Category Archives: Uncategorized

Kehitä työelämän laadusta kestävä kilpailuetu tiedolla johtamisen avulla

Tiedolla johtaminen ja työhyvinvointi ovat nousseet kehittämisfokukseen HR-johtamisessa. Uusimman tutkimustiedon avulla nämä teemat saadaan tuottamaan kestävää kilpailuetua.

Kaikki tietävät, että työpahoinvointi syö suorituskyvyn. Mutta pelkästään työpahoinvointia poistamalla ei voi luoda tehokkuutta ja ylivoimaista kilpailuetua. Sen sijaan työn imu parantaa organisaation tehokkuutta, mutta vain siinä tapauksessa, että henkilöstö palautuu riittävästi työkuormituksesta. Johtajien ja esimiesten pitää siksi hallita sekä työpahoinvoinnin välttäminen että työn imun kokemusten edistäminen. Koska työelämän laatu on kokonaisuus, ei osaoptimointi ole järkevää eikä tuota kestävää kilpailuetua. Työhyvinvointi on kiistatta yksi tärkeimmistä tuotantotekijöistä, mutta valitettavasti kaikkein huonoimmin ymmärretty ja johdettu.

Työhyvinvointi muutetaan tuotantotekijäksi työelämän laadun indeksin (QWL) avulla. Kansainvälisen tiedeyhteisön hyväksymä työelämän laadun indeksi selittää työhyvinvoinnin ja tuottavuuden välisen yhteyden. Indeksi toimii aineettoman henkilöstöpääoman mittarina. Se kertoo prosentuaalisen tehollisen työajan osuuden työhön käytettävästä ajasta. Näin QWL on tuotantotekijä henkilöstövoimavarojen tuotantofunktiossa:

Liikevaihto = K * HR * TVA * (1 – RA) * QWL

ja

EBITDA = Liikevaihto – Muuttuvat kulut – Henkilöstökulut – Muut kiinteät kulut

Kaavassa        K = yrityskohtainen asiakasarvontuottokerroin [€/h]
HR = henkilöstön määrä (HTV), josta syntyy henkilöstökulut [kpl]
TVA = keskimääräinen HTV:n teoreettinen säännöllinen vuosityöaika [esim. 1850h]
RA = Rakenteellinen ajankäyttö eli lomat, poissaolot, perhevapaat, perehdytys ja työn opastus, koulutus ja HR-käytännöt yhteensä prosentteina teoreettisesta [%]
(1 – RA) = työn ääressä vietetty aika [%]
QWL = työelämän laadun indeksi [%]

Kaava on yksinkertainen ja siten muodostaa erinomaisen ”punaisen langan” tiedolla johtamiseen. Syvällisemmin tarkasteltuna kaavan eri tekijät sisältävät paljon tietoa ja parametrit ovat sidoksissa toisiinsa. Tarkemmassa analytiikassa hyödynnetään tekoälystä tuttua neuroverkkoa, jossa muuttujien sisältö avataan tarkemmin ja verkotetaan toisiinsa loogisilla kaavoilla ja Bayesilaisilla todennäköisyyksillä. Tiede toimii taustalla, jolloin johto tulee hyvin toimeen ”punaisen langan” tuoman logiikan avulla. Tarkemman tiedon jalostamisen hoitaa tekoälyavusteinen people analytiikka.

Johtamisen kannalta tärkeintä on ymmärtää QWL eli työelämän laatu. Työelämän laatu rakentuu motivaatioteorian mukaisista itsearvostustekijöistä, jotka ovat

  1. Fyysinen ja emotionaalinen turvallisuus, FE(x1)
  2. Yhteenkuuluvuus ja identiteetti, YI(x2)
  3. Päämäärät ja luovuus, PL(x3)

Suorituskyky on aina näiden kaikkien itsearvostustekijöiden yhteisvaikutus. Huom. Kukin itsearvostustekijä määritetään tieteellisesti validoidun funktion avulla ja yhteisvaikutus lasketaan motivaatioteorian lainalaisuuksien mukaan. Henkilöstövoimavarojen tuotantofunktioon ja QWL-indeksin teoriaan voi tutustua oheisesta lyhyestä podcast videosta:

