Перевод статьи AI Is Helping Companies Redefine, Not Just Improve, Performance

Автор Michael Schrage, научный сотрудник Инициативы по цифровой экономике Школы менеджмента Слоана Массачусетского технологического института. Его исследовательская, письменная и консультационная работа сосредоточена на поведенческой экономике цифровых медиа, моделях и показателях как стратегических ресурсах для управления возможностями и рисками инноваций.

ИИ помогает компаниям переопределить, а не просто улучшать производительность

Исследование использования организациями искусственного интеллекта показывает, как они могут применять эту технологию для переопределения стратегических измерений и ключевых показателей эффективности.

Измерение эффективности стало императивом высшего руководства с тех пор, как более века назад основополагающая работа Фредерика Уинслоу Тейлора «Принципы научного менеджмента» произвела революцию в бизнес-процессах. Секундомер Тейлора, безжалостно используемый для контроля и повышения производительности труда, стал противоречивым символом аналитики производительности. Совсем недавно цель измерения производительности вышла далеко за пределы эффективности и теперь включает стратегическую оптимизацию ряда бизнес-функций и результатов.

Благодаря радикальным улучшениям в области искусственного интеллекта цели и практика измерений расширяются еще больше. Руководители работают с машинами, чтобы по-новому взглянуть на то, что влияет на производительность и как лучше всего ее измерить. Подобно тому, как космический телескоп НАСА имени Джеймса Уэбба перевернул представление астрономов о Вселенной, наблюдая за ней с непревзойденной дальностью и мощностью, ИИ переворачивает представление организаций о производительности.

Все чаще организации объединяют ИИ с данными о производительности для создания и уточнения ключевых показателей эффективности как с вмешательством человека, так и без него. Наши беседы с ведущими исследователями и практиками в области искусственного интеллекта убедительно свидетельствуют о том, что самые эффективные лидерские команды завтрашнего дня будут использовать ключевые показатели эффективности не только для отслеживания успеха предприятия, но и для его переопределения и стимулирования.

Авинаш Кошик, директор по стратегии в агентстве цифрового маркетинга Croud, ранее был старшим директором по глобальной стратегической аналитике в Google, где, подобно Уэббу, машинное обучение помогло его команде переосмыслить возможности измерения производительности. Он объясняет, что Google использовал ИИ для определения новых высокопроизводительных параметров, которые значительно улучшили существенные, но неэффективные маркетинговые инвестиции технологического гиганта в один из основных цифровых каналов.

Кошик вспоминает, что в то время считалось, что «многие люди получают действительно хорошие результаты на первичном цифровом канале, но не мы. И мы тратим много денег. И у нас есть множество отчетов, сегментов и всевозможной статистики. Но мы понятия не имеем, что, черт возьми, с нами не так. Мы знаем, что терпим неудачу; мы просто не знаем почему, и мы исчерпали все вопросы, которые могли задать».

Богатства талантов, аналитических ресурсов и доступа к данным команды Google было недостаточно, чтобы взломать код. «Итак, после того, как аналитики и статистики поработали над этим, мы решили: «Знаете что? Мы собираемся собрать очень умный алгоритм и передать ему столько данных, сколько у нас есть», — говорит Кошик. «И мы просто скажем: «Расскажи нам, что не так».

Команда Кошика использовала контролируемые методы машинного обучения — в частности, деревья классификации — для выявления упущенных связей и корреляций. «Поскольку мы даже не знали, какие вопросы задавать, такой алгоритм машинного обучения без присмотра был действительно хорошим подходом», — говорит он. «Мы позволяем алгоритму находить закономерности».

То, что обнаружил алгоритм, удивило Кошика и его команду: KPI, которые они считали наиболее важными для оптимизации, на самом деле таковыми не были. «Какие показатели оказали наибольшее влияние, порядок их важности и диапазоны, в которых нам нужно играть для отдельных показателей, стали для нас открытием», — говорит он. Среди этих неожиданных показателей было значение доступного запаса для показателя бренда, которого не было в списке основных факторов влияния, рассматриваемых командой. показы, в которых человек просмотрел и услышал полную рекламу. Если AVOC был ниже определенного процента, маркетинговая кампания была обречена на провал. Если процент был выше, у кампании был шанс на успех.

«Через шесть месяцев после того, как мы внедрили рекомендации алгоритма, производительность улучшилась на 30 пунктов. Это безумное улучшение производительности», — говорит Кошик. «Это потому, что вместо того, чтобы люди выясняли, какие вопросы мы должны задать данным, мы просто сказали: «Эй, почему бы тебе не понять, в чем проблема?»

