
در سازمانهای امروز، پیش از آنکه با خودِ انسان روبهرو شویم، اغلب با دادههای او مواجه میشویم: رزومه، امتیاز ارزیابی عملکرد، شاخصهای کلیدی عملکرد، سوابق حضور و غیاب، پاسخهای نظرسنجی و ردپای رفتار دیجیتال. این اطلاعات میتوانند الگوهایی را آشکار کنند که از تجربههای پراکنده یا داوریهای فردی پنهان میمانند؛ اما تصویر حاصل، هرقدر دقیق و منظم، خودِ انسان نیست. داده دربارهٔ فرد نشانهای برای شناخت اوست، نه شناخت کامل او.
این تمایز در تحلیل دادههای کارکنان اهمیت ویژه دارد، زیرا موضوع تحلیل صرفاً فرایند یا محصول نیست؛ تصمیمها میتوانند بر فرصت، اعتبار و تجربهٔ کاری افراد اثر بگذارند. مقالهٔ مروری گیرمیندل و همکاران، در بررسی مخاطرات تحلیل دادهٔ کارکنان، هشدار میدهد که انتقال منطق کاراییمحورِ تحلیل به مدیریت انسان ممکن است پیچیدگی انسانی را دستکم بگیرد و پیامدهای اخلاقی و سازمانی پدید آورد (Giermindl و همکاران، ۲۰۲۱). بنابراین پرسش اصلی این نیست که آیا داده مفید است؛ پرسش این است که چه چیزی را میتواند نشان دهد، چه چیزی را پنهان میکند و چه کسی مسئول تفسیر آن است.
داشبورد مدیریتی میتواند افت عملکرد یک واحد، افزایش غیبت یا رشد نرخ خروج کارکنان را نمایان کند. اینها مشاهدههایی مهماند، اما بهتنهایی علت را روشن نمیکنند. افت خروجی یک کارمند ممکن است با ابهام در نقش، تغییر دشواری وظایف، کمبود منابع، تعارض در تیم یا فرسودگی مرتبط باشد. هر توضیح، پاسخ مدیریتی متفاوتی میطلبد؛ درحالیکه عدد خام بهتنهایی میان آنها داوری نمیکند.
ازاینرو باید میان سه مرحله فرق گذاشت: دیدن الگو، فهمیدن علت و تصمیمگرفتن دربارهٔ اقدام. تحلیل آماری ممکن است در مرحلهٔ نخست بسیار سودمند باشد، اما نتیجهٔ توصیفی را نباید بیواسطه به حکم علّی یا تصمیم نهایی تبدیل کرد. پیشبینی احتمال خروج یک فرد، برای نمونه، بهخودیخود توضیح نمیدهد چرا او ممکن است سازمان را ترک کند یا کدام اقدام منصفانه و مؤثر است.
خودِ داده نیز محصول شیوهٔ سنجش و ساختار سازمان است. اگر تعداد کارهای تکمیلشده ملاک بهرهوری باشد، دشواری کار، کیفیت نتیجه و زمانی که فرد صرف کمک به همکاران میکند ممکن است دیده نشود. امتیاز عملکرد هم میتواند از نوع پروژههای واگذارشده، فرصت دسترسی به منابع و میزان دیدهشدن کار اثر بگیرد. مقالهٔ گیرمیندل و همکاران، با تأکید بر فرضهای پنهان تحلیل دادهٔ کارکنان و محدودیت فهم رفتار انسان از دادههای گذشته، یادآور میشود که رابطهٔ میان شاخص و واقعیتی که نمایندگی میکند بدیهی و کامل نیست (متن مقاله). پس باید پرسید داده چگونه تولید شده، چه چیزی را کنار میگذارد و آیا افراد واقعاً در شرایط قابلمقایسه ارزیابی شدهاند.
اتکای افراطی به تحلیل معمولاً دو واکنش متضاد پدید میآورد: دادههراسی، یعنی کنارگذاشتن هر نوع سنجش و اعتماد کامل به شهود؛ و دادهزدگی، یعنی تلقی نمره و الگوریتم بهعنوان حقیقتی بیطرف و قطعی. هیچیک کافی نیست. شهود مدیر نیز ممکن است زیر تأثیر نزدیکی شخصی، میزان دیدهشدن یا برداشتهای قبلی قرار گیرد؛ اما صورت عددی نیز انتخابهای انسانیِ نهفته در تعریف شاخص، گردآوری داده و تعیین معیار تصمیم را حذف نمیکند.