Eläketurvakeskuksen kanssa tehty tutkimus osoittaa, että hyvä työelämän laatu suojaa työkyvyttömyydeltä ja alhainen työelämän laatu merkitsee huonon tuottavuuden lisäksi noin kaksinkertaista työkyvyttömyysriskiä. Lisäksi pienikin lisäys alhaiseen työelämän laadun indeksiin parantaa merkittävästi työelämässä selviytymistä ja vähentää työkyvyttömyysriskiä eli luo resilienssiä työyhteisön haasteissa. Tiede tuo käytännön hyötyjä, sillä voimme ennakoida henkilöstövaikutteisia riskejä kuten: sairauspoissaolo-, työuupumus-, vaihtuvuus ja työkyvyttömyysriskiä. Ennakoiva johtaminen tuo merkittäviä taloudellisia ja inhimillisiä hyötyjä.

Hyvä työelämän laatu on aina kokonaisuus, joka vaatii esimiehiltä ammattitaitoa ja positiivista johtamisotetta. Esimiestoiminnan ammattitaito punnitaan muutostilanteissa ja erilaisissa työyhteisön haasteissa, joissa ongelmat pitää osata ratkaista yhdessä työntekijöiden kanssa. Korkea työelämän laatu luo henkilöstölähtöisen kilpailuedun, jossa myös henkilöstövaikutteiset riskit ovat merkittävästi pienemmät. Korkea työelämän laatu edellyttää, että perusasiat pidetään kunnossa hyvällä henkilöstöjohtamisella. Sen lisäksi esimiestoiminnassa pitää panostaa henkilöstön innostamiseen ja työn imun mahdollistamiseen.

Tulevaisuus henkilöstöjohtamisen kehittämisen saralla on innostavaa. Tekoälyn avulla tiedolla johtaminen nousee aivan uudelle tasolle, luoden aitoa kilpailuetua. Esimerkiksi tekoäly voi vahvistaa organisaation heikkoja signaaleja ja malliohjattu tekoäly auttaa löytämään optimaaliset johtamiskeinot tuottavuuden parantamiseen. Tämä ei ole enää hypeä, sillä tekoälyavusteinen AIMO-ratkaisija saadaan käyttöön kesällä. Ohessa on linkki AIMO-ratkaisijan esittelyyn:

Tekoälyavusteinen AIMO-ratkaisija esimiestoiminnan avuksi. Videon loppupuolella on lyhyt pikakurssi tekoälystä.

Otamme muutamia asiakaskehittäjäkumppaneita AIMO-ratkaisijaa hyödyntämään, mikäli kiinnostaa niin ole yhteydessä. Lisätietoa saa minulta.

Pandemian vaikutukset: Yritysten talous sukeltaa kasvuun

Pandemia on täysin uusi ilmiö ja erilainen kuin taantuma. Taantumaan tarkoitettu strategia ja talousanalytiikka ei nyt toimi. Tapahtuu markkinoiden uusjako, jossa nopeat ja ketterät syövät hitaat.

Taantumassa talouden kehitys supistuu ja yritysten on vaikea luoda kasvua ja arvonnousua. Pandemiassa talous romahtaa nopeasti ja sitten koittaa ennennäkemätön kasvu. Kansantalous tavallaan syöksyy kasvuun – tähän tilanteeseen ei sovi termi taantuma.

Kun katsomme yritysten talouslukuja makrotasolla, niin pitää muistaa, että siellä on hyvin erilaisia yrityksiä. Monet yritykset ajautuvat konkurssiin ja etenkin ne, joiden tuloskyky on ollut heikko jo ennen kriisiä. Seuraava kuvio on ”veret seisauttava” – suurin osa yrityksistä teki jo ennestään hyvin heikkoa tulosta. Pandemia nopeuttaa rakennemuutosta, joka muuten tapahtuisi hyvin hitaasti.

Yritysten_tuloskyky_EBITDA_per_HTV

Elinkelpoiset yritykset jäävät henkiin. Yritykset, jotka pitävät huolta henkilöstöstä, tulevat voittamaan markkinaosuutta – edellyttäen, että selviävät. Rakennemuutosta edistää se, että avustuksia kanavoidaan yrityksille, joilla on ideoita ja mahdollisuus panostaa kehittämiseen. Tukea ei anneta vanhojen velkojen maksuun. Heikossa kassatilanteessa olevat yrityksen eivät saa kehittämistukea, koska eivät voi näyttää avustuksen edellyttämää omarahoitusosuutta.

