بهینه سازی شاخص های کلیدی عملکرد با هوش مصنوعی

بهبود شاخص‌های کلیدی عملکرد برای اکثر سازمان‌ها یک ماموریت واضح است. بر اساس هفتمین نظرسنجی سالانه جهانی ما در مورد هوش مصنوعی، ۷ نفر از هر ۱۰ پاسخ‌دهنده موافق هستند که ارتقای KPIها - و نه فقط بهبود عملکرد - برای موفقیت تجاری آن‌ها حیاتی است. همانطور که یکی از مدیران اجرایی اشاره می‌کند:

«ما باید KPIهای خود را دائماً تکامل دهیم تا کسب‌وکار خود را با معیارهای قدیمی اداره نکنیم.»

تعداد فزاینده‌ای از شرکت‌ها اکنون از هوش مصنوعی - به روش‌های مختلف - برای تسریع این تکامل استفاده می‌کنند. آویناش کاوشیک، مدیر ارشد استراتژی در آژانس بازاریابی دیجیتال Croud و مدیر ارشد سابق تحلیل استراتژیک جهانی در گوگل می‌گوید: «من از آنچه که یادگیری ماشین می‌تواند انجام دهد بسیار هیجان‌زده هستم، به طوری که رهبران ارشد ما از معیارهایی که به عقب نگاه می‌کنند به معیارهایی که می‌توانند به جلو نگاه کنند، حرکت کنند.»

در اوایل کار Lyft، مهندسان الگوریتمی را برای به حداکثر رساندن درآمد با تطبیق عرضه رانندگان و تقاضای مشتری طراحی کردند. الیزابت استون، معاون سابق علمی Lyft می‌گوید: «این الگوریتم تمام ترکیبات ممکن مسافران و رانندگان را بررسی می‌کرد و ترکیبی را انتخاب می‌کرد که - بر اساس درخواست سفر، موقعیت راننده، تمام پویایی‌های سیستم - درآمد را به حداکثر برساند.» سپس، هنگامی که دانشمندان داده شروع به آزمایش اهداف دیگر کردند، نکته جالبی آشکار شد. یک راه حل هوش مصنوعی کشف کرد که بهینه‌سازی نرخ تبدیل - اینکه یک کاربر پس از باز کردن برنامه چند بار درخواست سفر می‌دهد - به نوبه خود، درخواست‌های سفر بیشتری را در آینده به همراه خواهد داشت. درخواست‌های سفر بیشتر در نهایت به معنای درآمد بیشتر است. در نتیجه استفاده از هوش مصنوعی، Lyft KPI درآمد خود را از تمرکز بر ترکیبات سفر و راننده به شاخصی تبدیل کرد که بر بهینه‌سازی نرخ تبدیل نیز تمرکز دارد.

در Tokopedia (بخشی از GoTo Group)، یکی از بزرگ‌ترین بازارهای آنلاین اندونزی، هوش مصنوعی پتابایت‌ها داده را غربال می‌کند تا سیگنال‌هایی را شناسایی کند که با اعتبار و قابلیت اطمینان مرتبط هستند. این‌ها ملاحظات کلیدی هستند، با توجه به اینکه ۸۶.۵ درصد از ۱۴ میلیون فروشنده آن - که ۱.۸ میلیارد محصول می‌فروشند - کارآفرینان جدید هستند. داشتن فروشندگان معتبرتر، بازار را جذاب‌تر، مؤثرتر و کارآمدتر می‌کند. هرمان ویدجاجا، مدیر ارشد فناوری Tokopedia می‌گوید: «آن‌ها ممکن است محصولات خوبی برای فروش داشته باشند، اما نمی‌دانند چگونه موجودی خود را مدیریت کنند. با هوش مصنوعی، ما مشتریان خود را به محصول مناسبی متصل می‌کنیم که توسط فروشندگان مناسبی که می‌خواهند، ارائه می‌شود.» این شرکت میلیون‌ها سیگنال ممکن را در یک سیستم امتیازدهی سنتز کرد که یک KPI جدید در مورد کیفیت فروشنده را نشان می‌دهد.

