только интервьюера 1. Каждый квадрат представляет собой кандидата, а десять лучших кандидатов выделены темно-серым цветом в левой части. Цифры обозначают количество голосов, отданных за каждого кандидата. В случае равенства голосов кандидаты выбираются случайным образом, как показано на примере пунктирных квадратов. По материалам Fifić and Gigerenzer (2014).
Чтобы улучшить показатели лучшего интервьюера, может понадобиться еще шесть или более интервьюеров (с коэффициентом попадания от 50 до 100 процентов от коэффициента попадания лучшего интервьюера). Опять же, меньше может быть больше. При достаточно общих условиях - независимое голосование и правило большинства - добавление второго интервьюера к лучшему интервьюеру не может улучшить процесс принятия решений; оно только ухудшает его. Общий урок для бизнеса - инвестировать в отличных интервьюеров, а не полагаться на коллективные решения группы менее квалифицированных людей. Этот урок параллелен ситуациям, когда полагаться на одну подсказку может быть лучше, чем на многие, как это формализовано в условиях доминирующей подсказки и дилемме "предвзятость-вариация".
Одна из причин, по которой экспертам-интервьюерам лучше удается выявлять хороших сотрудников, заключается в том, что они, как правило, используют структурированные интервью. В ходе структурированных интервью кандидаты отвечают на одни и те же вопросы, так же как и Маск на вопросы о наличии исключительных способностей у всех кандидатов, что значительно повышает согласованность оцениваемых признаков. Затем эти сигналы могут быть обработаны с помощью интеллектуальной эвристики с четко определенными и последовательно применяемыми правилами поиска, остановки и принятия решений. Достоверность структурированных интервью - одна из самых высоких среди всех методов отбора, гораздо выше, чем у неструктурированных интервью, которые страдают от низкой надежности. 20
"Дебилизация" решений о найме?
Менеджеров по найму "упрямо полагаются" на интуитивные суждения и обвиняют в плохих решениях о найме. 21 Согласно этому мнению, если бы специалисты использовали анализ вместо интуиции, они могли бы избежать предвзятости при найме и принимать более правильные решения. В ответ на подобные опасения некоторые организации предприняли попытку "разбалансировать" свои решения о найме и оценки эффективности.
Например, компания Google разработала проект Project Unbias для снижения неосознанной предвзятости при принятии решений. 22 Этот проект включает в себя ряд полезных инструментов, таких как контрольные списки для проведения собеседований и аттестации. Контрольные списки полезны тем, что они направляют внимание на наиболее важные сигналы. Их можно эффективно сочетать с последовательными эвристиками, которые используют подсказки в порядке их важности или обоснованности, например, с "быстрыми и экономными деревьями".
К сожалению, такие программы все еще в значительной степени основаны на ошибочной идее, что в предвзятости решений по отбору виновата система 1 и проблему можно решить, заставив лиц, принимающих решения, использовать больше информации и обрабатывать ее с помощью системы 2. 23 При этом игнорируется важная особенность: решения о найме принимаются в условиях неопределенности. В условиях неопределенности, как мы уже видели, эвристика помогает организациям справиться с очень сложной задачей: предсказать будущую производительность претендентов на работу. Проблема с принятием решений о найме (и кадровых решений в целом) заключается не в использовании эвристик, а в неспособности систематически изучать качество интервьюеров и подсказок, а затем использовать эту информацию для разработки экологически рациональных эвристик для найма (и увольнения). Менеджеры часто полагаются на эвристику, но не исследуют и не понимают, какая эвристика работает в каких условиях и почему. Как мы убедились, сложные количественные модели не всегда улучшают решения о найме, поскольку они слишком хрупки в условиях неопределенности. Умные эвристики представляют собой эффективное решение, сочетающее простоту с точностью и прозрачностью.
И снова проблема кроется не только в умах людей, принимающих решения о найме; она также заключается в отсутствии систематического обучения в организациях. Рассмотрим следующий парадокс найма: организации тратят огромные деньги и время на найм, но очень мало вкладывают в выяснение того, насколько эффективны их процессы найма. 24 Это вызывает недоумение, учитывая многочисленные неудачи при найме. Систематически оценивая эффективность своих процессов найма, организации могли бы улучшить свой адаптивный инструментарий эвристики найма, в конечном итоге нанимая более квалифицированных кандидатов и отклоняя больше неквалифицированных.
Интеллектуальная эвристика для управления производительностью
Давайте рассмотрим еще один тип кадровых решений: управление эффективностью, в частности, продвижение и увольнение сотрудников.
Продвижение и увольнение с помощью быстрых и экономных деревьев
Должен ли сотрудник получить премию? Быть повышенным в должности? Или уволить? Организации принимают такие решения в рамках так называемого управления эффективностью. Играет ли умная эвристика роль в принятии этих решений? Чтобы выяснить это, мы изучили, лучше ли моделируются решения о повышении или увольнении сотрудников с помощью логистической регрессии с взвешиванием и добавлением, компенсирующей логистической регрессии, или с помощью лексикографических, некомпенсирующих быстрых и экономных деревьев. 25 Мы предоставили лицам, принимающим решения, профили производительности, которые варьировались по трем признакам, связанным с производительностью, для каждого сотрудника: средняя (усредненная) производительность за последние полгода, вариация производительности (то есть случайные, несистематические изменения со временем) и тенденция производительности (то есть систематические изменения со временем, например, тенденции к росту или снижению).
Мы обнаружили, что быстрые и экономные деревья широко использовались, причем в большей степени опытными менеджерами, из которых две трети полагались на них. Большинство участников также адаптировали ключевые особенности быстрых и экономных деревьев в ответ на манипуляции с требуемыми распределениями положительных (бонус) или отрицательных (увольнение) решений, что соответствует принципу экологической рациональности.
Рейтинг стеков
В нашем исследовании мы требовали от участников уволить или премировать определенный процент сотрудников. Наш подход был адаптирован к так называемым системам управления эффективностью с принудительным распределением или стековым ранжированием. Этот подход, также известный как rank and yank, стал (не)известным после того, как генеральный директор General Electric (GE) Джек Уэлч ввел правило "20/70/10 split": 20 процентов лучших сотрудников, согласно рейтингу их менеджеров, вознаграждались, а 10 процентов увольнялись. 26 Смысл этого простого правила заключался в том, чтобы вознаградить исполнителей и убрать отстающих, и, похоже, правило хорошо работало в GE, когда Уэлч возглавил компанию, в то время как в ней было много "мертвого леса".
Однако эффективность и реакция на такие правила принудительного распределения рангов существенно различаются. 27 И критика предсказуема: как может такое простое правило учитывать специфическую и уникальную ситуацию каждого сотрудника? Эта критика не учитывает того, что ни одна стратегия принятия решений в условиях неопределенности не может быть безошибочной; существуют также недостатки внедрения более неоднозначной системы управления эффективностью, в которой нет четкого определения того, кто награждается, а кто наказывается. Как и любая другая эвристика, штабельное ранжирование хорошо работает только для конкретной цели (очистка организации) и ситуации (наличие
