О Структурном Моделировании Организационных Изменений02.12.2019 16:33


3 из 4 — так Boston Consulting Group оценивает долю IT проектов, почивших по не-техническим причинам.

Уже вот две подряд редакции свода знаний по управлению проектами (PMBOK) выделяют процессы по управлению стейкхолдерами в отдельную область знаний под счастливым номером 13 и настоятельно рекомендуют учитывать:

1. связи между ними,
2. центры влияния, а также
3. культуру общения — для повышения шансов на успех.

 доколе инженеры о стейкхолдерах будут судить догадками?


image

ФОТО: Шариф Хамза для Dazed & Confuzed, модель — Люпита Нионго

В свете недавней безоговорочной победы русской математики над вопросом хроматических чисел рассмотрим сценарий применения стремительно набирающей популярность среди занимающихся машинным обучением теории графов к причине провала большинства IT проектов. Приложим вполне естественную науку о вычислениях к областям, ранее считавшимся 'мягкими'. И покажем, как современные модели позволяют организацию в эпоху перемен измерить. Стратегия решения — простая, двухшаговая — строим граф связей стейкхолдеров, а из него — нейросеть сворачиваем. И пока самообучаемые алгоритмы выполняют непростые управленческие задачи, снимая менеджерских проблем ворох с плеч человеческих — пьём кофе с пироженками.


  1. Цели и задачи
  2. Предлагаемый подход
  3. Что изучать
  4. Как измерять
  5. Набросок бизнес-кейса
  6. Скажи мне, кто твой друг (или механика работы свёртки графа)
  7. Уголок красный из моделей прекрасных
  8. Резюме вышесказанного
  9. Выводы
  10. Подборка литературы
  11. Памятка воспроизводителю
  12. И в очередь запись


Задачи и незадачи

Проекты трансформации бизнеса, например, внедрения SAP — зачастую изменяют бизнес-процессы, либо организационную структуру. Порой и то, и другое переиначивают в погоне за лучшими практиками. Однако, есть нюанс. Приверженность к существующему (status quo bias) среди людей делает трансформацию бизнеса вызовом — мы, как вид, стремимся сберечь и приумножить.

Занятный факт — примерно 80% популяции не будут рады нововведениям [1]. BCG сообщает, что три из четырёх провальных проектов в области информационных технологий завернулись по не-техническим, так называемым 'мягким' причинам. Управление Организационными Изменениями — это набор практик, которые упреждают сопротивление новому. Рецепт SAP — управляйте коммуникациями, мотивацией, правами принятия решений, и квалификациями, необходимыми для успешного внедрения и перехода в фазу непрерывного улучшения[2].

В недавнем интервью Леонид Жуков (директор российской практики BCG Gamma) упоминал правило 10–20–70. В реальных проектах внедрения машинного обучения 10% от всего затраченного времени уходит на проверку гипотезы и выбор адекватной модели. 20% трудозатрат потребляет реализация продуктива (или модный молодёжный DevOps). 70% усилий требуют перемены.


ВИДЕО: вот то интервью о буднях консалтинга, в котором мне особенно нравится история про вертолёт в бассейне

В каком-то смысле, условия достижения успеха можно выразить неравенством A + B + C > D, где A — уровень недовольства текущим состоянием дел, B — общее видение проблемы, C — выгоды от проверки гипотезы, и D — требуемое для трансформации усилие. Всё просто — создайте условия, в которых формула верна для всех и каждого — и перемены стремительно распространятся. Похоже, победа легка, верно?

Анализ стейкхолдеров — сердце проектов трансформации. Основная задача заключается в поиске и идентификации лиц и организаций, на которых перемены повлияют, либо тех, кто сам на наш проект повлиять может. Ранжирование стейкхолдеров по силе и влиянию — распространённая практика (по крайней мере, среди играющих в управление проектами). Исторически сложилось так, что задачу решали субъективно — мозговыми штурмами и прочими инструментами, происходящими из социологической исследовательской традиции. Надёжных численных метрик не существовало. До сего дня.

Недавние достижения математики в области теории графов позволяют вопрос измерить. Прежде всего, обозначим задачу формально и определим способ математической записи, который мы будем использовать в дальнейшем.


По заданной организационной структуре и бизнес-процессам, описанным для состояний как-есть и как-будет, ранжировать стейкхолдеров по масштабу индивидуальных перемен (требуемое для трансформации усилие).


Делай так

Опиши бизнес-кейс как отношения и потоки операций.