در حالی که اکثر پاسخ‌دهندگان نیاز به KPIهای بهبودیافته را درک می‌کنند، اکثریت قاطع در حال حاضر برای مدیریت معیارهای خود به ابزارها و فناوری‌های ناکافی متکی هستند. حتی در حالی که الگوریتم‌های یادگیری ماشین و هوش مصنوعی مولد، قابلیت‌های سازمانی را متحول می‌کنند، قضاوت انسانی همچنان رویکرد غالب و فراگیر برای بهبود KPI است. دو سوم از پاسخ‌دهندگان نظرسنجی تایید می‌کنند که مدیران در هنگام تنظیم KPIهای سازمان خود، بر اساس قضاوت شخصی تصمیم می‌گیرند. در حالی که این رویکرد رایج است، اغلب نتایج مورد نظر را به دست نمی‌دهد: به سختی یک سوم از پاسخ‌دهندگان نظرسنجی که فقط به قضاوت انسانی تکیه می‌کنند، شاهد بهبود KPIهای خود هستند.

در مقابل، شرکت‌هایی که از هوش مصنوعی برای تقویت اطلاعاتی KPIهای خود استفاده می‌کنند، به احتمال زیاد شاهد بهبود معیارها هستند. نود درصد از پاسخ‌دهندگانی که از هوش مصنوعی برای ایجاد KPIهای جدید استفاده می‌کنند، می‌گویند که شاهد بهبود KPIهای خود هستند. این KPIهای مبتنی بر هوش مصنوعی مزایای تجاری ارائه می‌دهند و قابلیت‌های جدیدی را به نمایش می‌گذارند: آن‌ها اغلب منجر به کارایی بیشتر و مزایای مالی بیشتر می‌شوند و دقیق‌تر، حساس به زمان و همسو با اهداف سازمانی هستند. ما شاهد افزایش آگاهی در میان مدیران اجرایی هستیم که KPIها باید هوشمندتر و پیش‌بینی‌کننده‌تر شوند. (به "ایجاد KPIهای جدید با هوش مصنوعی" مراجعه کنید.)

ایجاد KPIهای جدید با هوش مصنوعی

از ۳۴ درصد از سازمان‌های مورد بررسی که از هوش مصنوعی برای ایجاد KPIهای جدید استفاده می‌کنند، ۹۰ درصد شاهد پیشرفت هستند.

تمام رهبرانی که برای تحقیقات خود با آن‌ها مصاحبه کردیم، دلایل مشابهی را برای بهبود KPIها بیان کردند. از آنجایی که معیارهای قدیمی ثابت و منسوخ می‌شوند، ارزش آن‌ها به عنوان ابزاری برای تعریف و دستیابی به اهداف سازمانی کاهش می‌یابد. در واقع، آن‌ها به طور محسوسی کم‌فایده‌تر می‌شوند. KPIها، هم به صورت فردی و هم به صورت جمعی، باید به‌روزرسانی و بهبود یابند تا اطمینان حاصل شود که نتایج سازمانی مطلوب را پیش می‌برند. بهبود عملکرد بدون بهبود KPIها خطر رقابتی ایجاد می‌کند. شرکت‌هایی که بر روی معیارهای غیربهینه تمرکز می‌کنند - یا در اطراف آن‌ها همسو می‌شوند - در یک موقعیت رقابتی نامناسب قرار دارند. تمرکز بر عملکرد بدون تمرکز متناسب بر اندازه گیری آن، یک عدم تعادل ذاتی ایجاد می‌کند که می‌تواند تلاش‌های یک شرکت برای رقابت مؤثر را تضعیف کند.

بر اساس تحقیقات ما - که شامل نتایج یک نظرسنجی جهانی از بیش از ۳۰۰۰ مدیر و تجزیه و تحلیل کیفی بیش از دوازده مصاحبه با مدیران اجرایی است - ما سه روش برای بهبود معیارهای استراتژیک با هوش مصنوعی شناسایی کرده‌ایم:

• بهبود KPIهای موجود.

• ایجاد KPIهای جدید.

• ایجاد روابط جدید بین KPIها.

