EnglishНа русском

Переглянути у форматі pdf

USING MACHINE LEARNING TO OVERCOME THE PETER PRINCIPLE IN MODERN HIERARCHICAL ORGANIZATIONS
D. Yurchenko

DOI: 10.32702/2307-2105-2021.1.152

УДК: 004.8:005.95

D. Yurchenko

USING MACHINE LEARNING TO OVERCOME THE PETER PRINCIPLE IN MODERN HIERARCHICAL ORGANIZATIONS

Summary

According to the Peter principle, in hierarchical organizations all workers sooner or later become incompetent due to being promoted to positions that don’t suit them. That is caused by traditional promotion strategies that favor the most successful employees while it does not always happen to be the best approach.
On the other hand, applying unconventional promotion policies might result in negative psychological effects, including drop in personnel motivation. General promotion rules also ignore the possibility that the Peter principle may hold for some hierarchical pathways while remaining inactive for other types of promotions.
The purpose of this article is to justify the new way of preventing the Peter principle effect by employing machine learning (ML) models to predict workers’ potential competence level they would acquire in case of promotion.
The article proposes the algorithm of organizational promotions based on the ML approach. The set of employees’ characteristics for the models to be trained on, as well as specific ML algorithms, namely linear-based and tree-based are suggested. Inner working specifics of the algorithms are detailed from the mathematical point of view. The principles of the modern ML training process are described and the training data requirements are highlighted.
The advantages of employing a dynamic personalized promotion strategy based on machine learning methods are described. Such a strategy allows treating separate promotions individually, choosing from candidates solely on the basis of the model prediction, thus avoiding the unnecessary usage of unconventional policies and subsequent motivational drops. In addition, ML-based approach opens up possibilities to substantiate promotion choices, as those were derived from actual historical data used for training the model. This excludes a potential sense of prejudice while using multiple features for prediction eliminates the risk of unscrupulous employees’ behavior aimed at manipulating their own performance with the purpose of receiving a promotion.
Properly implemented, the proposed algorithm can help to eliminate the negative effect of the Peter principle while mostly preserving the motivational component of promotions.

Keywords: Peter principle; promotion strategy; machine learning; posterior competence; hierarchical organization.

References

1. Peter, L. J. and Hull, R. (1969), The Peter Principle: why things always go wrong, William Morrow and Company, New York, US.
2. Benson, A. Li, D. and Shue, K. (2019), “Promotions and the Peter principle”, Quarterly Journal of Economics, vol. 134 (4), pp. 2085–2134.
3. Pluchino, A. Rapisarda, A. and Garofalo, C. (2010), “The Peter Principle Revisited: A Computational Study”, Physica A, vol. 389 (3), pp. 467-472.
4. Fetta, A.G. Harper, P.R. Knight, V.A. Vieira, I.T. and Williams, G.E. (2012), “On the Peter Principle: An agent based investigation into the consequential effects of social networks and behavioural factors”, Physics A: Statistical Mechanics and its Applications, vol. 9 (1), pp. 2898-2910.
5. Fiedor, P. (2015), “The Social Dynamics of the Peter Principle”, Journal of Engineering Science and Technology Review, vol. 8 (1), pp. 56-60.
6. Olsson, E. J. and Proietti, C. (2015), “Promoting the best as an incentive: reply to Pluchino et al. on the Peter Principle”, DOU: https://doi.org/10.13140/2.1.2201.8888
7. Chan, E. W. (2015), “Promotion, Relative Performance Information, and the Peter Principle”, Ph.D. Thesis, Business Administration, University of Pittsburgh, Pittsburgh, US.
8. Milgrom, P. and Roberts, J. (1992), Economics, Organization and Management, Prentice Hall, New York, US
9. SAP (2018), “Robota na avtomati: iak mashynne navchannia pidvyschuie prybutkovist' biznesu”, available at: https://news.sap.com/ukraine/2018/05/machine-learning/ (Accessed 4 January 2021).
10. Fortune (2020), “Lessons from DeepMind’s breakthrough in protein-folding A.I.”, available at: https://fortune.com/2020/12/01/lessons-from-deepminds-a-i-breakthrough-eye-on-ai/ (Accessed 4 January 2021).
11. Towards Data Science (2019), “XGBoost Algorithm: Long May She Reign!”, available at: https://towardsdatascience.com/https-medium-com-vishalmorde-xgboost-algorithm-long-she-may-rein-edd9f99be63d (Accessed 4 January 2021).
12. Medium (2018), “How Ai Will Help You Avoid Incompetence”, available at: https://medium.com/causys/how-ai-will-help-you-avoid-incompetence-7d8b8e212014 (Accessed 4 January 2021).

