1. چند سال پیش، برای چند شرکت پروژه‌ای رو انجام دادم. مشکل شرکت‌ها این بود که زمان انجام هر پروژه بیشتر از زمان تخمینی می‌شد. دیتای مشترکی که داشتن این بود که هر تسک چه زمانی به هر فرد داده شده، فرد چه زمانی قراره تحویلش بده، و در عمل چه زمانی تحویلش داده.
2. فرض اولیه این بود که ممکنه یه سری افراد کلا دیر کارشون رو تحویل میدن، و یه سری هم کلا به‌موقع هستن. اما این فرض درست نبود و دیر یا زود تحویل دادن کارها انگار تابعی از یه متغیر دیگه بود. اما با این دیتای کمی که بود چه می‌شد کرد و اون متغیر چی بود؟
3. من نموداری رو برای هر فرد به این شکل رسم کردم که یک محورش می‌شد طول تسک، و یه محورش می‌شد تاخیر در تسک. هر تسک هم می‌شد یک نقطه در نمودار. این‌جا بود که قضیه جالب شد: افراد به دو خوشه تقسیم می‌شدن که تا حد زیادی از هم جدا بودن.
4. خوشه یک: افرادی که تو تسک‌های کوچک خوب بودن، ولی تسک‌های بزرگ رو دیر تحویل می‌دادن. خوشه دو: افرادی که تو تسک‌های بزرگ خوب بودن، ولی تسک‌های کوچک رو دیر تحویل می‌دادن.
قبلش این که چه تسکی به چه فردی داده بشه بر اساس مهارت بود، اما به نظر می‌رسید یه موضوع مهم دیگه هم باشه.
5. طبق صحبتی که با اون شرکت‌ها داشتیم، قرار شد دادن تسک‌ها فقط بر اساس مهارت نباشه، و بر اساس این هم باشه که فرد در چه خوشه‌ای قرار می‌گیره. یک الگوریتم براشون نوشتم که تسک‌ها، میزان سختی‌شون، میزان مهارت افراد، و خوشه اونا رو می‌گرفت، و کار انتساب تسک‌ها رو انجام می‌داد.
6. با این کار، بهره‌وری اون شرکت‌ها و رضایت کارکنانشون بهتر شد. اما برام سوال بود که ماجرا چی بود؟ با چند روان‌شناس و مدیر پروژه صحبت کردم تا در این باره بیشتر بدونم. چیزهایی که متوجه شدم این بود:
7. اول این که برای گروهی، انجام هر تسک (چه بزرگ و چه کوچک) باعث سیستم پاداش مغز میشه. به همین دلیل دوست دارن تسک‌هاشون کوچک و متعدد باشه. مساله دوم این که «بازه توجه» افراد متفاوته و هر فردی نمی‌تونه روی یک تسک بزرگ تمرکزش رو به‌خوبی حفظ کنه.
8. مساله بعدی این بود که یه گروه دیگه بعد از انجام هر تسک، نیاز به زمان زیادی برای Context Switch داشتن تا به سراغ تسک بعدی برن. به همین دلیل، اگر چند تسک کوچک بهشون داده می‌شد، بعد انجام هر کدومشون ممکن بود برن سیگار بکشن، گوشی چک کنن، و وقت زیادی نیاز باشه تا برن سراغ تسک بعدی.
9. مساله دیگه‌ای که ازشون یاد گرفتم این بود که توصیه میشه اگه جزو خوشه طرفدار تسک‌های کوچک هستید، تسک‌های بزرگی که بهتون داده میشه رو به تسک‌های کوچک‌تر تقسیم کنید و این‌طوری برای خودتون حالت ایده‌آلتون رو شبیه‌سازی کنید.
10. آیا شناسایی این موضوع که افراد دو خوشه نسبتا مجزا هستن، می‌تونه در مدیریت پروژه‌ها کمک کنه؟ چیزی که دیدم این بود که جواب مثبته و نتیجه خوبی گرفته میشه. اما شخصا دوست دارم در این باره از متخصصان بیشتر یاد بگیرم. /پایان

• • •

Missing some Tweet in this thread? You can try to force a refresh
 

Keep Current with Hamidreza Keshavarz

Hamidreza Keshavarz Profile picture

Stay in touch and get notified when new unrolls are available from this author!

Read all threads

This Thread may be Removed Anytime!

PDF

Twitter may remove this content at anytime! Save it as PDF for later use!

Try unrolling a thread yourself!

how to unroll video
  1. Follow @ThreadReaderApp to mention us!

  2. From a Twitter thread mention us with a keyword "unroll"
@threadreaderapp unroll

Practice here first or read more on our help page!

More from @HRKeshavarz

9 Jun
1. این ثمره یه پژوهش 15ماهه منه به اسم «صفر». حالا چی هست؟ در رشته توییت زیر توضیح میدم و توضیحات فنی رو در آخر رشته توییت خواهم داد.
2. یکی از مسائل داغ علمی دنیا اینه که یادگیری ماشین روی دستگاه‌های مختلف (از موبایل گرفته تا مچ‌بند هوشمند تا دستگاه‌های پزشکی) انجام بشه و خود این دیوایس‌ها یاد بگیرن. به این ترتیب، چند سال بعد، پروتزی که در بدن یک فرد گذاشته میشه هوشمند باشه. اما این کار چالش‌های متعددی داره.
3. یکی از چالش‌ها اینه که یادگیری ماشین معمولا نیاز به پردازنده قوی و حافظه بالا داره تا دقت خوبی پیدا کنه. اما این چیزی نیست که بشه روی همه دستگاه‌ها داشت. به همین دلیل یکی از راه‌ها اینه که دیتای دستگاه به یه سرور قوی منتقل بشه و اون‌جا کار یادگیری انجام بشه.
Read 14 tweets
7 Dec 19
1/ یه کار #داده‌کاوی برای پیش‌بینی پربیننده شدن یا کم‌بیننده شدن تیترها در چند سایت انجام دادم و با دقت 86 درصد (میانگین) پربیننده یا کم‌بیننده شدن یه تیتر رو پیش‌بینی کردم. برای هر سایت، یه فرهنگ واژگان ساختم که نشون می‌داد هر کلمه چقدر تیتر رو به سمت این دو کلاس می‌بره.
2/ هر کلمه نمره‌ای بین 1- تا 1+ می‌گرفت. نمره منفی یعنی حضور اون کلمه، تیتر رو به سمت کم‌بیننده شدن می‌برد (هر چی منفی‌تر، بیشتر)، و نمره مثبت هم همین اثر رو برای پربیننده شدن داشت. در نهایت، بر اساس امتیاز مجموع کلمات، مشخص می‌شد که تیتر پربیننده میشه یا کم‌بیننده.
3/ در این سایت‌ها (که ورزشی و فناوری بودن)، کلماتی مثل «سامسونگ»، «هواوی»، «مسی»، «رونالدو»، «رکورد»، «عجیب»، «جدیدترین» و این‌ها امتیاز بالایی گرفتن (بالای 0.5+). کلماتی مثل «ال‌جی» و LG، «اندروید»، و «رُم» هم امتیازشون منفی بود و حضورشون عموما باعث کم‌بیننده شدن مطلب می‌شد.
Read 6 tweets

Did Thread Reader help you today?

Support us! We are indie developers!


This site is made by just two indie developers on a laptop doing marketing, support and development! Read more about the story.

Become a Premium Member ($3/month or $30/year) and get exclusive features!

Become Premium

Too expensive? Make a small donation by buying us coffee ($5) or help with server cost ($10)

Donate via Paypal Become our Patreon

Thank you for your support!

Follow Us on Twitter!