این مقاله توضیح می‌دهد که چگونه این چارچوب "بهبود-ایجاد-ایجاد رابطه" یا ICE می‌تواند به رهبران و مدیران کمک کند تا KPIها را دوباره به کار گیرند تا افراد، فرآیندها و فناوری‌های خود را مؤثرتر کنند. تحقیقات ما نشان می‌دهد که KPIهای بهبودیافته با هوش مصنوعی با مزایای تجاری ارزشمندی از نظر استراتژیک مرتبط هستند، از جمله افزایش کارایی، همسویی بهتر و سود مالی بیشتر. ادغام هوش مصنوعی در فرآیند اندازه‌گیری استراتژیک پیامدهای عظیمی برای آینده تخصیص سرمایه، تعامل با مشتری، تجربه کارکنان، سود قبل از بهره و مالیات و استهلاک (EBITDA) و هر معیار اجرایی دیگر دارد.

مزایای KPIهای تنظیم‌شده با هوش مصنوعی

سازمان‌هایی که با استفاده از هوش مصنوعی KPIهای جدید ایجاد می‌کنند، نسبت به سازمان‌هایی که با استفاده از هوش مصنوعی KPIهای جدید ایجاد نمی‌کنند، به احتمال زیاد شاهد همسویی قوی‌تر، همکاری بیشتر، پیش‌بینی‌های دقیق‌تر و کارایی بیشتری هستند.

ما چندین گام عملی در مورد نحوه استفاده از هوش مصنوعی برای بهبود KPIهای شما ارائه می‌دهیم.

بهبود KPIهای موجود با استفاده از هوش مصنوعی

شرکت‌هایی که در ابتدا از هوش مصنوعی برای افزایش اعداد عملکرد استفاده می‌کنند، تمایل دارند که این فناوری فرصت‌هایی را برای بازبینی و بررسی پارامترهای کلیدی عملکرد ایجاد کند.

اثر جایگزینی در Wayfair

رویکرد هوش مصنوعی Wayfair این موضوع را ثابت می‌کند. در حالی که از دست دادن یک فروش ممکن است یک معیار ساده به نظر برسد، خرده‌فروش آنلاین مبلمان از هوش مصنوعی برای بررسی مجدد اصول اساسی پشت KPI از دست دادن فروش خود استفاده کرد. همانطور که فیونا تان، مدیر ارشد فناوری به یاد می‌آورد: «ما قبلاً فکر می‌کردیم که اگر فروش یک محصول خاص، مانند یک مبل را از دست بدهید، برای شرکت یک ضرر است. اما ما شروع به بررسی داده‌ها کردیم و متوجه شدیم که ۵۰٪ تا ۶۰٪ مواقع، وقتی فروش را از دست می‌دهیم به این دلیل است که مشتری چیز دیگری در همان دسته محصول خریده است.»

این تجزیه و تحلیل فعال‌شده با هوش مصنوعی به Wayfair اجازه داد تا پیشنهادهای جایگزین را بر اساس نگرانی‌های مشتری مانند قیمت، زمان حمل و نقل و سایر عوامل آزمایش کند. تقاضا برای این محصولات جایگزین، دیدگاه جدیدی را در مورد آنچه قبلاً به عنوان فروش از دست رفته اندازه‌گیری و تفسیر شده بود، ارائه داد. تشخیص این "اثر جایگزینی" باعث شد Wayfair قیمت‌گذاری را در سراسر دامنه مبل خود تنظیم کند، پیکربندی محصولات را در مراکز تحقق خود تغییر دهد و KPIهای قدیمی را دوباره اولویت‌بندی کند.