Многие зрелые организации управляют процессами структурированно (порой сподвигают к этому внешние требования, вроде сертификации ISO). У большинства предприятий организационная структура формализована. В результате построения модели из данных — получим сеть связей, которую и будем анализировать.

image123

Шагая в ногу со временем, изобразим затеянные перемены в духе стандарта IBCS, который утверждает, что палитра деловых рисунков может содержать всю гамму чёрного цвета. Слева — ситуация как-есть, справа — как будет. Стейкхолдеры пронумерованы и связаны: тонкими линиями оргструктуры, и стрелками потока операций. Смена руководства для #9 показана разрывом отношения подчинённости 4–9 в ситуации как-есть, и новой связью 5–9 для как-будет.

Представьте себе, что нам предстоит помочь лягушонку Пепе. Загрузило его начальство трансформацией процесса выхолущивания сепулек в компании — игроке второго эшелона.

Состояние дел как-есть описано, а вот с как-будет — не то, чтобы беда, но муки выбора. И книжки прочитаны, и конференции посещены, и даже пара кейсов от лидера рынка и претендента на лавры от уважаемых консалтинговых компаний изучено. Перенести чужой опыт на свой бизнес — та ещё задача.

После N, нет, пусть лучше будет M бессонных ночей видение кристаллизовалось в два варианта как-будет. Здесь, руководствуясь исключительно светлой целью сделать повествование более красочным, отойдём от требований стандарта IBCS и цветов добавим. Как-есть мы недовольны, поэтому изобразим его красным, а как-будет — зелёным и жёлтым соответственно.


image

Граф, обозначаемый $G = (V, E) $ — это математическая модель — множество множеств — попарные отношения, называемые рёбрами (связями, арками) и обозначаемые как $ e_{ij} $ для любой существующей связи между двумя вершинами (узлами) $ v_{i} $ и $ v_{j} $. Как вершины, так и рёбра могут обладать свойствами (например: профиль пользователя, сила связи, либо её тип).


Что изучать

Характер связей в сети определяет поведение системы — как единого целого, так и её составных частей — именно рёбра описывающего ситуацию графа соединяют подразделения, распространяют нагрузку, либо же добавляют структурных напряжений. Мы будем стремиться к тому, чтобы обнаружить как можно больше связей. Организационная структура и бизнес-процессы, описанные для состояний как-есть и как-будет — это минимальное количество информации, с помощью которого наша модель выдаёт суждения на уровне человека-профессионала.


Как мерить

Анализ данных всегда был важной частью методологии проведения организационных изменений SAP. Изучение структуры организации, процессов, и стейкхолдеров — обычное дело. Исследованиями среды, в которой происходят (либо хотелось бы провести) перемены — занимаются уже не первое десятилетие. Например, BCG может похвастать 50 годами опыта в трансформации бизнеса. А первая редакция фундаментального труда Роджерса (Diffusion of Innovations), из которой выросли все современные методологии управления изменениями, увидела свет ещё в 1962.

Новая — только арифметика.

Семейство алгоритмов, вдохновлённых биологией (графовые нейронные сети) открывает нам новую забавную алгебру — мы приобретаем возможность рассуждать о характере связей и проводить вычисления в пространстве, в котором мы можем с высокой точностью измерять подобие структур.


Набросок бизнес-кейса

Пронумеруем вершины графа и попробуем думать как хорошо образованные профессионалы в проведении организационных изменений. Оценим масштаб перемен для каждого участника организации в отдельности. В качестве примера возьмём вершину #7, украшенную мозаикой в духе Кандинского.

1icqe1m4t1uv1kth5dcmicc7pdo.jpeg

Жил себе стейкхолдер, не тужил. Участвовал в процессе как-есть. И было у него трое в подчинении. Двое — в прямом: #8 и #9, да один ещё подчинённый подчинённого #10.

Пришли инноваторы.

Предложили двух (#8 и #10) из троих удалить. Взамен — добавить ещё одного кадра #11 в соседний отдел. И процесс выхолущивания сепулек по-новому структурировать. Поток работ в новом дивном мире инициирует новый участник #6 — ранее это делал его руководитель #3.

Вариант 1:

Будет наш стейкхолдер в процесс вовлечён непрямо — работу работать придумали единственному из оставшихся подчинённых #9 — ранее он выполнял другую операцию (теперь её будет выполнять шеф стейкхолдера #4).

Вариант 2:

Стейкхолдер продолжит выполнять первую операцию в процессе, а вторую — вместо подчинённого #9 — будет делать его босс #4.

