හිරෝෂි වටනබේ/ගෙටි රූප
ද වෙල්ත් ඔෆ් නේෂන්ස් හි ඇඩම් ස්මිත් පෙන්වා දෙන්නේ ශ්‍රම විභජනය ඵලදායිතාව වැඩි කිරීමේ ප්‍රධාන මූලාශ්රය වන ආකාරයයි. පින් කම්හලක එකලස් කිරීමේ රේඛාව උදාහරණයකි: “එක් සේවකයෙක් කම්බි අදින්නේය, තවත් අයෙක් එය කෙළින් කරයි, තුන්වැන්නා එය කපයි, හතරවැන්නා කෙළවර මුවහත් කරයි, පස්වැන්නා හිසට ගැළපෙන පරිදි අනෙක් කෙළවර අඹරයි.” විශේෂිත කාර්යයන් කෙරෙහි අවධානය යොමු කරන ලද විශේෂීකරණයට ස්තූතිවන්ත වන අතර, සෑම සේවකයෙකුම ඔහුගේ පටු කාර්යයේ ඉහළ සුදුසුකම් ලත් විශේෂඥයෙකු බවට පත් වන අතර, එය ක්රියාවලිය කාර්යක්ෂමතාව වැඩි කිරීමට හේතු වේ. එක් සේවකයෙකු සඳහා නිමැවුම බොහෝ වාරයක් වැඩි වන අතර, කම්හල කටු නිෂ්පාදනය කිරීමේදී වඩාත් කාර්යක්ෂම වේ.
ක්‍රියාකාරීත්වය අනුව මෙම ශ්‍රම විභජනය අදටත් අපගේ සිත් තුළ කෙතරම් මුල් බැසගෙන ඇත්ද යත්, ඒ අනුව අපි ඉක්මනින් අපගේ කණ්ඩායම් සංවිධානය කළෙමු. දත්ත විද්යාව ව්යතිරේකයක් නොවේ. සංකීර්ණ ඇල්ගොරිතම ව්‍යාපාරික හැකියාවන් සඳහා බහුකාර්ය කාර්යයන් අවශ්ය වේ, එබැවින් සමාගම් සාමාන්යයෙන් විශේෂඥ කණ්ඩායම් නිර්මාණය කරයි: පර්යේෂකයන්, දත්ත ඉංජිනේරුවන්, යන්ත්‍ර ඉගෙනුම් ඉංජිනේරුවන්, හේතු-සහ-ඵල විද්‍යාඥයින්, සහ යනාදිය. විශේෂඥයින්ගේ වැඩ කටයුතු සම්බන්ධීකරණය කරනු ලබන්නේ නිෂ්පාදන කළමනාකරු විසින් පින් කර්මාන්තශාලාවකට සමාන ආකාරයෙන් කාර්යයන් මාරු කිරීමෙනි: "එක් පුද්ගලයෙකු දත්ත ලබා ගනී, තවත් අයෙකු එය ආකෘති කරයි, තෙවනුව එය ක්රියාත්මක කරයි, සිව්වන පියවර" සහ එසේ ය.
අහෝ, ඵලදායිතාව වැඩි දියුණු කිරීම සඳහා අපගේ දත්ත විද්‍යා කණ්ඩායම් ප්‍රශස්ත කිරීම නොකළ යුතුය. කෙසේ වෙතත්, ඔබ මෙය කරන්නේ ඔබ නිෂ්පාදනය කරන දේ තේරුම් ගත් විට: අල්ෙපෙනති හෝ වෙනත් දෙයක්, සහ සරලව කාර්යක්ෂමතාව වැඩි කිරීමට උත්සාහ කරන්න. එකලස් කිරීමේ රේඛාවල අරමුණ කාර්යයක් සම්පූර්ණ කිරීමයි. අපට අවශ්ය දේ අපි හරියටම දනිමු - අල්ෙපෙනති (ස්මිත්ගේ උදාහරණයේ මෙන්), නමුත් නිෂ්පාදනයේ සියලුම අංග සහ එහි හැසිරීම් අවශ්‍යතා සම්පූර්ණයෙන්ම විස්තර කරන ඕනෑම නිෂ්පාදනයක් හෝ සේවාවක් සඳහන් කළ හැකිය. සේවකයින්ගේ කාර්යභාරය වන්නේ මෙම අවශ්‍යතා හැකිතාක් කාර්යක්ෂමව ඉටු කිරීමයි.
