Links for this week (weekly)

  • “Each year Jane McConnell produces a report looking at Digital Workplace Trends. The 2013 edition was released recently and provides an interesting insight into the state of social business today. The report highlights a number of key areas impacting upon the digital workplace this year.”

    tags: socialbusiness intranet socialintranet businessproccess socialcollaboration collaboration process

    • Slightly worryingly though the report also found that just over 1/3 organisations align their social strategy with high-level strategic goals.
    • What is clear however is that the digital workplace is not something that’s up for debate.  86% of large organisations either have one already or are in the process of building in the tools necessary.
    • The report found that whilst many senior managers provide vocal support, significantly fewer actually walk the walk
    • mobile will play a big part in social business in 2013
    • Whilst early adopters regularly use instant messaging, video conferencing, co-created content, expertise directories and internal communities, the majority lag some way behind. 
    • I wrote recently about how to use social business to improve internal processes, but the report reveals how uncommon this remains, even amongst early adopters.
    • that despite executive involvement rising, measurement of success at executive level has fallen.
  • ““There’s a lot of value to be created and added through data analytics,” she says, “whether it’s doing a better job spotting talent outside to attract to the company, or doing predictive analysis of who is likely to leave and what are the factors, so you can intervene before that point is reached to try to change the trajectory. There’s a ton of opportunity there.””

    tags: bigdata humanresources talentmanagement recruitment talentretention

    • What we’ll find is a reinvention of some very traditional processes in companies and a rethinking of how HR gets done
    • “You can literally drill down to where it’s happening,” says Axelrod. In addition to seeing departmental or managerial hotspots for leaving, eBay can identify other, less obvious factors. “If somebody has been in a role for three years, hasn’t been promoted, and hasn’t changed roles, there’s a far higher probability of attrition than someone who doesn’t have those circumstances,” she says
    • When you say it out loud, it may sound obvious. But until you look at the data, it doesn’t necessarily compel you to find the people who have that situation and go have a career conversation with them
    • The company has also used analytics to reduce employee attrition following maternity leave by identifying policies to adjust,
    • In many ways, the biggest obstacle to leveraging Big Data in the search for talent may be HR practitioners themselves.
    • Even if many HR professionals don’t have a data background, “there are other places in their company this talent exists
    • it’s a tremendous way for HR to have an impact on the performance of a business
  • “My theory: Teens eschew Facebook and Twitter for Instagram, Tumblr, Snapchat and other apps not because they’re a new, different generation, but because they don’t yet have much of an identity to boast of.”

    tags: identity identitymanagement teens facebook digitalidentity

    • a large percentage of Tumblr users actually don’t WANT an audience. They do not want to be found, except by a few close friends who they explicitly share one of their tumblogs with.
    • Facebook and Twitter are means for people to shape, extend, and inflate their personal identity
    • As for the fact that teens seem so fond of “sexting” and sharing provocative photos, the kinds of things that aren’t often done on Facebook and Twitter, there’s an easy explanation for that: While teenagers lack opinions, knowledge, self-confidence and personal identity, they’re entering their peak years of physical fitness and health. Distasteful as it may be, their physicality is probably the most impressive thing they have to share with one another
  • “Les Big Data marquent une triple rupture dans l’évolution des systèmes d’information : explosion du nombre de données disponibles, variété croissante et renouvellement permanent de ces données. Leur traitement demande bien plus que de la puissance de calcul. Il exige de rompre avec le raisonnement cartésien, pour retrouver la face dite non-scientifique de la pensée humaine : le raisonnement inductif.”

    tags: bigdata inductivereasoning deductivereasoning analytics deduction induction

