Die Wollmilchsau wächst und als neuer Mitarbeiter bekomme ich das zu spüren: Es gibt viele Kolleg:innen mit diversen Tätigkeiten. Hand aufs Herz, ich bin froh, wenn ich die Verstrickungen auch nur ansatzweise verstehe. Dass die meisten im Homeoffice sind und in konstanten Schüben frisches Blut hinterherkommt, ist beim Verständnis der gesamten Organisation nicht gerade förderlich; trotz formellem Organigramm. Der Witz ist: vielen anderen geht es vermutlich genauso.
Dass man sich fragt, was diese oder jener den ganzen Tag machen ist eine Sache – etwas befremdlich, wenn man sich oft genug begegnet, um es eigentlich wissen zu müssen – aber hinnehmbar. Dass man Zeit in Aufgaben und Probleme investiert, die jemand aus einer anderen Abteilung schon bearbeitet hat, ist eine andere Baustelle: Dieser Mehraufwand ist unnötig! Schlimmer wäre es bloß, auf die Idee zu kommen, eine neue Stelle für diese Aufgabe auszuschreiben. Das sollte unter allen Umständen vermieden werden.
Denn in wachsenden Unternehmen müssen Organisationsstrukturen überdacht und Engpässe im teamübergreifenden Austausch identifiziert werden. Ist die Neueinstellung begründet? Oder kann die intelligente Vernetzung der richtigen Mitarbeiter:innen die (vermeintliche) Personallücke bereits füllen? Klar ist, dass für eine erfolgreiche Unternehmensführung Investitionen in die Mitarbeiterentwicklung, den Wissensausbau und den Wissenstransfer getätigt werden müssen. Aber wo genau?
Dieser Beitrag ist aus unseren eigenen Wachstumsschmerzen heraus entstanden. Wir zeigen euch, wie wir mit einfachen Methoden Daten zur Zusammenarbeit und zum Wissensaustausch in der Wollmilchsau erhoben haben. Anschließend gehen wir darauf ein, wie wir unser soziales Netzwerk visualisiert und ausgewertet haben.
Netzwerke finden: Alice, Bob, Charlie und David
Netzwerke helfen uns dabei, Strukturen zu erkennen. Die Idee ist die Folgende: Betrachten wir das Arbeitsverhältnis von den vier fiktiven Beschäftigten Alice, Bob, Charlie und David. Nehmen wir außerdem an, dass Alice, Bob und Charlie im selben Team arbeiten (Team Rot) und David einem anderen Team (Team Blau) zugeordnet ist. Auf die Frage, mit wem Alice am meisten zusammenarbeitet und den meisten fachlichen Austausch hat, gibt sie Bob und David an. Piktografisch kann das so visualisiert werden:
Unsere Kolleg:innen werden durch Knotenpunkte dargestellt. Farblich wird die Teamzugehörigkeit repräsentiert und Alices wichtigste Kontakte sind durch gerichtete Kanten (Pfeile, die von Alice zu Bob bzw. zu David zeigen) mit ihr verbunden. Bob ist an der Reihe und gibt lediglich Alice an.
Die gegenseitige Abhängigkeit zwischen Alice und Bob wird durch den Doppelpfeil gekennzeichnet. Charlie kommt nun ins Spiel und nennt sowohl Alice als auch Bob.
Abschließend gibt David an, sich nur mit Alice auszutauschen.
Zählt man zusammen, wie viele eingehende Pfeile auf jeden Knotenpunkt zeigen, ergibt sich folgendes Bild: Drei Kolleg:innen geben Alice als wichtigen Kontakt an. Bei Bob sind es zwei, bei David eine und Charlie geht leer aus. Man spricht hierbei auch vom Eingangsgrad. Skalieren wir die Knotenpunkte um ihren jeweiligen Eingangsgrad, schaut das ganze so aus:
Die Mitarbeiterposition im Kontext
Was sagt diese Struktur aus? Ohne den richtigen Kontext erstmal nichts, also vergeben wir an dieser Stelle gedachte Rollen.
Im Unternehmenskontext kann es sich bei Alice um eine Teamleiterin handeln, die in ihrem Team eine zentrale Rolle einnimmt und in unserem Beispiel als Schnittstelle zu anderen Teams (David) fungiert. Bob ist Mitarbeiter und Charlie nimmt die Rolle eines Werkstudenten ein, der seinem Team zuarbeitet. Beide sind Alice unterstellt.
