شرکت کارن تکنولوژی - درحال بارگزاری...

نوآوری پرداز کارن

توسعه بر بستر وب و موبایل، خدمات هوش مصنوعی و یادگیری ماشین، توسعه بازی بر بستر موبایل، توسعه بر بستر بلاکچین

شبکه های اجتماعی

تماس آنی ما با شما

در کوتاهترین زمان مشاوره رایگان دریافت نمایید

ماتریس ۹خانه - عملکرد و پتانسیل، روی داده نه سلیقه

ماتریس ۹خانه استعداد و جانشین‌پروری داده‌محور

اگر مدیر کلیدی شما فردا استعفا بدهد، چه کسی جایش را می‌گیرد؟ در خیلی از سازمان‌ها جواب این سؤال در ذهن یکی دو نفر است. ماتریس ۹خانه ابزاری ساده برای بیرون آوردن این جواب از ذهن‌هاست: کارکنان را بر پایه عملکرد و پتانسیل کنار هم می‌گذارد. در این مقاله می‌بینید این ماتریس چطور کار می‌کند، داده‌محور بودنش یعنی چه، چطور به جانشین‌پروری وصل می‌شود و چه خطرهایی دارد.

در این مقاله می‌خوانید

  • ماتریس ۹خانه چیست
  • عملکرد و پتانسیل یکی نیستند
  • نه خانه و اقدام هر خانه
  • مشکل ماتریس روی کاغذ
  • داده‌محور بودن یعنی چه
  • جانشین‌پروری یعنی چه
  • ورودی خوب برای ماتریس
  • یک مثال از تیم فروش
  • جلسه هم‌سنجی را چطور برگزار کنید
  • از ماتریس تا برنامه توسعه
  • خطرهایی که باید جدی بگیرید
  • از کجا شروع کنید
  • نمونه عملی: ماتریس ۹خانه در Caren Enterprise AI
مدیری در دفتر کار که داشبورد تحلیلی را روی صفحه‌ای شفاف بررسی می‌کند

محصول آماده کارن تکنولوژی

این را روی داده واقعی کسب‌وکار خودتان ببینید

آنچه در این مقاله می‌خوانید، در محصولات کارن پیاده‌سازی شده است. در جلسه دمو، همان را روی داده و فرآیند خودتان اجرا می‌کنیم.

درخواست دمو رایگان یا تماس بگیرید: ۰۲۱-۸۸۶۱۴۲۸۲

ماتریس ۹خانه چیست

ماتریس ۹خانه یک جدول سه‌در‌سه است. محور افقی عملکرد و محور عمودی پتانسیل است و هر محور سه سطح پایین، متوسط و بالا دارد. این جدول ریشه در ابزارهای تحلیل کسب‌وکار دارد و بعدها به مدیریت استعداد راه پیدا کرد.

ارزشش در سادگی است. مدیران با یک نگاه می‌بینند نیروی انسانی سازمان چه شکلی دارد: آدم‌های آماده کجا هستند، کجا جا افتاده و کجا باید فوری فکری کرد.

عملکرد و پتانسیل یکی نیستند

اصلی‌ترین اشتباه همین‌جاست. این دو محور را باید جدا نگه داشت:

  • عملکرد: در نقش فعلی چه نتیجه‌ای گرفته است؟ به گذشته نگاه می‌کند و قابل سنجش‌تر است.
  • پتانسیل: اگر مسئولیت بزرگ‌تر یا متفاوتی بگیرد، چقدر موفق می‌شود؟ به آینده نگاه می‌کند و سخت‌تر سنجیده می‌شود.

بهترین کارشناس فروش لزوماً مدیر فروش خوبی نمی‌شود. او عملکرد بالایی دارد، ولی این چیزی درباره توانایی رهبری تیم نمی‌گوید. برعکس، کسی که در نقش فعلی نتیجه متوسطی دارد شاید فقط در جای مناسبش نیست. ماتریس کمک می‌کند این دو حالت با هم قاطی نشوند.

