2024 領航計畫已開放報名,請點擊後查看報名資訊
前往 Medium 閱讀好讀版

如何平衡雇主需求與員工隱私權益 — 焦任俠 Dan Chiao

講者介紹 — 焦任俠 Dan Chiao — 目前在 Bettr.me 擔任 Managing Director

Dan 是擁有近 20年經驗的連續創業家,自 2010 年在共同創辦 Fliptop 並在台灣設立研發團隊, 在 2015 年公司由 LinkedIn 收購,而後擔任 LinkedIn 首席工程師。 隨後共同創辦公司 Kettle.ai 並兼任執行長,在 2020 公司與 bettr.me 併購並加入母公司 Traction on Demand(加拿大最大科技公司之一)。

在這次講座當中,Dan 會分享一路從創業公司 Fliptop 被併購後引發的下一段創業題目,以及在解決問題的過程中遇到的資料隱私問題。

遠距工作的常態化

由於產業的數位化,遠端工作越來越普及,加上 COVID-19 疫情,加速讓原本漸漸成形的遠距工作趨勢(特別是北美)開始常態化。在這個狀況下,雇主與員工、員工與員工之間的關係需要被重新檢視,而伴隨的也是更多關於員工工作狀態資料的產生以及利用。

創業動機 — 做不完的雜事

事情發生在我之前的公司 Fliptop,在 2015 年時被 LinkedIn 收購,當時所有員工都從台北搬到舊金山加入 LinkedIn 的團隊。過程中,我原本期待到 LinkedIn 工作後,大家會過得很開心,因為被大公司收購的福利好、資源多、在這個狀態下還可以繼續發展我們的產品理想。但慢慢發現,很多團員並不是很開心,他們在 LinkedIn 的 job satisfaction 都不如之前在 startup 的時候來得高。

我們花很多時間分析這個問題,發現除了不同的企業文化外,雜事 (meta work) 是另一個很大的因素。在大團隊中,這些 meta work 包含:

  1. 需要經常回答同樣的問題。
  2. 需要花很多時間去找之前討論過的事情和結論。
  3. 需要花時間重新討論,已經討論過但後來又出現爭議的事情。

我們深入探討這些問題,我們估計大家在工作上約花了 40% 的時間在處理這些 meta work 上。除此之外,我們也看到 Asana 的報告中,遇到的問題跟我們一樣,他們表示員工一個禮拜中大約只有兩天是有效率的。於是這個問題成為我再度創業的一個起點。

Kettle.ai — 消滅工作中的雜事

於是 2018 我離開 LinkedIn 後,創辦了 Kettle.ai 來解決員工 meta work 的問題。我們最早的構想是因為大部分的 meta work 都發生在像是 chrome/gmail/calendar/phone/slack 等等工作的平台當中,所以我們第一件事情就是要量化員工在這些平台上面的行為資訊,並且用人工智慧來解決 meta work 的問題,例如去幫忙回答已經回答過的問題、或是擋掉不對的問題。

我們產品的顧客 — 雇主們 — 他們都覺得這個想法很好,但是同時對隱私方面的問題有質疑,其中一點是即便員工會得到好處,也可能不願意提供工作行為相關的資訊。後來根據我們統計,92% 員工願意提供工作相關資訊,但同時也有 64% 員工擔心資料被錯誤使用或是當公司以這些資料來判斷員工表現後,公司文化就不再以人為本。這是我們遇到關於資料隱私的挑戰。

Bettr.me — 員工情緒分析

當時也發生了另一件事,就是我們選了一個不理想的時間 (2020 Q2 COVID-19 剛開始時) 募資,資金遇到了困難,所以後來我們決定跟另一間公司 Bettr.me 合併,一起做一個產品。Bettr.me 本身是一個雲端的員工情緒分析平台 (Employee Sentiment Analysis),為了達成情緒分析,他們蒐集的資料是員工關於公司接手案子、與同事之間、與主管之間的感想。因為這些是比一般還更敏感的工作資訊,所以他們再跟我們合併之前,就遇到 go-to-market 的困擾。這是他們遇到關於資料隱私的挑戰。

合併後 —關於資料隱私的原則

基於剛剛提到的隱私挑戰,我們(Kettle.aiBettr.me)在合併時我們決定了幾項與資料隱私有關的產品設計原則:

  1. Be Completely Transparent : 在產品設計裡,員工可以選擇他的資料要不要分享給雇主、在介面上我們也很清楚地列出哪些資料是會分享給雇主、哪些不會。
  2. Anonymization through aggregation : 我們提供給雇主的資料都是群體的資料,而不會有個人資料。會這樣做的原因是,假設有一位員工被分析出這禮拜工作沒有效率,被雇主知道之後,這個員工下次就不願意分享工作資訊了。所以我們不會分享員工個人的資訊,而是將一個 team (至少 5 人) 的資料整合起來再提供給雇主,這樣個別員工的資料就不會讓雇主知道了。
  3. Focus on deltas, not absolutes : 考慮到每個個體的不同,我們分析的是情緒的變化而不是情緒當下的狀態。會這樣做的原因是,例如有些員工本來就是天性比較悲觀的人,他們的 sentiment 資料常態都會比較低,而這樣的員工也不會願意讓雇主知道自己的情緒資料。
  4. Give agency to employee themselves : 資訊不一定要給雇主,有時候資料是只給員工知道,讓員工自己去採許行動。這樣做可以避免員工一直受到雇主的「關心」,同時也避免雇主收到過多不必要的資訊。
  5. Security, security, security: 雖然是自己的員工,但是雇主必須把他們自己當成客戶看待,用這個標準做好 Security,否則會失去員工信任度。

以上是今天關於平衡雇主需求與員工隱私權益的分享。

資料科學協會

資料科學協會

社群分享筆記 更新紀錄

Copyright 2020-2024 資料科學協會 All Rights Reserved.

本網站由 資料科學協會 維護