શા માટે ડેટા સાયન્સ ટીમોને સામાન્ય નિષ્ણાતોની જરૂર છે, નિષ્ણાતોની નહીં

હિરોશી વતાનાબે/ગેટી ઈમેજીસ

ધ વેલ્થ ઓફ નેશન્સ માં, એડમ સ્મિથ બતાવે છે કે કેવી રીતે શ્રમનું વિભાજન વધતી ઉત્પાદકતાનો મુખ્ય સ્ત્રોત બને છે. એક ઉદાહરણ પિન ફેક્ટરીની એસેમ્બલી લાઇન છે: "એક કામદાર વાયર ખેંચે છે, બીજો તેને સીધો કરે છે, ત્રીજો તેને કાપી નાખે છે, ચોથો છેડો તીક્ષ્ણ કરે છે, પાંચમો માથાને ફિટ કરવા માટે બીજા છેડાને ગ્રાઇન્ડ કરે છે." વિશિષ્ટ કાર્યો પર કેન્દ્રિત વિશેષતા માટે આભાર, દરેક કર્મચારી તેના સંકુચિત કાર્યમાં ઉચ્ચ ગુણવત્તાવાળું નિષ્ણાત બની જાય છે, જે પ્રક્રિયાની કાર્યક્ષમતામાં વધારો તરફ દોરી જાય છે. કામદાર દીઠ આઉટપુટ ઘણી વખત વધે છે, અને ફેક્ટરી પિન બનાવવા માટે વધુ કાર્યક્ષમ બને છે.

કાર્યક્ષમતા દ્વારા શ્રમનું આ વિભાજન આજે પણ આપણા મનમાં એટલું જકડાયેલું છે કે અમે તે મુજબ અમારી ટીમોને ઝડપથી ગોઠવી દીધી છે. ડેટા સાયન્સ કોઈ અપવાદ નથી. જટિલ અલ્ગોરિધમિક બિઝનેસ ક્ષમતાઓને બહુવિધ કાર્ય કાર્યોની જરૂર પડે છે, તેથી કંપનીઓ સામાન્ય રીતે નિષ્ણાતોની ટીમો બનાવે છે: સંશોધકો, ડેટા એન્જિનિયર્સ, મશીન લર્નિંગ એન્જિનિયર્સ, કારણ-અને-અસર વૈજ્ઞાનિકો, વગેરે. નિષ્ણાતોનું કાર્ય ઉત્પાદન મેનેજર દ્વારા ફંક્શનના સ્થાનાંતરણ સાથે એવી રીતે સંકલિત કરવામાં આવે છે જે પિન ફેક્ટરી જેવું લાગે છે: "એક વ્યક્તિ ડેટા મેળવે છે, બીજો તેનું મોડેલ બનાવે છે, ત્રીજો તેને એક્ઝિક્યુટ કરે છે, ચોથા પગલાં" અને તેથી વધુ,

અરે, ઉત્પાદકતા સુધારવા માટે આપણે અમારી ડેટા સાયન્સ ટીમોને ઑપ્ટિમાઇઝ ન કરવી જોઈએ. જો કે, જ્યારે તમે સમજો છો કે તમે શું ઉત્પાદન કરી રહ્યાં છો: પિન અથવા બીજું કંઈક, અને કાર્યક્ષમતા વધારવાનો પ્રયત્ન કરો ત્યારે તમે આ જ કરો છો. એસેમ્બલી લાઇનનો હેતુ કાર્ય પૂર્ણ કરવાનો છે. અમે બરાબર જાણીએ છીએ કે અમને શું જોઈએ છે - પિન (જેમ કે સ્મિથના ઉદાહરણમાં), પરંતુ કોઈપણ ઉત્પાદન અથવા સેવાનો ઉલ્લેખ કરી શકાય છે જેમાં આવશ્યકતાઓ ઉત્પાદનના તમામ પાસાઓ અને તેના વર્તનનું સંપૂર્ણ વર્ણન કરે છે. કર્મચારીઓની ભૂમિકા આ ​​જરૂરિયાતોને શક્ય તેટલી અસરકારક રીતે પૂર્ણ કરવાની છે.