    • En 2013 ce sont près de 6 zettaoctets d’information (mille milliards de milliards d’octets) qui seront rendus disponibles sur le réseau mondial. La quantité double tous les deux ans, et l’ouverture progressive des données des institutions et des entreprises dans le cadre de l’Open Data renforce encore ce phénomène. L’émergence des technologies du Big Data répond d’abord à cette croissance exponentielle des données disponibles.
    • Un système Big Data présente deux volets étroitement liés : le stockage et l’analyse
    • Les solutions analytiques répondant réellement à cette problématique ont deux caractéristiques : l’induction et la célérité.
    • Le monde du Big Data implique en effet pour les acteurs une véritable révolution culturelle. Il leur faut en quelque sorte accepter de lâcher prise, en acceptant de travailler avec des données parcellaires, disponibles, rapidement accessibles :
    • Viendra ensuite la phase de mutation, qui verra naître des solutions technologiques dérivées de solutions existantes mais disposant d’une vraie valeur ajoutée par rapport à la notion nouvelle, intégrant son « ADN ».
    • L’analyse des immenses masses de données du Big Data se fait principalement par la mise en évidence de corrélations. Cette notion issue de la biologie est utilisée en économie depuis longtemps, mais on considère généralement que sur le plan scientifique elle n’a qu’une valeur descriptive : elle identifie une liaison entre deux variables, mais ne l’explique pas. Elle peut néanmoins être utilisée pour vérifier une hypothèse.
    • d’une hypothèse, on déduit, logiquement, une conséquence, qu’on essaie ensuite de mettre à l’épreuve pour la vérifier. Rien de tel avec les Big Data, qui procèdent par induction.
    • En fait, notre cerveau appréhende la scène situationnelle de façon globale et la traite par induction. Pour ce faire, il généralise des principes observés lors de situations similaires nous impliquant ou impliquant ceux que nous observons (d’autres traversées de rues, en tous temps, avec ou sans lumière, sol mouillé ou non…).
    • Par rapport à toute la tradition scientifique occidentale, issue de Descartes, cette approche est renversante, et l’on conçoit aisément que des esprits scientifiques, formés à la pensée déductive, ne soient pas très à l’aise avec elle.
    • L’induction nous permet de généraliser un phénomène observé, même s’il ne l’est qu’une seule fois
    • En fait il y a un domaine où la déduction excelle et un domaine où l’induction est de mise.
    • Pour un professionnel, traiter des données sur un mode inductif exige un changement de posture.
    • Par exemple : conserver plus de données pour plus de précision devient : oublier plus de données pour ouvrir plus de possibilités. Éliminer les cas singuliers pour se concentrer sur les plus fréquents devient : abandonner les cas fréquents pour se concentrer sur les différentiateurs. Modéliser et normaliser les données devient : rechercher les singularités et les inconnues. Traiter exhaustivement les données devient : se concentrer sur les données essentielles.
    • si, en raisonnement déductif, il y a toujours une fin au traitement, en raisonnement inductif il n’en existe généralement pas
    • Cet apprentissage au fil du temps est inséparable de la deuxième grande caractéristique des Big Data : la célérité.

       

      Dans la mesure où le risque d’erreur unitaire est acceptable pour l’utilisateur (individu ou organisation), il est souvent préférable de disposer d’une information correcte immédiatement, plutôt que de disposer d’une information complète et sûre, mais plus tardivement.

    • Les technologies du Big Data répondent précisément à cet enjeu : traiter bien plus rapidement une quantité grandissante d’informations. Là encore, cela suppose de se tourner vers une approche constructiviste.
    • Par exemple, en informatique décisionnelle il est d’usage de conserver l’information brute afin de conduire des traitements ultérieurs non encore déterminés. En algorithmie inductive de célérité, on préférera transformer l’information d’une forme « en extension » (exemple : conservation de tous les tickets de caisse de monsieur Dupont) vers une forme « en compréhension » (exemple : monsieur Dupont achète un pain tous les lundi et quelquefois un gâteau) plus maniable et moins volumineuse.
    • Autre conséquence, un algorithme de célérité sera de préférence itératif, afin qu’on puisse le stopper sans perdre de résultats. Ainsi l’information sera rapidement disponible et s’affinera dans un processus continu.
  • “Now lets shift our focus from the customer to the employee and ask ourselves the same question. Can analysis of the employee and their interactions help the business make better decisions? If we truly understood what was going on across the enterprise (e.g the interactions and activities that closed a deal) and not just the end result (e.g the deal closed), how would that inform future decisions? Some customers talk about this as analtyics-driven decision making where they need a Watson-esque answer to a variety of questions ranging from “which customer should I touch base with this morning?” to “how many units of X should I order for the NYC store?” to “how can I minimize attrition across all key skill areas?”.”

