Крупномасштабный анализ динамики сетей новых сотрудников

Мы собрали крупномасштабный набор данных от штатных сотрудников Microsoft, описывающий их коммуникационную активность в период с декабря 2021 года по сентябрь 2022 года. Собранные данные содержат анонимизированные события на основных платформах для общения на рабочем месте: Microsoft Teams для удаленных совещаний и обмена мгновенными сообщениями, а также Microsoft Outlook для работы с электронной почтой. В то же время мы собрали набор данных профилей пользователей, содержащий информацию об организационной группе, должностных функциях, управленческом статусе, местоположении, а также размере локальной команды каждого отдельного пользователя. Объединив эти два набора данных, мы выделили две группы пользователей и провели статистический анализ их коммуникационных сетей.

• ⟦• Новые сотрудники. Мы используем дату первой исходящей коммуникационной активности каждого пользователя (то есть участие в собраниях, отправленные электронные письма, отправленные мгновенные сообщения) в качестве оценочной даты начала работы сотрудника. Чтобы минимизировать потенциальные искажения, вызванные запланированными отсутствиями (например, запланированными отпусками) при оценке этих дат начала работы, декабрь 2021 года используется в качестве периода адаптации системы, позволяющего пользователям появиться в наборе данных. После этого мы определили 11 083 пользователя, чья коммуникационная активность впервые началась в период с 01.01.2022 по 27.03.2022 (12 недель), в качестве группы новых сотрудников для нашего анализа. Для каждого отдельного пользователя мы затем создаем еженедельные снимки их коммуникационных сетей в течение 24 последовательных недель, начиная с недели их выхода на работу.22 2 Этот период адаптации выбран, поскольку а) сбор телеметрических данных должен соответствовать нашей политике хранения данных и, следовательно, ограничен определенными временными рамками; и б) этот 24-недельный период является временем, когда происходит большинство мероприятий по адаптации..
• ⟦• Сопоставленные штатные сотрудники. Чтобы оценить сетевые различия между новыми сотрудниками и штатными сотрудниками, мы использовали вышеуказанную информацию о профиле пользователя и определили сопоставимую выборку штатных пользователей в нашем наборе данных. Для каждого выявленного нового сотрудника мы подобрали штатного пользователя, который начал работу до 01.01.2022, по тем же характеристикам профиля, включая организационную группу (63 различных значения), должностные обязанности (инженер или не инженер), управленческий статус (индивидуальный исполнитель или менеджер), местоположение (головной офис или не головной офис), размер локальной команды (50 различных значений). Только 89 из 11083 новичков не удалось сопоставить, и они были исключены из последующего анализа. Затем мы извлекли их коммуникационные сети в течение того же 24-недельного окна наблюдения, что и для сопоставленного нового сотрудника..

Нас интересует эго-сеть каждого отдельного человека в вышеуказанных группах пользователей и то, как она меняется с течением времени. Обозначения и определения официально вводятся следующим образом.

Для недели наблюдения $t$, коммуникационной среды (совещание, электронная почта или мгновенные сообщения), для каждого индивида $k$ мы определяем ненаправленную эго-сеть как $\mathcal{G}^{(t)}_{k}=\{\mathcal{V}^{(t)}_{k},\mathcal{E}^{(t)}_{k},\mathcal{W}^{(t)}_{k}\}$. Здесь $\mathcal{V}^{(t)}_{k}=\{k\}\bigcup\mathcal{N}^{(t)}_{k}$ представляет узел $k$, а также его непосредственных соседей33 3 Обратите внимание, что $\mathcal{N}^{(t)}_{k}$ включает всех штатных сотрудников Microsoft, которые установили связь с индивидом $i$ на данной неделе $t$. Соседние сотрудники здесь не ограничены группами пользователей, определенными в Section 3.1. ($\mathcal{N}^{(t)}_{k}$). $\mathcal{E}^{(t)}_{k}$ представляет собой ненаправленное множество ребер, которое обозначает наблюдаемые взаимные связи между узлами в $\mathcal{V}^{(t)}_{k}$ в пределах заданного временного окна $t$. $\mathcal{W}^{(t)}_{k}$ представляет соответствующие веса ребер.

