¿Sabe cómo hacen el trabajo sus equipos?

¿Cuánto saben los directivos sobre cómo trabajan sus equipos? Recientemente realizamos un estudio de investigación en el que participaron 14 equipos formados por 283 empleados de cuatro empresas de la lista Fortune 500. Cuando se preguntó a los directivos sobre el trabajo de sus equipos, por término medio no sabían o no podían recordar el 60% del trabajo que realizan sus equipos. En un caso extremo, un directivo de nuestro estudio sólo pudo describir el 4% del trabajo de su equipo.

El coste de que los directivos no sepan que existe esta laguna puede ser elevado, incluso en equipos de tan sólo cinco miembros, y es por tanto aplicable a cualquier empresa, grande o pequeña. Los directivos y los principales responsables de la toma de decisiones a todos los niveles establecen objetivos de transformación digital sin comprender suficientemente cómo realizan el trabajo sus equipos ni dónde se encuentran los puntos débiles. Por lo general, recurren a conjeturas para decidir qué inversiones ayudarán a sus equipos. En consecuencia, subestiman sistemáticamente la productividad de los empleados o asignan mal los recursos y las inversiones en tecnología como la automatización. Covid-19 y la transición al trabajo digital a distancia no han hecho sino dificultar a los directivos la comprensión del funcionamiento de sus equipos.

Pero nuestro estudio también demostró que el problema se puede solucionar utilizando algoritmos de aprendizaje automático (ML) para aprender de cómo los equipos utilizan la tecnología para realizar su trabajo, siempre que se establezcan salvaguardas para proteger la privacidad de los empleados.

Lo que descubrimos

En el estudio, hicimos que los directivos enseñaran a un sistema de software los procesos que creían que ocupaban la mayor parte del tiempo de sus equipos. Utilizando una interfaz similar a la que utiliza la gente cuando etiqueta fotos suyas en Facebook, los directivos ejecutaron muestras de cada proceso en sus máquinas de la forma en que esperaban que sus equipos hicieran el trabajo. A continuación, etiquetaron estos procesos en categorías como “gestión de pedidos”, “procesos contables” y “operaciones de la cadena de suministro”. No había límite en el número de procesos que un directivo podía enseñar al sistema. Los directivos se basaron en su intuición, criterio y experiencia para preseleccionar y enseñar aquellos procesos que creían que ocupaban la mayor parte de los esfuerzos de sus equipos. Estos datos se recogieron en un “gráfico de trabajo”, un mapa de cómo realizan el trabajo estos equipos.

[

Insight Center Collection

Taking on Digital Transformation

Moving your company forward in the wake of the pandemic.

](/insight-center/taking-on-digital-transformation)

Utilizando los procesos enseñados por los directivos, nuestros algoritmos de aprendizaje automático intentaron encontrar patrones similares de trabajo realizado por los miembros del equipo. A continuación, medimos la fracción del día de cada equipo en la que los miembros del equipo mostraban patrones similares de los procesos enseñados. Se trata, en esencia, de una medida del grado en que la intuición de un directivo da cuenta del trabajo diario de un equipo.

Un aspecto clave de estos estudios fue mantener la privacidad de los usuarios: nos aseguramos de que todas las herramientas y la recopilación de datos anonimizaran al usuario final, agregaron los datos a un equipo y dieron a los equipos las herramientas para definir y filtrar la información sensible de identificación personal. Todos los análisis se realizaron únicamente a nivel de equipo agregado, sin identificar a ningún individuo.

Supusimos que, en un escenario ideal, el gestor debería ser capaz de dar cuenta de al menos el 80% del trabajo diario de sus equipos, basando ese umbral nominal en una encuesta que realizamos entre los gestores, en la que les pedimos que calificaran qué parte del trabajo diario de sus equipos esperaban comprender. Definimos la brecha de recuerdo del trabajo como la fracción del trabajo diario del equipo de la que un directivo no podría dar cuenta, suponiendo un tope del 80%. Se trata también de una medida de la falta de exhaustividad en la comprensión por parte de un directivo del trabajo que su equipo realiza a diario.

Encontramos una brecha considerable en el recuerdo del trabajo en los 14 equipos -para sorpresa de sus directivos- en funciones que van desde las operaciones de la cadena de suministro, la gestión de proyectos, las interacciones con los clientes, la gestión de datos maestros, las finanzas/contabilidad y los RRHH.

Vea más gráficos de HBR en Datos y visuales

Un ejemplo ayuda a ilustrar los problemas específicos que descubrió nuestro estudio: En una empresa, el equipo de la cadena de suministro se enfrentaba constantemente a las quejas de los empleados por una mala implementación de la planificación de recursos empresariales (ERP). Aunque técnicamente correcta y suficiente, la implementación carecía de varias funciones para el procesamiento de datos. Como resultado, para las transacciones comunes los empleados se veían obligados a pasar tiempo copiando datos del sistema ERP en Excel, creando tablas dinámicas e iterando sobre los datos. Cuando por fin tenían respuestas, volvían a copiar los datos en el sistema ERP.