પરંતુ ડેટા સાયન્સનો ધ્યેય કાર્યો પૂર્ણ કરવાનો નથી. તેના બદલે, ધ્યેય મજબૂત નવી વ્યવસાય તકોનું અન્વેષણ અને વિકાસ કરવાનો છે. એલ્ગોરિધમિક ઉત્પાદનો અને સેવાઓ જેમ કે ભલામણ પ્રણાલીઓ, ગ્રાહકની ક્રિયાપ્રતિક્રિયાઓ, શૈલી પસંદગીઓનું વર્ગીકરણ, કદ બદલવાનું, કપડાંની ડિઝાઇન, લોજિસ્ટિક્સ ઑપ્ટિમાઇઝેશન, મોસમી વલણની શોધ અને ઘણું બધું અગાઉથી વિકસાવી શકાતું નથી. તેઓનો અભ્યાસ કરવો જ જોઇએ. નકલ કરવા માટે કોઈ બ્લુપ્રિન્ટ્સ નથી, આ અંતર્ગત અનિશ્ચિતતા સાથે નવી શક્યતાઓ છે. ગુણાંક, મૉડલ, મૉડલ પ્રકારો, હાયપરપેરામીટર્સ, બધા જરૂરી તત્વો પ્રયોગ, અજમાયશ અને ભૂલ અને પુનરાવર્તન દ્વારા શીખવા જોઈએ. પિન સાથે, તાલીમ અને ડિઝાઇન ઉત્પાદન અગાઉથી કરવામાં આવે છે. ડેટા સાયન્સ સાથે, તમે શીખો છો તેમ તમે કરો છો, પહેલા નહીં.

પિન ફેક્ટરીમાં, જ્યારે તાલીમ પ્રથમ આવે છે, ત્યારે અમે ન તો અપેક્ષા રાખીએ છીએ કે ન તો કામદારો ઉત્પાદન કાર્યક્ષમતામાં સુધારો કરવા સિવાય ઉત્પાદનની કોઈપણ વિશેષતામાં સુધારો કરે. વિશિષ્ટ કાર્યોનો અર્થ થાય છે કારણ કે તે પ્રક્રિયાની કાર્યક્ષમતા અને ઉત્પાદન સુસંગતતા તરફ દોરી જાય છે (અંતિમ ઉત્પાદનમાં ફેરફાર કર્યા વિના).

પરંતુ જ્યારે ઉત્પાદન હજી વિકાસશીલ હોય અને ધ્યેય પ્રશિક્ષણ હોય, ત્યારે વિશેષતા નીચેના કેસોમાં અમારા લક્ષ્યોમાં દખલ કરે છે:

1. તે સંકલન ખર્ચમાં વધારો કરે છે.

એટલે કે, તે ખર્ચ જે સંચાર, ચર્ચા, વાજબી ઠેરવવા અને જે કામ કરવાની જરૂર છે તેને પ્રાધાન્ય આપવા માટે વિતાવેલા સમય દરમિયાન એકઠા થાય છે. આ ખર્ચ સામેલ લોકોની સંખ્યા સાથે સુપર-રેખીય રીતે માપવામાં આવે છે. (જે. રિચાર્ડ હેકમેને અમને શીખવ્યું તેમ, સંબંધોની સંખ્યા r આ સમીકરણ અનુસાર n ની સંખ્યાના કાર્યની જેમ જ વધે છે: r = (n^2-n)/2. અને દરેક સંબંધ અમુક રકમ દર્શાવે છે. ખર્ચ સંબંધ.) જ્યારે ડેટા વૈજ્ઞાનિકોને કાર્ય દ્વારા ગોઠવવામાં આવે છે, દરેક તબક્કે, દરેક ફેરફાર સાથે, દરેક હેન્ડઓવર વગેરે, ઘણા નિષ્ણાતોની જરૂર પડે છે, જે સંકલન ખર્ચમાં વધારો કરે છે. ઉદાહરણ તરીકે, આંકડાકીય મોડેલર્સ કે જેઓ નવી સુવિધાઓ સાથે પ્રયોગ કરવા માંગે છે તેઓએ ડેટા એન્જિનિયરો સાથે સંકલન કરવું પડશે જેઓ જ્યારે પણ કંઈક નવું કરવાનો પ્રયાસ કરવા માંગતા હોય ત્યારે ડેટા સેટમાં ઉમેરે છે. તેવી જ રીતે, દરેક નવા મૉડલને પ્રશિક્ષિત કરવાનો અર્થ એ છે કે મૉડલ ડેવલપરને તેને ઉત્પાદનમાં મૂકવા માટે કોઈની સાથે સંકલન કરવાની જરૂર પડશે. સંકલન ખર્ચ પુનરાવૃત્તિની કિંમત તરીકે કાર્ય કરે છે, જે તેમને વધુ મુશ્કેલ અને ખર્ચાળ બનાવે છે અને અભ્યાસને છોડી દેવાની શક્યતા વધારે છે. આ શીખવામાં દખલ કરી શકે છે.