Сначала мы фокусируемся на индивидуальных сетях один на один, где $\mathcal{E}^{(t)}_{k}$ ограничена коммуникационными взаимодействиями только с двумя участниками. Следуя предыдущим исследованиям (Kossinets and Watts, 2009; De Choudhury et al., 2010), мы определяем вес ребра $w^{(t)}_{ij}=\sqrt{w^{(t)}_{i\rightarrow j}\times w^{(t)}_{j\rightarrow i}}$ между двумя индивидами $i$ и $j$ как среднее геометрическое количества направленных взаимодействий в течение периода наблюдения $t$. Например, для сети электронной почты каждого сотрудника $w^{(t)}_{i\rightarrow j}$ обозначает количество электронных писем, которые $i$ отправил $j$ на неделе $t$. Чтобы обеспечить взаимность наблюдаемых связей, мы определяем эго-сеть $\mathcal{G}^{(t)}_{k}$, состоящую из ребер только с ненулевыми весами, то есть $w^{(t)}_{ij}>0$. Мы рассматриваем альтернативную сеть группового взаимодействия для проверки на устойчивость, которая учитывает групповые коммуникации сотрудников с участием менее 10 человек.44 4 Вес ребра ($w^{(t)}_{i\rightarrow j}$) в сети группового взаимодействия определяется как количество направленных взаимодействий, нормализованное на количество получателей в рамках этих взаимодействий.

Следуя предыдущим исследованиям (Ugander et al., 2012; De Choudhury et al., 2010; Easley and Kleinberg, 2010), мы рассматриваем сетевые метрики для характеристики эго-сети каждого индивида с трех различных точек зрения: размер сети, интенсивность и структурное разнообразие.

• ⟦• Количество уникальных связей. Эта метрика определяется как общее число сотрудников, связанных с конкретным индивидом $k$ в пределах временного окна наблюдения $t$, что напрямую измеряет размер его окружения, то есть $|\mathcal{N}^{(t)}_{k}|$.
• ⟦• Сумма весов ребер. Мы суммируем веса всех ребер, соединенных с эго-узлом $k$, чтобы оценить его общую интенсивность коммуникации, то есть $W_{k}^{(t)}=\sum_{j\in\mathcal{N}^{(t)}_{k}}w^{(t)}_{ij}$. Обратите внимание, что единицы измерения весов ребер различаются в зависимости от среды общения: веса для сетей совещаний, электронной почты и мгновенных сообщений рассчитываются на основе количества совместных встреч, обмена электронными письмами и совместных сеансов чата соответственно.
• ⟦• Количество эго-компонентов. Мы используем количество эго-компонентов ($C_{k}^{(t)}$) для измерения того, насколько каждый отдельный $k$ связывает окружающие сообщества. Эта мера определяется как количество связных компонентов, которые остаются в эго-сети $\mathcal{G}^{(t)}_{k}$ после удаления фокального узла $k$, а также инцидентных ему ребер. Данная метрика часто используется в предыдущих исследованиях сетевой науки для описания структурного разнообразия эго-сети индивида (Ugander et al., 2012; De Choudhury et al., 2010).

В дополнение к вышеуказанным сетевым метрикам, мы также рассматриваем следующие организационные атрибуты в качестве контрольных переменных или предикторов в нашем анализе.

• ⟦• Организационная группа. Этот атрибут представляет собой организационную группу самого высокого уровня в Microsoft, к которой принадлежит каждый отдельный сотрудник. В нашем наборе данных она определяется как родительские узлы на один уровень ниже генерального директора (корневого узла) в официальной организационной структуре..
• ⟦• Функция должности. Мы рассматриваем бинарную переменную $x^{\mathit{(eng)}}$, чтобы указать, относится ли сотрудник к роли инженерной функции, то есть инженер ($x^{\mathit{(eng)}}=1$) по сравнению с неинженером ($x^{\mathit{(eng)}}=0$).
• ⟦• Статусный признак руководителя. Этот атрибут определяется как индикатор $x^{\mathit{(mngr)}}$ для отражения того, находится ли сотрудник на руководящей должности, то есть является ли он руководителем ($x^{\mathit{(mngr)}}=1$) по сравнению с рядовым сотрудником ($x^{\mathit{(mngr)}}=0$⟧).
• ⟦• Местоположение. Мы вводим бинарную переменную, чтобы указать, находится ли офис каждого сотрудника (будь то домашний офис или нет) в том же мегаполисе, что и штаб-квартира Майкрософт.
• ⟦• Размер локальной команды. Мы рассчитываем количество сотрудников, которые непосредственно подчиняются тому же непосредственному руководителю, что и целевой индивид, и используем эту переменную для оценки числа коллег-сверстников в своей непосредственной команде.