Успешное использование Google искусственного интеллекта для переосмысления производительности нельзя объяснить исключительным достижением компании с рыночной капитализацией в триллион долларов и передовыми технологическими возможностями. Наоборот, мы видели подобные примеры в отраслевом ландшафте в самых разных областях, от профессионального спорта до здравоохранения и энергетики. Все больше и больше компаний извлекают новые выгоды из распознавания образов и проницательных драйверов производительности, которые в вычислительном отношении невидимы для устаревших инструментов и аналитики. Наши интервью с руководителями корпораций показывают, что изменение методов измерения в организациях может коренным образом изменить то, что они измеряют. (См. «Что такое KPI? Сейчас и тогда».)

Компании, которые используют ИИ для создания новых показателей или уточнения существующих, получают ряд преимуществ по сравнению с теми, кто использует эту технологию, в первую очередь, для повышения эффективности своих показателей по устаревшим показателям. Наше исследование уже показывает, что компании, которые получают существенную финансовую выгоду от своих инвестиций в ИИ, в 10 раз чаще меняют свои методы измерения успеха по сравнению с компаниями, получающими меньшую отдачу от своих инвестиций в ИИ. об источниках производительности, прибыльности и роста. Короче говоря, предприятия все чаще используют ИИ для переопределения, а не просто увеличения производительности.

Организационное, оперативное и культурное значение привлечения ИИ для измерения производительности трудно переоценить. Руководители теперь могут использовать ключевые показатели эффективности на основе ИИ не только для измерения прошлой эффективности, но и в качестве организационных принципов для согласования организации со своими стратегическими целями, улучшения понимания и определения успеха компанией и стимулирования роста.

В этой статье определяются три практических и ценных, но мало обсуждаемых бизнес-последствия и преимущества использования ИИ как для создания, так и для уточнения ключевых показателей эффективности.

Что такое КПЭ? Сейчас и потом

Ключевой показатель эффективности — это количественная метрика, отражающая эффективность или прогресс организации, команды или отдельного лица в достижении конкретных целей или результатов. Устаревшие организации используют KPI в качестве ориентиров как для оценки успеха, так и для определения областей, требующих улучшения. KPI обычно ориентированы на измерение производительности в конкретных областях, таких как рост продаж, удовлетворенность клиентов или операционная эффективность. Руководители и менеджеры традиционно определяют как стратегические, так и операционные KPI, а затем используют базовые инструменты и методы сбора данных для измерения прогресса по показателям KPI. Этот устаревший подход отдает приоритет тому, что измеряют KPI, а не тому, как измеряются KPI.

То есть сами КПЭ принимаются как данность, устанавливаются указом руководства и редко становятся предметом анализа. Хотя оценка того, являются ли ключевые показатели эффективности (например, для функции, бизнес-подразделения или организации) правильными, встречается реже, мы видим, что все больше и больше компаний используют ИИ для выполнения именно такого анализа. Они используют ИИ для уточнения существующих KPI, обнаружения новых KPI и определения приоритетов KPI по-новому.

В настоящее время организации проводят анализ жизненного цикла ключевых показателей эффективности и создают системы управления для оценки актуальности существующих. И, как сказал нам один руководитель, его организация создает KPI для своих KPI в рамках своих усилий по анализу всей своей «экосистемы» KPI. ИИ может играть и играет решающую роль в этом анализе, выявляя новые драйверы производительности и предоставляя новые показатели и интерпретации успеха.

Мы видим, как искусственный интеллект преобразует потенциал, цель и силу ключевых показателей эффективности, превращая их из контрольных показателей в нечто более похожее на аналитические системы, которые могут отслеживать прогресс, прогнозировать тенденции и генерировать ценную информацию, помогающую организациям принимать более взвешенные решения. Комбинируя KPI и AI, можно создавать аналитические системы, которые оценивают сами показатели, а не просто их прогресс; эти системы могут адаптироваться и оптимизировать себя на основе анализа данных, закономерностей и обратной связи.

А некоторые компании идут дальше.

Интегрируя ИИ в процесс измерения производительности, эти компании определяют области для улучшения, рекомендуют действия и даже самостоятельно внедряют решения для повышения производительности.

Эти новые взгляды на роль KPI с искусственным интеллектом имеют огромное значение для корпоративных подходов к стратегическому измерению. Рассмотрение ключевых показателей эффективности как динамических систем анализа предлагает новые методы измерения и определения успешности работы. Эти аналитические системы, которые мы называем умными KPI, могут учиться и учиться самосовершенствоваться с вмешательством человека и без него.

