Está tudo conectado: revelando o potencial em redes colaborativas ocultas usando ONA – Organization Network Analysis

Em todas as organizações, as pessoas constroem e contam com redes construídas informalmente em busca de informações, conselhos e colaborações. Frequentemente as redes invisíveis de pessoas são diferentes da hierarquia formal da organização. Descobrir as redes informais e compreender como fluem as informações se tornam cruciais e extremamente valiosas para os líderes da organização.

Neste estudo, explicaremos brevemente sobre o que é a Análise de Rede da Organização (ONA) e como medi-la com eficácia. Um pequeno conjunto de dados de amostra é usado para demonstrar nosso experimento ONA e gráfico de rede.

O que é Análise de Rede Organizacional

A análise de rede organizacional (ONA) é um método para estudar e visualizar como as comunicações, informações e decisões fluem dentro de uma organização formal. Ele cria modelos estatísticos e gráficos das pessoas e grupos de uma organização.

A rede/grafo organizacional consiste em nós e arestas. Os nós são pessoas na organização e as arestas são conexões entre as pessoas simbolizadas pelas arestas ou setas. Quando duas pessoas trocam informações necessárias, uma conexão é estabelecida e uma pessoa influencia a outra.

A rede/grafo organizacional consiste em nós e arestas. Os nós são pessoas na organização e as arestas são conexões entre as pessoas simbolizadas pelas arestas ou setas. Quando duas pessoas trocam informações necessárias, uma conexão é estabelecida e uma pessoa influencia a outra.

Na figura acima temos uma representação visual de um organograma tradicional comparada à uma análise de rede organizacional.

Esta ONA identifica um gerente de nível médio (vide organograma tradicional) essencial para o fluxo de informações, como o papel central de Mitchell, que é o único ponto de contato entre os membros da divisão production e o resto da rede.

Ao longo de duas décadas de pesquisa, Cross* e colegas descobriram que 3-5% das pessoas em uma rede de organização típica respondem por 20-35% das colaborações que agregam valor. No entanto, mesmo sistemas sofisticados de gestão de talentos tendem a ignorar cerca de metade desses atores centrais.

Entre outros problemas, isso significa que as pessoas que fazem suas contribuições colaborativas mais significativas não estão sendo reconhecidas. Pesquisas mostram que muitas vezes elas se cansam e vão embora. Para resolver esse problema, a Juniper Networks usou o ONA para identificar “estrelas ocultas” , aquelas que estão tendo um impacto significativo, mas estão sendo perdidas por um sistema de gerenciamento de desempenho mais tradicional, e contou com essas estrelas ocultas para liderar a mudança organizacional.

Frequentemente a ONA revela que a colaboração e influência da organização são bastante diferentes das estruturas formais relatadas. Compreender essa rede invisível é essencial para todos os aspectos das operações eficazes da organização. A ONA ajuda os líderes da organização a os identificarem, aumentar a eficácia operacional, evitar sobrecarga de colaboração, impulsionar a inovação e sobretudo reduzir o Burnout.

Como medimos a centralidade de pessoas / nós

Para responder à nossa pergunta sobre quem é o funcionário mais proeminente na rede, primeiro devemos definir algumas métricas de centralidade válidas. Existem quatro métricas de centralidade amplamente utilizadas: grau de centralidade, centralidade de autovetor, proximidade e intermediação.

Escolhemos a métrica de (Eigencentrality) centralidade de autovetores no conjunto de dados de amostra, pois estamos mais interessados em descobrir quem tem mais influência na organização. Quanto mais alto o valor, mais influência se tem.

Ele atribui pontuações relativas a todos os nós na rede com base no conceito de que as conexões para os nós de alta pontuação contribuem mais para a pontuação do nó em foco, de que conexões com nós de iguais ou baixa pontuação. O algoritmo PageRank do Google(que exibe as primeira paginas a partir do argumento de busca), é um exemplo de Eigencentrality. Métricas de centralidade de autovetores podem ser interpretadas como influência.

Conjunto de Dados

O conjunto de dados usado nesta análise foi publicado pela primeira vez pela Cross e Parker em 2004 e contém os resultados da pesquisa com 46 funcionários.