Sagen wir, das rote Team ist auf die Arbeit von David angewiesen, primär allerdings Bob. Muss der Austausch zwingend über Alice passieren? Oder wäre es nicht sinnvoller, wenn sich Bob als Intermediär aufstellt und Alice entlastet wird?
Wie ändert sich die Bewertung, wenn wir andere Rollen vergeben? Bob kann Teamleiter sein und Alice Mitarbeiterin. Der hohe Eingangsgrad bzw. die Größe ihres Knotenpunktes macht die wichtige Position von Alice deutlich. Bob sollte darüber nachdenken, sie zukünftig weiter zu fördern.
Fassen wir zusammen. Ein Netzwerk sollte immer vor dem Hintergrund der formellen Organisationsstruktur bewertet werden. Decken sich Rolle und tatsächliche Arbeit meiner Mitarbeiter:innen? Reale Arbeitsstrukturen werden ersichtlich und Engpässe im Zweifel identifiziert.
Die Datenerhebung ist ein Handwerk, …
Die Theorie mit Alice, Bob und Co. ist schön und gut, aber wie kommen wir an echte Daten unserer Organisation heran? Und was für Daten wollen wir überhaupt erheben?
Der klassische Weg ist die Umfrage: Man macht sich vorab Gedanken über die Metriken, die man erheben will, und wählt einen Kanal, über den die Antworten gesammelt werden. Umfragen sind natürlich anfällig für subjektive Fehleinschätzung durch die Teilnehmenden. Um das zu vermeiden, ist auch eine automatisierte Datenerhebung möglich. Getreu dem Ansatz “Data First”, erlauben Plattformen wie MS Teams die Auswertung von Chats. Das Problem der Fehleinschätzung kann mit dieser Methode umgangen werden, da gesammelte Textnachrichten aller Mitarbeitenden die Datengrundlage bilden. Angefangen mit der durchschnittlichen Länge und Häufigkeit der Nachrichten, hin zur inhaltlichen Auswertung mittels Methoden der linguistischen Datenverarbeitung; dem maschinellen Informationsgewinn sind keine Grenzen gesetzt, der menschlichen Deutung und Relevanz hingegen schon. Vom rechtlichen Rahmen ganz zu schweigen.
Man müsste sicherstellen, Chatnachrichten in aggregierter Form auszuwerten um nicht in die Privatsphäre einzelner Mitarbeiter:innen einzudringen. Wie garantiert man dann eine unverzerrte Analyse? Schließlich sind wir am fachlichen Austausch interessiert und nicht an Alices und Bobs Meinungen zum fallenden/steigenden Bitcoin Kurs. Damit bahnt sich eine Reihe technischer Hindernisse an.
Wir haben uns intern für die Umfrage entschieden. Warum? Eine Umfrage ist innerhalb kürzester Zeit aufgesetzt und damit kaum vergleichbar mit dem Aufwand einer Chatauswertung. Software wie MS Forms erledigt den Job. Bleibt noch die Frage offen, was genau wir erheben wollen.
Bei der Frage, wer mit wem zusammenarbeitet und sich fachlich austauscht, kann man pro Mitarbeiter:in eine Liste mit Namen sammeln. Okay, und wie viele Namen? Je nach Größe des Unternehmens mag die Antwort unterschiedlich ausfallen. Wir raten euch, im Feedback mit euren Kolleg:innen eine sinnvolle Zahl festzulegen. Fürs Protokoll: Eine maximale Angabe von fünf Personen hat den einen oder die andere bei uns schon ins Schwitzen gebracht. Also lieber vorher absprechen und keine Sinnkrise auslösen.
Angefangen bei der Priorisierung der Kontaktpersonen (erst Alice, dann Bob, dann Charlie), bis hin zur gewichteten Punktevergabe (Wie viel Prozent meiner Arbeitszeit verbringe ich mit Alice, wieviel mit Bob?) kann man die Umfrage beliebig komplex gestalten. An der Stelle haben wir für uns aufgehört. Zusätzliche Informationen können hilfreich sein, erhöhen allerdings auch den Aufwand bei den Teilnehmenden.
