بهبود شاخص عملکرد با کمک هوش مصنوعی

با هوش مصنوعی، شرکت‌ها، ترکیب کلان‌داده‌‌‌ها و هوش مصنوعی را برای شناسایی شاخص‌‌‌های جدید و اصلاح شاخص‌‌‌های فعلی شان، انجام می‌دهند

اینکه گفته می‌شود شرکت‌ها هر آنچه را که نتوانند اندازه‌‌‌گیری کنند نمی‌توانند مدیریت کنند اصلی منسوخ است. با هوش مصنوعی، شرکت‌ها هر دو کار را انجام می‌دهند. شرکت‌های زیادی ترکیب کلان‌داده‌‌‌ها و هوش مصنوعی را برای شناسایی شاخص‌‌‌های جدید و اصلاح شاخص‌‌‌های فعلی، آموخته‌‌‌اند

عجیب اینکه هوش مصنوعی، عموما مفروضات معمول درباره پیشران‌‌‌های عملکرد و سودآوری و رشد را تغییر می‌دهد. بر این اساس، استفاده از آن نه تنها به تغییر عملکرد و پیوستگی تحول، بلکه به پیگیری شاخص‌‌‌های (موثر) قبلی و استقرار به عنوان عامل کلیدی در ارزیابی عملکرد کمک می‌کند. مستند به نظرسنجی صورت گرفته توسط گروه مشاوره بوستون، از هر ۱۰مشارکت‌‌‌کننده در نظرسنجی، ۷ نفر از تاثیر مطلوب شاخص‌‌‌های کلیدی عملکرد (KPIs) بر روی عوامل حیاتی موفقیت (CSFs) گفته‌‌‌اند. این مطالعات نشان می‌دهد که هدایت‌‌‌کنندگان هوش مصنوعی در سازمان، به سه طریق از داده‌‌‌ها و تکنولوژی‌‌‌هایی مانند یادگیری برای KPIs استفاده می‌کنند:

۱- ایجاد شاخص‌‌‌های جدید. با وجود اینکه گوگل ارتشی از دانشمندان علوم داده را در اختیار دارد، سال‌ها در استقرار یک کانال دیجیتال برای ارائه محصولات خود ناموفق بود. اگرچه این شرکت منابع عظیمی از داده‌‌‌ها را گردآوری کرد اما نتوانست متغیرهای کلیدی اندازه‌‌‌گیری، مدیریت و پایش را به منظور بهبود کمپین‌‌‌های مشتریان شناسایی کند. گوگل سرخورده از کسب پیشرفت، با وجود داده‌‌‌ها، تحلیل‌‌‌ها و نخبگان خود در نهایت متوجه هوش مصنوعی شد. و با توسعه یک الگوریتم و تغذیه آن با تمام داده‌‌‌های ممکن، سعی کرد دریابد کانال دیجیتال چگونه می‌تواند به عملکرد بهتر مالی مشتریان با ارائه نتایج بهتر کمک کند. با تکنیک‌‌‌های یادگیری ماشینی نظارت‌نشده، هوش مصنوعی، ارتباطات، همبستگی‌‌‌ها و عللی را که مهندسان نتوانستند تشخیص دهند، شناسایی و اهمیت شاخص‌‌‌های جدید را رتبه‌‌‌بندی و کلیدی‌‌‌ترین آنها را تعیین کرد. آنها از طریق هوش مصنوعی فهمیدند که برخی شاخص‌‌‌های کلیدی در واقع بی‌‌‌اهمیت بودند. همچنین برخی دیگر که بر روی آنها تمرکز نشده بود در واقع جزو پیشران‌‌‌های سطح بالا بودند. بعد از شش ماه، این کمپین بهبود عملکرد را نشان می‌‌‌داد. توانایی هوش مصنوعی در شناسایی شاخص‌‌‌های «جدید و مهم» چشمگیر است. بر اساس نظرسنجی ذکر شده، در حال حاضر ۳۴‌درصد شرکت‌ها، هوش مصنوعی را برای ایجاد شاخص‌‌‌های جدید به کار می‌‌‌گیرند که بیش از ۹۰‌درصد آنها عنوان می‌کنند که این شاخص‌‌‌ها نتایج را بهبود داده‌‌‌اند. این موضوع صرفا در مورد غول‌‌‌های تکنولوژی مصداق ندارد. هوش مصنوعی می‌تواند مشکلات نهان شرکت‌های کوچک و متوسط غیردیجیتال را نیز به خوبی شناسایی و راهکارهایی برای ردیابی و رفع آن پیشنهاد کند. مثلا یک خرده‌‌‌فروشی در آمریکای جنوبی، داده‌‌‌های سری زمانی تقاضا، عرضه، فروش، انبارها، کامیون‌‌‌ها و... را گردآوری کرده و سپس با استفاده از هوش مصنوعی نظارت‌نشده، شاخص‌‌‌های کلیدی عملکرد برای بهینه‌‌‌سازی لجستیک در ۹ کشور را مدل‌سازی کرد که اجرای توصیه‌‌‌های هوش مصنوعی منجر به کاهش ۱۴درصدی هزینه‌‌‌ها در ۹۰ روز نخست اجرا شد.