نه خانه و اقدام هر خانه

نام خانه‌ها در هر سازمان فرق می‌کند. مهم‌تر از نام، اقدامی است که هر خانه می‌خواهد:

پتانسیل / عملکردعملکرد پایینعملکرد متوسطعملکرد بالا
پتانسیل بالانقش را بازبینی کنید؛ شاید جایش درست نیستآموزش هدفمند و پروژه چالشیآماده ارتقا و جانشینی؛ برنامه نگه‌داشت
پتانسیل متوسطهدف کوتاه‌مدت و کوچینگتوسعه تدریجی؛ ستون سازمانمسئولیت بیشتر در همین مسیر
پتانسیل پایینبرنامه بهبود روشن، یا جابه‌جاییحفظ در نقش و هدف‌گذاری روشنمتخصص ارزشمند؛ قدردانی و نگه‌داشت

به خانه «پتانسیل پایین، عملکرد بالا» توجه کنید. این آدم‌ها شاید نخواهند یا نتوانند مدیر شوند، ولی ستون تخصصی سازمان‌اند. اگر مسیر پیشرفتی جز مدیریت نداشته باشند، آن‌ها را از دست می‌دهید.

مشکل ماتریس روی کاغذ

در روش سنتی، مدیران جلسه‌ای می‌گذارند و هر نفر را از نظر خودشان در یک خانه می‌گذارند. این جلسه مفید است، ولی اگر فقط بر پایه نظر باشد چند سوگیری شناخته‌شده وارد می‌شود:

  • اثر هاله: یک ویژگی خوب، مثل خوش‌صحبتی، قضاوت درباره همه‌چیز را بالا می‌برد.
  • اثر تازگی: پروژه ماه گذشته بیشتر از کار یک سال دیده می‌شود.
  • شباهت: مدیران پتانسیل کسانی را که شبیه خودشان هستند بالاتر می‌بینند.
  • سختی‌گیری نابرابر: نمره ۴ یک مدیر با نمره ۴ مدیر دیگر یکی نیست.

داده‌محور بودن یعنی چه

داده‌محور یعنی جای هر نفر از داده ثبت‌شده می‌آید، نه از یادآوری کسی در جلسه. ورودی‌ها معمولاً این‌ها هستند: ارزیابی‌های عملکرد، ارزیابی ۳۶۰ درجه و سطح شایستگی‌ها نسبت به مدل شایستگی سازمان.

این کار به مدل زبانی نیاز ندارد و بهتر است نداشته باشد. جای یک نفر در ماتریس باید با قواعد روشن و قطعی محاسبه شود، تا با ورودی یکسان نتیجه یکسان بدهد و بتوانید بگویید چرا آن‌جاست. این همان اصلی است که در مقاله چرا هوش مصنوعی نباید عدد بسازد گفتیم.

یک محدودیت: داده‌محور یعنی بی‌سوگیری نیست. اگر ورودی ارزیابی‌ها سوگیری داشته باشد، ماتریس هم آن را نشان می‌دهد. جلسه هم‌سنجی مدیران همچنان لازم است، فقط حالا روی داده بحث می‌کند.

جانشین‌پروری یعنی چه

جانشین‌پروری یعنی برای موقعیت‌های کلیدی از پیش بدانید چه کسانی می‌توانند جای خالی را پر کنند و چه چیزی کم دارند. این کار یک فهرست محرمانه از اسم‌ها نیست، برنامه‌ای برای آماده کردن آدم‌هاست.

یک برنامه خوب سه سؤال را جواب می‌دهد: کدام پست‌ها اگر خالی شوند بیشترین آسیب را می‌زنند؟ برای هر پست چه کسانی و با چه درصد آمادگی هستند؟ هر نفر چه شکافی دارد که باید پر شود؟

اگر برای پستی هیچ جانشین آماده‌ای نیست، آن هم یک یافته مهم است. شاید باید از بیرون جذب کنید. این تصمیم را در مقاله جذب داخلی یا خارجی باز کرده‌ایم.