Ne, jotka pystyvät rahoittamaan toimintansa pahimman yli, pääsevät kasvuun, joka todennäköisesti ylittää kaikki aiemmat nousukaudet. Tapahtuu markkinaosuuksien uusjako, jossa nopeat syövät hitaat. Yritykset, jotka pystyvät pitämään henkilöstöstä kiinni, ovat iskussa, kun kasvu koittaa. Yritykset, joiden ”hermot eivät kestä” tai irtisanovat pakon edessä, menettävät markkinaosuutta kasvun alkaessa. Ohje onkin: jos mitenkään mahdollista, niin älä irtisano! Osaavaa työvoimaa tarvitaan nopeasti, kun kriisi kääntyy kasvuun. Käytä lomautuksia ja pyri paikallisen sopimisen kautta rakentamaan siltaa syöksyvaiheen yli. Lisäksi ohje viranomaisille: byrokratia minimiin ja rahaa jakoon, muuten tuki myöhästyy ja konkursseja tulee liikaa.

Syöksyn jälkeen tuleva kasvu saattaa tuntua kassakriisissä kipuilevalle yritykselle melko hitaalta, mutta makrotalouden mittapuussa kasvu on erittäin nopeaa. Tein tarkan skenaarioanalyysin yli 10 hengen yrityksistä tälle ja ensivuodelle (eli 24 kk ennuste). Yli 10 hengen yrityksissä on töissä 55 % työllisistä ja ne vastaavat kansantalouden tuotosta vajaat 60%. Ennen kriisiä niissä oli työntekijöitä noin 1.4 miljoonaa. Alla olevassa skenaariossa oletetaan, että huhtikuussa tulee pahin pudotus, jolloin toimialojen liikevaihdot putoavat suunnilleen seuraavasti: Palvelut -80%, Kauppa -85%, Rakentaminen -40% ja Teollisuus -60%. Voi kuulostaa pessimistiseltä, mutta jos pudotus on pienempi, niin se on sitten positiivinen yllätys.

Corona_Skenaario_24_kk_R2

Teollisuudessa liikevaihdon pudotukseen vaikuttaa merkittävästi komponenttien toimitusvaikeudet, jolloin jo saatujakaan tilauksia ei saada toimitettua ja maksupostit viivästyvät. Skenaarion kuviossa on tuo ylin liikevaihtokäyrä silloin, kun investointeja tuetaan nousun alkaessa noin 2 Mrd eurolla ja sen alapuolella on skenaario liikevaihdosta ilman tuota investointitukea. Vahvassa kasvussa kehittämisinvestointi maksaa itsensä nopeasti takaisin. Skenaarion mukaan tarvittaisiin lisäksi akuuttia selviämisrahaa noin 15 Mrd euroa, myös se maksaa itsensä takaisin pitkässä juoksussa, koska vältetään monta terveenkin yrityksen konkurssia.

Skenaario on tehty hyödyntäen laajennettua henkilöstövoimavarojen tuotantofunktiota. Siinä on noin 100 muuttujaa, jotka ovat neuroverkolla yhteydessä toisiinsa. Analytiikka on ainutlaatuinen, sillä siinä lasketaan joka kuukausi täydellinen kuva tilanteesta Markovin periaatetta noudattaen. Laitan vielä pari mielenkiintoista kuvaajaa.

Työvoiman kehitys yli 10 hengen yrityksissä tälle vuodelle ja seuraavalle:

Corona_scen_staff_24_kk

Kumulatiivinen liikevaihdon kehitys suhteessa normaaliin tasaiseen talouskasvuun ilman kriisejä tämä vuosi ja seuraava (yli 10 hengen yritykset):

Corona_24_kk_vs_normal_revemue

 

Pandemian kansantaloudellisten vaikutusten arviointia

Pandemian kansantaloudellisista vaikutuksista on toistaiseksi vähän arvioita. Mihin meidän kannattaa varautua ja miten tästä toivutaan?

Lyhyen aikavälin mallit eivät vielä huomioi koronaviruksen vaikutuksia talouskasvuun. /Suomen Pankki/ Tein oman analyysin käyttäen lyhyen aikavälin skenaariolaskentaa, jossa hyödynnetään henkilöstövoimavarojen tuotantofunktiota ja mallipohjaista muuttujien välistä neuroverkkoa. Tein niin sanotun positiivisen skenaarion, jossa suuri osa yrityksistä ei enää vuoden lopussa tarvitse rahoitusta kassakriisiin.

