La IA ayuda a las empresas a redefinir su rendimiento, no solo a mejorarlo

La medición del rendimiento ha sido un imperativo de la alta dirección desde que la obra seminal de Frederick Winslow Taylor “Principios de gestión científica” revolucionó los procesos empresariales hace más de un siglo. Sin embargo, hoy las empresas hacen uso de la Inteligencia Artificial (IA).

El cronómetro de Taylor, utilizado implacablemente para controlar y maximizar la productividad de los trabajadores, se convirtió en un controvertido símbolo del análisis del rendimiento. Más recientemente, el propósito de medir ese elemento se ha ampliado mucho más allá de la eficiencia y ahora incluye la optimización estratégica de una serie de funciones y resultados empresariales.

¿Qué es la Inteligencia Artificial y por qué todo mundo habla de ella?

Gracias a las mejoras radicales de la IA, la finalidad y la práctica de la medición se están ampliando aún más. Los ejecutivos trabajan con máquinas para desarrollar nuevas perspectivas sobre qué impulsa el rendimiento y cuál es la mejor forma de medirlo.

Del mismo modo que el telescopio espacial James Webb de la NASA ha revolucionado la comprensión del universo por parte de los astrónomos al observarlo con un alcance y una potencia sin igual. La IA está revolucionado la comprensión del rendimiento por parte de las organizaciones.

Cada vez más, las organizaciones combinan la IA con datos de rendimiento para generar y perfeccionar indicadores clave de rendimiento, tanto con intervención humana como sin ella. Nuestras conversaciones con destacados investigadores de la IA sugieren que los equipos directivos más eficaces del mañana utilizarán los KPI. Eso no solo para supervisar el éxito de la empresa, sino para redefinirlo e impulsarlo.

Google, IA y la medición de rendimiento

Avinash Kaushik, director de estrategia de la agencia de marketing digital Croud, fue anteriormente director sénior de análisis estratégico global en Google, donde, al estilo de Webb, el aprendizaje automático ayudó a su equipo a reimaginar las posibilidades de la medición del rendimiento. Explica que Google utilizó la IA para identificar nuevos parámetros de alto rendimiento que mejoraron en gran medida las importantes inversiones en marketing del gigante tecnológico.

En aquel momento, recuerda Kaushik, se pensaba que “mucha gente obtiene muy buenos resultados en un canal digital primario, pero nosotros no. Y estamos gastando mucho dinero. Y tenemos montones de informes y segmentos y estadísticas de todo tipo. Pero no tenemos ni idea de qué demonios nos pasa. Sabemos que estamos fallando; simplemente no sabemos por qué, y hemos agotado todas las preguntas que podemos hacer”.

La abundancia de talento, recursos analíticos y acceso a datos del equipo de Google no fue suficiente para descifrar el código.

“Así que, después de que analistas y estadísticos se pusieran manos a la obra, decidimos: ‘¿Sabes qué? Vamos a reunir un algoritmo muy inteligente, y vamos a alimentarlo con todos los datos que tengamos’. Y le diremos: ‘Dinos qué está mal'”.

KPIs accionables en relaciones públicas, hacia una medición de mayor valor

Técnicas utilizadas por Kaushik

El equipo de Kaushik utilizó técnicas de aprendizaje automático supervisado, en concreto, árboles de clasificación, para identificar las conexiones que habían pasado por alto.

“Como ni siquiera sabíamos qué preguntas hacer, este tipo de algoritmo de aprendizaje automático no supervisado fue un enfoque realmente bueno. Dejamos que el algoritmo encontrara los patrones”.

Lo que el algoritmo encontró sorprendió a Kaushik y a su equipo: Los KPI que habían pensado que eran los más esenciales para optimizar en realidad no lo eran.

“Qué métricas eran las más influyentes, el orden de su importancia y en qué rangos tenemos que jugar para las métricas individuales fue una revelación para nosotros”, dice.

Entre estas métricas sorprendentes estaba la importancia del headroom disponible para la métrica de marca, que no estaba en la lista de consideración del equipo de las más influyentes.¹ Una segunda fue el fuerte impacto del audible y visible al completo (AVOC), una medida del porcentaje de impresiones en las que una persona veía y oía un anuncio completo.

Si el AVOC era inferior a un determinado porcentaje, la campaña de marketing estaba condenada al fracaso. Si el porcentaje era superior, la campaña tenía posibilidades de éxito.