නමුත් දත්ත විද්‍යාවේ අරමුණ කාර්යයන් සම්පූර්ණ කිරීම නොවේ. ඒ වෙනුවට, ඉලක්කය වන්නේ ශක්තිමත් නව ව්‍යාපාරික අවස්ථා ගවේෂණය කිරීම සහ සංවර්ධනය කිරීමයි. නිර්දේශ පද්ධති, පාරිභෝගික අන්තර්ක්‍රියා, විලාස මනාප වර්ගීකරණය, ප්‍රමාණය, ඇඳුම් නිර්මාණය, සැපයුම් ප්‍රශස්තකරණය, සෘතුමය ප්‍රවණතා හඳුනාගැනීම සහ තවත් බොහෝ දේ වැනි ඇල්ගොරිතම නිෂ්පාදන සහ සේවා කල්තියා සංවර්ධනය කළ නොහැක. ඒවා අධ්‍යයනය කළ යුතුයි. ප්‍රතිනිර්මාණය කිරීමට කිසිදු සැලැස්මක් නොමැත, මේවා ආවේනික අවිනිශ්චිතතාවයන් සහිත නව හැකියාවන් වේ. සංගුණක, ආකෘති, ආකෘති වර්ග, අධිපරිමාණ, අවශ්ය සියලුම අංග අත්හදා බැලීම්, අත්හදා බැලීම් සහ දෝෂයන් සහ පුනරාවර්තනය තුළින් ඉගෙන ගත යුතුය. අල්ෙපෙනති සමඟ, පුහුණුව සහ සැලසුම් නිෂ්පාදනයට පෙර සිදු කරනු ලැබේ. දත්ත විද්යාව සමඟ, ඔබ ඉගෙන ගන්නේ ඔබ කරන ආකාරයට මිස පෙර නොවේ.
පින් කම්හලකදී, පුහුණුව ප්‍රථමයෙන් පැමිණෙන විට, නිෂ්පාදන කාර්යක්ෂමතාවය වැඩි දියුණු කිරීම හැර නිෂ්පාදනයේ කිසිදු අංගයක් කම්කරුවන් විසින් වැඩිදියුණු කිරීමට අපි අපේක්ෂා නොකරමු. විශේෂිත කාර්යයන් අර්ථවත් වන්නේ එය ක්‍රියාවලි කාර්යක්ෂමතාවයට සහ නිෂ්පාදන අනුකූලතාවයට (අවසාන නිෂ්පාදනයේ වෙනස්කම් නොමැතිව) මග පාදයි.
නමුත් නිෂ්පාදිතය තවමත් සංවර්ධනය වෙමින් පවතින අතර ඉලක්කය පුහුණුව වන විට, විශේෂීකරණය පහත සඳහන් අවස්ථා වලදී අපගේ අරමුණු වලට බාධා කරයි:
1. එය සම්බන්ධීකරණ පිරිවැය වැඩි කරයි.