Otin laskennan perustaksi kaikkien yli 10 hengen yritysten tilinpäätöstiedot vuodelta 2018, jolloin näissä yrityksissä työskenteli noin 1 400 000 työntekijää. Poikkeustila tuli voimaan maaliskuussa, jolloin yritysten liikevaihto alkoi romahtaa regulaation, logistiikkaongelmien ja asiakaskäyttäytymisten seurauksena. Poikkeustila on pidettävä voimassa täysimääräisenä vielä huhtikuun, jotta virus saadaan voitettua, joten häiriön suurin vaikutus osuu huhtikuulle. Huhtikuulle ajoittuvat merkittävät lomautukset, jotka on pakko tehdä. Analyysin mukaan laajojen lomautusten avulla toipuminen on paljon nopeampaa ja rahoitustarve pienempi.

Analyysissä oletetaan, että toukokuussa tilanne vähitellen helpottaa ja alkaa varovainen toipuminen. Maalis-kesäkuun aikana noin 500 000 henkeä lomautetaan vähintään kuukaudeksi kassakriisin takia ja irtisanottuja on pahimmillaan saman verran. Toipuminen alkaa kunnolla vasta kesän jälkeen, jolloin irtisanottuja palkataan takaisin ja alkaa kasvu uuteen maailmankuvaan. Ohessa on kuvaaja yli 10 hengen yritysten kuukausittaisesta tuloslaskelmasta pandemian yli.

Corona_Skenaario

Yritysten yhteenlaskettu tappio käyttökatteessa on noin 11 miljardia euroa, joka tarvittaisiin rahoituksena käyttöpääoman tukemiseen. Hallituksen päätökset yritysten tukemisesta ovat tämän analyysin mukaan erittäin hyviä, ottaen huomioon, että analyysissa ei ole mukana suurta mikroyritysten joukkoa. Analyysin mukaan toipuminen on varsin nopeaa ja vuoden lopussa on yrityksissä hieman yli 1 200 000 työntekijää, mikä on noin 180 000 vähemmän kuin ennen kriisiä. Toipuminen jatkuu tämän jälkeen nopeaan ja uskonkin, että pitkällä aikavälillä saadaan tuottavuutta parannettua kestävällä tavalla. Seuraavassa on henkilöstömäärän kehitys vuoden loppuun:

Corona_scen_staff

Laskennassa on luonnollisesti paljon oletuksia ja epävarmuustekijöitä. Esimerkiksi mallissa on oletettu, että kriisi alkaa helpottaa huhtikuun jälkeen ja rahoituskriisiä ei synny. Tämä tarkoittaa, että suurin osa yrityksistä pystyy jatkamaan toimintaansa kesän jälkeen, jolloin ryhdytään jälleen palkkaamaan työvoimaa. Analyysi antaa siis yhden mahdolliseen skenaarioon pandemian taloudellisista ja yhteiskunnallisista vaikutuksista yli 10 hengen yrityksissä yhteensä. On selvää, että tilanne on erittäin haastava ja aiheuttaa ”lumipalloefektin” mm. kuntien rahoitukseen.

Yritystoiminnan palautumisen vauhti hidastuu, kun massiviset tukitoimet vähenevät. Irtisanottujen työntekijöiden takaisin palkkaaminen ei onnistu niin helposti, sillä osa on löytänyt muita töitä tai mennyt opiskelemaan. Kriisin jälkeen tarvitaan paljon uudenlaista osaamista ja kenties erilaista työasennetta, joiden omaksuminen ja hyväksyminen vie aikaa. Parhaimmillaan paluu kriisiä edeltävään tilaan näyttäisi olevan mahdollista vuonden 2022 alkupuolella. Ohessa kuvio, jossa jatkoin skenaariota eteenpäin:

Corona_Skenaario_24 kk

Tulosjohtamisen harha

Yksi esimiestyön pahimpia kompastuskiviä on tulosjohtamisen harha. Seuraavalla videolla havainnollista lyhyesti miten tulosjohtamisen harha syntyy ja miksi se on niin haitallinen.

