Otkrivanje tajnih mreža: kako Analiza organizacijskih mreža (ONA) može transformirati vašu organizaciju (2/3 dio)
Pregled ključnih metrika
Da bismo mogli intrpretirati rezultate analize potrebno je razumijevanje ključnih metrika. Ovdje ćemo pregledati neke od najvažnijih metrika koje se koriste u ONA, uključujući centrality, betweenness, density, cluster metrike, itd.
Centrality (Centralnost):
Centralnost mjeri važnost pojedinca unutar mreže. Postoji nekoliko vrsta centralnosti:
– Degree Centrality (Stupanj centralnosti): Broj veza koje pojedinac ima unutar mreže. Pojedinac s visokim stupnjem centralnosti ima mnogo direktnih veza s drugim članovima mreže, što ga čini središnjim čvorom.
– Closeness Centrality (Blizinska centralnost): Mjera koliko je pojedinac blizu ostalim članovima mreže. Pojedinac s visokom blizinskom centralnošću može brzo komunicirati s ostalima unutar mreže.
– Betweenness Centrality (Međuposrednička centralnost): Mjera koliko često pojedinac posreduje u komunikaciji između drugih članova mreže. Ovi pojedinci često djeluju kao mostovi između različitih dijelova mreže, ali isto tako mogu biti i uska grla organizacije.
Density (Gustoća):
Gustoća mreže mjeri koliko su članovi mreže međusobno povezani. Visoka gustoća ukazuje na mrežu gdje su članovi dobro povezani i gdje informacije brzo teku. Niska gustoća može ukazivati na fragmentiranu mrežu s manjkom komunikacije. Također, kako smo rekli da visok density može pretpostavljati da timovi s visokim density-jem mogu biti dobri performeri zbog dobre povezanosti, s druge strane potrebno je analizirati takve timove da bi se izbjeglo da visok density ne znači i komunikacijski overload.
Cluster Metrics (Cluster metrike):
– Clustering Coefficient (Koeficijent klasteriranja): Mjera koja pokazuje u kojoj mjeri članovi mreže imaju tendenciju grupiranja. Visoki koeficijent klasteriranja ukazuje na to da su susjedi pojedinaca također međusobno povezani.
– Community Detection (Detekcija zajednica): Tehnika koja identificira skupine unutar mreže koje su gušće povezane međusobno nego s ostatkom mreže. Ove zajednice često dijele zajedničke interese ili funkcije unutar organizacije.
– Cohesion (Kohezija) nam daje informacije do koje mjere su čvorovi unutar mreže povezani jedan s drugima u subgrupama ili klasterima. Na primjer, mreža s visokom kohezijom ima jake veze unutar klastera, i obrnuto. Kohezija je vrlo važna i kada promatramo otkrivanje zajednica (community detection). Visoka kohezija unutar mreže može ukazivati na snažne međusobne odnose i učinkovitu suradnju unutar klastera, što može biti ključno za organizacijsku dinamiku i performanse.
Kako nam podaci iz analize kohezivnosti mogu pomoći u organizaciji. Ako pogledamo klaster s niskom kohezijom, možemo izvući sljedeće zaključke koji su početna točka za rješavanje problema u klasteru (odjelu, timu):
– Sparse connection (Rijetka povezanost): Klaster s niskom kohezijom može imati malo ili rijetke veze između čvorova unutar klastera. Ovo može ukazivati na nedostatak komunikacije ili interakcije među članovima klastera.
– Limited diversity (Ograničena raznolikost): Klaster s niskom kohezijom može se sastojati od pojedinaca koji imaju sličan background, vještine ili interese. Ovo može biti znak ograničene raznolikosti, što može dovesti do ograničenja u kreiranju novih ideja unutar klastera i različitih pogleda i perspektiva na poslovne zadatke. To bi se moglo nazvati “zacementirano mišljenje”. Ovo se često događa kada menadžer zapošljava članove svog tima vodeći se idejom da je najbolji kandidat onaj koji ima slične interese kao on. “Birds of a feather flock together.”
– Information silos (Informacijski silosi): Klaster s niskom kohezijom može biti izoliran od drugih klastera ili dijelova organizacije, što može stvoriti silose informacija i ograničiti njihov protok, kao i protok drugih resursa unutar organizacije.
– Lack of coordination (Nedostatak koordinacije): Ovi klasteri se često susreću s problemima koordinacije i suradnje na zadacima i projektima, što će neizbježno dovesti do neučinkovitosti ili kašnjenja. Također, ovo može ukazivati na nedostatak povjerenja ili zajedničkih ciljeva unutar klastera.
– Weak leadership (Slabo vodstvo): Ovakvim klasterima može nedostajati snažno vodstvo ili smjernice.
Ovo su samo neki od problema na koje nam može ukazivati niska kohezija unutar klastera.
