Hvorfor tech tager sig af virksomhedens kultur
Som virksomheder, der er opslugt af forandring, måske teknikere kan hjælpe personalet gøre følelse af det hele.
Bil-gigant Daimler anvender Neo4j graf-database teknologi i sin HR afdeling. ZDNet talte til Jochen Linkohr, leder af HR DET hos Daimler, for at finde ud af mere.
ZDNet: Hvornår har du begynde at lede ved hjælp af grafen data model i HR, og hvad tiltrak dig til det?
Linkohr: For os, kunne vi se fordele ved at bruge graf teknologi i HR-projekter, fordi HR data er ikke isoleret, så du ikke normalt har en person, der arbejder uden en forbindelse til en anden person. Hvis du ser på en virksomhed, hver gang du ser på de mennesker, der arbejder i den virksomhed, du vil se, at de alle har en forbindelse til andre mennesker, der arbejder i virksomheden, vil du ikke se nogen, der er helt isoleret.
Det er en af grundene til, at vi troede, at HR-data kan være en meget god pasform med en graf data model. Vi er begyndt med at forsøge at forstå, hvad grafen og HR-data har til fælles.
Linkohr: “Vi er i gang med at forsøge at forstå, hvad grafen og HR-data har til fælles.”
Foto: Daimler
Lad os siger, at John arbejder på en analytics-projekt, og du har en anden person, Amy, som også arbejder inden for HR. Så hvis du har et andet datasæt, som er en analytics-projekt for HR, så har du en forbindelse mellem John og Amy, fordi de arbejder på en analytics-projekt for HR.
Så data og oplysninger om disse data er ikke i data i sig selv — der er John, der er Amy og der er analytics karakteren af projektet. Og der er basis for en graf, og det passer meget godt med den virkelige verden.
Det er den første grund. Den anden grund, og det er en konkret grund til, hvorfor vi har oprettet denne struktureret program, er, at vi har skabt vores Lederskab 2020-programmet hos Daimler. Vi er ved at omdanne en virksomhed fra klassisk, hierarkisk struktur til en blanding af klassiske hierarkier og hvad der kaldes en ‘sværm’, som er en blanding af de samme mennesker, der arbejder på det samme projekt, men der kommer fra forskellige afdelinger og forskellige hierarkier.
Og vi troede, at når der beskæftiger sig med dette multi-strukturerede data, kan det være et godt udgangspunkt for ved hjælp af grafer, fordi vi har en masse strukturer, der bliver omdannet til andre strukturer, fordi nogen ønsker at vide, hvem der arbejder i en sværm.
Så, hvis nogen ønsker at vide, hvem der arbejder på en sværm, og i hvilken struktur, hvor fabrikken og den slags ting, så på et tidspunkt er du nødt til at administrere disse data. Vi troede, at denne ville være et godt udgangspunkt for at skabe et system, der ville kunne gøre det.
Dette var udgangspunktet for det første projekt, som kaldes Struktur Terning.
Kan du forklare, hvad var formålet?
Virksomheder, der normalt har et hierarki, hvor nogen har en chef; chef er en chef og så videre. Men hvis du ikke har så klart hierarki, og virksomheden er organiseret ved hjælp af sværm, så de kan henvise til et sted, hvor du styre forskellige strukturer, Så jeg arbejder her inden for, lad os sige fem forskellige strukturer. Du kan se på mine data på et hierarki-niveau, men du kan også se på forskellige strukturer på hvor jeg arbejder, på hvad jeg arbejder, og som sværme, jeg arbejder for at få et resultat.
Så, hvis du ønsker at matche alle disse strukturer på toppen af en anden struktur, du vil ende op at matche alle de knuder, der er de mennesker, der har deres egne knudepunkter, og du er nødt til at gøre en n-dimensional matchning af alle disse strukturer og andre strukturer.
SE: IT-pro ‘ s guide til GDPR compliance (gratis PDF)
Du er nødt til at bygge alle disse strukturer ved hjælp af de samme data, men struktureret på en anden måde. Det er udgangspunktet, og vi ender med en Struktur Terning.
Har du starter med en plan for en bestemt del af virksomheden eller har du tilstræbe at gøre det for hele virksomheden?
Vi startede med hele virksomheden, Daimler AG [en virksomhed over 250.000 medarbejdere]. Vi startede med at integrere alle af strukturen i det. Ikke på alle de strukturer, men på de strukturer, der er fælles for hele virksomheden.
Kunne du give mig et eksempel på en struktur?
En struktur kan være en klassisk hierarki — der er chef for hvem? En anden struktur kan være der, hvor du arbejder, eller hvor sværm? Du kan have en række-baseret organisatorisk diagram eller et hierarki baseret på diagrammet. Du kan også få en placering-baseret organisationsplan, afhængig af hvilken position du arbejder i, fordi den ene virksomhed eller en afdeling af vores virksomhed må ikke være på samme sted. Så der er forskellige måder at konstruere diagrammer afhængigt af de data.
Hvordan har du indsamle de data, — jeg antager, at du havde nogle form for automatiseret proces til at gøre det?
Godt de data, som allerede var der, men på forskellige systemer, så vi har lige udtrukket den fra forskellige systemer eller bare forbundet til det. Så, det var der, og den sværm organisation, der havde startet nogle år siden, så havde vi bare dem interface til at indtaste nye data.
De eksisterende data — ligesom den klassiske hierarki — er der, og så har vi bare grænseflader til det.
Kan du give mig en idé om de filer, som du var ved at bygge dem? Formodentlig du havde en temmelig massiv fil af de ansatte?
Vi havde nogle tusindvis af noder, men det var egentlig ikke så meget. For en graf-database som Neo4,j, der er intet. Vi har links med noder i forskellige versioner af hierarkier. Jeg tror, at vi er i den dimension af titusinder af noder.