Как описано в Section 3.1, мы рассчитываем сетевую статистику еженедельных эго-сетей каждого выявленного нового сотрудника и сопоставленного с ним штатного сотрудника на различных коммуникационных платформах в течение 24 недель подряд. Для проверки выдвинутых гипотез мы используем фреймворк смешанных эффектов и выполняем серию продольных регрессий методом наименьших квадратов (OLS). Регрессионный фреймворк может быть описан следующим образом

Для каждого отдельного индивида $k$ в неделю наблюдения $t$ зависимая переменная ($y_{k}^{(t)}$) кодирует одну из следующих трех сетевых метрик: количество уникальных связей ($|\mathcal{N}^{(t)}_{k}|$), сумму весов ребер ($W^{(t)}_{k}$) и количество эго-компонент ($C^{(t)}_{k}$). Чтобы контролировать потенциальное смещение, специфичное для единицы времени (например, снижение активности в праздничную неделю), в модель включена временная фиктивная переменная $\eta_{t}$ для учета этих фиксированных временных эффектов. Для моделирования потенциальных различий между индивидами вводится $\epsilon_{k}$ для учета случайных эффектов. Для каждого отдельного нового сотрудника $k$ мы также вводим «Неделю адаптации» в качестве числовой переменной, изменяющейся во времени. Для каждого нового сотрудника $k$ в заданную неделю наблюдения $t$ соответствующая «Неделя адаптации» может быть определена как $t-\tilde{t}_{k}$, где $\tilde{t}_{k}$ обозначает начальную неделю индивида $k$. Мы обсудим, как мы применяем этот подход на практике для проверки каждой гипотезы следующим образом. Сводка подробных спецификаций моделей приведена в Table 1.

Чтобы проверить, увеличиваются ли показатели сетевой связности новых сотрудников в течение отслеживаемого 24-недельного периода адаптации и чем эти показатели отличаются на различных коммуникационных платформах (H1), мы проводим регрессионный анализ эго-сетей встреч, электронной почты, а также мгновенных сообщений новых сотрудников. Мы исследуем неделю адаптации в качестве переменной интереса в Eq. 1, а организационные атрибуты (как определено в Section 3.3) используются в качестве контрольных переменных (M1). Оцененный коэффициент недели адаптации позволяет нам оценить направление, а также скорость изменения сетевой связности в течение периода адаптации нового сотрудника.

Для проверки потенциальных различий между сетями новых сотрудников и старожилов (H2), мы формируем объединенный набор данных, включающий как новых сотрудников, так и сопоставленных с ними старожилов. Мы вводим бинарную переменную Tenure Group $x_{k}^{\mathit{(tenure)}}$, где $x_{k}^{\mathit{(tenure)}}=1$ указывает на то, что индивид $k$ принадлежит к группе новых пользователей, а $x_{k}=0$ — в противном случае. Мы используем все организационные атрибуты в качестве контрольных переменных и проверяем влияние Tenure Group (M2). Полученный оценочный эффект соответствует среднему различию между группой новых сотрудников и группой старожилов в рамках окна наблюдения..

Для изучения потенциальных различий метрик сетевой связности, а также скорости их роста между новыми руководителями и новыми индивидуальными контрибьюторами (H3), мы рассматриваем статус руководителя, неделю адаптации, а также их взаимодействие в качестве переменных интереса (M3.a). Все остальные организационные переменные используются в качестве контрольных. В этой модели оцениваемый эффект статуса руководителя отражает среднюю разницу между новыми руководителями и новыми индивидуальными контрибьюторами, в то время как взаимодействие между статусом руководителя и неделей адаптации указывает на разницу в темпах роста их сетей с течением времени. Изменяя переменную статуса руководителя и переменную функциональной роли, мы выполняем аналогичный регрессионный анализ для изучения потенциальных различий между инженерами и неинженерами в течение их 24-недельного периода адаптации (M3.b).