1. Умные KPI, которые учатся, а не просто отслеживаются

Почти 50 лет назад закон Гудхарта провозгласил, что когда метрика становится целью, она перестает быть хорошей метрикой. Но нацеленность на улучшение самих показателей не только соответствует закону Гудхарта, но и становится важным компонентом устойчивого операционного успеха. Один руководитель CBS, например, попросил свою команду по анализу данных проанализировать данные о клиентах за 50 лет, чтобы определить, определила ли компания правильные ключевые показатели эффективности для оценки успешных телевизионных программ. Команда использовала ИИ, чтобы подтвердить достоинства существующих KPI, а затем определила дополнительные, которые помогли уточнить и расширить значение современного успеха. Сочетание искусственного интеллекта и ключевых показателей эффективности улучшило понимание руководством своих собственных критериев эффективности.

Помимо выявления новых KPI и уточнения портфелей KPI, KPI на базе ИИ могут не только отслеживать прогресс, но и стимулировать действия. Возьмем отток, один из самых важных ключевых показателей эффективности, ориентированных на клиента. Топ-менеджеры обычно отслеживают отток клиентов как запаздывающий показатель удовлетворенности клиентов и стремятся его предсказать и упредить. В зависимости от их аналитической сложности компании могут вкладывать средства в выявление и установление контакта с клиентами из группы риска, чтобы побудить их остаться. Некоторые организации автоматизировали процесс отправки таким клиентам стандартных предложений, чтобы предотвратить их уход.

Теперь представьте себе компанию с аналитическими системами, которые выявляют клиентов из группы риска и точно определяют, сколько усилий необходимо приложить для их удержания. Организация вводит алгоритм сокращения оттока, который позволяет делать предложения по удержанию наиболее ценных клиентов. Эти предложения могут включать в себя немедленные скидки, скидки, зависящие от продления, новые услуги, пакетные дополнительные продажи или меню параметров, подобное механизму рекомендаций.

Реальное влияние этого алгоритма: ключевые критерии производительности, которые сосредоточены не столько на отслеживании и прогнозировании оттока, сколько на разработке и совершенствовании инновационных стратегий для его предотвращения. Прогнозирование оттока само по себе имеет меньшее значение, чем прогнозирование того, какие тактики и предложения наиболее вероятно и с наибольшей экономической эффективностью побудят клиентов остаться.

В качестве альтернативы, одна телекоммуникационная компания использовала ИИ для перехода от системы, которая только предсказывала вероятность оттока, к системе, которая рекомендовала следующие лучшие действия для более высокой рентабельности инвестиций. Было обнаружено, что следующим лучшим действием для некоторых клиентов было отпустить их, основываясь на критериях пожизненной ценности. Новая система признала, что не все оттоки одинаковы. Этот подход коренным образом изменил то, как компания оценивала отток сотрудников и повышала производительность. В этой среде KPI оттока больше не просто измеряет отток: он объединяет прогнозирование с вариантами вытеснения оттока.

Эта возможность означает, что установление KPI больше не является единственным источником человеческого управления. KPI на основе ИИ смещают акцент и центр ценности с отслеживания прогресса по заданным стратегическим показателям на изучение лучших показателей. Там, где устаревшие KPI являются ретроспективными, интеллектуальные KPI ориентированы на будущее; там, где устаревшие KPI ориентированы на фиксированные цели, интеллектуальные KPI являются адаптивными. Действительно, дело в том, чтобы они адаптировались. (См. «От пассивных индикаторов к активному интеллекту».)

От пассивных индикаторов к активному интеллекту

Устаревшие KPI 

• Ретроспектива
• Статический
• Отслеживание эффективности
• Исполнительный источник
• Независимость от измерений

Умные KPI

• Перспективный
• Адаптивный
• Стимулировать действие
• Управляется динамическим ИИ и людьми
• Используйте алгоритмические меры

2. Управление измерением: KPI для KPI

KPI измеряют производительность, но что измеряет производительность KPI? По мере того, как их способность к обучению с помощью ИИ расширяется и улучшается, ключевые показатели эффективности становятся еще более важными для лидерства. Следовательно, их эффективность и воздействие требуют тщательной постоянной оценки. Точно так же, как руководство должно регулярно оценивать эффективность работы сотрудников, им необходимо регулярно оценивать свои ключевые показатели эффективности, индивидуально и коллективно, чтобы обеспечить успешные результаты предприятия. Многие руководители говорили нам, что оптимизация портфелей ключевых показателей эффективности — важная, но трудная задача. Хотя достижение скупого набора KPI может привести к неудобным решениям, оно также проясняет стратегические приоритеты.

Мы наблюдаем, как все больше компаний оценивают, оптимизируют ли они и извлекают ли они максимальную пользу из своих KPI. Руководители все чаще выделяют ресурсы для проверки существующих предположений о KPI и инвестируют в улучшение самих KPI. При оценке эффективности или производительности своих KPI они, по сути, ищут KPI для своих KPI.