ورودی خوب برای ماتریس

کیفیت ماتریس به ورودی‌های آن بستگی دارد. ارزیابی عملکردی که همه در آن نمره بالا می‌گیرند چیزی را جدا نمی‌کند. مدل شایستگی مبهم هم به درد نمی‌خورد. «همکاری خوب» را باید به رفتارهایی تبدیل کرد که بشود دید و نمره داد.

ارزیابی ۳۶۰ درجه دیدی می‌دهد که مدیر به‌تنهایی ندارد، چون همکاران و زیردستان هم نظر می‌دهند. ولی فقط وقتی صادقانه می‌شود که ناشناس بودن نظرها واقعی باشد و نتیجه برای رشد به کار برود، نه برای تنبیه. در هر چرخه، افرادی را هم که داده کافی ندارند ببینید و آن‌ها را به زور در خانه‌ای نگذارید.

یک مثال از تیم فروش

فرض کنید در یک تیم فروش سه نفر داریم. این افراد فرضی‌اند:

  • نفر اول: فروش و ارزیابی‌اش همیشه بالاست، ولی شایستگی‌های رهبری او در ارزیابی ۳۶۰ درجه ضعیف دیده شده است. شاید بهترین تصمیم نگه داشتن او به‌عنوان متخصص ارشد باشد، نه مدیر کردنش.
  • نفر دوم: عملکرد متوسطی دارد، ولی شایستگی‌های یادگیری و همکاری‌اش بالاست و تازه به این نقش آمده است. او به پروژه چالشی و آموزش هدفمند نیاز دارد.
  • نفر سوم: عملکرد و شایستگی‌های او در سطح بالاست. او گزینه جانشینی مدیر فروش است و باید برنامه نگه‌داشت و توسعه داشته باشد.

اگر همین تیم را فقط با رقم فروش بسنجید، نفر اول برای مدیریت انتخاب می‌شود. این مثال نشان می‌دهد چرا دو محور لازم است.

جلسه هم‌سنجی را چطور برگزار کنید

داده‌محور بودن جلسه را حذف نمی‌کند، آن را بهتر می‌کند. در جلسه هم‌سنجی (Calibration) مدیران نتیجه را با هم مرور می‌کنند تا معیارها در واحدهای مختلف یکسان شوند:

  • با نتیجه محاسبه‌شده شروع کنید، نه با نظر هر مدیر.
  • بحث را روی موارد مرزی و ناسازگار بگذارید، نه روی همه افراد.
  • اگر جای کسی تغییر می‌کند، دلیل را با شاهد مشخص بنویسید.
  • درباره واحدهایی که همه را بالا یا همه را پایین نمره داده‌اند صریح حرف بزنید.
  • برای هر نفر در خانه‌های مهم یک اقدام و مسئول تعیین کنید.

از ماتریس تا برنامه توسعه

ماتریس به‌خودی‌خود کسی را رشد نمی‌دهد. برای هر نفری که در خانه‌های بالا یا در موقعیت حساس است، سه چیز بنویسید: ضعیف‌ترین شایستگی‌هایی که باید تقویت شوند، فرصت واقعی تمرین آن‌ها مثل پروژه یا جانشینی موقت، و زمان بازبینی.

آموزش کلاسی فقط بخشی از این برنامه است. خیلی از شایستگی‌ها، مخصوصاً رهبری، با کار واقعی و بازخورد رشد می‌کنند. در چرخه بعدی هم فقط جابه‌جایی آدم‌ها را نگاه نکنید. ببینید برنامه‌ها اجرا شدند یا نه و شکاف‌ها کوچک‌تر شده‌اند یا نه.

خطرهایی که باید جدی بگیرید

  • برچسب ماندگار: آدم‌ها عوض می‌شوند. جایگاه هر نفر عکسی از امروز است، نه حکمی برای همیشه.
  • پیشگویی خودتحقق‌بخش: اگر به کسی با پتانسیل پایین فرصت ندهید، هیچ‌وقت معلوم نمی‌شود اشتباه کرده‌اید.
  • اطلاع‌رسانی بد: باید تصمیم بگیرید چه چیزی به کارمند گفته می‌شود. بازخورد درباره مسیر رشد مفید است، ولی برچسب «پتانسیل پایین» انگیزه می‌کشد.
  • ماتریس بدون اقدام: اگر بعد از چیدن آدم‌ها هیچ برنامه‌ای عوض نشود، فقط وقت گذاشته‌اید.