“Seis meses después de aplicar las recomendaciones del algoritmo, el rendimiento mejoró 30 puntos. Es una mejora de rendimiento demencial. Se debe a que en lugar de que los humanos averiguaran qué preguntas debíamos hacer a los datos, simplemente dijimos: ‘Oye, ¿por qué no averiguas cuál es el problema?”.

Aprendizaje del éxito de Google y la IA

El éxito de Google en el uso de la IA para replantearse el rendimiento no puede explicarse como el logro singular de una empresa con una capitalización bursátil de un billón de dólares. Por el contrario, hemos visto ejemplos similares en todo el panorama industrial en ámbitos que van desde los deportes profesionales a la atención sanitaria o la energía.

Cada vez más empresas están cosechando nuevas riquezas a partir del reconocimiento de patrones y discerniendo factores de rendimiento que son computacionalmente invisibles. Nuestras entrevistas con ejecutivos de empresas dejan claro que transformar cómo miden las organizaciones puede transformar fundamentalmente qué miden las organizaciones.

Las empresas que utilizan la IA para generar nuevas métricas o perfeccionar las existentes disfrutan de una serie de ventajas frente a las que utilizan métricas heredadas.

Nuestra investigación ya indica que las empresas que obtienen beneficios financieros sustanciales de sus inversiones en IA tienen 10 veces más probabilidades de cambiar la forma en que miden el éxito en comparación con las empresas que obtienen menores beneficios de sus inversiones en IA.²

Vemos organizaciones que utilizan algoritmos para desafiar y mejorar los supuestos empresariales sobre las fuentes de rendimiento, rentabilidad y crecimiento. En resumen, las empresas utilizan cada vez más la IA para redefinir el rendimiento, no sólo para aumentarlo.

En búsqueda de un KPI exitoso y efectivo

Entonces, ¿la IA es importante para medir el éxito?

Es difícil exagerar la importancia organizativa, operativa y cultural de recurrir a la IA para medir el rendimiento. Los directivos pueden utilizar ahora los KPI impulsados por la IA no sólo para medir el rendimiento pasado. Sino también como principios organizativos para alinear la organización con sus objetivos estratégicos, mejorar la forma en que la empresa entiende y define el éxito .

Este artículo identifica tres implicaciones y beneficios empresariales prácticos y valiosos, pero poco discutidos, del uso de la IA tanto para generar como para perfeccionar los KPI.

¿Qué es un KPI? Ahora y después

Un indicador clave de rendimiento es una métrica cuantificable que refleja el rendimiento o el progreso de una organización en la consecución de objetivos o resultados específicos. Las organizaciones tradicionales utilizan los KPI como puntos de referencia tanto para evaluar el éxito como para identificar áreas de mejora.

Los KPI se han centrado normalmente en medir el rendimiento en áreas específicas, como el crecimiento de las ventas, la satisfacción del cliente o la eficiencia operativa. Tradicionalmente, los ejecutivos y directivos identifican los KPI estratégicos y operativos y, a continuación, utilizan técnicas básicas de instrumentación y recopilación de datos. Este enfoque heredado prioriza lo que miden los KPI en lugar de cómo se miden.

Es decir, los propios KPI se dan por sentados, se establecen por decreto ejecutivo y rara vez son objeto de análisis. Aunque es menos común evaluar si los KPI son correctos, cada vez vemos más empresas que utilizan la IA para realizar precisamente este tipo de análisis. Están utilizando la IA para perfeccionar los KPI existentes, descubrir nuevos y priorizar los KPI de nuevas formas.

Análisis de KPI, el terreno que conquistó la IA

Las organizaciones realizan ahora análisis del ciclo de vida de los KPI y crean sistemas de gobernanza para evaluar la relevancia continua de los existentes. Y, como nos dijo un ejecutivo, su organización está creando KPI para analizar todo su “ecosistema“.

La IA puede desempeñar, y está desempeñando, un papel fundamental en estos análisis al discernir nuevos impulsores del rendimiento y ofrecer nuevas métricas e interpretaciones del éxito.

En nuestra opinión, la IA está transformando el potencial, el propósito y el poder de los KPI, que han pasado de ser puntos de referencia a algo más parecido a sistemas analíticos.

La combinación de los KPI y la IA puede crear sistemas analíticos que evalúen las propias métricas, no sólo el progreso en ellas. Estos sistemas pueden adaptarse y optimizarse a sí mismos basándose en el análisis de datos, los patrones y la retroalimentación.

Algunas empresas van más allá

Al integrar la IA en el proceso de medición del rendimiento, estas empresas están identificando áreas de mejora, recomendando acciones e implantando de forma autónoma soluciones.