ریسک دیگر آن است که شاخص به هدف تبدیل شود. وقتی تعداد خروجیها به معیار اصلی ارزیابی بدل میشود، کارکنان ممکن است بهسوی کارهای سریعتر و قابلشمارشتر سوق پیدا کنند، حتی اگر کیفیت، یادگیری یا همکاری جمعی آسیب ببیند. عدد میتواند بهتر شود، بیآنکه هدف واقعی سازمان بهتر شده باشد. از سوی دیگر، فردی ممکن است در گزارشها عملکردی عالی داشته باشد، اما این نتیجه با فشار پایدار و فرسودگی به دست آمده باشد؛ یا فردی با امتیاز متوسط، در انتقال دانش و انسجام تیم نقشی حیاتی ایفا کند.
این نگرانیها صرفاً نظری نیستند: مرور پژوهشی یادشده از مخاطراتی سخن میگوید که ممکن است با افزایش توان تحلیلی و اتکای سازمان به تصمیمگیری دادهمحور تشدید شوند. همچنین راهنمای دفتر کمیسر اطلاعات بریتانیا دربارهٔ پایش کارکنان، پیوند میان پایش، حفاظت از داده و اعتماد را برجسته میکند؛ موضوعی که نشان میدهد شیوهٔ گردآوری و استفاده از اطلاعات، خود بخشی از رابطهٔ سازمان با کارکنان است.
راه میانه، جمعکردن تصادفی داده و شهود نیست؛ بلکه ساختن فرایندی است که شواهد، زمینه و مسئولیت تصمیمگیرنده را همزمان ببیند. برای این کار:
۱. از مسئله آغاز کنید، نه از انبوه دادههای در دسترس. روشن کنید چه پرسشی قرار است پاسخ داده شود و تحلیل از کدام تصمیم پشتیبانی میکند.
۲. اعتبار شاخص را بسنجید. بررسی کنید که شاخص تا چه حد مفهوم موردنظر را نمایندگی میکند، دادهها کامل و بهروزند یا نه و افراد در شرایط مشابه مقایسه شدهاند یا خیر. یک نمرهٔ منفرد را معادل ارزش یا ظرفیت کلی فرد نگیرید.
۳. نتیجه را در زمینهٔ کار تفسیر کنید. تغییر مسئولیتها، دشواری وظایف، دسترسی به منابع، کیفیت همکاری و روایت خود فرد را کنار دادهٔ کمی قرار دهید. گفتوگو جای تحلیل را نمیگیرد؛ به فهم معنای آن کمک میکند.
۴. بازبینی را متناسب با پیامد تصمیم جدیتر کنید. اگر تحلیل بر ارتقا، جبران خدمات یا ادامهٔ همکاری اثر میگذارد، امکان بررسی شواهد و اصلاح خطا باید وجود داشته باشد. حضور مدیر فقط وقتی مؤثر است که خروجی مدل را خودکار تأیید نکند و اختیار واقعی برای تغییر تصمیم داشته باشد.
۵. شفافیت و پاسخگویی را حفظ کنید. کارکنان باید بدانند چه دادهای و برای چه هدفی به کار میرود، چه کسانی به آن دسترسی دارند و چگونه میتوانند خطا یا تصمیم را به چالش بکشند. راهنمای دفتر کمیسر اطلاعات بریتانیا بر رعایت الزامات حفاظت از داده در پایش و اهمیت اعتماد تأکید دارد؛ این راهنما در چارچوب قانون بریتانیا ارائه شده و جایگزین بررسی الزامات حقوقی محل فعالیت سازمان نیست.
در پایان، پیامد تصمیم را پیگیری کنید: آیا اقدام شرایط کار را بهبود داد یا فقط شاخص را تغییر داد؟ آیا گروهی از کارکنان هزینهای نامتناسب پرداختند؟ تحلیل مسئولانه، علاوه بر کیفیت پیشبینی، پیامد انسانی و سازمانی استفاده از آن را نیز میسنجد.
تحلیل داده از پسِ انسان برمیآید، اگر منظورمان کمک به دیدن الگوها، آشکارکردن پرسشهای پنهان و سنجش پیامد تصمیمها باشد. اما اگر انتظار داشته باشیم یک مدل، نمره یا پروفایل تمام پیچیدگی یک فرد را در خود جای دهد، از ابزار چیزی میخواهیم که توان انجامش را ندارد. انسان در بستر رابطهها و شرایط کار معنا پیدا میکند و حتی واکنشش به تصمیم سازمان میتواند مسیر بعدی را تغییر دهد.
بلوغ مدیریتی یعنی داده را جدی بگیریم، اما به آن تسلیم نشویم؛ از شهود استفاده کنیم، اما آن را مصون از خطا ندانیم؛ و در تصمیمهای اثرگذار، فرصت شنیدهشدن و بازبینی را فراهم کنیم. داده میتواند توجه ما را به جایی ببرد که نیازمند بررسی بیشتر است. فهم زمینه، سنجش انصاف و پذیرش مسئولیت تصمیم، همچنان بر عهدهٔ انسان است.