از کجا شروع کنید

اول مدل شایستگی را برای نقش‌های اصلی تعریف کنید. بعد یک چرخه ارزیابی را با همان معیارها برگزار کنید. ماتریس را از مدیران ارشد و پست‌های کلیدی شروع کنید، نه از همه سازمان. برای هر خانه یک اقدام مشخص بنویسید و بعد از چرخه بعدی ببینید چه کسی جابه‌جا شده است.

اولین نسخه عالی نخواهد بود. ارزیابی‌های چرخه اول خام‌اند و بعضی افراد داده کافی ندارند. این عیب نیست. همین نسخه نشان می‌دهد داده کجا کم است و کدام معیارها باید واضح‌تر شوند.

نمونه عملی: ماتریس ۹خانه در Caren Enterprise AI

در ماژول استعداد Caren Enterprise AI، محصولی از کارن تکنولوژی، ماتریس ۹خانه و جانشین‌پروری داده‌محورند. موتور آن‌ها قطعی است و مدل زبانی نقشی در ساختنشان ندارد. هر کارمند بر پایه عملکرد و پتانسیل در یکی از ۹ دسته قرار می‌گیرد، از «ستاره سازمان» و «رشد بالا» تا «معمای بالقوه»، و برای هر خانه اقدام پیشنهادی نمایش داده می‌شود. پیشنهاد آموزش هم بر اساس ضعیف‌ترین شایستگی‌های فرد می‌آید.

ماتریس ۹خانه استعداد در Caren Enterprise AI با جایگاه کارکنان بر پایه عملکرد و پتانسیل
ماتریس ۹خانه با اقدام پیشنهادی هر خانه (نمای برنامه با داده نمونه)

جانشین‌پروری برای هر پست ۳ جانشین آماده را با درصد آمادگی و شکاف‌ها نشان می‌دهد. مدل شایستگی را هم خود سازمان تعریف می‌کند و نظرات ارزیابی ۳۶۰ درجه ناشناس می‌مانند. برای نگاه کلی‌تر، پلتفرم هوشمند منابع انسانی را ببینید.

می‌خواهید جایگاه تیمتان را روی داده ببینید؟

ماتریس ۹خانه و جانشین‌پروری Caren Enterprise AI را در یک دموی زنده ببینید.

پرسش‌های متداول

بهتر است همگام با چرخه ارزیابی عملکرد باشد، چون داده اصلی‌اش از آن می‌آید. به‌روز کردن زیاد بدون داده تازه فایده‌ای ندارد و یک ماتریس چندساله هم تصویر کهنه‌ای می‌دهد.

پتانسیل را نمی‌شود دقیق اندازه گرفت، فقط می‌شود نشانه‌هایش را جمع کرد: سطح شایستگی‌ها، نتیجه ارزیابی ۳۶۰ درجه، و عملکرد در پروژه‌های تازه. مهم این است که معیارها از قبل روشن باشند و فقط به نظر یک نفر تکیه نکنید.

سازمان‌ها روش‌های متفاوتی دارند. بهتر است به‌جای برچسب خانه، درباره نقاط قوت، شکاف‌ها و مسیر رشد حرف بزنید. برچسب تنها می‌تواند انگیزه را از بین ببرد، ولی گفتگو درباره رشد فایده واقعی دارد.

می‌تواند باشد، ولی با تعداد کم آدم، جدول خلوت می‌شود و هر فرد قابل شناسایی است. در تیم‌های کوچک بهتر است آن را ساده نگه دارید و بیشتر برای گفتگو درباره پست‌های کلیدی از آن استفاده کنید.