در یک سطح، Wayfair از هوش مصنوعی برای تبدیل KPI قدیمی از دست دادن فروش خود به یک معیار ارزشمندتر استفاده کرد که فروش‌های واقعاً از دست رفته را از فروش‌های واقعی متمایز می‌کرد. اما در سطح دیگر، هوش مصنوعی پشت این KPI ارتقا یافته نیز تغییرات گسترده‌تری را امکان‌پذیر کرد. تیم تان از اثر جایگزینی برای توسعه یک "چارچوب آگاهی از سود" استفاده کرد، که روش تعامل شرکت با مشتریان را تغییر داد. توصیه‌های مبلمان Wayfair شروع به در نظر گرفتن زمان تحویل و هزینه‌های حمل و نقل، و همچنین حوادث محصول و سودآوری محصول، هنگام ارائه بهترین پیشنهادات بعدی کردند. اندازه‌گیری و گنجاندن صریح اثر جایگزینی، فروش‌های از دست رفته را به عنوان فرصت‌های فروش بازتعریف کرد و منجر به تغییرات قیمت‌گذاری شد. این بازتعریف متعاقباً تصمیمات مربوط به جانمایی محصول را با نیازها و ظرفیت‌های مراکز توزیع و انبارها همسو کرد، که تجربه کارمندان و مشتریان را بهبود بخشید.... شرکت‌ها در سراسر چشم‌انداز صنعت در حال یافتن راه‌هایی برای استفاده از هوش مصنوعی برای بهبود KPIهای موجود هستند. برخی از هوش مصنوعی برای تعمیق درک خود از عوامل محرک نتایج KPI استفاده می‌کنند، در حالی که برخی دیگر از هوش مصنوعی برای شناسایی و اولویت‌بندی KPIهایی که بیشترین ارزش را برای سازمان ارائه می‌دهند، استفاده می‌کنند. در حالی که نتایج نظرسنجی ما نشان می‌دهد که اکثر شرکت‌ها در مورد بهبود KPIها به رضایت خواهند رسید (یعنی به قضاوت انسانی تکیه می‌کنند)، ما همچنین شاهد شرکت‌هایی هستیم که تشخیص می‌دهند هوش مصنوعی KPIهای کاملاً جدیدی را ممکن می‌سازد که می‌توانند عملکرد سطح بعدی را به دست آورند و هدایت کنند ....

ایجاد KPIهای جدید

علاوه بر بهبود معیارهای عملکرد موجود، هوش مصنوعی این پتانسیل را ارائه می‌دهد که مدیران بتوانند KPIهای کاملاً جدید را به طور الگوریتمی کشف و تولید کنند. در حالی که نظرسنجی ما نشان می‌دهد که تنها ۱۶٪ از سازمان‌های پاسخ‌دهنده از هوش مصنوعی برای تولید KPIهای جدید استفاده می‌کنند، ۹۰٪ موافق هستند که استفاده آن‌ها از هوش مصنوعی به طور قابل توجهی KPIهای آن‌ها را بهبود بخشیده است.

به عنوان مثال، جستجو برای شاخص‌هایی که می‌تواند به پزشکان در پیشگیری از مرگ ناگهانی قلبی کمک کند، که هر سال ۳۰۰۰۰۰ نفر در ایالات متحده به آن مبتلا می‌شوند، یک تلاش مداوم برای پزشکان و محققان است. این نوع مرگ‌ها از ناکجاآباد می‌آیند. پزشکان نمی‌توانند آن‌ها را پیش‌بینی کنند، زیرا بیماران به عنوان افراد پرخطر ظاهر نمی‌شوند. این یک وضعیت به ویژه ناامیدکننده است زیرا یک درمان مؤثر شناخته شده وجود دارد - نصب یک دفیبریلاتور قلبی - اگر پزشکان بتوانند بیماران در معرض خطر را به موقع شناسایی کنند. یکی از محققان در این زمینه، زیاد اوبرمایر، پزشک و استاد دانشگاه کالیفرنیا، برکلی، با سیستم بهداشت منطقه هالند در سوئد کار می‌کند که داده‌های سوابق الکترونیکی سلامت آن‌ها می‌تواند به انواع داده‌های دولتی پیوند داده شود. او و همکارانش یک الگوریتم را آموزش دادند تا مرگ ناگهانی قلبی را در سال بعد از انجام الکتروکاردیوگرام (ECG) پیش‌بینی کند، با استفاده از گواهی فوت، و انواع دیگر داده‌هایی که از سوابق دولتی و سوابق الکترونیکی سلامت گرفته شده است.