Tulosjohtamisen harha on ajatusvääristymä (bias), joka on vaikea poisoppia. Perinteinen luokkaopetus ei siihen juurikaan tehoa, koska kyse on tavallaan sisäänrakennetusta asenteesta. Tuloksellisempi johtamisen ajatusmalli pitää muotouttaa (formate) uudestaan ja se onnistuu vahvistusoppimisen avulla. Siinä vahvistetaan käyttäytymistä, joka tuo toivotun lopputuloksen pitemmällä aikajänteellä.

Uusimman tutkimuksemme mukaan esimiesten vahvistusoppiminen voidaan toteuttaa Tuottava esimies -simulaatiopelin avulla. Siinä voi kokeilla erilaisia johtamistyylejä ja hahmottaa miten ne vaikuttavat tulokseen ja työhyvinvointiin. Johtamista kannattaa mukauttaa tilanteen mukaan, esimerkiksi taantumassa tarvitaan erilaista johtamisotetta kuin kasvussa.  Katso lisäksi uutisvideo alla, jossa erään yrityksen kokemuksia esimiestoiminnan kehittämisestä pelillistämisen keinoin:

Simulaatio on pelillistettyä tieteellisesti validoitua esimiesvalmennusta, jonka toimittaa PlayGain yhdessä kumppaniverkoston kanssa. Jos haluat lisätietoa, niin voit olla yhteydessä minuun.

Lähteet

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. Web. 12 Feb. 2017. doi:10.4018/978-1-5225-2215-7.ch010.

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).

Tekoalyn_periaate

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/

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

Johtamisen tärkeimmät kaavat: Henkilöstövoimavarojen tuotantofunktio ja QWL-indeksi

Johtamisen tärkein kaava on Henkilöstövoimavarojen tuotantofunktio. HR-johdon ja esimiesten tärkein kaava on Työelämän Laadun indeksi (QWL). Nämä kaksi teoriaa auttavat saavuttamaan ylivoimaisen kilpailuedun.

Tässä artikkelissa hyödynnän havainnollistavia opetusvideoita. Esittelen kaksi tärkeintä teoriaa, jotka olemme kehittäneet Lapin yliopistossa. Molemmat teoriat ovat kansainvälisen tiedeyhteisön hyväksymiä. ”Mikään ei ole niin käytännöllistä kuin hyvä teoria”, kiteytti sosiaalipsykologi Kurt Lewin. Näiden kahden teorian kohdalla tämä pitää erityisen hyvin paikkansa. Muutamat organisaatiot ovat hyödyntäneet teorioita ja parantaneet merkittävästi tulosta ja kilpailukykyä. Eräs toimittaja sanoi tutkimuksestamme osuvasti: ”Jos tämä olisi keksitty Harwardissa, niin koko maailma tietäisi tästä”.

Henkilöstövoimavarojen tuotantofunktio

Johtamisen tärkein kaava on Henkilöstövoimavarojen tuotantofunktio. Teoriasta on olemassa myös laajennettu muoto, joka mahdollistaa erittäin tarkan liiketoiminta-analytiikan. Mainittakoon vielä, että kunta- ja valtiohallinnon organisaatioille on olemassa oma henkilöstövoimavarojen tuotantofunktio.

Seuraavassa siis henkilöstötuottavuuden tuotantofunktio lyhyesti:

QWL-indeksi

Tuotantofunktiossa on yhtenä tuotantotekijänä QWL-indeksi. Matemaattisesti se on yhtä tärkeä tuotantotekijä kuin henkilöstömäärä. Todellisuudessa se on tärkeämpi, sillä se vaikuttaa eniten sekä asiakaskokemukseen että organisaation kykyyn innovoida uusia tuotteita ja palveluja. QWL-indeksi on yhteydessä tuotantofunktion K-kertoimeen. K-kerroin kertoo, mikä on businesslogiikan asiakasarvon tuottokerroin. QWL-indeksi kertoo, miten hyvin K-kerrointa hyödynnetään liiketoiminnassa. Koska QWL-indeksi on niin tärkeä, se pitää mitata ja analysoida oikein.

Perinteiset henkilöstökyselyt eivät tässä yhteydessä toimi ja ovat jopa vaarallisia, sillä niillä on taipumus vähätellä henkilöstötuottavuuden kehittämispotentiaalia. Henkilöstökyselyn tulosten analysointi keskiarvolaskennalla on toki yksinkertaista, mutta väärin. Ihmisillä on luontainen tarve suosia helppoja ratkaisuja, mutta valitettavasti tässä yhteydessä yksinkertainen ratkaisu ei toimi. Tarvitaan siis uusi teoria, jolla QWL-indeksi saadaan luotettavammin.

