspoissaolot lisääntyvät. Voidaan siis hakea funktio, joka mallintaa työelämän laadun yhteyttä sairauspoissaoloihin ja siten ennustaa sairauspoissaolojen kehitystä mittaamalla työelämän laatua.

Vahvistettu oppiminen (Reinforcement learning) opastaa käyttäytymään siten, että lopputulos on parempi. Se siis vahvistaa käyttäytymistä, jonka avulla saadaan optimaalinen lopputulos pitkällä aikavälillä. Vahvistettu oppiminen vaatii luotettavan mallin, joka simuloi organisaation toimintaa ja johtamisen vaikutusta siihen. Mallia voidaan ”pyörittää” eteenpäin, jolloin nähdään, miten johtamiskäyttäytyminen vaatii tiettyjä uhrauksia (aikaa ja kuluja), mutta järkevästi toteutettu johtaminen tuo tulosta myöhemmin ja tämä tulos maksaa moninkertaisesti takaisin (vrt. ROI eli return on investment). Vahvistetun oppisen tekoäly siis mallintaa kontekstin ROI vaihtoehtoja, vahvistaen sellaista käyttäytymistä (strategiaa), joka johtaa maksimaaliseen takaisinmaksuun eli tuottoon pitemmällä aikavälillä.

Kaikki tekoälyn osa-alueet voidaan valjastaa johtamisen avuksi esimerkiksi seuraavasti: ei-ohjattu tekoäly seuraa datavirtaa ja indikoi, että jossain ryhmässä on henkilöstön suorituskyky heikentynyt. Pulssityyppinen henkilöstökysely käynnistyy tällöin automaattisesti ja mittaa työntekijöiden kokeman työelämän laadun. Tiedot menevät tekoälyavusteiseen simulaatioon, jossa esimies voi tekoälyltä kysyä, mitä johtamisaktiviteetteja kannattaa toteuttaa, jotta saadaan paras takaisinmaksu ROI tuottona. Ennakoiva johtaminen parantaa työyhteisön työelämän laatua, jolloin tuottavuus paranee ja uhkaavat sairauspoissaolot vältetään.

Mitä tämä tarkoittaa yrityksen kilpailukyvyssä? Yksi tuottavuuden suurimpia haasteita on esimiestoiminnan huono laatu ja suuri hajonta. Vain erittäin harva organisaatio on kyennyt ratkaisemaan tämän ongelman. Yritys, joka käyttää tekoälyä johtamisen apuna, kykenee nostamaan esimiestoiminnan laatua merkittävästi. Työelämän laadun parantuminen tuotantotekijänä nostaa tehollista työaikaa kuormittamatta työntekijöitä. Yrityksen tehollisen työtunnin kustannus voi näin olla yli 20% alhaisempi kuin kilpailijalla, vaikka yritys maksaa henkilöstölleen parempaa palkkaa (vrt. Time-Driven-Activity-Based-Cost, BSC, Kaplan). Lisäksi tyytyväisemmät asiakkaat tuovat kilpailuetua, sillä henkilöstön kokema työelämän laatu parantaa asiakaskokemusta.

Rohkaisen johtajia käynnistämään tekoälyn “evoluution” omassa organisaatiossa. Dataa pitää kerätä ja ymmärtää aiempaa paremmin. Ihan ensimmäiseksi tekoälyn hyödyntäminen vaatii tiedolla-johtamisen tason nostoa ja seuraavaksi rohkeutta lähteä kokeilemaan ja oppimaan.  

Lisätietoa marko.kesti(at)ulapland.fi

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
markokesti.wordpress.com
https://www.linkedin.com/in/markokesti/

Digital Twin for Performance Management – Bayesian People Analytics Simulation with AI

Digital twins are emerging new technology that enables companies to solve problems faster and improve operational efficiency. Think about performance effect when every supervisor has world’s best leader as a personal advisor.

Digital twin is a near-real-time digital model of reality that helps optimize business performance. We have created AI powered digital twin that simulates business unit’s performance. It will provide help with human asset management and improving business performance. There are sophisticated algorithmic analyzing techniques that simulate human capital productivity. Digital twin can be in connection with organization ERP-system, collecting various data. We have scientifically approved the algorithms and rules, so it is not an AI-black-box.

“Over time, digital representations of virtually every aspect of our world will be connected dynamically with their real-world counterparts and with one another and infused with AI-based capabilities to enable advanced simulation, operation and analysis” David Cearley, Gartner Research.

Digital twin is continuously evolving digital model of organization system that helps optimizing business performance. It simulates human performance and includes real-life data that improves prediction accuracy. Digital twin models complicated human assets that interact in many ways with organization environment, thus making the outcomes that are difficult to predict by human mind. With the digital twin, the manager can learn by simulating the problems and actions outcomes.