2. તે રાહ જોવાના સમયને મુશ્કેલ બનાવે છે.

સંકલન ખર્ચ કરતાં પણ વધુ ભયાવહ એ કામની પાળી વચ્ચેનો સમય ગુમાવવો છે. જ્યારે સંકલન ખર્ચ સામાન્ય રીતે કલાકોમાં માપવામાં આવે છે - મીટિંગ્સ, ચર્ચાઓ, ડિઝાઇન સમીક્ષાઓ કરવા માટે જે સમય લાગે છે - રાહ જોવાનો સમય સામાન્ય રીતે દિવસો, અઠવાડિયા અથવા મહિનાઓમાં માપવામાં આવે છે! કાર્યાત્મક નિષ્ણાતોના સમયપત્રકને સંતુલિત કરવું મુશ્કેલ છે કારણ કે દરેક નિષ્ણાતને બહુવિધ પ્રોજેક્ટ્સમાં વિતરિત કરવું આવશ્યક છે. ફેરફારોની ચર્ચા કરવા માટે એક કલાકની મીટિંગમાં વર્કફ્લોને સરળ બનાવવામાં અઠવાડિયા લાગી શકે છે. અને ફેરફારો પર સંમત થયા પછી, નિષ્ણાતોના કાર્યકારી સમયને રોકતા અન્ય ઘણા પ્રોજેક્ટ્સના સંદર્ભમાં વાસ્તવિક કાર્યની યોજના કરવી જરૂરી છે. કોડ ફિક્સેસ અથવા સંશોધનને સંલગ્ન કાર્ય કે જે પૂર્ણ થવામાં માત્ર થોડા કલાકો અથવા દિવસો લે છે તે સંસાધનો ઉપલબ્ધ થતાં પહેલાં ઘણો સમય લાગી શકે છે. ત્યાં સુધી, પુનરાવર્તન અને શિક્ષણ સ્થગિત છે.

3. તે સંદર્ભને સંકુચિત કરે છે.

શ્રમનું વિભાજન લોકોને તેમની વિશેષતામાં રહેવા બદલ પુરસ્કાર આપીને કૃત્રિમ રીતે શિક્ષણને મર્યાદિત કરી શકે છે. ઉદાહરણ તરીકે, એક સંશોધન વૈજ્ઞાનિક કે જેણે તેની કાર્યક્ષમતાના અવકાશમાં રહેવું જોઈએ તે વિવિધ પ્રકારના અલ્ગોરિધમ્સ: રીગ્રેસન, ન્યુરલ નેટવર્ક્સ, રેન્ડમ ફોરેસ્ટ અને તેથી વધુ સાથે પ્રયોગ કરવા પર તેની ઊર્જા કેન્દ્રિત કરશે. અલબત્ત, સારી અલ્ગોરિધમ પસંદગીઓ વધારાના સુધારા તરફ દોરી શકે છે, પરંતુ સામાન્ય રીતે અન્ય પ્રવૃત્તિઓમાંથી મેળવવા માટે ઘણું બધું છે, જેમ કે નવા ડેટા સ્ત્રોતોને એકીકૃત કરવા. તેવી જ રીતે, તે એક મોડેલ વિકસાવવામાં મદદ કરશે જે ડેટામાં રહેલી દરેક સમજૂતી શક્તિનો ઉપયોગ કરે છે. જો કે, તેની શક્તિ ઉદ્દેશ્ય કાર્યને બદલવામાં અથવા અમુક અવરોધોને હળવી કરવામાં આવી શકે છે. જ્યારે તેણીનું કામ મર્યાદિત હોય ત્યારે આ જોવું અથવા કરવું મુશ્કેલ છે. તકનીકી વૈજ્ઞાનિક અલ્ગોરિધમ્સને ઑપ્ટિમાઇઝ કરવામાં નિષ્ણાત હોવાને કારણે, તે બીજું કંઈપણ કરે તેવી શક્યતા ઘણી ઓછી છે, પછી ભલે તે નોંધપાત્ર લાભો લાવે.