Pergunta da pesquisa:

“Por favor, indique quantas vezes você recorreu a essa pessoa para obter informações ou conselhos sobre tópicos relacionados ao trabalho nos últimos três meses”.

0: Não conheço esta pessoa;

1: Nunca;

2: Raramente;

3: Às vezes;

4: Frequentemente;

5: muito frequentemente.

Os registros de amostra são assim:

Nossa rede de influência de funcionários é um gráfico direto, ou seja, uma linha de seta do funcionário employee1 a employee2, o que significa que employee1 tem alguma "influência" sobre employee2.

Nesta rede de amostra, existem 46 pessoas e 879 ligações entre funcionários.

Nosso objetivo é encontrar as pessoas que têm mais poder de influência dentro da organização.

Experimento

Abaixo estão as pontuações de autocentralidade (eigencentrality) para os três primeiros e últimos três funcionários.

Este experimento criará um gráfico de influência da organização usando dados de pesquisa publicados em 2004.

Aqui usamos o NetworkX, uma biblioteca da linguagem de programação Python para estudar a estrutura, dinâmicas e funções de redes complexas. Usamos também para traçar o gráfico da rede da nossa organização.

O nó vermelho (# 6) representa o funcionário que tem mais influência na organização.
O poder de influência é refletido pelo tamanho do nó.
A cor da aresta/seta mostra a pontuação de influência (1 a 5) de uma pessoa sobre a outra.

Como o dataset foi criado de forma "ativa" (via survey) e tem uma pergunta bem clara e é direcional, daria pra investigar o "in degree" de cada nó somando as arestas que chegam em cada um deles. Além das métricas já apresentadas, a hipótese de plotar o histograma destes"in degree" já deveria ser um indicativo de quem é mais influente. Vejamos abaixo o gráfico citado:

O que leva a uma análise equivocada, visto que o Eigencentrality atribui pontuações relativas a todos os nós na rede com base no conceito de que as conexões para os nós de alta pontuação contribuem mais para a pontuação do nó em foco do que conexões com nós de iguais ou baixa pontuação. No caso em tela, o nó central é o de número seis, enquanto esta simples análise aponta para o nó de número vinte.

No esboço abaixo é possível entender melhor isto.

Construir a maturidade analítica depende de um ecossistema multifacetado que inclui parcerias estratégicas com líderes de negócios,cientistas de dados, programadores, além do desenvolvimento da capacidade e obtenção de recursos analíticos para várias funções de RH, porém sobretudo, a propagação de uma cultura de dados por toda a organização.

Embora as habilidades da equipe de people analytics ainda sejam importantes, o desenvolvimento de conhecimentos básicos de dados em todas as funções de RH é a chave para o avanço da maturidade.

People Analytics não pode entregar valor sem um alinhamento profundo com o negócio. Uma forte cultura de dados impulsionada pela liderança sênior é crucial para construir e manter a maturidade da área e equipe de people analytics.

Organizações com capacidades analíticas desenvolvidas podem ter melhores resultados financeiros, visto a imensidão do campo de aplicação destas técnicas já validadas e consagradas em outras áreas da ciência além da eliminação da subjetividade, algo que sempre me gerou grande preocupação nestes mais de trinta anos atuando na área de Recursos Humanos.

Finalmente não posso me esquecer que este estudo ainda estaria na pilha dos "to-do" se não fosse pela parceria construída nos últimos quatro anos com o o ilustre @Luiz Fernando Fávero, cuja humildade é inversamente proporcional à sua capacidade didática, programação e analítica.

*fonte: [Dataset](https://toreopsahl.com/datasets/#Cross_Parker) usado nesta análise foi publicado pela primeira vez por Cross e Parker em 2004 [1] e tem resultados de pesquisa de 46 funcionários.

[1] [Cross, R., Parker, A., 2004. The Hidden Power of Social Networks. Harvard Business School Press, Boston, MA.](https://www.bu.ac.th/knowledgecenter/epaper/jan_june2010/pdf/Page_155.pdf)

Por Carlos Prado, facilitador do Grupo de Estudos de Transformação Digital do RH de São Paulo

São Paulo, 17 de Maio de 2021