اوبرمایر می‌گوید: «این الگوریتم در پیش‌بینی اینکه چه کسی در سال بعد از انجام نوار قلب تسلیم مرگ ناگهانی قلبی می‌شود، بسیار خوب شد. هر بار که کسی نوار قلب می‌گیرد، یک امتیاز خطر ایجاد می‌کند که احتمال مرگ فرد در اثر ایست قلبی ناگهانی را اندازه‌گیری می‌کند.» این امتیاز نوار قلب همچنین می‌تواند دقیقاً مانند یک شاخص کلیدی عملکرد عمل کند: با در دست داشتن این امتیاز، پزشک ممکن است مشاهده کند که چگونه در صورت تجویز دارویی مانند مسدودکننده بتا یا مهارکننده ACE برای بیمار تغییر می‌کند. در حالی که این تحقیق در مراحل اولیه خود است، ممکن است روزی به پزشکان و بیماران قدرت دهد تا با هم برای کاهش خطر مرگ ناگهانی قلبی کار کنند - و مداخلات جدیدی را شناسایی کنند که ممکن است خطر را کاهش دهد. اوبرمایر می‌گوید: «داشتن توانایی تبدیل این سیگنال‌های بیولوژیکی بسیار پیچیده به شاخص‌ها بسیار قدرتمند است، و من فکر می‌کنم این چیزی است که ما شاهد افزایش بیشتر آن خواهیم بود، نه فقط برای مرگ ناگهانی قلبی، بلکه برای عوارض دیابتی و انواع دیگر شرایط قابل پیشگیری و پرمخاطره.»

استفاده اوبرمایر از هوش مصنوعی برای ایجاد یک KPI جدید برای مرگ ناگهانی قلبی نویدبخش بهبود نتایج بیماران، کاهش هزینه‌ها و افزایش احساس کارآیی پزشکان است. توسعه و تشخیص شاخص‌های کلیدی عملکرد جدید با هوش مصنوعی یک پدیده نوظهور در سراسر چشم‌انداز کسب‌وکار و در میان شرکت‌های بزرگی است که با آن‌ها مصاحبه کردیم، مانند DBS Bank، General Electric، General Motors، Sanofi، Schneider Electric و Walmart. این شرکت‌ها از هوش مصنوعی برای شناسایی شاخص‌های عملکرد آینده در مراحل اولیه فعالیت شرکتی استفاده می‌کنند. این قابلیت، آگاهی موقعیتی بهتر و واکنش مؤثرتر به شرایط متغیر بازار را تسهیل می‌کند، در میان مزایای دیگر.

ایجاد روابط جدید بین KPIها

هیچ KPI ای یک جزیره نیست. بسیاری از مدیران اجرایی که با آن‌ها صحبت کردیم تاکید کردند که مدیریت بهتر کسب‌وکارشان مستلزم این است که KPIهای محلی را در مجموعه‌ای یکپارچه‌تر از معیارها گرد هم آورند. مدیران اجرایی در سراسر صنایع به طور صریح به تنش‌های ذاتی سازمانی و محاسباتی بین به حداکثر رساندن KPIهای محلی و بهینه‌سازی KPIهای سطح بالاتر و کلان‌تر اشاره کردند. با تکامل ویژگی‌ها و پارامترهای KPI، اهمیت پیش‌بینی، مدل‌سازی و هماهنگ‌سازی تعاملات چندگانه KPI با هوش مصنوعی اهمیت بیشتری پیدا می‌کند.

DBS Bank KPIهای خود را با هوش مصنوعی یکپارچه می‌کند

DBS Bank مستقر در سنگاپور زمانی به KPIهای مستقل برای هر عملکردی که نقاط مختلف در طول سفر مشتری را لمس می‌کرد، متکی بود. یعنی برای یک محصول معین، به عنوان مثال، بازاریابی معیارهای تعامل مشتری خود را داشت، محصول معیارهای ریزش مشتری خود را داشت، امور مالی معیارهای درآمد خود را داشت، و غیره. با این حال، در طول سه سال گذشته، این شرکت چندملیتی خدمات بانکی و مالی آن مدل عمودی را با یک مدل افقی جایگزین کرده است. DBS نقشه ارزشی ایجاد کرد که موارد استفاده را در یک سفر مشتری واحد با نتایج در چهار دسته به هم متصل می‌کند: تجربه مشتری، تجربه کارمند، سودآوری و ریسک. سمیر گوپتا، مدیر ارشد تحلیل DBS می‌گوید: «ما آن را "مدیریت از طریق سفرها" می‌نامیم. هر سفر مشتری محرک‌های متعددی خواهد داشت و هر محرک به نوبه خود معیارهای متعددی برای اندازه‌گیری خواهد داشت. می‌توانید تصور کنید که این‌ها چقدر سریع مقیاس می‌یابند و بهینه‌سازی چنین تعداد زیادی از محرک‌ها و معیارها غیرممکن خواهد بود. هوش مصنوعی یک ضریب نیرو است که به ما این امکان را می‌دهد که تعداد زیادی از محرک‌ها و معیارها را تجزیه و تحلیل کنیم و همچنین مواردی را که نیاز به اقدام فوری دارند، شناسایی کنیم.»