එනම්, සන්නිවේදනය, සාකච්ඡා කිරීම, සාධාරණීකරණය කිරීම සහ කළ යුතු කාර්යයට ප්රමුඛත්වය ලබා දීම සඳහා ගත කරන කාලය තුළ එකතු වන එම වියදම්. මෙම පිරිවැය සම්බන්ධ පුද්ගලයින් සංඛ්‍යාව සමඟ සුපිරි රේඛීයව පරිමාණය කරයි. (J. Richard Hackman අපට ඉගැන්වූ පරිදි, මෙම සමීකරණයට අනුව n පද සංඛ්‍යාවේ ශ්‍රිතයට සමානව r සම්බන්ධතා සංඛ්‍යාව වර්ධනය වේ: r = (n^2-n)/2. තවද සෑම සම්බන්ධතාවයකින්ම යම් ප්‍රමාණයක් අනාවරණය වේ. පිරිවැය සම්බන්ධතාවය.) දත්ත විද්‍යාඥයින් ක්‍රියාකාරීත්වය අනුව, සෑම අදියරකදීම, සෑම වෙනස්කමක් සමඟම, සෑම භාරදීමක් සමඟම සංවිධානය කරන විට, බොහෝ විශේෂඥයින් අවශ්ය වන අතර, එමඟින් සම්බන්ධීකරණ පිරිවැය වැඩිවේ. උදාහරණයක් ලෙස, නව විශේෂාංග සමඟ අත්හදා බැලීමට අවශ්ය සංඛ්‍යාන ආකෘතිකරුවන්ට අලුත් දෙයක් උත්සාහ කිරීමට අවශ්ය සෑම අවස්ථාවකම දත්ත කට්ටලවලට එක් කරන දත්ත ඉංජිනේරුවන් සමඟ සම්බන්ධීකරණය කිරීමට සිදුවේ. ඒ හා සමානව, පුහුණු කරන ලද සෑම නව මාදිලියක්ම යන්නෙන් අදහස් වන්නේ එය නිෂ්පාදනයට ඇතුළත් කිරීම සඳහා ආකෘති සංවර්ධකයාට සම්බන්ධීකරණය කිරීමට කෙනෙකු අවශ්ය වනු ඇති බවයි. සම්බන්ධීකරණ පිරිවැය පුනරාවර්තනය සඳහා මිලක් ලෙස ක්‍රියා කරයි, ඒවා වඩාත් දුෂ්කර හා මිල අධික වන අතර අධ්‍යයනය අත්හැරීමට හේතු වේ. මෙය ඉගෙනීමට බාධාවක් විය හැකිය.
2. එය බලා සිටීමේ කාලය දුෂ්කර කරයි.
සම්බන්ධීකරණ පිරිවැයට වඩා භයානක වන්නේ වැඩ මුර අතර කාලය අහිමි වීමයි. සම්බන්ධීකරණ පිරිවැය සාමාන්යයෙන් පැය වලින් මනිනු ලබන අතර - රැස්වීම්, සාකච්ඡා, සැලසුම් සමාලෝචන පැවැත්වීමට ගතවන කාලය - සාමාන්යයෙන් පොරොත්තු කාලය මනිනු ලබන්නේ දින, සති හෝ මාස වලින් පවා! එක් එක් විශේෂඥයා බහු ව්‍යාපෘති හරහා බෙදා හැරිය යුතු බැවින් ක්රියාකාරී විශේෂඥයින්ගේ කාලසටහන් සමතුලිත කිරීමට අපහසු වේ. වෙනස්කම් සාකච්ඡා කිරීම සඳහා පැයක රැස්වීමක් වැඩ ප්‍රවාහය සුමට කිරීමට සති කිහිපයක් ගත විය හැකිය. වෙනස්කම් වලට එකඟ වීමෙන් පසුව, විශේෂඥයින්ගේ වැඩ කරන කාලය ගත කරන වෙනත් බොහෝ ව්යාපෘතිවල සන්දර්භය තුළ සැබෑ වැඩ කටයුතු සැලසුම් කිරීම අවශ්ය වේ. සම්පූර්ණ කිරීමට පැය කිහිපයක් හෝ දින කිහිපයක් පමණක් ගත වන කේත නිවැරදි කිරීම් හෝ පර්යේෂණ ඇතුළත් වැඩ සම්පත් ලබා ගැනීමට පෙර බොහෝ කාලයක් ගත විය හැකිය. එතෙක්, පුනරාවර්තනය සහ ඉගෙනීම අත්හිටුවා ඇත.
3. එය සන්දර්භය පටු කරයි.