Estas nuevas perspectivas sobre el papel de los KPI con IA tienen enormes implicaciones para los enfoques corporativos de la medición estratégica. Considerar los KPI como sistemas dinámicos de análisis ofrece nuevos métodos para medir y definir el éxito del rendimiento. Estos sistemas analíticos, a los que llamamos KPI inteligentes, pueden aprender a mejorar por sí mismos, con y sin intervención humana.

Materializar la aplicación de la IA en toda una empresa, ¿cómo lograrlo?

1. KPI inteligentes que aprenden, no sólo rastrean

Hace casi 50 años, la ley de Goodhart declaraba que cuando una métrica se convierte en un objetivo, deja de ser una buena métrica. Pero centrarse en la mejora de las propias métricas no sólo es coherente con la ley, sino que se convierte en un ingrediente esencial para el éxito operativo sostenido.

Una ejecutiva de CBS, por ejemplo, pidió a su equipo de ciencia de datos que analizara 50 años de datos de clientes para determinar si la empresa había identificado los KPI adecuados. El equipo utilizó la IA para confirmar los méritos de los KPI existentes y luego identificó otros adicionales que ayudaron a refinar y ampliar el significado del éxito.

La combinación de IA y KPI mejoró la comprensión del equipo directivo de sus propios criterios de rendimiento.

Además de desenterrar nuevos KPI y refinar las carteras de esos índices, los KPI impulsados por IA pueden ir más allá del seguimiento del progreso para impulsar la acción. Pensemos en el churn, uno de los KPI centrados en el cliente más importantes de una organización. L

os directivos suelen hacer un seguimiento de la rotación como indicador rezagado de la satisfacción del cliente, y tratan de predecirla y adelantarse a ella. En función de su sofisticación analítica, las empresas pueden invertir en identificar a los clientes en riesgo y ponerse en contacto con ellos para inducirles a quedarse. Algunas organizaciones han automatizado el proceso de envío de ofertas estandarizadas a estos clientes para evitar que se marchen.

Imaginemos ahora una empresa con sistemas analíticos que identifican a los clientes de riesgo y determinan con precisión cuánto esfuerzo debe dedicarse a retenerlos. La organización introduce un algoritmo de reducción de bajas facultado para hacer ofertas de retención a sus clientes más valiosos. Estas ofertas pueden incluir descuentos inmediatos, descuentos supeditados a la renovación, nuevos servicios, un paquete de mejoras o un menú de opciones similar a un motor de recomendación.

Impacto del algoritmo en el mundo real

El impacto de este algoritmo en el mundo real: criterios clave de rendimiento que se centran menos en el seguimiento y la predicción de la pérdida de clientes. Predecir la pérdida de clientes en sí importa menos que predecir qué tácticas y ofertas tienen más probabilidades y son más rentables para inducir a los clientes a quedarse.

Por otra parte, una empresa de telecomunicaciones utilizó la IA para pasar de un sistema que predecía la pérdida de clientes a otro que recomendaba mejores acciones siguientes para obtener un mayor rendimiento. Descubrió que la siguiente mejor acción para algunos clientes era dejarlos marchar, basándose en criterios de valor de vida.

El nuevo sistema reconocía que no todas las bajas eran iguales. Este enfoque modificó radicalmente el modo en que la empresa evaluaba las bajas y mejoraba el rendimiento. En este entorno, el KPI de rotación ya no sólo mide la rotación: Fusiona la predicción con las opciones para evitar el abandono.

Esta capacidad significa que el establecimiento de KPI ya no es responsabilidad exclusiva de la gestión humana. Los KPI impulsados por IA desplazan el énfasis y el centro de valor del seguimiento de los avances en determinadas métricas estratégicas al aprendizaje de cuáles son las mejores métricas.

Donde los KPI heredados son retrospectivos, los KPI inteligentes son prospectivos; donde los KPI heredados se centran en objetivos fijos, los KPI inteligentes son adaptativos.

Por qué los KPI incorrectos condenan la transformación digital de los líderes

2. Gobernanza de la medición: KPIs para KPIs

Los KPI miden el rendimiento. Pero ¿qué mide el rendimiento de los KPI? A medida que se amplía y mejora su capacidad de aprendizaje mediante IA, los KPI resultan aún más esenciales para el liderazgo. En consecuencia, su rendimiento e impacto requieren una rigurosa evaluación continua.

Al igual que los directivos deben evaluar el rendimiento de sus empleados de forma periódica, también deben evaluar de forma rutinaria sus KPI, individual y colectivamente, para garantizar el éxito de la empresa. Muchos ejecutivos nos han dicho que racionalizar sus carteras de KPI es un reto crítico pero difícil. Aunque lograr un conjunto armónico de KPI puede obligar a tomar decisiones incómodas, también aclara las prioridades estratégicas.