در مدل جدید، داده‌های نتیجه برای تیم‌های چندوظیفه‌ای قابل مشاهده است، که همه اعضای آن در بهینه‌سازی نتایج در هر چهار دسته ذینفع هستند. گوپتا خاطرنشان می‌کند: «همه به یک داده نگاه می‌کنند و همه مسئول یک نتیجه هستند.» تیم‌ها از آزمایش، تجزیه و تحلیل داده‌ها، غوطه‌وری مشتری و هوش مصنوعی برای بررسی مداوم عوامل محرک نتایج مختلف استفاده می‌کنند. علاوه بر این، آن‌ها تمرکز دقیقی بر انتخاب معیارهای صحیح دارند.

به گفته گوپتا، ایجاد این روابط متقابل بین KPIهای آن‌ها "یک تغییر اساسی" بوده است. او پیش‌بینی می‌کند که با ادامه هماهنگ‌سازی معیارهای خود در جهت بهبود مستمر، هوش مصنوعی نقش برجسته‌تری خواهد داشت. گوپتا می‌گوید: «ما شروع به باز کردن این موضوع می‌کنیم تا بپرسیم، "آیا ما در حال حاضر این تصمیم را از طریق داده و فعال‌سازی هوش مصنوعی می‌گیریم؟ آیا فرصتی برای انجام آن از طریق داده و فعال‌سازی هوش مصنوعی وجود دارد؟ اگر وجود دارد، چگونه می‌توانیم این کار را انجام دهیم؟"» تشخیص روابط جدید بین KPIها با استفاده از هوش مصنوعی و سایر تکنیک‌های تحلیلی می‌تواند فرصت‌های تجاری جدید، بینش‌های جدید و مجموعه‌ای ارزشمند از داده‌ها را به دست دهد که می‌توان از آن برای مدیریت رفتارهای سازمانی استفاده کرد.

نکات کلیدی برای رهبری

آینده‌ی سنجش استراتژیک متعلق به شاخص‌های کلیدی عملکرد (KPI) هوشمندتر است. با این حال، تحقیقات ما نشان می‌دهد که سازمان‌های سنتی کمی به طور استراتژیک از هوش مصنوعی برای بهبود KPIهای خود استفاده می‌کنند. این امر باعث می‌شود هم هوش مصنوعی و هم KPIها دارایی‌های کم‌ارزش تلقی شوند. رهبری باید بر این اساس سرمایه‌گذاری کند. استفاده از هوش مصنوعی برای بهبود KPIها، ایجاد KPIهای جدید و ایجاد روابط جدید بین KPIها، فرصتی را برای کسب ارزش بیشترِ قابل اندازه‌گیری ایجاد می‌کند. چارچوب ICE (بهبود-ایجاد-ایجاد رابطه) دعوت‌نامه‌ای است برای بحث‌های مدیران اجرایی و هیئت مدیره که باید منجر به سرمایه‌گذاری مدیریت در بهبود سنجش استراتژیک شود.