જ્યારે ડેટા સાયન્સ ટીમો પિન ફેક્ટરીઓ તરીકે કાર્ય કરે છે ત્યારે દેખાતા ચિહ્નોને નામ આપવા માટે (ઉદાહરણ તરીકે, સાદા સ્ટેટસ અપડેટ્સમાં): "ડેટા પાઇપલાઇન ફેરફારોની રાહ જોવી" અને "ML Eng સંસાધનોની રાહ જોવી" એ સામાન્ય અવરોધક છે. જો કે, હું માનું છું કે વધુ ખતરનાક પ્રભાવ તે છે જે તમે નોંધતા નથી, કારણ કે તમે જે જાણતા નથી તેનો તમે અફસોસ કરી શકતા નથી. દોષરહિત અમલીકરણ અને પ્રક્રિયા કાર્યક્ષમતા હાંસલ કરવાથી મળેલી આત્મસંતુષ્ટતા એ સત્યને ઢાંકી શકે છે કે સંસ્થાઓ તેઓ જે શીખવાના લાભો ગુમાવી રહી છે તેનાથી અજાણ છે.

આ સમસ્યાનો ઉકેલ, અલબત્ત, ફેક્ટરી પિન પદ્ધતિથી છુટકારો મેળવવાનો છે. શીખવા અને પુનરાવૃત્તિને પ્રોત્સાહિત કરવા માટે, ડેટા વૈજ્ઞાનિકની ભૂમિકાઓ સામાન્ય હોવી જોઈએ પરંતુ તકનીકી કાર્યથી સ્વતંત્ર વ્યાપક જવાબદારીઓ સાથે, એટલે કે ડેટા વૈજ્ઞાનિકોને ગોઠવો જેથી તેઓ શીખવા માટે ઑપ્ટિમાઇઝ થાય. આનો અર્થ એ છે કે "સંપૂર્ણ સ્ટેક નિષ્ણાતો" - સામાન્ય નિષ્ણાતો કે જેઓ વિભાવનાથી મોડેલિંગ, અમલીકરણથી માપન સુધી વિવિધ કાર્યો કરી શકે છે. એ નોંધવું અગત્યનું છે કે હું એવું સૂચન કરતો નથી કે પૂર્ણ-સ્ટૅક પ્રતિભાને નોકરીએ રાખવાથી કર્મચારીઓની સંખ્યામાં ઘટાડો થવો જોઈએ. તેના બદલે, હું ફક્ત એમ માનીશ કે જ્યારે તેઓ અલગ રીતે ગોઠવાય છે, ત્યારે તેમના પ્રોત્સાહનો શીખવાની અને કામગીરીના લાભો સાથે વધુ સારી રીતે સંરેખિત થાય છે. ઉદાહરણ તરીકે, ચાલો કહીએ કે તમારી પાસે ત્રણ વ્યવસાય કુશળતા સાથે ત્રણ લોકોની ટીમ છે. પિન ફેક્ટરીમાં, દરેક ટેકનિશિયન દરેક જોબ ટાસ્ક માટે તેના ત્રીજા ભાગનો સમય ફાળવશે, કારણ કે તેનું કામ બીજું કોઈ કરી શકતું નથી. સંપૂર્ણ સ્ટેકમાં, દરેક જનરલિસ્ટ સમગ્ર વ્યવસાય પ્રક્રિયા, સ્કેલ-અપ અને તાલીમ માટે સંપૂર્ણપણે સમર્પિત છે.

ઉત્પાદન ચક્રને ટેકો આપતા ઓછા લોકો સાથે, સંકલન ઓછું થાય છે. સામાન્યવાદી વિશેષતાઓ વચ્ચે પ્રવાહી રીતે આગળ વધે છે, વધુ ડેટા ઉમેરવા માટે ડેટા પાઇપલાઇનને વિસ્તૃત કરે છે, મોડેલોમાં નવી સુવિધાઓનો પ્રયાસ કરે છે, કારણભૂત માપન માટે ઉત્પાદનમાં નવા સંસ્કરણો ગોઠવે છે અને નવા વિચારો આવે તેટલી ઝડપથી પગલાંઓનું પુનરાવર્તન કરે છે. અલબત્ત, સ્ટેશન વેગન વિવિધ કાર્યો ક્રમિક રીતે કરે છે અને સમાંતરમાં નહીં. છેવટે, તે માત્ર એક વ્યક્તિ છે. જો કે, કાર્ય પૂર્ણ કરવામાં સામાન્ય રીતે અન્ય વિશિષ્ટ સંસાધનને ઍક્સેસ કરવા માટે જરૂરી સમયનો માત્ર એક અંશ લાગે છે. તેથી, પુનરાવર્તન સમય ઘટે છે.