Videolla kuvaan QWL -indeksin määrittämisen ja kerron, miksi perinteiset keskiarvoon perustuvat kyselyt eivät toimi. QWL on lyhenne sanoista Quality of Working Life.

Vastaan mielelläni näihin teorioihin liittyviin kysymyksiin ja autan niiden soveltamisessa käytäntöön.

Lähteet

Kesti, M., Leinonen, J. and Syväjärvi, A. (2016). A Multidisciplinary Critical Approach to Measure and Analyze Human Capital Productivity. In Russ, M. (ed.). Quantitative Multidisciplinary Approaches in Human Capital and Asset Management (pp 1-317). Hershey, PA: IGI Global. (1-22). doi:10.4018/978-1-4666-9652-5. (http://bot.fi/188u)

Kesti, M. and Syväjärvi, A. (2015) Human Capital Production Function in Strategic Management. Technology and Investment6, 12-21. doi: 10.4236/ti.2015.61002.

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

 

9 leadership cognitive biases that prevent success

Human mind has certain brain structure for pattern recognition (neocortex). Pattern recognition forms cognitive biases that helps fast decision making in different contexts. It seems that cognitive biases are important because they reduce the brain energy consumption. When mind forms a pattern, it is easy to use it in similar cases intuitively and save thinking energy to more challenging situations. This pattern recognition is hidden and very effective. If we (humans) are in a hurry, we intuitively utilize these hidden patterns in decision-making. However, if the problems are complex the intuition may lead to wrong decision (1)(2)(3).

Here are nine leadership related cognitive biases that prevent organization performance

  1. Observation selection bias
    Leader’s focus is on operative scorecards rather than listening to opinions on how to achieve the targets.
  2. False causality bias
    Leader thinks that maximum result (profit) comes by maximizing working-time. In reality, the maximum result is more likely to come from improved work motivation.
  3. Confirmation bias
    Executives give reward to supervisors from short-term results, however the long-term profit is sacrificed.
  4. Current moment bias
    Leader thinks that his own work tasks are currently more important than spending time with the team.
  5. Self-enhancement bias
    Leader assumes to be better leader than average, thus not seeing the development needs.
  6. Plunging-in bias
    Leader makes conclusions too fast and gives solutions to wrong problems.
  7. Fundamental attribution bias
    Leader thinks that the reason for poor performance is in team members or unrealistic targets, not leader’s own management.
  8. Ambiguity bias
    Leader does not want to change management style because the result is uncertain.
  9. Status-Quo bias
    Leader wants to stick to the past, because he/she sees change as a threat.

These cognitive leadership biases are human, thus leader is not to blame. However, wise leader can learn to avoid these harmful biases in workplace decision-making. In addition, there are new emerging science for solving this wicked performance problem. Shortly, new solutions include three methods:

  1. Problem: Supervisors have too much trivial operative workload. Solution: Arrange more time for collaborative leadership practices utilizing Robotics Process Automation.
  2. Problem: Operative scorecards takes leaders’ focus from people management. Solution: Measure QWL-index and make it important as a human performance scorecard. Start measuring QWL-index continuously (Robotic-QWL measurement), and this way gamify leadership development.
  3. Problem: Traditional leadership trainings do not eliminate harmful biases. Solution: Utilize Artificial Intelligence powered simulation for experience-based learning for eliminating harmful biases. (4)(5)

Improving organization leadership quality is not easy, thus it forms competitive advantage for those who master it. Economic benefits are substantial. We are looking for organizations to participate in our research and to test these emerging new solutions.

Marko Kesti

marko.kesti(at)ulapland.fi

 

References

  • Kurzweil, R. (2013). How to Create a Mind: The Secret of Human Thought Revealed. New York, NY, USA: Penguin Books.
  • Kahneman, D.; Tversky, A. (1972). “Subjective probability: A judgment of representativeness”(PDF). Cognitive Psychology. 3 (3): 430–454.
  • Kahneman, D (2011). Thinking, Fast and Slow. Penguin Books, UK.
  • 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 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.