Cuando este esfuerzo adicional se sumaba en varias transacciones, suponía una gran parte del trabajo mensual del equipo. Todos en el equipo sabían que esto era un problema hasta cierto punto; sentían la fricción cada día; pero nadie comprendía lo mala que era la situación hasta que les ayudamos a medir la brecha de la infravaloración de su jefe.

¿Qué pueden hacer los líderes?

La buena noticia es que nuestro estudio demostró que la brecha trabajo-recuerdo puede cerrarse con el uso del aprendizaje automático (ML). En el estudio, empleamos una clase de algoritmos de ML que no requerían ninguna aportación de los directivos para detectar patrones del trabajo de los equipos. Excluimos los patrones que se solapaban con los descritos por el gestor y, a continuación, medimos la fracción incremental de la jornada de un equipo que podía contabilizarse utilizando los patrones detectados íntegramente por los algoritmos de ML y sin ninguna aportación humana. En pocas palabras, estos algoritmos de ML encuentran breves ráfagas de actividades repetidas en los patrones de trabajo de un equipo. A continuación, combinan las actividades repetidas más frecuentes para formar una cadena de actividades más larga. Y repiten este proceso hasta que ya no pueden combinar más actividades.

Descubrimos que el empleo de algoritmos de ML reducía la brecha media de trabajo-recuerdo en nuestro estudio de ~60% a 24%. En el equipo en el que los procesos descritos por el director representaban sólo el 4% del trabajo diario del equipo, los algoritmos de ML fueron capaces de contabilizar un 48% adicional del trabajo diario del equipo en actividades productivas (redujeron la brecha del 76% al 28%)*.

En líneas generales, los algoritmos obtuvieron mejores resultados que los gestores en nuestro estudio por dos razones. En primer lugar, los gestores tenían una visión anticuada y/o incompleta de los patrones de trabajo de su equipo. Los algoritmos de ML, por el contrario, podían encontrar patrones sin depender de intuiciones preexistentes sobre el trabajo que se está realizando. En segundo lugar, los algoritmos de ML pueden dar cuenta de forma escalable de una multitud de formas en las que se realiza el mismo trabajo. Vimos casos en los que el gestor enseñaba normalmente algunos ejemplos de cómo creía que debía realizarse el trabajo, pero el equipo ejecutaba el mismo trabajo de formas distintas a las que el gestor esperaba. Por ejemplo, al realizar una conciliación comercial, varios miembros experimentados de un equipo habían encontrado caminos más cortos para lograr la conciliación y, por lo tanto, se desviaron de los procedimientos operativos estándar prescritos.

***

Sin el uso de herramientas de aprendizaje automático para compensar, es probable que las lagunas de los directivos a la hora de recordar el trabajo de base de sus equipos no hagan más que aumentar en el futuro, dada la tendencia hacia el trabajo a distancia. Y sin intervención, es probable que los directivos sigan sin saber lo que no saben: en nuestro estudio, los directivos se escandalizaban habitualmente cuando les revelábamos nuestros resultados.

El futuro de cualquier entorno de trabajo -no sólo de los entornos de trabajo a distancia- depende, por tanto, de que se dote a los directivos de nuevas herramientas y técnicas para comprender y gestionar sus equipos con mayor eficacia. El uso de estas herramientas requerirá normas de privacidad coherentes y abiertas, como el anonimato de los usuarios, la agregación de datos y una comunicación coherente por parte de los líderes para que los empleados comprendan sus intenciones. Todo nuestro estudio se centró únicamente en los equipos y no permitió identificar a ningún individuo.

Nuestro consejo a los líderes y gestores del cambio es que traten la experiencia de su equipo en el trabajo como datos. Dichos datos revelarán probablemente lo que aqueja a sus equipos y lo que es posible de forma realista con inversiones en transformación digital y otras nuevas iniciativas. Entonces, todos los cambios con los directivos mejor intencionados serán mensurables. Por el contrario, en ausencia de esos datos, se fijan objetivos de arriba abajo sin conocer los hechos, y los equipos no tienen más remedio que apuntarse a los planes sin comprender sus implicaciones, lo que provoca una inmensa presión sobre los equipos. Nuestra esperanza es que si los directivos conocen mejor los detalles del trabajo de sus equipos, fijarán objetivos más realistas y ayudarán a sus equipos a ser más productivos.

* Nota del editor: Hemos actualizado el texto para corregir las cifras que indican cuánto se redujo la brecha media entre trabajo y recuerdo con los algoritmos ML. La brecha se redujo del 76% al 28%.