Twin provides near-real-time comprehensive link between physical and digital worlds. Digital twin is a virtual replica of what is actually happening in the organization performance. It knows how the organization performance-system works. There is artificial intelligence assistant that you can ask advice. This AI-assistant will simulate the future using Bellman function and suggest the leadership activities that produce sustainable business value. Digital twin simulates specific complex human assets utilization in order to monitor and evaluate human capital productivity. Simulation may uncover insight into operational inefficiencies, that otherwise would remain unseen.

How does the performance digital twin create measurable business value? With better human assets management there are multitude positive effects on organization performance:

• Improve employee quality of working life as a production parameter
• Enhance change management process undependable of the change in hand
• Reduce sickness leave
• Reduce employee turnover
• Increase effective working time to make more revenue and profit
• Improves customer satisfaction
• Predict work and staff related problems

Besides the business values mentioned above, there are strategic benefits, which create competitive advantages in longer period. We are looking for companies for testing and further developing the emerging new technology of digital twin.

References

Kesti M. (2019) Architecture of Management Game for Reinforced Deep Learning. In: Arai K., Kapoor S., Bhatia R. (eds) Intelligent Systems and Applications. IntelliSys 2018. Advances in Intelligent Systems and Computing, vol 868. Springer, Cham

Marr, Bernard (2017). What is digital twin technology – and why is it so important. Forbes Mar 6 2017, https://www.forbes.com/sites/bernardmarr/2017/03/06/what-is-digital-twin-technology-and-why-is-it-so-important/#6ea8eea92e2a

Panetta, Kasey (2017). Gartner Top 10 Strategic Technology Trends for 2018. Gartner October 3, 2017, https://www.gartner.com/smarterwithgartner/gartner-top-10-strategic-technology-trends-for-2018/

Parrott, Aaron and Warshaw, Lane (2017). Industry 4.0 and the digital twin. Deloitte University Press. https://www2.deloitte.com/content/dam/Deloitte/cn/Documents/cip/deloitte-cn-cip-industry-4-0-digital-twin-technology-en-171215.pdf

 

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.

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.

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.

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.

Leadership social dilemma – reason for performance failure

By demanding monthly profit the superiors may think that they have to maximize team working time for making the profit rather than solving the workplace problems. This will unleash profit maximizing paradox – the more you require the profit the more likely it will not be achieved in the long run.

Leadership is one of the main sources of competitive advantage. Companies invest vast amounts of money and time for leadership development at all levels. However, the effectiveness of these training programs has remained ambiguous. Leadership continues to be the biggest challenge for business and HR management. Technology development and global business require better workforce skills improvement and utilization. The need for capable and effective people management has become more and more important success factor.

The leadership competence problem hides a multitude of reasons. Leadership training programs are not the only reason for poor outcome. New management game-theory reveals one essential problem that needs more sophisticated problem solving. In game-theoretical approach the leadership challenge is Bayesian Stochastic Strategic Non-symmetric Signaling game where the leader tries to find Nash-equilibrium between business profit and employee Quality of Working Life (QWL).

There seems to be one essential management cultural reason for leadership failure. If team leader management mind-set is profit maximizing there is great risk that equilibrium is never learned. Executives may cause harmful social dilemma for superiors. By requiring maximum profit the superiors start to think that they have to maximize the weekly profit rather than listening to the workers and solving the problems. Superior knows that problem solving will require scarce working time which is precious for making the profit, and money is too powerful driver.

Figure 1. Leadership social dilemma at management game theoretical approach.

Figure 1 illustrates the game-theoretical simulation of profit maximizing paradox – the more you require the profit the more likely it will not be achieved in the long term. This simulation is from Cash-Cow scenario where organization problems are relatively easy. Profit maximization may seem good strategy at the first, but when problems are not solved the fuss will increase, and eventually eat the team performance. The Quality of Working Life is the production parameter. The superior that solves the problems will gain value afterwards, thus creating competitive advantage through better human intangible assets utilization.

Management game theory reveals that line-managers should foster their management skills in three main areas:

• Strategic leadership mind-set for prioritizing problem solving and improving QWL
• Best leadership practice skills for performing management actions efficiency
• Situational leadership sensitivity with empathy and emotional intelligence

Figure 2. Leadership competence areas from management game-theoretical approach.

Management Game-Theory includes following methods:

• The theory of Human Capital Production Function
• The theory of QWL connection to performance
• The Game theoretical Q-learning method with evidence-based deductive reasoning

We have made simulation learning game that utilizes new emerging management game theory with Q-learning method. At the simulation game the player will find optimal Nash equilibrium between team Quality of Working Life and fiscal long term profit. In the future the managers may ask our AI-game to advice in finding the winning HR-management strategy.

Now that we have solved the most critical problem – how to simulate human performance management – it is possible to implement Neural Network in finding the most optimal management strategies. So far we rely on human rational thinking in discovering the optimal management behavior. You can test your HR-management strategy and situational problem solving by playing the Best-Boss simulation game. Note, at this simplified learning game your HR-practice skills are set to maximal value, making it easier to have higher scores.