… die Visualisierung eine Kunst
Wir sitzen nun also auf dem Berg unserer Wer-mit-Wem-Daten und stehen vor der Aufgabe der Visualisierung. Wie also stellen wir Netzwerke her und wonach müssen wir überhaupt suchen?
Das Schlüsselwort lautet Force-Directed-Graph. Gemeint ist damit eine Klasse von Gestaltungsmustern zur “ästhetisch ansprechenden“ Darstellung von Netzwerken. Ästhetisch ansprechend? Genau. Stellt euch vor, ihr versucht ein soziales Netzwerk mit mehreren tausend Personen und hunderttausendenden von Verknüpfungen zu visualisieren. Um überhaupt etwas erkennen zu können ist es ratsam, so wenig überschneidende und so viele ähnlich lange Verbindungen zwischen den Knotenpunkten zu erzeugen wie nur möglich. Klingt kompliziert? Ist es auch. Hinter den Visualisierungsalgorithmen stecken physikalische Simulationen.
###promotional-banner###
Was die Software angeht, so ist für jeden etwas dabei. Eine schnelle Umsetzung ist mit PowerBI oder Tableau möglich, mit dem Vorteil der direkten Einbettung in bestehende grafische Benutzeroberflächen. Diese Programme geraten allerdings schnell an ihre Grenzen. Besonders bei größeren Netzwerken wird ersichtlich, dass Knoten und Kanten nicht immer übersichtlich dargestellt werden. Wer JavaScript beherrscht, wird sich über die Umsetzungsmöglichkeiten in d3.js freuen. Für den Rest von uns empfiehlt sich speziell entwickelte Software zur Netzwerkanalyse wie Gephi. Das Ganze schaut dann in etwa so aus.
Tragende Säulen bei der Wollmilchsau
Knotenpunkte repräsentieren alle Mitarbeiter:innen der Wollmilchsau und sind unterschiedlich eingefärbt, um die Teamzugehörigkeit nachzuvollziehen. Liegen mehrere beieinander, bilden diese ein Cluster. (Gerichtete) Kanten zeigen von einem Knotenpunkt zum anderen, und weisen auf die Zusammenarbeit und den Wissensaustausch hin, wie in unserem Beispiel mit Alice, Bob und Co. Je mehr Kanten auf einen Knotenpunkt zeigen, desto stärker hängen Kolleg:innen von dieser Person ab. Und umso größer ist dieser Knoten dargestellt.
Trotz einer Unternehmensgröße von “nur” 56 Mitarbeiter:innen (Stand Ende September 2021), gibt es einiges in der Grafik zu entdecken. Allen voran sieht man, dass die Wollmilchsau ein paar wenige zentrale Akteure hat – tragende Säulen – um die herum die Organisation aufgebaut zu sein scheint.
Schauen wir dafür auf das hellblaue und das violette Team: Beide Abteilungen (in der Grafik als entgegengesetzte Pole bezeichnet) sind durch das zentrale Cluster getrennt. Letzterer dient als indirekte Schnittstelle zwischen den Teams, über den viel Kommunikation abläuft. Die Menge solcher Abteilungen um die Hauptakteure des Unternehmens deutet auf Engpässe hin, da Teams nicht in direkter Kommunikation zueinander stehen. Folglich entsteht ein Mehraufwand beim zentralen Cluster. Diese Problematik bietet aber auch Chancen, die ergriffen werden können, um den direkten Wissensaustausch in Zukunft zu verbessern.
Teamaufspaltung, Intermediäre und Wissensinseln
Eine Möglichkeit dies zu erreichen besteht darin, vorhandene Strukturen zu überdenken. Ist es sinnvoll ein Team aufzuteilen? Betrachtet man z.B. das schwarze Team, werden zwei kleinere Cluster deutlich, die darauf schließen lassen, dass eine klare Aufgabentrennung bereits stattgefunden hat. Und wie sieht es mit Schnittstellen in den Abteilungen aus? Das rote Team weist einen Knotenpunkt auf, der zum einen nahe am violetten Team liegt und zum anderen einen hohen Eingangsgrad (Anzahl gerichteter Kanten, die auf ihn zeigen) besitzt. Man könnte überlegen – je nach Kontext und Arbeitsumfang – diese Person in ihrer intermediären Rolle weiter zu stärken oder zu entlasten.
