-
AB测试
要找到最适合员工的激励措施，请先进行简单的A / B测试
到目前为止，您已经熟悉了A / B测试的功能：运行简单的实验，看看两种变体中的哪一种在实现所需结果方面更为有效。营销人员使用A / B测试将不同的号召性用语相互比较，或者找出两个图像中的哪个将在电子商务网站上带来最多的销售额。
但是，管理人员是否可以使用A / B测试来提供与众不同的服务，例如设计激励员工的最佳方法？
凯洛格商学院的两名研究人员是这样认为的。
在一项新研究中，战略副教授George Georgiadis和Michael Powell开发了一个模型，该模型展示了组织如何使用A / B测试来找到构建绩效激励的更有效方法。他们确定，即使是一次A / B测试，也可以提供令人惊讶的信息量，以说明员工将如何应对一系列激励策略。并且它们提供了一个使用A / B测试数据以最大化优势的框架。
“我们想了解：如果您拥有此类数据，如何使用它来改善员工的激励计划？一个简单的A / B测试可以达到多远？” 乔治亚迪斯说。“原则上，要制定“最佳”激励计划，您将需要进行无数次实验。我们认为，通过一个实验，您实际上可以走的很远。”
他解释说，这一点很重要，因为可以理解的是，雇主不愿尝试激励计划，因为他们不想冒险让员工感到沮丧。
鲍威尔说：“如果我们正在谈论改变人们的支付方式，我们不想做很多这样的实验。” “如果您在网站上工作，并且试图找出使按钮变色的颜色，那么进行更多的测试会容易得多。”
正确的激励措施
组织依靠广泛的激励计划来激励员工努力工作。
有些计划是相当基本的：想想一个员工，如果达到某个销售目标，该员工将获得基本工资以及奖金，或者根据完成的文件数量支付转录员的工资。其他计划则要复杂得多，可能涉及诸如利润分享或限制性股票之类的工具。
但是所有这些都涉及关键的决策-进行关键的权衡。例如，该奖金应该容易获得但适度吗？还是很难获得却非常有利可图？一些员工可能会发现后一种选择更具激励作用；其他，只是令人沮丧。底薪是多少？相对于奖金而言太高，可能会鼓励自满；太低，喜欢稳定的员工可能会失望。
而且，根据工作的性质以及员工的个人喜好，在一个组织中运作良好的激励方案可能会在另一个组织中失败。这意味着，实际上，管理者了解其组织是否有更好的激励计划的唯一方法之一是在有限的时间内（可能只是在组织的一部分中）修改其现有计划，然后看看实际效果如何。
因此，Georgiadis和Powell着手确定一次调整可以让雇主学到多少。
研究人员建立了一个数学模型来分析雇主与其雇员之间的互动。雇主制定了一个现有的激励计划，并收集有关该激励计划下其雇员的生产率的数据。然后，雇主以某种任意的方式调整了激励计划，例如降低了部分或全部员工的领取奖金的门槛，或提高了每人的工资，并收集了有关该合同下员工的生产率的数据。
然后，研究人员探索了如何利用先前的A / B测试生成的数据来创建新的，更有效的激励合同。
鲍威尔说：“假设我们找到了一种使员工更加努力地工作的方法”。“我们可以看到，平均而言，薪酬的这种变化将产出或生产率提高了一定数量。但是事实证明，该实验包含更多信息。即，我们不仅知道平均产出发生了什么，而且知道产生低产出和高产出的概率发生了什么。那是非常有益的。”
重要的是，雇主可以使用员工响应分布中的数据来预测在合同发生任何变化的情况下，员工的生产率（进而扩展为雇主的利润）将如何变化。
“如果您愿意进行A / B测试，则不必了解太多。您只需观察[员工]的反应。”
—迈克尔·鲍威尔
为何如此？例如，通过查看针对这两个合同的产出分配，雇主可以了解平均产出的增加是否是由员工较少的懈怠而不是更努力的工作所驱动的。区别听起来微妙，但实际上却非常强大。
鲍威尔说，如果员工减少工作量，这将提高特定环境中的生产率，那么“那么，这说明我们想惩罚低产出。” 因此，例如，如果雇主完成很少数量的任务，他们可以为雇员减少每项任务的报酬。否则，如果员工谦虚但可以接受的话，雇主可以提供非常低的基本工资，并有可能获得奖金。
另一方面，如果努力工作的员工可以在特定环境下提高生产率，则表明雇主应该“在实现高产出的情况下向人们支付更多的钱”，鲍威尔说。
在实践中，这可能意味着如果员工完成大量任务，他们将为每个任务支付更多酬劳，或者提供平均基本工资，并且只有在员工非常有生产力的情况下才有可能获得奖金。
经过测试
为了使用真实参与者产生的生产力数据来检验模型的准确性，研究人员转向了以前发布的参与者数据，这些参与者通过六种不同的支付方案完成了一个简单的在线任务。
他们想了解他们的模型可以使用来自任何两个支付方案的真实绩效数据来预测参与者在另一种完全不同的方案下的表现如何。
该模型能够高度准确地预测其他激励合同下的绩效。Georgiadis说：“平均而言，预计生产率与实际生产率之间的差距仅不到2％。“迈克和我对预测的准确性感到非常惊讶。”
研究人员还使用实际的生产率数据来测试他们的模型设计更好合同的能力。他们想知道：该合同将达到最佳程度的程度如何？
他们发现，平均而言，使用任何两份合同中的数据将使雇主能够构建第三份合同，该合同获得的收益只有设计一个真正最佳合同所获得的收益的三分之二。
乔治亚迪斯说：“您没有签订“最佳”合同，因为您没有所有信息。不过，“在此在线实验的背景下，一次A / B测试可以使您获得优化的三分之二。”
A / B测试的好处
Powell和Georgiadis的框架有许多好处，使组织可以实用。首先，与以往很多关于激励措施的经济学研究不同，它不需要雇主事先了解员工的偏好，例如他们不喜欢以更快的速度工作的程度。也不要求他们完全了解在给定的工作环境中要付出多少努力才能提高生产力。
鲍威尔说：“我们所争论的是，如果您愿意进行A / B测试，则不必了解太多。” “你只是观察他们的反应。”
他们的方法可以应用于不同规模的组织，尽管可以运行更大实验的组织可以生成更多的数据点，并且可以从他们的测试中学到更多。
另一个好处是，研究人员的文章包含了组织实际使用A / B测试数据来生成接近最佳激励方案所需的所有步骤。这本身就是关键，因为该过程几乎不明显。
研究人员指出，这项有关A / B测试的工作最初是受其组织策略课程中的学生启发的。“我们过去曾经教过激励理论的基本原理，但总会遇到这样一个问题：'从字面上看，我该怎么办？我父母有一家工厂，他们的工人按计件工资。我们应该如何改变计件价格？而且现有的工具不太适合回答这个问题。”鲍威尔说。
这个工具是。它甚至具有最终的好处：熟悉。
乔治亚迪斯说：“如今，公司将实验用于各种目的。” “我们发现它对于设计激励机制也非常有用。”
To Find the Best Incentives for Employees, Start with a Simple A/B Test
以上由AI翻译完成
扫一扫 加微信
hrtechchina