Проанализировав таким образом характер перемен для каждого в отдельности, уже можно делать какие-то выводы о масштабе трансформации. Здесь читатель стоит перед выбором: выполнить упражнение самостоятельно, либо же запросить ранний доступ к полному разбору кейса.

Как правило, после $N^3$ итераций, хорошо образованный профессионал в проведении организационных изменений способен выдать адекватную оценку масштаба перемен для каждого стейкхолдера, и ранжировать их соответственно, где $N$ — количество стейкхолдеров. Отличный профессионал управится за $N^2 log(N) $. Отличная же творческая личность, придумавшая формулу сложения всех незадач, выдающую какую-то численную оценку перемен, да к тому же ещё и умеющая в сортировку в экселе, вообще имеет все шансы асимптотически приблизиться к $N^2$.

Альтернативой рассмотренного аналогового метода оценки будет использование современной математики.

tre

Вариант 1. Масштаб изменений процесса и структуры. Архитектура модели: два слоя свёртки, симметричная матрица связности, активация — линейно. Дистанция — косинусная.

Как это нетрудно видеть, вершины #8 и #10 (удалены) и #11 (добавлена) получают наивысшую оценку по шкале изменений структуры организации. #9 и #5 получают почти равные оценки — первый лишится подчинённого, второй — приобретёт. Можно сказать, модель полагает, что без работника оказаться — немногим хуже, чем с новым. Для верхушки иерархии #0, #1, и #2 ситуация практически не меняется. Отметим то, что для #2 заметно незначительное отличие — все изменения структуры происходят среди её подчинённых.

Сравним сценарии затеянной трансформации. Ради простоты интерпретации результата используем идентичную организационную структуру как-будет для обоих вариантов процесса.

image231

Базовый случай — оцениваем только структурные изменения. Персональные данные не используются. Вообще. Оргструктура и процессы. И всё.

С персональными данными веселее. Во всех смыслах.

Метод похож на наблюдение за физической системой из множества масс, соединённых множеством пружин — при переменах рисунка соединения, либо сил натяжения объекты меняют положение в пространстве. О масштабе индивидуальных перемен мы судим по сдвигу между состояниями как-есть и как-будет. И измеряем этот сдвиг на интервале [0,1], где нулю соответствует отсутствие каких-либо перемен (полное сходство состояний как-есть и как-будет), а единице — максимально возможные изменения.


Скажи мне, кто твой друг (или механика работы свёртки графа)

Одним из подходов к измерению масштаба перемен может быть анализ того, насколько переменится окружение для отдельного индивидуума — включая, но не ограничиваясь: связями подчинённости/управления, спецификацией процесса работы, или интерфейса выполнения транзакций — всё это позволяет новая арифметика из Амстердама.

Рассмотрим механику её работы.

image

Интуиция: свойства окружающих определяют индивидуума.

Для каждого сотрудника соберём информацию о коллегах и пропустим её через нейронную сеть (аггрегатор). В результате получим представление (координаты в многомерном пространстве), которое отражает относительное расположение в системе для каждого. В каком-то смысле процесс напоминает попытку человека выучить все связи и свойства, а потом забыть что-то из выученного.

Масштаб перемен — это дистанция между полученными представлениями для состояний как-есть и как-будет.

Теория социального научения утверждает, что мы обучаемся, наблюдая поведение коллег, и привыкая к нему. Трансформация бизнеса меняет характер связей и окружение встряхивает. Возникает потребность переучиваться. Измерим эту перемену психологического климата (предположив, что мы уже провели профилирование сотрудников и данные у нас есть).

В пространстве масштаба индивидуальных перемен всё выглядит так:

image432

Как видим, добавление данных профилирования повысило разрешающую способность модели — теперь мы учитываем не только трансформацию структур и процессов, но и особенности участников.

Первый вариант изменения процесса в наибольшей степени затронет #7. Альтернатива же больше всего повлияет на #9. Оба варианта окажут примерно равный эффект на вершины #3 и #6 — между ними произойдёт передача роли инициатора процесса. Идентично базовому случаю, верхушку иерархии (#0, #1, и #2) перемены заденут незначительно.

Таким образом, с помощью графовой свёрточной нейросети мы ранжировали стейкхолдеров согласно масштабу трансформации бизнеса в их ближайшем окружении.

Результат близок к оценке, которую выдаст хорошо обученный и весьма дорогой специалист в области проведения организационных изменений.