ශ්‍රමය බෙදීම මගින් මිනිසුන්ට ඔවුන්ගේ විශේෂත්වය තුළ රැඳී සිටීම සඳහා ප්රතිලාභ ලබා දීමෙන් ඉගෙනීම කෘතිමව සීමා කළ හැකිය. නිදසුනක් වශයෙන්, ඔහුගේ ක්‍රියාකාරීත්වයේ විෂය පථය තුළ රැඳී සිටිය යුතු පර්යේෂණ විද්‍යාඥයෙකු විවිධ ආකාරයේ ඇල්ගොරිතම සමඟ අත්හදා බැලීම් කෙරෙහි තම ශක්තිය යොමු කරයි: ප්‍රතිගාමීත්වය, ස්නායුක ජාල, අහඹු වනාන්තර සහ යනාදිය. ඇත්ත වශයෙන්ම, හොඳ ඇල්ගොරිතම තේරීම් වර්ධක වැඩිදියුණු කිරීම්වලට හේතු විය හැක, නමුත් සාමාන්යයෙන් නව දත්ත මූලාශ්‍ර ඒකාබද්ධ කිරීම වැනි වෙනත් ක්‍රියාකාරකම් වලින් තවත් බොහෝ දේ ලබා ගත හැක. ඒ හා සමානව, දත්ත වලට ආවේණික වූ සෑම පැහැදිලි කිරීමේ බලයක්ම ගසාකන ආකෘතියක් සංවර්ධනය කිරීමට එය උපකාරී වනු ඇත. කෙසේ වෙතත්, එහි ශක්තිය වෛෂයික කාර්යය වෙනස් කිරීම හෝ යම් සීමාවන් ලිහිල් කිරීම විය හැකිය. ඇයගේ කාර්යය සීමිත වූ විට මෙය දැකීමට හෝ කිරීමට අපහසුය. තාක්ෂණික විද්‍යාඥයෙකු ඇල්ගොරිතම ප්‍රශස්ත කිරීමෙහිලා විශේෂඥයෙකු වන බැවින්, ඔහු සැලකිය යුතු ප්රතිලාභ ගෙන දුන්නද, වෙනත් කිසිවක් කිරීමට ඇති ඉඩකඩ බෙහෙවින් අඩුය.
දත්ත විද්‍යා කණ්ඩායම් පින් කර්මාන්තශාලා ලෙස ක්‍රියා කරන විට දිස්වන ලකුණු නම් කිරීමට (උදාහරණයක් ලෙස, සරල තත්ව යාවත්කාලීන කිරීම්වලදී): “දත්ත නල මාර්ග වෙනස්වීම් සඳහා රැඳී සිටීම” සහ “ML Eng සම්පත් සඳහා රැඳී සිටීම” පොදු අවහිර කරන්නන් වේ. කෙසේ වෙතත්, මම විශ්වාස කරන්නේ වඩා භයානක බලපෑම ඔබ නොදකින දෙයයි, මන්ද ඔබ දැනටමත් නොදන්නා දේ ගැන ඔබට පසුතැවිලි විය නොහැක. දෝෂ රහිතව ක්රියාත්මක කිරීම සහ ක්‍රියාවලි කාර්යක්ෂමතාවය සාක්ෂාත් කර ගැනීමෙන් ලබා ගන්නා තෘප්තිමත් භාවය, ආයතනවලට අහිමි වන ඉගෙනුම් ප්රතිලාභ පිළිබඳව නොදන්නා සත්‍යය වසං කළ හැකිය.