Для проверки того, связано ли внедрение базы знаний приложения «рекомендации людей» с сетевым поведением нового сотрудника (H4), мы вводим дополнительную бинарную переменную People Recommendation $x_{k}^{\mathit{(rec.)}}$ для классификации новых сотрудников на основе их вовлеченности в эти рекомендации, где $x_{k}^{\mathit{(rec.)}}=1$ указывает на то, что сотрудник $k$ нажал или просмотрел функцию «Закрепленные люди» и «Предложенные люди» в Viva Topics в течение отслеживаемого 24-недельного периода адаптации, и $x_{k}^{\mathit{(rec.)}}=0$ в противном случае. Аналогично предыдущей настройке, мы тестируем People Recommendation, Onboarding Week, а также их взаимодействие первого порядка и включаем все организационные атрибуты в качестве контрольных переменных (M4). Тестируя People Recommendation, мы стремимся выявить его потенциальную корреляцию с метриками сетевой связности человека. Тестируя член взаимодействия (People Recommendation $\times$ Onboarding Week), мы исследуем его потенциальное влияние на темпы роста сетевой связности человека в период адаптации.

Мы начинаем с представления бесмодельных временных трендов для различных сетевых метрик. Эти тренды описывают, как коммуникационные сети новых сотрудников изменяются в различных коммуникационных средах в течение 24-недельного периода адаптации. Сравнивая тренды этих новых сотрудников с сопоставимыми штатные сотрудники в том же окне наблюдения, мы подчеркиваем, как новые сотрудники усваивают свое коммуникационное поведение по сравнению со штатными сотрудниками с течением времени. Затем мы проводим серию статистических регрессионных анализов (как описано в Section 3.4) для официальной проверки наших гипотез.

Хотя мы наблюдаем общую тенденцию к тому, что новые сотрудники адаптируют свои сети к сетям постоянных сотрудников, мы выдвигаем гипотезу о возможности существования гетерогенности среди новых сотрудников из-за фундаментальных различий в их должностных обязанностях, социальном статусе и повседневных рабочих процессах (Van de Ven et al., 1976; Ruchinskas, 1983; Diesner and Carley, 2005; Romero et al., 2016) (H3). Мы проводим описательный анализ и статистические регрессии для исследования их гетерогенности по следующим двум измерениям: управленческая позиция (руководитель или индивидуальный специалист) и функциональные обязанности (инженер или неинженер)).

Вышеуказанные результаты показывают, что для полной адаптации новых сотрудников с точки зрения социализации может потребоваться много времени ($>24$ недель), и определенные группы новых сотрудников могут оказаться в невыгодном положении в этом процессе из-за ограниченных возможностей для расширения сети контактов при выполнении повседневных рабочих задач. Тем не менее, цифровая трансформация рабочих мест во время пандемии COVID-19 также открыла возможности для решения этого кризиса связности за счет внедрения нового опыта работы с веб-приложениями. Помимо проведения радикальных мероприятий, таких как целенаправленная организация виртуальных «курилок», мы также исследуем, могут ли веб-подсказки быть органично встроены в повседневные рабочие процессы сотрудника, тем самым провоцируя естественное взаимодействие с коллегами, с которыми они в противном случае не стали бы общаться, и улучшая структурное разнообразие их сети контактов..

Наш анализ до сих пор рассматривал модели двусторонней коммуникации новичков в период виртуального онбординга. Мы также провели отдельный анализ групповых коммуникаций (с участием менее чем 10 человек в каждом групповом взаимодействии). Наши результаты остаются неизменными в отношении значительных разрывов во всех сетевых статистических данных между новичками и старожилами после шестимесячной фазы онбординга, неоднородности между различными руководящими должностями и функциями, а также положительной связи между использованием веб-рекомендаций людей и структурным сетевым разнообразием новых сотрудников. Более подробная информация содержится в приложении.