    tags: humanresources analytics bigdata

    • . HR is already starting to make the transition “from data hoarders to data analyzers” with projects ranging from predictive recruitment to learning forecasting to retention analysis. However I believe they are missing their true potential by looking purely to HR scenarios and maybe not recognizing that what they are building is more broadly valuable to the business.
    • In order for HR to be able to predict recruitment, assess skills & learning, or evaluate attrition risks and actions, they need to grab data from multiple applications across the enterprise; project management systems, development tools, sales applications, and our best friend (perhaps the most valuable of all systems) the Enterprise Social Network
    • And once they start applying analytics to that data, initially for their own purposes, they start generating much broader value to the business
    • No-one has yet stepped up to take ownership of the enterprise social graph. I know I would have never assumed it could be HR based on their track record of innovation, but maybe? I
  • “Ok – so that’s pretty hard, we have established but few ground rules, and it looks like we’ll wander another 10 or 20 years or so in the desert till its really as true as we’d like to to be, but it does seem inevitable, and so it is. But we could speed it along with more rigorous research and learning. We need to stop trying to ferret out bits of good news and start ferreting out learning. In other words, we need to take our own advice about facing both good and bad news with equanimity and an authentic learning orientation.”

    tags: collaboration teams structure adoption streams organization opacity

    • First – the organization, the intranet and collaborative teams are NOT the same thing.
    • Second – streams are nice. I adore twitter. I adore our internal corporate tools that are similar to it. And here we’ve seen great adoption. We’ve turned our org into a giant chat room -an extension of Instant messenger or chat for all. Nice. there’s benefit in that. Ambient awareness has huge benefits and is one of the key elements in making remote work work. But that’s not a ‘wirearchy’, it does not make work visible in an actionable way, it does not cement team bonds, it connects only a modest set of dots, it is, in short, inadequate to change how we work, though its a nice addition. We need to build the semantic, statistical, psycho-social and otherwise tools that goose the gods of serendipity?
    • Here’s one hypothesis to begin the discussion. There are (at least) 5 different kinds of teams.

       

      1. Structural. these are the teams that we can see on the org chart. Marketing, HR, R&D, etc. In larger orgs, these break down even further – hierarchically.
      2. Cross functional – these are the teams that collect people from across the organization for various purposes. In my world, these are often product teams.
      3. Project – these are people that have come together for a very specific and time bound purpose and deliverable.
      4. Interests and Communities of Practice – these are groups that support one another emotionally, socially or professionally, and you’ll see many of them within an organization.
      5. Swarms – these are the long lists of people, many of whom you’ve never met, who are on the cc line of that last reply-all-urgent email trail you were on. You feel this pain like I do, right?

    • Today is the day to stop “proving” we’re right, and start thinking about what’s next.
  • “First draft for a metrics framework for the E20 project evaluation

    As explained in early contribution I am always distinguishing three different stages in the E20 project course: the exploration stage, the mass adoption stage and the transformation stage. Along this project course we can measure and evaluate the direct and indirect effects on the business activitiy, the corporate behavior and the individual working performance. (You have to read the table from the bottom left to the top right!)”

    tags: socialbusiness analytics framework maturitymodel

  • “PDG du Groupe Hervé (1200 salariés) et co-auteur de « Le pouvoir au-delà du pouvoir, L’exigence de démocratie dans toute organisation » (ouvrage que nous présentions ici), Michel Hervé a fait de son groupe un laboratoire de l’entreprise en réseaux et de la mise en œuvre des codes du web 2.0.”

    tags: michelhervé management reporting managers middlemanagement growth innovation intrapreneurship

    • Je pense effectivement, d’expérience, que l’innovation et la croissance de l’entreprise dépendent de la qualité des pratiques managériales.
    • La croissance vient alors naturellement de la dynamique spontanée d’intra-entrepreneurs prenant toute initiative susceptible de les porter au-delà d’eux-mêmes.
    • Les virer non, mais les transformer oui ! L’élément essentiel, à mes yeux, est que les managers deviennent enfin ce qu’ils devraient être
    • Ce qui veut dire cesser d’infantiliser des adultes censés être responsables mais leur apprendre à devenir entrepreneurs
    • Et des entrepreneurs évoluant au sein d’un collectif d’autres entrepreneurs, avec lesquels ils doivent apprendre à composer, ce que j’appelle des intra-entrepreneurs.

Posted from Diigo. The rest of my favorite links are here.