මෙම ගැටලුවට විසඳුම, ඇත්ත වශයෙන්ම, කර්මාන්තශාලා පින් ක්රමයෙන් මිදීමයි. ඉගෙනීම සහ පුනරාවර්තනය දිරිමත් කිරීම සඳහා, දත්ත විද්‍යාඥ භූමිකාවන් සාමාන්‍ය විය යුතු නමුත් තාක්ෂණික කාර්යයෙන් ස්වාධීන වූ පුළුල් වගකීම් සහිත විය යුතුය, එනම් දත්ත විද්‍යාඥයින් ඉගෙනීම සඳහා ප්‍රශස්ත වන පරිදි සංවිධානය කළ යුතුය. මෙයින් අදහස් කරන්නේ "සම්පූර්ණ තොග විශේෂඥයින්" කුලියට ගැනීමයි - සංකල්පයේ සිට ආකෘති නිර්මාණය දක්වා, ක්රියාත්මක කිරීමේ සිට මැනීම දක්වා විවිධ කාර්යයන් ඉටු කළ හැකි සාමාන්‍ය විශේෂඥයින්. ෆුල්-ස්ටැක් ටැලන්ට් බඳවා ගැනීම සේවක සංඛ්‍යාව අඩු කළ යුතු යැයි මා යෝජනා නොකරන බව සැලකිල්ලට ගැනීම වැදගත්ය. ඒ වෙනුවට, ඔවුන් වෙනස් ලෙස සංවිධානය වූ විට, ඔවුන්ගේ දිරිගැන්වීම් ඉගෙනීමේ සහ කාර්ය සාධන ප්රතිලාභ සමඟ වඩා හොඳින් සමපාත වන බව මම සරලව උපකල්පනය කරමි. උදාහරණයක් ලෙස, ඔබට ව්‍යාපාර කුසලතා තුනක් ඇති පුද්ගලයින් තිදෙනෙකුගෙන් යුත් කණ්ඩායමක් ඇතැයි සිතමු. පින් කම්හලකදී, සෑම කාර්මිකයෙකුම තම කාර්යය වෙන කිසිවෙකුට කළ නොහැකි බැවින්, සෑම රැකියාවකටම තම කාලයෙන් තුනෙන් එකක් කැප කරයි. සම්පූර්ණ තොගයක් තුළ, සෑම සාමාන්‍යවාදියෙකුම සමස්ත ව්‍යාපාර ක්රියාවලිය, පරිමාණය සහ පුහුණුව සඳහා සම්පූර්ණයෙන්ම කැපවී සිටී.
නිෂ්පාදන චක්‍රයට සහාය දක්වන පුද්ගලයින් අඩු වීමත් සමඟ සම්බන්ධීකරණය අඩු වේ. සාමාන්‍යවාදියා විශේෂාංග අතර තරල ලෙස ගමන් කරයි, තවත් දත්ත එකතු කිරීමට දත්ත නල මාර්ගය පුළුල් කරයි, මාදිලිවල නව විශේෂාංග උත්සාහ කරයි, හේතුඵල මිනුම් සඳහා නිෂ්පාදනයට නව අනුවාද යෙදවීම සහ නව අදහස් මතු වූ විගස පියවර පුනරුච්චාරණය කරයි. ඇත්ත වශයෙන්ම, දුම්රිය කරත්තය විවිධ කාර්යයන් අනුපිළිවෙලින් සිදු කරන අතර සමාන්තරව නොවේ. සියල්ලට පසු, එය එක් පුද්ගලයෙක් පමණි. කෙසේ වෙතත්, කාර්යයක් සම්පූර්ණ කිරීම සාමාන්යයෙන් වෙනත් විශේෂිත සම්පතක් වෙත ප්රවේශ වීමට අවශ්ය කාලයෙන් සුළු කොටසක් පමණි. එබැවින්, පුනරාවර්තන කාලය අඩු වේ.
අපගේ සාමාන්‍යවාදියා යම් රැකියා කාර්යයක විශේෂඥයෙකු තරම් දක්ෂ නොවිය හැක, නමුත් අපි ක්රියාකාරී පරිපූර්ණත්වය හෝ කුඩා වර්ධක වැඩිදියුණු කිරීම් සඳහා උත්සාහ නොකරමු. ඒ වෙනුවට, අපි ක්‍රමානුකූල බලපෑමෙන් වැඩි වැඩියෙන් වෘත්තීය අභියෝග ඉගෙන ගැනීමට සහ සොයා ගැනීමට උත්සාහ කරමු. සම්පූර්ණ විසඳුමක් සඳහා පරිපූර්ණ සන්දර්භයක් සමඟ, ඔහු විශේෂඥයෙකුට මග හැරිය හැකි අවස්ථා දකී. ඔහුට වැඩි අදහස් සහ වැඩි හැකියාවන් ඇත. ඔහුත් අසාර්ථකයි. කෙසේ වෙතත්, අසාර්ථක වීමේ පිරිවැය අඩු වන අතර ඉගෙනීමේ ප්රතිලාභ ඉහළයි. මෙම අසමමිතිය වේගවත් පුනරාවර්තනය ප්‍රවර්ධනය කරන අතර ඉගෙනීමට ප්රතිලාභ ලබා දෙයි.