Всё это возможно уже при наличии минималистичной информации о структуре организации и бизнес-процессах. Добавление малого количества персональных данных повысило разрешающую способность метода. Очевидно, что добавление большего количества данных позволяет надеяться на прогресс и в дальнейшем.


Уголок красный из моделей прекрасных

Рассмотренные в данной публикации методы в контексте задачи ранжирования стейкхолдеров относятся к обучению без учителя — мы пытаемся выявить закономерности и как-то о них рассуждать. Заглядывая в будущее, отмечу, что у больших транснациональных компаний уже есть наборы данных, позволяющие реализовать обучение с учителем. Поэтому, помянув Free Lunch Theorem, вскользь напомню о альтернативных методах описания графов, вроде вейвлетов, которые могут пригодиться исследователям.

Год назад, когда писал о том, где и как врубиться в эмбеддинги графов, за кадром осталась пара моделей, требующих освещения — уж очень хороши:


VERSE — вот github

Как вы наверняка помните, первая волна методов эмбеддинга графов основывалась на случайных блужданиях. Лучшие умы планеты соревновались в том, кто придумает наиболее выразительную стратегию перемещения бродяги. И оптимизировали логарифм вероятности попадания двух вершин в один маршрут. Идея — смотреть на вопрос шире и изучать распределение вероятностей в общем. Один параметр вместо кучи, SOTA в задаче предсказания связей, и впечатляюще сформулированная функция потерь.

rcnrxl0qyocstl0ba3rh4f2knde.jpeg

Ещё у автора есть много интересных проектов, среди которых затесалась одна замечательная модель. На всякий случай замечу, что в названии программы, предлагающей слушать форму графа, явно просматривается и вполне однозначно выражена негативная позиция по отношению к рискованным практикам и призыв следовать здоровому образу жизни.


Графовая свёрточная сеть

Всё гениальное — просто. Вместо того чтобы делать выборку по окружению, соберём свойства всех соседей. И свои тоже. Реализуется перемножением матриц, описывающих граф — модифицированных степеней вершин и связности, и свойств вершин. В общем виде для каждого слоя преобразование записывается как:


$H^{(k+1)} = Dropout \{ReLU [(D+I)^{-½} (A+I) (D+I)^{-½} H^{(k)} W^{(k)} ]\} , $

Где:

$ Dropout $ — регуляризация обнулением случайно выбранных параметров — то самое 'забывание', запатентованное Google,
$ ReLU $ — нелинейная функция активации $ f(x) = max(0,x) $,
$ D $ — диагональная матрица степеней вершин (количество связей),
$ I $ — диагональная матрица из единиц,
$ А $ — матрица связности,
$ H^{(k)} $ — сигнал с предыдущего слоя аггрегации, $ Н^{(0)} = X $, где $ Х $ — матрица свойств вершин,
$ W^{(k)} $ — веса k-го слоя нейросети, которые мы можем:


  • выучить в режиме обучения с учителем;
  • заполнить выбранными наугад значениями;
  • выбросить (функция от этого станет чуть-чуть линейнее).

В деталях механику работы рассмотрел сам автор здесь. Кроме того, пошагово и с примерами, метод рассмотрен ещё и здесь.

Прекрасная в своей простоте, эта модель показывает отличные результаты. Держите вариант реализации большей части выражения из квадратных скобок в три строки от iggisv9t: 

D = sparse.csgraph.laplacian(A, normed=True)
shape1 = X.shape[1]
X = np.hstack((X, (D @ X[:, -shape1:])))

Сниппет года, на мой взгляд.

В чате обсуждали вариант применения такой свёртки для двудольного графа и подготовленный читатель увидит здесь сходство с алгоритмом RolX, двойным. В три строки.

tw6fblhgzir84wtb60myin7zxki.jpeg
ФОТО: сделал кто-то в Кремле для кого-то в Кремле, модель — Фиде́ль Алеха́ндро Ка́стро Рус

Учитывая то, что разделяющая способность свёртки графа идентична WL тесту изоморфизма, равно как и то, что обобщающая способность однослойной нейронной сети с нелинейной активацией неимоверна (оба утверждения доказаны строго) — получается очень заманчивый инструмент исследования сложносвязанных систем.

Стоит отметить, что метод желательно реализовывать на разреженных матрицах — так лапласиан в памяти уместить проще, а иногда — единственный способ. Если уж совсем лень — конвертер есть в репозитории VERSE. А уж коли вас занесло в область очень больших графов, то рассмотренный здесь GraphSAGE по-прежнему остаётся актуальным.