تحقیقات ما همچنین بر این نیاز رهبران تأکید می‌کند که نه تنها در مورد اینکه کدام KPIها را دنبال کنند، بلکه مهم‌تر از آن، در مورد هدف این KPIها هم‌نظر باشند. آیا KPIها عمدتاً معطوف به گذشته خواهند بود، یا به طور پیش‌بینانه به سمت آینده متمایل خواهند شد؟

اگر مورد دوم صادق باشد، سازمان‌ها به نقشه‌های راه برای بهبود KPIهای موجود، تعهد به اکتشاف و آزمایش در مورد ایجاد KPIهای جدید و تشخیص اینکه روابط بین KPIها ممکن است به اندازه خود KPIهای فردی مهم باشند (اگر نگوییم مهم‌تر)، نیاز دارند. KPIهای هوشمند نباید در درجه اول به عنوان واحدهای عملکرد مستقل مدیریت شوند، بلکه وابستگی‌ها و روابط متقابل آن‌ها باید درک و بررسی شوند. همانطور که مثال‌های ما نشان داده‌اند، این تغییرات چالش‌های عملیاتی، سازمانی و فرهنگی را برای رهبری به همراه دارند.

همانطور که در تقریباً تمام ابتکارات موفق هوش مصنوعی شاهد بوده‌ایم، KPIها (مانند الگوریتم‌هایی که آن‌ها را تشکیل می‌دهند) باید شفاف و قابل توضیح باشند. KPIها نباید از نظر سازمانی، فرهنگی و عملیاتی به عنوان جعبه سیاه تلقی شوند. آن‌ها باید به گونه‌ای طراحی و پیاده‌سازی شوند که قابل اعتماد باشند. این مؤلفه فرهنگی نباید دست کم گرفته شود یا بدیهی تلقی شود. در غیر این صورت، افراد در تمام سطوح سازمان به دنبال سوءاستفاده از معیارهایی که آن‌ها را هدایت می‌کنند، خواهند بود که منجر به عدم همسویی سازمانی می‌شود.

در پس این تأکید جدید بر هوش مصنوعی و KPIها، و به طور کلی بر سنجش استراتژیک، این تصدیق وجود دارد که KPIهای با کیفیت به داده‌های با کیفیت وابسته هستند. KPIهایی که با استفاده از مجموعه‌داده‌های مغرضانه، ناقص و دارای نقص آموزش داده یا نظارت می‌شوند، احتمالاً مغرضانه، ناقص و دارای نقص خواهند بود. کیفیت داده‌ها هر جا که KPIها مهم‌تر باشند، اهمیت بیشتری پیدا می‌کند. ما شاهد هستیم که سازمان‌هایی که به KPIهای مبتنی بر هوش مصنوعی متعهد هستند، حتی بیشتر به پرورش داده‌ها به عنوان یک دارایی متعهد می‌شوند. آن‌ها سرمایه‌گذاری در داده‌ها را در بهبود KPIها منعکس می‌بینند.

در نهایت، با افزایش نفوذ KPIهای متاثر از هوش مصنوعی در سازمان، عملکرد خود آن‌ها نیز به سطوح جدیدی از نظارت و کنترل نیاز خواهد داشت. رهبری باید بتواند ارزیابی کند که KPIهای آن‌ها به صورت فردی و جمعی چقدر خوب عمل می‌کنند. آیا آن‌ها KPIهای مناسبی برای موفقیت پایدار هستند؟ آیا آن‌ها به طور مناسب آینده را پیش‌بینی می‌کنند؟ آیا آن‌ها تصمیمات درستی می‌گیرند - و به انسان‌ها کمک می‌کنند تا تصمیمات درستی بگیرند - برای دستیابی به نتایج مطلوب و دلخواه؟ به عبارت ساده، KPIها برای پاسخ به این سوالات مهم به KPIهای خاص خود نیاز خواهند داشت.

اگر به حوزه‌ی جذاب و پیچیده‌ی مدیریت عملکرد علاقمند هستید و می خواهید در یک دوره فشرده از جدیدترین رویکردها و راهکارهای این حوزه آشنا شوید و همچنین چارچوب و مدلی فرآیندی جهت طراحی و اجرای سیستم مدیریت عملکرد در سازمان خود را یاد بگیرید، در مسترکلاس کانفیگ مدیریت عملکرد با تدریس دکتر علی اصغر امیری شرکت کنید.

یا اگر می خواهید در سازمان خود سیستم مدیریت عملکرد افراد یا کسب و کار را طراحی و اجرا کنید و نیازمند مشاوره در این خصوص هستید، با کارشناسان آرسا (آکادمی رفتار سازمانی) در ارتباط باشید.