පූර්ණ අට්ටි විද්‍යාඥයින්ට ලබා දෙන ස්වාධීනත්වය සහ කුසලතා විවිධත්වයේ ප්‍රමාණය බොහෝ දුරට රඳා පවතින්නේ වැඩ කළ යුතු දත්ත වේදිකාවේ ශක්තිමත් බව මත බව සැලකිල්ලට ගැනීම වැදගත්ය. හොඳින් සැලසුම් කරන ලද දත්ත වේදිකාවක්, බහාලුම්කරණය, බෙදාහැරීම සැකසීම, ස්වයංක්‍රීය අසාර්ථකත්වය සහ අනෙකුත් උසස් පරිගණක සංකල්පවල සංකීර්ණතාවලින් දත්ත විද්‍යාඥයින් සාරාංශ කරයි. සාරාංශයට අමතරව, ශක්තිමත් දත්ත වේදිකාවක් පර්යේෂණාත්මක යටිතල පහසුකම් සඳහා බාධාවකින් තොරව සම්බන්ධ කිරීම, ස්වයංක්‍රීය අධීක්ෂණය සහ අනතුරු ඇඟවීම් ස්වයංක්‍රීයව පරිමාණය කිරීම සහ ඇල්ගොරිතම ප්‍රතිඵල සහ නිදොස්කරණය ස්වයංක්‍රීයව පරිමාණය කිරීම සහ දෘශ්‍යකරණය සක්‍රීය කළ හැකිය. මෙම සංරචක දත්ත වේදිකා ඉංජිනේරුවන් විසින් නිර්මාණය කර ගොඩනගා ඇත, එනම් ඒවා දත්ත විද්‍යාඥයාගෙන් දත්ත වේදිකා සංවර්ධන කණ්ඩායමට ලබා නොදෙන බවයි. වේදිකාව ක්රියාත්මක කිරීමට භාවිතා කරන සියලුම කේතයන් සඳහා වගකියන්නේ දත්ත විද්‍යා විශේෂඥයාය.
මමත් වරක් ක්‍රියාවලි කාර්යක්ෂමතාව භාවිතා කරමින් ශ්‍රම ක්රියාකාරී බෙදීම ගැන උනන්දු වූ නමුත් අත්හදා බැලීම් සහ දෝෂය හරහා (ඉගෙන ගැනීමට වඩා හොඳ ක්‍රමයක් නැත), සාමාන්‍ය භූමිකාවන් ඉගෙනීමට සහ නව්‍යකරණයට වඩා හොඳින් පහසුකම් සපයන බවත් නිවැරදි ප්‍රමිතික සපයන බවත් මම සොයා ගත්තෙමි: සොයා ගැනීම සහ විශේෂිත ප්‍රවේශයකට වඩා බොහෝ ව්‍යාපාරික අවස්ථා ගොඩනැගීම. (මම සමත් වූ අත්හදා බැලීම් සහ දෝෂයට වඩා සංවිධානය කිරීම සඳහා මෙම ප්‍රවේශය ගැන ඉගෙන ගැනීමට වඩාත් ඵලදායී ක්‍රමයක් නම් Amy Edmondson ගේ Team Collaboration: How Organizations Learn, Innovate, and Compete in the Knowledge Economy පොත කියවීමයි).
