Недавно мы работали над особенно интересным проектом, в котором мы применили несколько новый алгоритм, который мы называем алгоритмом против сообщества. Цель этого поста — поделиться подходом, который мы использовали.

Перевод статьи Introducing the Anti-Communities Algorithm and How We Used it to Help Improve Collaboration at a Client Organization

Алгоритм борьбы с сообществами и то, как мы его использовали для улучшения совместной работы в организации-клиенте

Вводная

Нашим заказчиком по этому проекту было подразделение крупной строительной компании, где руководство хотело лучше понять, как сотрудники компании работают вместе. Поэтому был проведен активный организационный сетевой анализ (ONA), в ходе которого каждый сотрудник заполнил анкету с просьбой определить ключевых лиц, с которыми он работает. С самого начала основной задачей этого проекта было использование ONA в рамках выездного семинара, организованного командой руководителей для 50 или около того руководителей среднего и высшего звена подразделения.

Цель руководящей группы на семинаре состояла в том, чтобы представить результаты ONA и обсудить с более широкой группой способы улучшения сотрудничества. Во время подготовительного звонка, чтобы обсудить, как будут представлены результаты, руководство также обдумывало, как они могут посадить людей за столы, чтобы помочь генерировать новые идеи и отношения. В ходе этого обсуждения с командой руководителей возникла идея, что мы можем использовать данные, собранные в ONA, для разработки оптимальной схемы, чтобы посадить людей рядом с другими, которых они не знают или с которыми тесно не работают в компании.

За пару дней мы разработали то, что назвали антиобщественным алгоритмом, и применили его к списку участников, чтобы создать схему рассадки на семинаре. Ниже мы опишем этот алгоритм.

АНТИОБЩЕСТВЕННЫЙ АЛГОРИТМ

Обратите внимание, что результаты и обсуждение ниже основаны на примере набора данных, а не на фактическом наборе данных из соображений конфиденциальности, но общий процесс и ключевые выводы одинаковы.

Сначала полезно ознакомиться с одним из ключевых подходов, используемых в ONA для измерения сотрудничества, выявляя неформальные сообщества. Сообщества представляют собой непересекающиеся группы относительно тесно связанных между собой индивидуумов. Выявление неформальных сообществ в организации показывает, как сотрудники действительно сотрудничают независимо от формальной организационной структуры. Для обнаружения этих групп доступно несколько методов, каждый из которых предлагает компромисс между скоростью и качеством. Возможно, наиболее часто применяемым алгоритмом является метод Лувена для обнаружения сообщества.

Алгоритмы обнаружения сообществ обычно оптимизируются и оцениваются с использованием модульности, которая измеряет степень, в которой связи внутри групп сильнее, чем связи между группами. Более конкретно, модульность — это доля связей внутри заданных групп за вычетом ожидаемой доли, если бы связи были случайными. В случае невзвешенной и ненаправленной сети модульность может варьироваться от -0,5 до 1. Положительное значение указывает, что связи внутри групп больше, чем ожидалось, на основе случайности. В качестве альтернативы, отрицательное значение указывает на то, что связи внутри групп случайно меньше, чем ожидалось.

На следующем изображении показан пример сети, окрашенной по сообществу в результате применения алгоритма обнаружения сообщества Лувена. Для справки, показатель модульности равен 0,59.

Приведенная ниже матрица сотрудничества обобщает взаимодействия между различными сообществами в вышеуказанной сети. Строки таблицы представляют собой источник соединения, а столбцы — цель. В первом ряду, например, 77,4 % номинаций от членов

Сообщества 1 были выдвинуты другими членами Сообщества 1, 10,6 % — Сообществом 2, 6,0 % — Сообществом 3 и так далее. Обратите внимание на зеленую диагональную линию, начинающуюся в верхнем левом углу по отношению к другим ячейкам. Как и изображение сети выше, оно показывает, что общение внутри сообществ значительно выше, чем между ними.

Теперь, поняв, как обнаруживаются и оцениваются сообщества, мы обсудим обратную задачу, обнаружение антисообщества, почему оно важно и как оно применялось для поиска оптимального расположения мест для семинара на месте.

В отличие от сообществ, антисообщества — это группы, характеризующиеся исключительно низким количеством внутренних связей и большим количеством внешних связей. Несмотря на то, что это относительно новая концепция в сетевой науке по сравнению с обнаружением сообществ, особенно в области ONA, в последние несколько лет растет число исследований и приложений, которые начинают показывать, насколько ценны анти-сообщества.

Как и в случае обнаружения сообществ, для поиска антисообществ был разработан ряд алгоритмических методов. Для целей семинара, а именно для групп фиксированного размера по 10 человек за каждым столом, мы решили создать собственный метод, поскольку большинство альтернатив возвращают группы переменного размера. Аналогично обнаружению сообществ, модульность использовалась для оптимизации и оценки полученных анти-сообществ; но вместо того, чтобы максимизировать модульность, как при обнаружении сообщества, мы минимизировали модульность, чтобы разделить людей на группы, у которых было меньше внутренних связей, чем внешних.

Как анти-сообщества помогают понять и улучшить сотрудничество? Одним словом, сила слабых связей. По сравнению с прочными связями и частыми взаимодействиями в семье или группе друзей, слабые связи характеризуются нечастыми взаимодействиями, такими как отношения со знакомым, незнакомцем или баристой в вашей местной кофейне. Полезность слабых связей широко изучалась с начала 1970-х годов, и было показано, что они имеют решающее значение для поиска возможностей трудоустройства, инноваций, поиска супруга и многого другого (Granovetter, 1973). Внутри организаций они представляют собой связи между различными частями компании, поддерживая единство и взаимопонимание между сотрудниками. Обнаружение антисообщества — это, по сути, метод выявления потенциально слабых связей в вашей организации, которые могут отсутствовать, и, таким образом, позволяет лидерам более эффективно укреплять организационную устойчивость, повышать инновации и улучшать корпоративную культуру.

На следующем изображении показан пример сети, окрашенной получившимся анти-сообществом. Для сравнения, показатель модульности составляет -0,077.

Ниже приведена матрица сотрудничества по анти-сообществу, как и выше для сообществ. Обратите внимание на красную диагональную линию, начинающуюся с верхней левой ячейки. В отличие от сообществ, большинство антисообществ не имеют или имеют относительно мало внутренних связей.

ПОЛУЧЕННЫЕ РЕЗУЛЬТАТЫ

В начале семинара, когда люди нашли свои столы, консультант, проводивший семинар, и команда лидеров заметили большое количество рукопожатий и представлений, когда они ходили по комнате. Было ясно, что алгоритм сработал так, как предполагалось, объединяя людей с другими людьми, с которыми они не были связаны. Еще одно интересное и неожиданное наблюдение, которое они обнаружили, заключалось в том, что у вас могут быть два хороших коллеги или друга, сидящих за одним столом, которые не полагались друг на друга и не много работали друг с другом, поэтому они не выдвигали друг друга в ONA. Хотя это несколько удивительно, это хорошее напоминание о многогранной природе человеческих отношений и о том, как они состоят из различных типов социальных сетей, таких как коллеги и друзья, которые могут взаимодействовать неожиданным образом. Одним из основных преимуществ активных ONA является то, что они позволяют нацеливаться и выявлять различные типы отношений.

Увидев результаты алгоритма и идеи, полученные во время семинара и после обсуждения, команда руководителей вернулась примерно через месяц после первого и попросила нас снова запустить алгоритм, но на более широкой группе в компании. Результаты были аналогичны результатам семинара и стали еще одной проверкой того, что подход работает.