Кластеризация графов и предиктивные модели для анализа личности и компетенций на основе DISC

Почему данные на рабочем месте рассказывают историю

Большинство организаций собирают массу информации о людях: результаты личностных тестов, навыки, роли и даже самооценку уровня стресса. В этом исследовании показано, как разрозненные данные можно сплести в карту сходства между сотрудниками, выявляя скрытые группы и давая подсказки о том, кто может испытывать давление на работе. В центре внимания — популярная модель личности DISC, и простой, но важный вопрос: как далеко можно зайти, переходя от отчётов о стиле личности к полезным, основанным на данных выводам о стрессе и потребностях команды — и где лежат ограничения?

От цветовых кодов к паттернам связей

Исследователи исходили из DISC — модели, группирующей людей по общим стилям поведения, таким как напористость, ориентация на людей, стабильность или внимание к деталям. В одной университетской организации 195 сотрудников прошли оценку на основе DISC, которая также включала рейтинги по 17 профессиональным навыкам, перечисление выраженных сильных и слабых сторон и запись уровня их стресса. Вместо того чтобы рассматривать эти профили как изолированные показатели, команда представила каждого сотрудника как точку в сети, где близость между двумя людьми зависит от того, насколько схожи их навыки, роли и черты.

Построение карты того, кто на кого похож

Чтобы нарисовать эту сеть, авторы объединили три вида сходства. Они измеряли, насколько похожи люди по оценкам навыков, сколько организационных характеристик у них совпадало (например, подразделение или тип задач) и насколько пересекались их описания черт. Эти три компонента были смешаны в единый показатель сходства для каждой пары сотрудников. Затем каждый человек был связан с наиболее похожими коллегами, формируя паутину, где более толстые связи означают большее сходство. Алгоритм обнаружения сообществ искал в этой паутине естественные кластеры — группы людей, более тесно связанных друг с другом, чем с остальной организацией.

Скрытые группы и их распределение стресса

Получившаяся сеть оказалась далека от случайной. Метод выявил шесть сообществ сотрудников, каждое со своим сочетанием стилей DISC и уровней стресса. Некоторые группы содержали много «организаторов» или «аналитиков», другие были более смешанными. Исследование показало, что эти кластеры также различались по распространённости разных уровней стресса, что указывает на то, что сочетания стиля поведения, навыков и контекста роли часто идут в связке. Это даёт отделам кадров способ думать об интервенциях на уровне групп — например, целевое обучение или пересмотр нагрузки для определённых кластеров — вместо того чтобы фокусироваться только на отдельных сотрудниках.

Попытки прогнозировать стресс по профилям

Авторы затем перешли от картирования к предсказанию. С помощью популярного метода машинного обучения — случайного леса — они пытались угадать категорию стресса каждого сотрудника (низкий, средний, высокий или высокий и явно связанный с работой) по типу DISC, навыкам, чертам и организационным характеристикам. Модель работала лучше случайного угадывания, но хуже чем очень простая стратегия — всегда предсказывать большинство, которым был низкий стресс. Иными словами, в данных о личности и компетенциях есть некоторый сигнал, но значительная часть факторов, формирующих стресс, похоже, лежит вне этих данных — например, изменяющиеся сроки, события в личной жизни или изменяющиеся отношения в команде, которые не были зафиксированы в этой одноразовой анкете.

Что действительно вызывает давление на работе

Даже с учётом ограничений предиктивная модель выделила несколько показательных закономерностей. Рейтинги навыков, связанные с выполнением планов продаж и взаимодействием с клиентами, оказались среди наиболее важных входных признаков при попытке алгоритма разделить уровни стресса. Это согласуется с практикой: роли, где на первом плане результаты и контакты с заказчиками, часто сопровождаются повышенным давлением. Исследование также провело отдельное упражнение по «прогнозированию» меток групп компетенций и получило почти идеальные показатели — но в этом случае целевые метки по сути были построены из тех же данных, которые использовались в качестве входов, что является классическим примером утечки информации: эффект выглядит впечатляюще на бумаге, но не обобщается.

Почему это важно для людей и команд

Для широкого читателя основной вывод таков: тесты личности и навыков могут служить не только для отнесения вас к какой‑то букве; при аккуратном сочетании они могут показать, какое место вы занимаете в более широком полотне вашей организации. В то же время исследование предупреждает против излишней уверенности: стресс нельзя надёжно считывать с карты личности. Сетевые карты сходства могут помочь организациям обнаружить значимые группы и задуматься о обучении или перераспределении нагрузки в командах, но серьёзные решения о благополучии требуют более богатой, непрерывной информации и, прежде всего, прямого человеческого общения.

Цитирование: Samanta, S., Allahviranloo, T., Mrsic, L. et al. Graph clustering and prediction models for DISC-based personality and competency analysis. Sci Rep 16, 10186 (2026). https://doi.org/10.1038/s41598-026-41013-4

Ключевые слова: стресс на рабочем месте, оценка личности, динамика команды, организационная аналитика, компетенции сотрудников