نه. هر پستی که خالی شدنش کار را مختل کند کلیدی است، حتی اگر مدیریتی نباشد. مثلاً متخصصی که تنها نفر آشنا با یک سیستم حیاتی است. پست‌ها را بر پایه اثر خالی شدنشان انتخاب کنید.

بله و همین مزیت اصلی آن است. چون جایگاه با قواعد قطعی از ارزیابی‌ها و شایستگی‌ها محاسبه می‌شود، می‌توانید نشان بدهید چرا فردی در آن خانه است و با چه تغییری جابه‌جا می‌شود.

تا وقتی داده کافی نیست، بهتر است او را در ماتریس نگذارید. جایگاهی که فقط از برداشت اولیه بیاید می‌تواند برای مدت طولانی روی نگاه مدیران اثر بگذارد. صبر کنید تا دست‌کم یک چرخه ارزیابی انجام شود.

محصولات کارن تکنولوژی

محصولات آماده کارن؛ هر کدام جداگانه یا روی یک لایه داده مشترک کار می‌کنند و نسخه نصب روی سرور خودتان دارند.

مانوتل - چت‌بات و پشتیبانی چندکاناله

وب‌سایت، واتساپ، تلگرام، ایتا، بله و ایمیل در یک صندوق واحد، همراه با تیکتینگ و دستیار هوشمند فارسی.

معرفی محصول >

Caren AI-OS | سیستم‌عامل هوش سازمانی

میز کار تحت وب مدیران: سیزده پلتفرم در یک پنجره، با گزارش لحظه‌ای، اقدام سریع، پیش‌بینی توضیح‌پذیر و دستیار فارسی نیوشا. با API به پلتفرم‌های موجود سازمان وصل می‌شود.

معرفی محصول >

Caren Enterprise AI | پلتفرم مدیریت هوشمند سازمان

فروش، مشتری، مالی، تدارکات و منابع انسانی روی یک داده مشترک، با ۴۷+ قابلیت هوشمند؛ عدد را سامانه محاسبه می‌کند و هوش مصنوعی روایت می‌کند. ابری یا نصب روی سرور سازمان.

معرفی محصول >

داتیک | CRM هوشمند فارسی

مشتری، فروش، تماس و گزارش در یک سامانه فارسی، با دستیار هوش مصنوعی نیوشا که داده سازمان را می‌شناسد و کار انجام می‌دهد.

معرفی محصول >

هوش اسناد و OCR فارسی

خواندن متن چاپی و دست‌نوشته فارسی، استخراج داده از فاکتور و قرارداد، و جست‌وجوی معنایی در آرشیو سازمان.

معرفی محصول >

هوش تجاری سازمانی (BI)

انبار داده، داشبورد فارسی با تقویم شمسی و پرس‌وجو به زبان طبیعی؛ گزارش به‌جای فایل‌های اکسل پراکنده.

معرفی محصول >

محصولات دیگر: تحلیل هوشمند مشتری · دستیار صوتی هوشمند · پلتفرم فروش هوشمند · دایاتل - ERP هوشمند فارسی · کارنتل - دستیار دانش سازمانی · رایوتل - ایجنت آواتار هوشمند · پلتفرم بازاریابی هوشمند · مدیریت وفاداری مشتریان · سرمایه انسانی هوشمند · یادگیری و آموزش هوشمند · استودیو هوش مصنوعی مولد · همه محصولات

جلسه شناخت رایگان، بدون تعهد

یک جلسه ۳۰ دقیقه‌ای رزرو کنید. اسناد و داده خودتان را می‌دهید و همان جلسه نتیجه را می‌بینید.

شرکت سهامی
خاص
2016
تأسیس
+۵۰
متخصص هوش مصنوعی
+۱۲
محصول AI-Ready
+20
صنعت تخصصی
+10
سال تجربه
۰۲
مرکز توسعه
ISO 9001 & 27001
گواهینامه
AI-Native
معماری
Infosys
شریک تجاری
HCL Technologies
شریک تجاری
TCS
شریک تجاری