Kritisch für Organisationen ist die Bildung von Wissensinseln in Form von Mitarbeiter:innen mit spezialisiertem Fachwissen. Sie sind nicht oder nur in geringem Maße in Abteilungsprozesse integriert und tauschen sich kaum mit Kolleg:innen aus. Bei kleinen Unternehmen mag das nicht weiter tragisch klingen. Doch wachsende Unternehmen gewinnen schnell an Unübersichtlichkeit und Komplexität. Wo gibt es noch freie Kapazitäten in den Teams?
Wissensinseln sind leicht zu übersehen und werden meist zu spät aufgedeckt. Auch darauf können Netzwerkanalysen hinweisen. Die Wollmilchsau besitzt einige in verschiedenen Formen. Eine Extremform bildet der blaue Knotenpunkt, der keinerlei Verbindungen aufweist. Das deutet auf inaktive Mitarbeiter:innen hin und sollte im Einzelfall evaluiert werden.
Auch ganze Abteilungen klassifizieren sich als Wissensinseln. In unserer Grafik ist das orangefarbene komplett im grünen Team eingebettet. Hier wird dem größeren Team zugearbeitet. Die Position des orangenen Teams am oberen Eck der Darstellung verrät allerdings auch, dass sonst kaum Kommunikation nach Außen stattfindet.
Es ist Aufgabe der Teamleiter:innen und der Geschäftsführung zu hinterfragen, ob isoliertes Know-how gerechtfertigt ist oder nicht. Denn Wissensinseln können die Resilienz und Stabilität einer Organisation gefährden.
Fazit: Von der Bestandsaufnahme zum Wandel
Wir halten fest: Daten über die Zusammenarbeit und den Wissensaustausch einer Organisation lassen sich recht einfach und schnell erfassen. Ausgewertet weisen sie dabei einen hohen Grad an Komplexität auf. Unternehmen im Wachstum und in der Umstrukturierung sollten dabei vor allem nach den folgenden Merkmalen Ausschau halten:
- Gibt es zentrale Akteur:innen, die in meiner Organisation von vielen Mitarbeiter:innen als wichtige Bezugspersonen gesehen werden?
- Welche Teams haben keine direkte Interaktion und wer sind meine Intermediäre?
- Kommt es zur Clusterbildung innerhalb von bestehenden Teams? Passiert das ganze organisch und teamübergreifend?
- Bilden sich Wissensinseln?
Auswertungen von Netzwerken werden immer prominenter. Im Zentrum steht dabei die Organisationsstruktur. Vor allem in Branchen mit einem hohen Grad an Innovation kommt vermehrt die Frage auf, ob hierarchische Unternehmensstrukturen noch angemessen sind. Ansätze wie das Field of Stars Modell setzten dabei vermehrt auf die Förderung einzelner Mitarbeiter:innen, die Selbstorganisation und einen Wandel der Unternehmenskultur: höhere Eigenverantwortung und größerer Gestaltungsspielraum. Am Anfang steht dabei die Bestandsaufnahme, denn: Wo wir stehen, ist essenziell, um strategische Entscheidungen für die Zukunft zu treffen.
Anmerkungen zur Auswertung
Die Daten wurden in MS Forms gesammelt, als csv-Datei exportiert, in der Programmiersprache Python weiterverarbeitet und mit Informationen zur Team- und Abteilungszugehörigkeit angereichert. Anschließend fand die Auswertung in Gephi statt. Es wurde das Force Atlas 2 Layout verwendet, welches durch Parameter wie den LinLog Modus straffere Cluster erzeugt als beispielsweise Force Atlas. Die Feinjustierung des Netzwerkes beschränkte sich dabei auf den Abstoßungsparameter.
Ergänzende Metriken und alternative Darstellungsformen
Neben dem Layout und seiner Parametrisierung können wir Einfluss auf die Darstellung von Knoten und Kanten nehmen. In diesem Abschnitt werden wir weitere Statistiken über unser Netzwerk auflisten und auf alternative Darstellungsformen aufmerksam machen, die Gephi bietet. Ein großer Teil der Erklärungen ist direkt aus der Dokumentation des Programmes übernommen.