සමහර සමාගම්වල වැඩි හෝ අඩු විශ්වසනීයත්වයක් සංවිධානය කිරීමට මෙම ප්‍රවේශය කළ හැකි වැදගත් උපකල්පන කිහිපයක් තිබේ. පුනරාවර්තන ක්රියාවලිය අත්හදා බැලීමේ සහ දෝෂයේ පිරිවැය අඩු කරයි. දෝෂයේ පිරිවැය ඉහළ නම්, ඔබට ඒවා අඩු කිරීමට අවශ්ය විය හැකිය (නමුත් මෙය වෛද්ය යෙදුම් හෝ නිෂ්පාදනය සඳහා නිර්දේශ නොකරයි). අතිරේකව, ඔබ පෙටාබයිට් හෝ එක්සබයිට් දත්ත සමඟ ගනුදෙනු කරන්නේ නම්, දත්ත ඉංජිනේරු විද්යාව පිළිබඳ විශේෂීකරණය අවශ්ය විය හැකිය. ඒ හා සමානව, සබැඳි ව්‍යාපාර හැකියාවන් පවත්වා ගැනීම සහ ඒවා වැඩිදියුණු කිරීමට වඩා වැදගත් වන්නේ නම්, ක්රියාකාරී විශිෂ්ඨත්වය ඉගෙනීමට බාධාවක් විය හැක. අවසාන වශයෙන්, සම්පූර්ණ තොග ආකෘතිය රඳා පවතින්නේ ඒ ගැන දන්නා පුද්ගලයින්ගේ අදහස් මතය. ඔවුන් යුනිකෝන් නොවේ; ඔබට ඒවා සොයා ගැනීමට හෝ ඔබම සූදානම් කිරීමට හැකිය. කෙසේ වෙතත්, ඔවුන්ට ඉහළ ඉල්ලුමක් පවතින අතර ඒවා ආකර්ෂණය කර ගැනීමට සහ රඳවා ගැනීමට තරඟකාරී වන්දි, ශක්තිමත් ආයතනික වටිනාකම් සහ අභියෝගාත්මක වැඩ අවශ්ය වේ. ඔබේ සමාගම් සංස්කෘතිය මෙයට සහාය විය හැකි බවට වග බලා ගන්න.
ඒ සියල්ල සමඟ වුවද, සම්පූර්ණ තොග ආකෘතිය හොඳම ආරම්භක කොන්දේසි සපයන බව මම විශ්වාස කරමි. ඔවුන් සමඟ ආරම්භ කරන්න, පසුව දැනුවත්ව ශ්‍රම ක්රියාකාරී බෙදීමක් කරා ගමන් කරන්නේ අත්‍යවශ්‍ය විට පමණි.
ක්රියාකාරී විශේෂීකරණයේ වෙනත් අවාසි ඇත. මෙය කම්කරුවන්ගේ වගකීම් නැතිවීම සහ උදාසීනත්වයට හේතු විය හැක. ස්මිත් විසින්ම ශ්‍රම බෙදීම විවේචනය කරයි, එය දක්ෂතා අඳුරු වීමට හේතු වන බව යෝජනා කරයි, i.e. ඔවුන්ගේ භූමිකාවන් පුනරාවර්තන කාර්යයන් කිහිපයකට සීමා වී ඇති බැවින් කම්කරුවන් නූගත් හා ඉවත් වේ. විශේෂීකරණය මගින් ක්‍රියාවලි කාර්යක්ෂමතාවයක් සැපයිය හැකි වුවද, එය සේවකයන්ට ආස්වාදයක් ලබා දීමට ඇති ඉඩකඩ අඩුය.
අනෙක් අතට, බහුකාර්ය භූමිකාවන් රැකියා තෘප්තිය ගෙන යන සියලු දේ සපයයි: ස්වයං පාලනය, ප්‍රවීණත්වය සහ අරමුණ. ස්වාධීනත්වය යනු සාර්ථකත්වය ළඟා කර ගැනීම සඳහා ඔවුන් කිසිවක් මත රඳා නොසිටීමයි. ප්‍රවීණත්වය පවතින්නේ ශක්තිමත් තරඟකාරී වාසි තුළ ය. තවද අරමුණ පිළිබඳ හැඟීම ඔවුන් නිර්මාණය කරන ව්‍යාපාරයට බලපෑමක් ඇති කිරීමට ඇති අවස්ථාව තුළ පවතී. මිනිසුන් ඔවුන්ගේ වැඩ ගැන උද්යෝගිමත් කර සමාගමට විශාල බලපෑමක් ඇති කළ හැකි නම්, අනෙක් සියල්ල නිසි තැනට වැටෙනු ඇත.
මූලාශ්රය: www.habr.com