A gestão de mudança está cada vez mais baseada em dados. As empresas não estão preparadas para isso
A ciência de dados está se tornando uma realidade na gestão de mudança, e embora ela não tenha chegado de fato, é o momento das empresas se preparem. As organizações em melhor situação para mudar na próxima década serão aquelas que se prepararem bem agora, coletando os tipos corretos de dados e investindo em sua capacidade analítica. O segredo para construir modelos preditivos é saber o que você quer prever e captar conjuntos de dados extensos e diversos que possam permitir que você faça isso. Ainda que os modelos preditivos para gestão de mudança estejam distantes, empresas podem colocar-se no caminho certo adotando ferramentas precisas e colhendo dados corretos. Observamos cinco atitudes que as empresas podem tomar que não farão com que se arrependam:
Comece a usar ferramentas de participação digital
Existe uma nova geração de plataforma de opiniões de funcionários em tempo real que está começando a substituir as antigas pesquisas de opinião dos empregados — ferramentas que informam muito mais do que somente o que os funcionários pensam todos os anos. Essas ferramentas têm uma relevância clara para a gestão de mudança e pode ajudar a responder perguntas como: a mudança está sendo igualmente bem recebida por todos os departamentos? Alguns gerentes são melhores do que outros para passar as mensagens para os funcionários?
Estamos trabalhando com uma grande companhia de viagem e turismo para implementar um sistema de feedback de funcionários em tempo real. Isso está nos dando a oportunidade de fazer experimentos com diferentes estratégias de mudança dentro de determinados grupos da empresa. Com os feedbacks em tempo real aprenderemos bastante rapidamente como as táticas de comunicação e participação foram recebidas, aperfeiçoando, assim, nossas ações em dias em vez de em semanas, como poderia ser o caso com o uso de métodos tradicionais. Esses dados podem então ser integrados a um modelo preditivo, ajudando-nos a saber com precisão as atitudes que irão acelerar a adoção de uma nova prática, um novo processo ou comportamento por parte de um dado grupo de funcionários. Ferramentas comercialmente disponíveis, como pesquisas da Culture IQ, criam grupos de amostragem de funcionários por meio de um aplicativo de celular todos os dias ou semanalmente para gerar informações em tempo real. O Waggl.com vai mais longe, criando um diálogo contínuo com os empregados sobre uma tentativa de mudança, permitindo que gestores de mudança relacionem essas conversas com o progresso das iniciativas que estão promovendo. Essas ferramentas já podem ter um grande impacto nos programas de mudança, mas os fluxos de dados que criam podem ser ainda mais importantes conforme aprendemos a desenvolver modelos preditivos de mudanças. Empregá-las atualmente é fundamental para garantir o sucesso de iniciativas de mudanças baseadas em dados no futuro.
Empregue analytics das redes sociais para identificar a opinião dos principais interessados
Gestores de mudança também podem olhar para além dos limites da empresa em busca de informações sobre o impacto dos programas de mudança. Clientes, parceiros terceirizados, fornecedores e investidores, para nomear apenas alguns, são todos stakeholders nos programas de mudança; são também mais propensos do que os funcionários a fazer comentários nas redes sociais sobre as mudanças que uma empresa está efetuando, dando, assim, informações potencialmente vitais para o modo como estão reagindo. Na EY, onde alguns de nós trabalham, desenvolvemos uma ferramenta para analytics nas redes sociais chamada SMAART que é capaz de apreender opiniões dentro de grupos de consumidores e de influenciadores. Em um projeto para uma empresa farmacêutica, conseguimos isolar as fontes de informações específicas que impulsionaram opiniões positivas e negativas em relação à marca de um cliente. Estamos agora começando a aplicar essas técnicas pra compreender o impacto externo das tentativas de mudanças — e levar essas técnicas para dentro da empresa, é um passo simples. Avanços em análises linguísticas de texto permitem que agora possamos encontrar pistas sobre comportamento na escolha vocabular das pessoas; mesmo o uso de artigos e pronomes pode ajudar a revelar como alguém está se sentindo. Aplicar essas ferramentas aos e-mails profissionais de maneira anônima ou nos diálogos em ferramentas como o Waggl.com oferecerão informações novas sobre a predisposição para mudança e as reações dos empregados a diferentes iniciativas. E as informações angariadas por meio da análise das comunicações internas serão mais sólidas quando combinadas com os dados externos das mídias sociais.
Colete dados de referência sobre atuais mudanças de projetos
Empresas frequentemente parecem obcecadas com a medição de pequenas mudanças no desempenho operacional, coletando dados sobre vendas, rotação de estoque e eficiência na produção. Contudo, quando se trata de mudança, poucas registram o desempenho de um projeto para outro, além de saber quais atingiram seus objetivos. Embora os projetos tenham características únicas, existem muitas similaridades entre a melhoria do processo, a mudança do sistema, as fusões e aquisições, e a reestruturação de projetos. Há oportunidades para coletar informações sobre a equipe envolvida, a população afetada pela mudança, quanto tempo foi gasto em sua implementação, quais táticas foram usadas, e assim por diante.