Вопрос: каковы наилучшие способы оценки влияния KPI на организационные результаты?

существенно отличается от того, как лучше всего использовать выделенный бюджет для выполнения существующих KPI?

В отличие от периодического управления устаревшими ключевыми показателями эффективности, которыми управляют только люди, управление интеллектуальными ключевыми показателями производительности все чаще управляется машинами и людьми вместе. (См. «Управление ключевыми показателями эффективности: включение ИИ в цикл».) Этот тип управления ключевыми показателями эффективности необходим для обеспечения того, чтобы ключевые показатели эффективности улучшались с течением времени, как индивидуально, так и коллективно.б

Управление KPI: внедрение ИИ в цикл

Когда ИИ включается в управление KPI, KPI становятся значительно более ценными и оказывают большее влияние на бизнес.

Управление устаревшими KPI 

• Управляется людьми
• Происходит периодически / основано на планировании
• Ориентирован на ответственность
• Не хватает KPI для KPI
• Статически расставляет приоритеты KPI

Управление интеллектуальными KPI

• Управляется алгоритмически и людьми
• Происходит часто/в реальном времени
• Сосредоточены на ответственности и обучении
• Включает KPI для KPI
• Динамически расставляет приоритеты KPI

Обеспечение того, чтобы ключевые показатели эффективности стали измеримо более ценными, является насущной задачей руководства. Какие предельные инвестиции во время, деньги и таланты могут значительно увеличить влияние KPI?

Schneider Electric, французская энергетическая компания, создала офис управления эффективностью, чтобы улучшить не только производительность по сравнению с установленными показателями, но и сами показатели. Ориентируясь на цифровую трансформацию, Schneider Electric учитывает окупаемость KPI, делая значительные финансовые и нефинансовые инвестиции в изучение того, как улучшить свои KPI.

«Мы хотим, чтобы наши ключевые показатели эффективности со временем менялись, потому что мы не хотим строить наш бизнес на устаревших показателях», — говорит главный управляющий и генеральный секретарь Schneider Electric Эрве Курей. Например, Курей отмечает, что около четырех лет назад компания установила KPI для ряда активов под управлением, таких как количество цифровых подключений к активам клиентов. Со временем эта метрика была преобразована в несколько категорий: метрика для обучения, рекомендаций и циклов обратной связи; метрики, ориентированные на опыт; метрики, ориентированные на оптимизацию; обнаружение аномалий; и метрики, ориентированные на производительность. ИИ сыграл особенно важную роль в разработке мер и показателей обнаружения аномалий.

Создание систем измерения для улучшения KPI позволяет топ-менеджерам выйти за рамки разрозненных показателей производительности, чтобы углубить свое понимание создания кросс-функциональной ценности. Алгоритмы ИИ могут анализировать отношения между несколькими ключевыми показателями эффективности и их базовыми компонентами, чтобы лучше сбалансировать конкурирующие и/или взаимодополняющие взаимозависимости.

Например, компания может использовать ИИ для расчета основных компонентов, которые лучше всего связывают удовлетворенность клиентов с расширением возможностей и вовлеченностью сотрудников. Использование этого подхода позволяет руководителям лучше предвидеть проблемы, оптимизировать распределение ресурсов и адаптировать стратегии к новой динамике рынка. По сути, эффективное управление KPI позволяет руководителям превращать KPI в источники конкурентного преимущества.

Улучшение организационной согласованности с помощью интеллектуальных KPI

Когда организации переходят на использование интеллектуальных KPI, у них появляется возможность разрушить барьеры между функциями, чтобы облегчить более интегрированное управление и использование KPI.

Согласование с устаревшими KPI 

• Фиксированный или несколько гибкий
• Организовано по бункеру
• Можно оптимизировать самостоятельно
• Взаимозависимости неясны

Согласование с интеллектуальными KPI

• Динамический
• Кросс-функциональный/общий
• Можно оптимизировать как группы
• Взаимозависимости нанесены на карту и известны

Важнейший исследовательский вывод этой статьи заключается в том, что обеспечение и расширение возможностей систем стратегического измерения для обучения коренным образом меняет то, как организации понимают и инвестируют в будущую производительность. В будущем KPI будут учиться на данных, друг у друга и лидеров, которые признают, что стратегическое лидерство без улучшенных стратегических измерений гарантирует низкую эффективность.

Повышение производительности по KPI недостаточно для успеха организации без улучшения самих KPI. Выполнение последнего требует целенаправленных усилий, требующих внимания руководства, организационных изменений и инвестиций в ИИ. Оптимизация завтрашней производительности требует наилучших KPI, а не (просто) максимизации производительности по сегодняшним KPI.