К настоящему времени вы знакомы с возможностями A/B-тестирования: проведения простых экспериментов, чтобы увидеть, какой из двух вариантов более эффективен для достижения желаемого результата. Маркетологи используют A/B-тесты, чтобы противопоставить друг другу различные призывы к действию или выяснить, какое из двух изображений приведет к наибольшим продажам на сайте электронной коммерции.
Но могут ли менеджеры использовать A/B-тестинг для чего-то совершенно другого — например, для разработки лучшего способа мотивации своих сотрудников?
Так считают два исследователя из Kellogg School of Management.
В новом исследовании Джордж Георгиадис и Майкл Пауэлл, оба доцента по стратегии, разрабатывают модель, которая показывает, как организации могут использовать A/B-тестирование, чтобы найти более эффективные способы структурирования стимулов производительности. Они определили, что даже один A/B-тест может предоставить удивительный объем информации о том, как сотрудники будут реагировать на ряд стратегий поощрения. И они предлагают основу для максимального использования данных A/B-тестирования.
«Мы хотим понять: если у вас есть определенные данные, каким образом вы можете использовать их для улучшения планов мотивации ваших сотрудников? Как далеко вы можете зайти с помощью простого A/B-теста? » — говорит Георгиадис. «В принципе, чтобы внедрить «оптимальный» план стимулирования, вам потребуется бесконечное множество экспериментов. Мы утверждаем, что с помощью одного эксперимента на самом деле можно зайти довольно далеко»
Это важно, объясняет он, потому что работодатели, по понятным причинам, очень неохотно экспериментируют со схемами стимулирования, поскольку они не хотят огорчать своих сотрудников.
«Если мы говорим об изменении способа оплаты людям, мы не хотим проводить много подобных экспериментов», — говорит Пауэлл. «Если вы работаете над веб-сайтом и пытаетесь выяснить, какого цвета сделать кнопку, провести намного больше тестов гораздо проще»

Правильные стимулы

Организации используют широкий спектр схем стимулирования, чтобы мотивировать своих сотрудников усердно трудиться.
Некоторые схемы довольно просты: например, сотрудник, который получает базовую зарплату, а также бонус при достижении определенной цели продаж, или транскрибатор, работа которого оплачиваема в зависимости от количества заполненных документов. Другие схемы гораздо более сложны и могут включать такие инструменты, как участие в прибыли или ограничение акций.
Но все они связаны с важными решениями —  критическими компромиссами. Например, должен ли этот бонус быть легко доступным, но скромным? Или трудно зарабатываемым, но очень прибыльным? Некоторые сотрудники могут найти последний вариант более мотивирующим; а других он просто разочаровывает. А что с базовой зарплатой? Слишком высокая по сравнению с бонусом — и это может способствовать попустительству; слишком низкая — и сотрудники, предпочитающие стабильность, могут отказаться.
Более того, в зависимости от характера работы, также как и от индивидуальных предпочтений сотрудников, схема стимулирования, которая хорошо работает в одной организации, может потерпеть неудачу в другой. Это означает, что, с практической точки зрения, один из немногих способов для менеджеров узнать, лучшая ли схема мотивации внедрена в их организации  — это изменить существующую схему на ограниченный период времени — возможно, только в одном подразделении организации — а затем посмотреть, что на самом деле происходит с производительностью.
Итак, Георгиадис и Пауэлл решили определить, как много работодатели могут извлечь из одной настройки.
Исследователи построили математическую модель для анализа взаимодействия между работодателем и его сотрудниками. У работодателя есть действующая система стимулирования, и он собирает данные о том, насколько продуктивны его сотрудники в рамках этой системы стимулирования. Затем работодатель произвольно перенастраивает схему стимулирования — возможно, понижая порог для получения бонуса или увеличивая сдельную оплату — для некоторых или всех своих сотрудников и собирает данные о том, насколько продуктивны сотрудники при таких условиях.
Затем исследователи выяснили, насколько хорошо данные, полученные в результате указанного выше A/B-теста, можно использовать для создания нового — более эффективного — стимулирующего контракта.
«Предположим, мы найдем способ заставить сотрудников работать немного усерднее, в соответствии с новым набором условий контракта, — говорит Пауэлл. — Мы видим, что в среднем это изменение компенсации увеличило объем выпускаемой продукции или производительность на определенную величину. Но оказалось, что в этом эксперименте содержится гораздо больше информации. А именно, мы знаем, что произошло не только со средним объемом производства, но и с вероятностью получения низкой и высокой производительности. Это очень информативно»
Важно отметить, что работодатель может использовать данные о распределении ответов сотрудников, чтобы предсказать, как производительность сотрудников — и, в более широком смысле, прибыль работодателя — изменится при любых изменениях в контракте.
Как так? Например, глядя на распределение результатов в соответствии с двумя контрактами, работодатели могут узнать, чем вызвано увеличение средней производительности:  тем, что сотрудники с меньшей вероятностью будут бездействовать или тем, что они с большей вероятностью будут усердно работать. Разница кажется незначительной, но на самом деле она весьма значительна.
Если сотрудники, которые меньше бездельничают, увеличивают производительность в конкретной среде, «это говорит нам о том, что нам следовало бы наказывать за низкую производительность», — говорит Пауэлл. Так, например, работодатели могут платить сотрудникам меньше за одну задачу, если они выполнили необычно малое количество задач. Или работодатели могут предложить очень низкую базовую заработную плату с возможностью получения бонуса, если сотрудники чуть более, но на приемлемом уровне, производительны.
С другой стороны, если сотрудники, которые работают усерднее, показывают увеличение производительности в определенных условиях, это предполагает, что работодатели должны «платить людям больше, когда достигается высокая производительность», — говорит Пауэлл.
На практике это может означать, что сотрудникам нужно платить за задачу больше, если они выполняют амбициозно большое количество задач, или предлагать среднюю базовую зарплату с возможностью получения бонуса только в том случае, если сотрудники чрезвычайно продуктивны.