۲- اولویت‌‌‌بندی شاخص‌‌‌ها. مانند بسیاری از رهبران کسب و کار، ستاد مرکزی بانک DBS واقع در سنگاپور، اقدام به استفاده از هوش مصنوعی برای شاخص‌‌‌های معمول صنعت می‌کند. هر کدام از این شاخص‌‌‌ها بهینه‌‌‌سازی بخشی از عملکرد را بر عهده می‌‌‌گیرند. با وجود تلاش‌‌‌ها، آزمایش‌‌‌های اولیه ناموفق بودند. از سه سال پیش DBS مفهوم سفر مشتری را تحت نامی موسوم به journeys در دستور کار قرار داد که متمرکز بر خدماتی مانند کارت اعتباری، وام مسکن و... بود. همزمان «برج مراقبتی» هم مبتنی بر هوش مصنوعی، سفر مشتریان را ردیابی می‌‌‌کرد. این کار امکانی را فراهم می‌‌‌کرد تا عوامل حیاتی که نتایج مورد نظر از ۱) تجربه مشتری، ۲) سودآوری، ۳) تجربه کارکنان و ۴) سطح ریسک را فراهم می‌کنند، شناسایی و مهم‌تر از آن، اهمیت آنها را رتبه‌‌‌بندی کند. DBS داده‌‌‌ها را برای تیم‌‌‌های فراوظیفه‌‌‌ای خود نمایش‌‌‌پذیر کرد تا اعضا در بهینه‌‌‌سازی مشترک هر چهار بخش سهیم باشند. این کار در بانک اعتماد لازم برای اتخاذ تصمیمات مبتنی بر هوش مصنوعی را فراهم کرد. در نتیجه، سود DBS پیش از مالیات، از نزدیک به ۵ میلیارد دلار در سال ۲۰۲۱ به بیش از ۶میلیارد دلار در سال ۲۰۲۲ افزایش یافت که با این عملکرد در نشریه یورومانی و گلوبال فاینانس، DBS به‌عنوان یکی از بهترین بانک‌های جهان معرفی شد.

۳- توسعه همسویی شاخص‌‌‌ها با استفاده از شاخص‌‌‌های مشترک. هوش مصنوعی برای تشخیص همپوشانی شاخص‌‌‌های کلیدی عملکرد و حل و فصل بده‌بستان‌‌‌ها و تعارضات بین آنها بسیار مناسب است. شاخص‌‌‌های مشترک ایجاد شده با هوش مصنوعی می‌توانند به بهبود همسویی سازمانی نیز کمک کنند. مثلا در بخش درمان، کاهش پذیرش در کاهش هزینه‌‌‌ها مهم است و از طرفی شاخصی برای سنجش عملکرد است. در سازمان‌های ارائه‌دهنده خدمات سیستم‌های گذشته (میراثی)، مدیران ارشد مالی جریان هزینه‌‌‌ها و بازپرداخت را مدیریت می‌کنند و مدیران ارشد پزشکی بر مراقبت از بیماران و رهایی آنها از بیمارستان تاکید دارند. هوش مصنوعی اکنون داده‌‌‌های بیمار را از علل بستری مجدد با هدف شناسایی مداخلات هدفمند در دسترس قرار داده و توصیه‌‌‌های لازم را ارائه می‌کند. با این اطلاعات دو گروه مدیران فوق می‌توانند با این داده‌‌‌ها حد مناسب برای نرخ پذیرش بیمار را که شامل «هرچه کمتر بهتر است» مشخص کنند. این شاخص مشترک که همسویی را در سازمان فراهم می‌کند، بدون هوش مصنوعی امکان‌پذیر نیست! در شرایط محدود، برخی شرکت‌ها عملکرد یک شاخص را به عنوان ستاره قطبی امتحان می‌کنند. اکثر شرکت‌ها در یک «اکوسیستم اقتصادی» قرار دارند که استفاده از «یک شاخص» را غیرممکن می‌کند. همپوشانی‌‌‌ها تضاد ایجاد می‌کند و هر واحدی مجموعه داده‌ها و جریان داده و کار متفاوتی دارد که ممکن است اولویت‌های متضادی را شکل دهند. از آنجا که اهداف بازیگران یک اکوسیستم متفاوت است و واحدهای تجاری و عملکردها به شکل فزاینده در تعقیب اهداف سازمانی در هم تنیده می‌‌‌شوند، مدیریت مجموعه‌ای از‌KPIهای مشترک، همسویی را بهتر فراهم می‌کند. مهم‌تر از آن، مدیران اجرایی را از پیگیری سیلوی شاخص‌‌‌ها (مجموعه اهداف و شاخص‌‌‌ها بدون ارتباط با هم) به تمرکز بر چگونگی خلق ارزش سازمانی سوق می‌دهد. همزمان که اشتراک‌‌‌گذاری داده‌‌‌ها بین تیم‌‌‌ها برای ارائه نتایج ضروری است، توسعه یک سند بیزنس کیس، برای اثبات اثربخشی شاخص‌‌‌های مشترک، تیم‌‌‌ها را پشت هم جمع کرده و عملکرد آنها را افزایش می‌دهد. شرکت‌هایی که از هوش مصنوعی بهره می‌‌‌گیرند قادرند شاخص‌‌‌های کلیدی عملکرد فعلی خود را بهبود داده و موارد جدیدی نیز طراحی کنند. آنها باید با این ابزار، بین شاخص‌‌‌ها، تعادل را با اولویت‌‌‌دهی برقرار کنند.

به نظر می‌رسد به احتمال زیاد عصر جدیدی در حوزه اندازه‌‌‌گیری عملکرد و مرزهای تجاری گشوده خواهد شد.