Elaborar um conjunto de dados de referência como esse pode não produzir benefícios imediatos, mas conforme o conjunto de dados gerais aumenta, ficará mais fácil desenvolver um modelo preditivo preciso de mudança organizacional.
Use dados para escolher pessoas para cargos de mudança
Durante décadas empresas têm utilizado métodos baseados em dados para escolher candidatos para cargos mais altos. E atualmente algumas empresas, como as varejistas, estão usando analytics preditiva para contratar funcionários da linha de frente. Aplicar essas ferramentas na formação de uma equipe pode tanto aprimorar o desempenho do projeto como ajudar a elaborar um novo conjunto de dados. Se todos os líderes e membros de equipes de mudança se submetessem a testes e avaliações psicométricos antes do projeto, esses dados tornariam-se variáveis a serem incluídas conforme se busca um modelo causal sobre o que faz com que projetos de mudança sejam bem sucedidos. Isso pode ser estendido até para cargos mais informais como “agentes de mudança”, permitindo que empresas otimizem a seleção usando como base o que sabem sobre personalidades de sucesso para essas funções. Levando isso em conta, a startup californiana LEDR Technologies está sendo pioneira no uso de técnicas para prever o desempenho de equipes. A empresa integra fontes de informações e as usa para auxiliar as equipes a antecipar desafios que podem vir a ser enfrentados com as dinâmicas de equipe, conseguindo, assim, impedi-los antes que aconteçam.
Construa um painel
Imaginamos que cada firma possui um painel personalizado, desenvolvido em parceria com a equipe de liderança da empresa, refletindo prioridades, posição competitiva e planos futuros. Desse modo, painéis podem trazer informações para investimentos em transformação específica que a empresa está fazendo. Muitos dos dados que compõem estes indicadores já estão disponíveis atualmente, mas não estão sendo usados. Um cliente da Change Logic’s criou um painel para identificar contratação e desgaste em grupos imperdíveis de talentos. Não é tão sofisticado como alguns modelos que esperamos ver, mas, ainda assim, está ensinando a equipe executiva a usar dados para tomar decisões embasadas em relação às pessoas.
Vai levar tempo para se construir esse tipo de ferramenta. Acreditamos que as empresas devem começar a construir painéis agora e, quando possível, automatizá-los. Hoje, painéis de mudança estão vulneráveis a problemas no sistema de controle de versão, erros humanos e políticas internas. Automatizar os painéis pode deixá-los mais transparentes e objetivos.
À medida que as empresas coletam mais dados e desenvolvem modelos mais precisos, gestores de mudança serão capazes de conseguir usá-los com confiança para prescrever estratégias que permitirão que as firmas atinjam seus objetivos. Quais dos principais interessados estão envolvidos? Quais métodos funcionam com grupos que compartilham estas características? Quais riscos estão associados com os programas que usam estas características? Quais as técnicas que aceleram a distribuição do benefício do negócio, e quais seus custos relativos? Qual a causa e o efeito de tipos específicos de investimento — por exemplo: desenvolvimento de liderança, eventos de grandes grupos e comunicação em cascata? Todas essas são questões que serão respondidas com dados e que ajudarão na criação de planos personalizados de transformação.
Desenvolver este tipo de medida não vai ser rápido nem fácil. Não são instalações que se resolvem de primeira, mas que exigem um comprometimento de vários anos coletando dados, construindo modelos e aperfeiçoando os painéis. Estabelecer um conjunto de dados confiáveis para ser utilizado leva tempo. A qualidade dos dados é um problema em todos os lugares; por isso também é necessário uma linguagem comum de dados que permita que as empresas saibam que estão medindo aquilo que realmente querem medir. Isso tem sido um problema para a análise de dados em outras áreas; não há razão para ser diferente com a gestão de mudança.
Embora vá levar tempo, finalmente seremos capazes de fechar o ciclo causal e fazer previsões mais confiáveis sobre como uma ação ou iniciativa em um programa de mudança vai alterar uma determinada métrica. Isso vai fazer com que o investimento em mudança deixe de ser um ato de fé e passe a ser um julgamento baseado em informação. A gestão de mudança deixará de ser uma disciplina baseada em projeto que se esforça para justificar investimento suficiente, e será uma que orienta os resultados das empresas e mostra como atingi-los. Isso deve levar, no mínimo, ao declínio na única medição sobre programas de mudança que todos nós conhecemos — a taxa de fracasso. E, no processo, podemos finalmente resolver o grande quebra-cabeça de por que tantos esforços transformativos deram errado.
—————————————————————————
Michael L. Tushman é titular da cátedra Paul R. Lawrence MBA Class of 1942 na Harvard Business School e diretor da Change Logic, uma empresa de consultoria especializada em inovação, liderança e mudança, em Boston. É co-autor, com Charles O’Reilley, de “Lead and Disrupt” (Stanford University Press, 2016).
—————————————————————————
Anna Kahn é sócia da EY’s People Advisory Services.
—————————————————————————
Mary Elizabeth Porray é sócia/diretora da Ernst & Young LLP EY’s People Advisory Services.
—————————————————————————
Andy Binns é o diretor administrativo da Change Logic, firma de consultoria em Boston.