અમારા જનરલિસ્ટ કોઈ ચોક્કસ જોબ ફંક્શનમાં નિષ્ણાત જેટલા કુશળ ન હોઈ શકે, પરંતુ અમે કાર્યાત્મક સંપૂર્ણતા અથવા નાના વધારાના સુધારાઓ માટે પ્રયત્ન કરતા નથી. તેના બદલે, અમે ધીમે ધીમે અસર સાથે વધુને વધુ વ્યાવસાયિક પડકારો જાણવા અને શોધવાનો પ્રયત્ન કરીએ છીએ. સંપૂર્ણ ઉકેલ માટે સર્વગ્રાહી સંદર્ભ સાથે, તે તકો જુએ છે જે નિષ્ણાત ચૂકી જશે. તેની પાસે વધુ વિચારો અને વધુ શક્યતાઓ છે. તે નિષ્ફળ પણ જાય છે. જો કે, નિષ્ફળતાની કિંમત ઓછી છે અને શીખવાના ફાયદા વધુ છે. આ અસમપ્રમાણતા ઝડપી પુનરાવર્તનને પ્રોત્સાહન આપે છે અને શિક્ષણને પુરસ્કાર આપે છે.

એ નોંધવું અગત્યનું છે કે સંપૂર્ણ સ્ટેક વૈજ્ઞાનિકોને આપવામાં આવતી સ્વાયત્તતા અને કૌશલ્યની વિવિધતા મોટાભાગે ડેટા પ્લેટફોર્મની મજબૂતી પર આધારિત છે કે જેના પર કામ કરવું છે. સારી રીતે ડિઝાઇન કરેલ ડેટા પ્લેટફોર્મ કન્ટેનરાઇઝેશન, ડિસ્ટ્રિબ્યુટેડ પ્રોસેસિંગ, ઓટોમેટિક ફેલઓવર અને અન્ય અદ્યતન કમ્પ્યુટિંગ ખ્યાલોની જટિલતાઓમાંથી ડેટા વૈજ્ઞાનિકોને અમૂર્ત કરે છે. એબ્સ્ટ્રેક્શન ઉપરાંત, એક મજબૂત ડેટા પ્લેટફોર્મ પ્રાયોગિક ઈન્ફ્રાસ્ટ્રક્ચરને સીમલેસ કનેક્ટિવિટી પ્રદાન કરી શકે છે, ઓટોમેટ મોનિટરિંગ અને એલર્ટિંગ, ઓટોમેટિક સ્કેલિંગ અને અલ્ગોરિધમિક પરિણામોનું વિઝ્યુલાઇઝેશન અને ડિબગિંગ સક્ષમ કરી શકે છે. આ ઘટકોને ડેટા પ્લેટફોર્મ એન્જિનિયરો દ્વારા ડિઝાઇન અને બનાવવામાં આવ્યા છે, એટલે કે તેઓ ડેટા સાયન્ટિસ્ટથી ડેટા પ્લેટફોર્મ ડેવલપમેન્ટ ટીમને આપવામાં આવતા નથી. તે ડેટા સાયન્સ નિષ્ણાત છે જે પ્લેટફોર્મ ચલાવવા માટે ઉપયોગમાં લેવાતા તમામ કોડ માટે જવાબદાર છે.

મને પણ, એક સમયે પ્રક્રિયા કાર્યક્ષમતાનો ઉપયોગ કરીને શ્રમના કાર્યાત્મક વિભાજનમાં રસ હતો, પરંતુ અજમાયશ અને ભૂલ (શીખવાની કોઈ સારી રીત નથી) દ્વારા, મેં શોધ્યું કે લાક્ષણિક ભૂમિકાઓ શીખવાની અને નવીનતાને વધુ સારી રીતે સુવિધા આપે છે અને યોગ્ય મેટ્રિક્સ પ્રદાન કરે છે: શોધ અને વિશિષ્ટ અભિગમ કરતાં ઘણી વધુ વ્યવસાય તકોનું નિર્માણ. (હું જે અજમાયશ અને ભૂલમાંથી પસાર થયો હતો તેના કરતાં આયોજન કરવાના આ અભિગમ વિશે શીખવાની વધુ અસરકારક રીત એ છે કે એમી એડમન્ડસનનું પુસ્તક ટીમ કોલાબોરેશન: હાઉ ઓર્ગેનાઈઝેશન્સ લર્ન, ઈનોવેટ અને કોમ્પિટ ઇન ધ નોલેજ ઈકોનોમી).