Link to simulation learning game:  http://service.mekiwi.org/playgain/

Note. IE not supported. First chose the language from right corner.

References

Bersin J. (2014). Global Human Capital Trends 2014: Engaging the 21st-century workforce, Deloitte University Press.

Gerald C. K., Doug P., Anh N. P., Kiron D. and Buckley N. (2015). Strategy, not technology, drives digital transformation. MIT Sloan Management Review, http://sloanreview.mit.edu/projects/strategy-drives-digital-transformation/

Kesti M. (2017). Leadership DNA by game theoretic approach: Finding optimal equilibrium for wellbeing and productivity. Conference Paper, Healthcare summit, Lisbon, Portugal, http://healthcare.global-summit.com/europe/abstract/2017/leadership-dna-by-game-theoretic-approach-finding-optimal-equilibrium-for-wellbeing-and-productivity

Kesti M., Leinonen J. and Kesti T. (2017). “The Productive Leadership Game: From Theory to Game-Based Learning.” Public Sector Entrepreneurship and the Integration of Innovative Business Models. IGI Global, 2017. 238-260.

Kesti M. and Syväjärvi A. (2015) Human Capital Production Function in Strategic Management. Technology and Investment, 6, 12-21.

Suomen Paras Lean Esimies -kilpailu

Suomen Paras Lean-Esimies -kilpailu on maailman ensimmäinen hyötypelillä toteutettava kilpailu, jolla parannetaan kansantalouden tuottavuutta. Hyvä esimiestyö edistää työelämän laatua, joka on tärkeä tuotantotekijä. Kilpailu on ilmainen ja kaikille avoin esimiesasemasta riippumatta.

Kilpailun kotisivu:  http://playgain.eu/fi/paras-lean-esimies/

LEAN esimies

LEAN johtamisella pyritään tehostamaan toimintaa ja parantamaan asiakaskokemusta. Hyvä esimiestoiminta mahdollistaa merkittävän kilpailukyvyn parantamisen, koska työntekijöiden kokema työelämän laatu vaikuttaa asiakastyytyväisyyteen ja yrityksen tulokseen.

Jatkuva muutos ja ongelmat vaativat esimiehiltä ammattitaitoa ja positiivista johtamisotetta. Kiire ja talouspaineet vievät huomiota työelämän laadun parantamiselta. Esimiesten ammattitaito punnitaan erilaisissa haasteissa, joissa ongelmat pitää osata ratkaista työelämän laatua parantaen. Jos ongelmia ei opi ratkaisemaan, niin sähläys ja hukka lisääntyvät. Korkea työelämän laatu luo henkilöstölähtöisen kilpailuedun, jossa henkilöstövaikutteiset riskit ovat pienemmät ja talous kukoistaa.

Kilpailu

Kilpailussa hyödynnetään tieteelliseen tutkimukseen perustuvaa simulaatiopeliä. Tekoäly tarjoaa oppimisalustan, jossa voi harjoitella niin sanottua esimiestoiminnan DNA:ta. Siinä opetellaan johtamismallia ja -käytäntöjä, joilla työelämän laatu ja talous voidaan saada kukoistamaan. Kilpailu on leikkimielinen mutta sisällöltään täyttä asiaa. Osallistuminen siis kannattaa vaikka ei voittaisi – oppiminen on pääasia.

Kilpailu toteutetaan siis maailman ensimmäisellä työelämän laatua ja tuottavuutta simuloivalla opetuspelillä. Kilpailijat pelaavat nimettömästi PlayGain kehittämää Best Boss -peliä, johon ei tarvitse tunnuksia.

Kun kilpailija on saanut mielestään hyvän tuloksen, niin hän laittaa pelin Ranking-listalle oman nimimerkin sekä mailiosoitteen. Nimimerkki näkyy ranking listalla muille pelaajille. Saman nimimerkin voi laittaa useasti, jolloin vain paras tulos huomioidaan. PlayGain näkee suoritusten mailiosoitteet ja on yhteydessä voittajiin. Kukin osallistuja näkee muiden kilpailijoiden parhaat suoritukset ja voivat edelleen parantaa omaa tulosta 1.12 asti, jolloin kilpailu loppuu.

Kilpailun etenemistä pidetään ajan tasalla kilpailun kotisivujen kautta ja tiedotetaan mahdollisista muutoksista. Kilpailu on ensimmäinen maailmassa. PlayGain pidättää oikeuden tehdä muutoksia tarvittaessa ja esittää kilpailijoiden nimimerkkejä sekä tuloksia kilpailun aikana. Voittajille ilmoitetaan heidän antamaan sähköpostiosoitteeseen.

Linkkejä

LEAN Esimiesvalmennukset: http://www.kurssitnyt.fi/koulutus/lean-esimiesvalmennus-1-pv/

Tutkimusta: http://www.ulapland.fi/news/Lapimurto-tyoelaman-laadun-mittaamisessa-/38013/255d7f9a-4376-4498-ac1c-abec5bbbd576