Eigenvector Centrality (Eigenvektorska centralnost):
Ova metrika mjeri utjecaj pojedinca u mreži uzimajući u obzir i važnost njegovih susjeda. Pojedinac s visokim eigenvektorskim centralnostima nije samo dobro povezan, već je povezan s drugim dobro povezanim pojedincima. Zaposlenici s visokim eigenvectorom su osobe koje će se rjeđe odlučivati napustiti kompaniju jer su vrlo utjecajne u trenutnoj organizaciji. Često imaju značajnu neformalnu moć (“siva eminencija”) i središnje su u protoku informacija i donošenju odluka. Također, ove osobe imaju pristup boljim resursima, prilikama i podršci.
S druge strane, njihov odlazak iz organizacije može biti vrlo disruptivan zbog njihove središnje pozicije, potencijalno izazivajući lančani efekt odlazaka, osobito ako utječu na druge ključne osobe. Studije sugeriraju da metrički podaci iz ONA analize, uključujući eigenvector centrality, mogu se koristiti za predviđanje namjera za odlazak iz kompanije. Visoka centralnost može biti povezana s nižom stopom odlazaka iz kompanije zbog povećanog zadovoljstva poslom, ali naravno, sve ovo treba promatrati u kontekstu organizacije.
Eigenvector centralnost je korisna metrika za razumijevanje neformalnih hijerarhija i dinamike moći unutar organizacije. Pomaže u identifikaciji ključnih pojedinaca koji igraju vitalne uloge u mreži i koji mogu biti ključni za održavanje stabilnosti i protoka informacija unutar organizacije.
PageRank:
Slična metrika eigenvektorskoj centralnosti, PageRank mjeri važnost čvorova u mreži, koristeći algoritam sličan onome koji koristi Google za rangiranje web stranica. Pojedinci s visokim PageRankom imaju značajan utjecaj na mrežu.
Network Diameter (Promjer mreže):
Promjer mreže mjeri najveću udaljenost između dva čvora u mreži. To daje uvid u koliko je mreža raširena i koliko je potrebno vremena za prijenos informacija kroz cijelu mrežu.
Analizirajući mrežu za primjer u ovom blogu, uzet ćemo jednog zaposlenika i njegove metrike centralnosti kako bismo ih protumačili.
U analiziranju mreže unutar organizacije koristimo directed network kako bismo mogli identificirati, između ostalog, koliko komunikacije ide od jedne osobe i prema toj osobi.
U našem slučaju, čvor Slaven ima ulazni stupanj (in-degree) 7, što pokazuje broj veza koje dolaze do Slavena, odnosno Slaven prima informacije od 7 osoba iz organizacije. Njegov izlazni stupanj (out-degree) je 5, što znači da Slaven šalje informacije 5 osoba u organizaciji. Broj ulaznih i izlaznih konekcija ne mora biti isti, što znači da ne postoji dvosmjerna komunikacija u smislu razmjene podataka. Ljudi iz Slavenovog tima mu podnose izvještaje, a on njima ne podnosi.
Betweenness Centrality pokazuje koliko često Slaven posreduje u komunikaciji između drugih članova mreže. Visoka vrijednost od 158.348 sugerira da Slaven ima ključnu ulogu kao posrednik ili most između različitih dijelova mreže, omogućujući protok informacija. Slaven može biti voditelj tima ili odjela i komunicira s drugim voditeljima, što mu osigurava visok parametar centralnosti.
Closeness Centrality je nizak, iznosi 0.487, i mjeri njegovu blizinu s ostalim članovima mreže. Ovaj parametar pokazuje da je Slaven relativno blizu većini članova mreže, što omogućava brzu komunikaciju i interakciju s njim. Obzirom da je mreža mala i sastoji se od 62 sudionika, očekivano je da je ova metrika prilično ista za sve sudionike mreže.
Eigenvector Centrality iznosi 0.102. Ovo možemo protumačiti na način da su njegovi susjedi umjereno povezani, kao i sam Slaven. Eigenvector Centrality se kreće od 0 do 1, i zaposlenici s većim eigenvectorom imaju konekcije čije su veze na značajnijim pozicijama unutar organizacije. Međutim, ova metrika se uvijek mora promatrati u korelaciji s drugim metrikama. Njegova betweenness centralnost je 158.348, koeficijent klasteriranja (clustering coefficient) 0.250, što ukazuje na umjerenu razinu klasteriranja, a closeness centralnost ukazuje na blizinu ostalih članova organizacije.
To bi se moglo reportirati na sljedeći način: Iako eigenvektorska centralnost ukazuje na niži utjecaj u smislu povezanosti s visoko utjecajnim čvorovima, druge metrike pokazuju da Slaven ima značajnu ulogu kao posrednik i komunikator unutar mreže. To znači da Slaven može biti ključan za operativnu učinkovitost i koheziju unutar organizacije, posebno u kontekstu posredovanja informacija i povezivanja različitih dijelova mreže.
Na osnovu ovih informacija, menadžment tim zajedno s HR-om može donositi odluke o daljnjem usmjeravanju Slavena prema unutrašnjosti organizacije, možda većoj autonomiji u smislu vođenja većeg tima, centralnije pozicije unutar tima ukoliko se ne nalazi na liderskoj poziciji, itd.
U trećem dijelu bloga na ovu temu govorimo o čitanju organizacijske mreže na primjeru…