કેટલીક મહત્વપૂર્ણ ધારણાઓ છે જે કેટલીક કંપનીઓમાં વધુ કે ઓછા વિશ્વસનીય આયોજન કરવા માટેના આ અભિગમને બનાવી શકે છે. પુનરાવર્તન પ્રક્રિયા અજમાયશ અને ભૂલની કિંમત ઘટાડે છે. જો ભૂલની કિંમત વધારે હોય, તો તમે તેને ઘટાડવા માગી શકો છો (પરંતુ તબીબી એપ્લિકેશન અથવા ઉત્પાદન માટે આ ભલામણ કરવામાં આવતી નથી). વધુમાં, જો તમે ડેટાના પેટાબાઈટ અથવા એક્સાબાઈટ સાથે કામ કરી રહ્યા હોવ, તો ડેટા એન્જિનિયરિંગમાં વિશેષતાની જરૂર પડી શકે છે. તેવી જ રીતે, જો ઓનલાઈન વ્યાપાર ક્ષમતાઓ જાળવવી અને તેમની ઉપલબ્ધતા તેમને સુધારવા કરતાં વધુ મહત્વની છે, તો કાર્યાત્મક શ્રેષ્ઠતા શીખવાથી પ્રભાવિત થઈ શકે છે. છેલ્લે, સંપૂર્ણ સ્ટેક મોડલ તેના વિશે જાણતા લોકોના મંતવ્યો પર આધાર રાખે છે. તેઓ યુનિકોર્ન નથી; તમે તેમને શોધી શકો છો અથવા તેમને જાતે તૈયાર કરી શકો છો. જો કે, તેઓ ખૂબ માંગમાં છે અને તેમને આકર્ષવા અને જાળવી રાખવા માટે સ્પર્ધાત્મક વળતર, મજબૂત કોર્પોરેટ મૂલ્યો અને પડકારરૂપ કાર્યની જરૂર પડશે. ખાતરી કરો કે તમારી કંપની સંસ્કૃતિ આને સમર્થન આપી શકે છે.

તેમ છતાં પણ, હું માનું છું કે સંપૂર્ણ સ્ટેક મોડેલ શ્રેષ્ઠ પ્રારંભિક શરતો પ્રદાન કરે છે. તેમની સાથે પ્રારંભ કરો, અને પછી જ્યારે એકદમ જરૂરી હોય ત્યારે જ સભાનપણે શ્રમના કાર્યાત્મક વિભાજન તરફ આગળ વધો.

કાર્યાત્મક વિશેષતાના અન્ય ગેરફાયદા છે. આનાથી કામદારોની જવાબદારી અને નિષ્ક્રિયતા ગુમાવી શકે છે. સ્મિથ પોતે શ્રમના વિભાજનની ટીકા કરે છે, સૂચવે છે કે તે પ્રતિભાના નિસ્તેજ તરફ દોરી જાય છે, એટલે કે. કામદારો અજ્ઞાન બની જાય છે અને પાછી ખેંચી લેવામાં આવે છે કારણ કે તેમની ભૂમિકાઓ થોડા પુનરાવર્તિત કાર્યો સુધી મર્યાદિત હોય છે. જ્યારે વિશેષતા પ્રક્રિયા કાર્યક્ષમતા પ્રદાન કરી શકે છે, તે કામદારોને પ્રેરણા આપે તેવી શક્યતા ઓછી છે.

બદલામાં, બહુમુખી ભૂમિકાઓ એવી બધી વસ્તુઓ પ્રદાન કરે છે જે નોકરીમાં સંતોષ લાવે છે: સ્વાયત્તતા, નિપુણતા અને હેતુ. સ્વાયત્તતા એ છે કે તેઓ સફળતા પ્રાપ્ત કરવા માટે કોઈ પણ વસ્તુ પર આધાર રાખતા નથી. નિપુણતા મજબૂત સ્પર્ધાત્મક ફાયદાઓમાં રહેલી છે. અને હેતુની ભાવના તેઓ બનાવેલા વ્યવસાય પર અસર કરવાની તકમાં રહેલી છે. જો આપણે લોકોને તેમના કામ વિશે ઉત્સાહિત કરી શકીએ અને કંપની પર મોટી અસર કરી શકીએ, તો બાકીનું બધું જ જગ્યાએ આવી જશે.

સોર્સ: www.habr.com