Metriken zum Netzwerk allgemein
Bisher haben wir den Eingangsgrad als Metrik genommen, um die Kantengrößen zu skalieren und die Farbe über die Teamzugehörigkeit festgelegt. Ähnlich zum Eingangsgrad, welcher bei unserem gerichteten Netzwerk die Abhängigkeit einzelner Knotenpunkte untereinander widerspiegelt, ist die Zentralität. Gemeint ist damit ein Maß, dass die Position eines Knotens im Gesamtkontext des Netzwerkes betrachtet. Wichtig ist hierbei die Anzahl der kürzesten Pfade (von einem Knotenpunkt zum anderen) in denen sich ein bestimmter Knoten befindet. Ähnlich interessant ist die Exzentrizität, welche pro Punkt im Graphen die Distanz zum entferntesten Knoten betrachtet. Diese Metriken erlauben es einflussreiche Personen in Netzwerken zu identifizieren.
Was ist der durchschnittliche Abstand zwischen allen Knotenpaaren? Ähnlich zur Zentralität, allerdings auf das gesamte Netzwerk angewendet, gibt der Netzwerkdurchmesser diesen Wert an. Direkt miteinander verbundene Knoten bekommen den Wert 1 zugeschrieben. Für die Wollmilchsau ergibt sich ein Durchmesser von 8. Je kleiner der Durchmesser ist, desto vernetzter ist die Organisation. Vergleiche sind dabei nur zwischen Organisationen mit ähnlicher Mitarbeiterzahl möglich.
Vergleichbar mit dem Durchmesser ist die Kantendichte. Die Kantendichte misst das Verhältnis von tatsächlichen Verbindungen zwischen allen Knoten und den potentiell Möglichen. Ein vollständig verbundener Graph würde den Wert 1 zugeschrieben bekommen. Die Wollmilchsau erzielt einen Wert von 0,076. Halten wir allerdings fest: Ein großer Wert war von Anfang an nicht zu erreichen, da wir das Design unserer Umfrage so gewählt haben, dass maximal 5 Verbindungen von einem Knoten ausgehen können.
Wäre es nicht schön, wenn man Mitarbeiter:innen auf organische Art und Weise Abteilungen zuordnen könnte? Das Stichwort lautet Modularität. Diese Kennzahl erlaubt die Community-Erkennung. Interessant wird die Modularität für größere Netzwerke ab mehreren hundert Knotenpunkten.
Metriken zur Knotenübersicht
Die wichtigste Metrik ist hier der Clusterkoeffizient pro Knotenpunkt. Er erlaubt die automatische Identifikation von Wissensinseln – auch “Small-World”-Effekt genannt – indem er angibt, wie stark Knoten in ihrer Nachbarschaft eingebunden sind.
Metriken zur Kantenübersicht
Die letzte Metrik, die wir vorstellen möchten, ist die mittlere Kantenlänge. Sie gibt den durchschnittlichen Abstand zwischen allen möglichen Knotenpaaren an (wir nehmen an, dass verbundene Knoten einen Abstand der Länge 1 haben). In unserem Kontext sagt sie aus, wie “weit” zwei zufällig ausgewählte Mitarbeiter:innen voneinander entfernt sind, also über wie viele Ecken eine Kommunikation zwischen den beiden zustande kommen würde. Die mittlere Kantenlänge für die Wollmilchsau beträgt 3,256.
Fehlende Teilnehmer:innen
Lasst uns abschließend noch auf eine Besonderheit dieses Projektes eingehen, die erst in der Auswertung ersichtlich wurde. Einige Kolleg:innen haben an der Umfrage nicht teilgenommen bzw. nicht teilnehmen können. Das ist soweit nicht unüblich. Je größer die Organisation ist, desto wahrscheinlicher ist mit einem gewissen Prozentsatz an Enthaltungen zu rechnen.
[promotional-banner id=”66900″]
Die spannende Beobachtung: Die Rolle von Personen, die sich bei der Umfrage enthalten hatten, war durch die Teilnahme aller anderen Kolleg:innen präzise einzuordnen. Damit zeigt die Netzwerkanalyse, wie sie in diesem Artikel präsentiert wurde, eine gewisse Robustheit gegenüber fehlenden Teilnehmer:innen.