Д. В. Юрченко

ЗАСТОСУВАННЯ МАШИННОГО НАВЧАННЯ ДЛЯ ПОДОЛАННЯ ПРИНЦИПУ ПІТЕРА У СУЧАСНИХ ІЄРАРХІЧНИХ ОРГАНІЗАЦІЯХ

Анотація

Відповідно до принципу Пітера, у ієрархічних організаціях всі працівники рано чи пізно досягають свого рівня некомпетентності внаслідок підвищення на посади, які їм не підходять. Таке явище спричиняється традиційними стратегіями просування по службі, котрі передбачають вибір для підвищення найбільш успішних працівників, хоча такий підхід не завжди виявляється найкращим.
З іншого боку, застосування нетрадиційних політик просування може призвести до негативних психологічних наслідків, включаючи падіння рівня мотивації персоналу. Узагальнені правила підвищень також ігнорують можливість того, що принцип Пітера може діяти при підвищеннях між окремими ієрархічними ланками, залишаючись при цьому неактуальним для інших типів підвищень.
Метою статті є обґрунтування нового способу запобігання принципу Пітера через використання моделей машинного навчання (МН) для прогнозування потенційного рівня компетентності працівників, якого вони набудуть у разі підвищення.
У статті запропоновано алгоритм організаційного службового просування на основі використання машинного навчання. Запропоновано набір характеристик працівників, які можуть бути використані для навчання моделей, а також конкретні алгоритми МН – лінійні та засновані на деревах. Специфіка роботи алгоритмів деталізована з математичної точки зору. Описано принципи навчання сучасних моделей та висвітлено вимоги до навчальних даних.
Описано переваги використання динамічної персоналізованої стратегії підвищень на основі методів машинного навчання. Така стратегія дозволяє розглядати окремі підвищення індивідуально, обираючи серед кандидатів виключно на основі прогнозу моделі, і тим самим уникати необґрунтованого використання нетрадиційних політик та пов’язаних з ними мотиваційних втрат. Крім того, підхід, заснований на МН, відкриває можливості для обґрунтування вибору працівника на підвищення, оскільки цей вибір був продиктований фактичними історичними даними, використаними для навчання моделі. Це виключає виникнення у працівників почуття упередженості, а використання кількох факторних ознак для прогнозування усуває ризик недобросовісної поведінки працівників, спрямованої на маніпулювання результатами власної праці з метою отримання підвищення. За умови його належної реалізації, запропонований алгоритм може допомогти усунути негативний ефект принципу Пітера, при цьому більшою мірою зберігши мотиваційний компонент підвищень.

Ключові слова: принцип Пітера; стратегія підвищення персоналу; машинне навчання; апостеріорна компетентність; ієрархічна організація.

№ 1 2021

Дата публікації: 2021-02-26

Кількість переглядів: 13500

Відомості про авторів

D. Yurchenko

Mаstеr's dеgrее, Borys Grinchenko Kyiv University, KyivData Scientist, RBC Group, Kyiv

Д. В. Юрченко

магістр, Київський університет імені Бориса Грінченка, КиївData Scientist, “АрБіСі Груп”, Київ

ORCID:

0000-0002-3900-0476

Як цитувати статтю

Yurchenko, D. (2021), “Using machine learning to overcome the peter principle in modern hierarchical organizations”, Efektyvna ekonomika, [Online], vol. 1, available at: http://www.economy.nayka.com.ua/?op=1&z=8551 (Accessed 29 Mar 2024). DOI: 10.32702/2307-2105-2021.1.152

Creative Commons License

Стаття розповсюджується за ліцензією
Creative Commons Attribution 4.0 Міжнародна.