Проведение тестирования

Чтобы проверить точность своей модели с использованием данных о производительности, сгенерированных реальными участниками, исследователи обратились к ранее опубликованным данным участников, которые выполнили простую онлайн-задачу с применением шести различных схем оплаты.
Они хотели понять, насколько хорошо их модель может использовать реальные данные о производительности из любых двух схем оплаты, чтобы предсказать, как участники будут работать при друнэгой, совершенно иной схеме.
Модель смогла с высокой степенью точности прогнозировать эффективность других стимулирующих условий контрактов. «В среднем разница между прогнозируемой и фактической производительностью составляет чуть менее 2 процентов, — говорит Георгиадис. — Мы с Майком были очень удивлены тем, насколько точны прогнозы».
Исследователи также использовали реальные данные о производительности, чтобы проверить способность своей модели разработать лучшие условия контракта. Они задались вопросом: насколько близок этот контракт будет к «оптимальному»?
Они обнаружили, что в среднем использование данных из любых двух контрактов позволило бы работодателю составить третий контракт, который принесет чуть более двух третей прибыли, которую он получил бы, если бы мог разработать действительно «оптимальный» контракт.
«Вы не составляете «оптимальный» контракт, потому что у вас нет всей информации, — говорит Георгиадис. — Тем не менее, в условиях этого онлайн-эксперимента один A/B-тест может приблизить вас к оптимальности на две трети»

Преимущества A/B-тестирования

Концепция Пауэлла и Георгиадиса имеет ряд преимуществ, которые делают ее практичной для использования организациями. Во-первых, в отличие от многих предыдущих экономических исследований в области стимулирования, здесь не требуется, чтобы работодатель знал заранее что-либо о предпочтениях своих сотрудников, например, насколько им не нравится работать в более быстром темпе. Также от них не требуется полного понимания того, сколько усилий нужно для повышения производительности в данной рабочей среде.
«Мы утверждаем, что если вы хотите провести A/B-тестирование, вам не нужно много об этом знать», — говорит Пауэлл. «Вы просто наблюдаете, как они (сотрудники) реагируют».
Их подход может быть применен к организациям разного размера, хотя организации, которые могут провести более крупный эксперимент, в результате которого будет получено больше данных, узнают больше из своего теста.
Еще одно преимущество заключается в том, что статья исследователей включает все шаги, которые необходимо предпринять организации, чтобы на самом деле использовать данные A/B-теста для создания схемы стимулирования, близкой к оптимальной. Это само по себе является ключевым, потому что процедура едва ли очевидна.
Исследователи отмечают, что эта работа над A/B-тестами изначально была вдохновлена студентами из их курса по организационной стратегии. «Раньше мы преподавали основные принципы теории стимулирования, и нам всегда задавали вопрос: «Ну, а буквально, что мне делать? У моих родителей есть фабрика, и их рабочие получают сдельную оплату. Как нам изменить сдельную оплату?» И существующие инструменты не подходили для ответа на этот вопрос», — говорит Пауэлл.
А этот инструмент есть. И у него даже есть последнее преимущество: известность.
«В настоящее время фирмы используют эксперименты для различных целей, — говорит Георгиадис. —  Мы считаем, что это также может быть весьма полезно для разработки системы стимулирования».


Источник : edwvb.blogspot.com

Похожая запись