Резюме вышесказанного

Масштаб изменения — это расстояние между состояниями как-есть и как-будет.

Эта дистанция аппроксимируется без использования персональных данных.

Добавление персональных данных улучшает модель.

Попытка описать культуру организации (ту самую, что ест стратегии на завтрак) — чем-то похожа на порыв прибить порцию желе к стенке (или натянуть сову на глобус) — поиск универсального набора шагов для реализации трансформации бизнеса — та ещё задача. Всё, что мы знаем наверняка — сопротивляться переменам люди будут. Каждая ситуация по-своему уникальна и требует понимания местных условностей и реалий.


НЕМОЕ КИНО: ранний прототип модели оценивает масштаб изменений. 0–30 секунда — увольнение #8 и #9. 31–40 — восстановление #8. Переход к описанию состояния как-будет на 40 секунде. Перевод #9 в подчинение к #5 с 41 по 50. Возврат к описанию состояния как-есть и определение потока операций 7–4–5–2 с 1:00 по 1:11. Переход к как-будет и определение целевого потока операций с 1:18 по 1:35. Завершается всё увольнением #7


Позаимствуем интуицию из арсенала классической механики:


1) Перемены требуют воздействия
2) Импульс воздействия определяет скорость перемен
3) Действие провоцирует противодействие

Три закона Ньютона, упомянутые выше, вместе взятые, позволяют описать и смоделировать любое движение физического тела. Их вполне достаточно для того, чтобы отправить человека на Луну.

Подобным образом, учёт всех сил, что придают форму организации — структур и потоков операций — позволяет лучше контролировать переход к новому, желаемому состоянию дел. Классификация стейкхолдеров, полученная совмещением масштаба перемен (требуемое для трансформации усилие) и влиянием, помогает сосредоточиться на том, что действительно важно.


Выводы

В работе руководителя продукта (или проекта) вопрос стейкхолдеров занимает от трети до половины времени. Некоторых инициатив с большой организационной сложностью попросту избегают — держать все связи в голове — достаточно болезненно.

Современная математика позволяет оценить ситуацию. И решает задачу построением модели. Входные данные — описание бизнес-процессов и организационной структуры — это стандартные артефакты методологии внедрения SAP.

Говорят, сегодняшние реалии требуют от бизнеса способности стремительно изменяться и адаптироваться к переменчивой окружающей среде. Данный метод сокращает время анализа масштаба трансформации до нескольких секунд и позволяет сравнить несколько вариантов задуманного быстро.


Литература

[1] Diffusion of Innovations, Fifth Edition, Rogers, 2003 (1962)
[2] Organizational Change Management in SAP Projects, Rothenpieler, SAP, 2009
[3] TRANSFORMATION Delivering and Sustaining Breakthrough Performance, Fæste and Hemerling, BCG, 2016
[4] Overcoming Resistance to Organizational Change: Strong Ties and Affective Cooptation, Battilana & Casciaro, 2013
[5] Inductive Representation Learning on Large Graphs, Hamilton & Ying, 2017
[6] Semi-Supervised Classification with Graph Convolutional Networks, Kiph & Welling, 2017
[7] A Guide to the Project Management Body of Knowledge (PMBOK Guide), PMI, 2017
[8] International Business Communication Standards (IBCS), Hichert & Faisst, 2017


Памятка воспроизводителю

Привет, воспроизводитель!

Если ты это читаешь, то скорее всего любимое начальство уже ждёт от тебя реестра стейкхолдеров, свёрнутого по всем правилам.

Порыв донести важность случайных блужданий в оценке человеческого фактора — то ещё приключение. Интерпретируемые модели вроде RolX (к слову, этот алгоритм нужно было реализовать в домашней работе cs224w образца 2018 года) позволят установить уровень ожиданий.

Бонус — способные донести начальству тождественность одного из возможных вариантов реализации RolX и свёртки графа уже получили тот самый сниппет, который всё это делает.

Успехов!


Альтернатива — есть! 

Повторюсь, 

                     напоследок, 

                                               доколе?

Стейкхолдеров, 

                            мерять,

                                              методом

                                                                   тыка?


image

ФОТО: Тим Уолкер для календаря Pirelli, модель — Симона Мария Томпсон

Напомню - 
          задача решается, 
                           (свёрткой графа) 
                                             за 2 минуты, 
                                                          и 53 клика.

Успеть запросить ранний доступ к среде взаимодействия с моделью можно здесь.

© Habrahabr.ru