Cada vez son más las empresas que evalúan si están optimizando y extrayendo el máximo valor de sus KPI. Cada vez más, los directivos asignan recursos para poner a prueba las hipótesis existentes sobre los KPI e invierten en la mejora de los propios KPI. Al evaluar la eficacia o el rendimiento de sus KPI, están, en efecto, buscando KPI para sus KPI.

La pregunta “¿cuáles son las mejores formas de evaluar el impacto de los KPI en los resultados de la organización?

Es profundamente diferente de la de “¿cuáles son las mejores formas de utilizar el presupuesto asignado para servir a los KPI existentes?

A diferencia del gobierno periódico de los KPI heredados gestionados únicamente por humanos, el gobierno de los KPI inteligentes está siendo gestionado cada vez más por máquinas y humanos.

Garantizar que los indicadores clave de rendimiento adquieran un valor mensurable es un reto apremiante para el liderazgo. ¿Qué inversiones marginales en tiempo, dinero y talento podrían aumentar drásticamente el impacto de un KPI?

El ejemplo de Schneider Electric

Schneider Electric, la empresa energética con sede en Francia, ha creado una oficina de gestión del rendimiento para mejorar las propias métricas. A medida que se centra en la transformación digital, Schneider Electric adopta una sensibilidad de retorno sobre los KPI, realizando una importante inversión financiera para aprender a mejorar sus KPI.

“Queremos que nuestros KPI evolucionen con el tiempo porque no queremos dirigir nuestro negocio con métricas heredadas”, afirma el director de gobernanza de Schneider Electric, Hervé Coureil.

Inteligencia Artificial, ¿aliada para mejorar la aprobación de leyes?

Por ejemplo, Coureil señala que hace unos cuatro años, la empresa estableció un KPI para una serie de activos bajo gestión, como el número de conexiones digitales a activos de clientes. Con el tiempo, esta métrica se refinó en varias categorías:

• Una métrica para los bucles de aprendizaje, asesoramiento y retroalimentación
• Métricas orientadas a la experiencia
• Métricas centradas en la optimización
• Detección de anomalías; y métricas basadas en el rendimiento.

La IA desempeñó un papel especialmente importante en el desarrollo de medidas y métricas de detección de anomalías.

La creación de sistemas de medición para mejorar los KPI permite a los directivos mirar más allá de las métricas de rendimiento para profundizar en su comprensión de la creación de valor. Los algoritmos de IA pueden analizar las relaciones entre múltiples KPI para equilibrar mejor las interdependencias competitivas y/o complementarias.

Por ejemplo, una empresa podría utilizar la IA para calcular los componentes principales que mejor conectan la satisfacción del cliente con la capacitación y el compromiso de los empleados. Adoptar este enfoque permite a los ejecutivos anticipar mejor los retos, optimizar la asignación de recursos y adaptar las estrategias a las nuevas dinámicas del mercado.

En esencia, una gobernanza eficaz de los KPI faculta a los líderes para convertir los KPI en fuentes de ventaja competitiva.

3. Mejora de la alineación mediante KPI inteligentes compartidos

Como sugiere la sección anterior, ningún KPI es una isla. Ya sea directa o indirectamente (o ambas cosas), los KPI empresariales influyen unos en otros. Aunque nuestra investigación indica que la mayoría de los KPI se gestionan dentro de silos distintos y desconectados, las realidades operativas suelen revelar solapamientos subyacentes entre unidades de negocio, procesos y funciones.

Estos solapamientos pueden crear conflictos. Cada entidad empresarial aportará diferentes conjuntos de datos, flujos de datos y flujos de trabajo al proceso de rendimiento clave, y las funciones aisladas suelen tener prioridades contrapuestas.

Por ejemplo, las finanzas pueden tratar de controlar los costes, mientras que el marketing puede querer promover productos mejorados y la experiencia del cliente. La IA está especialmente bien posicionada no sólo para descubrir solapamientos entre los KPI, sino también para ayudar a resolver las incoherencias resultantes. Los KPI generados por la IA pueden abrir el camino a KPI compartidos que impulsen una mejor alineación organizativa.

¿Cómo se utiliza la IA en la atención sanitaria?

En la atención sanitaria, por ejemplo, la reducción de los reingresos es un indicador de resultados clave y esencial para reducir costes. En las organizaciones de proveedores heredadas, los directores financieros gestionan los costes y los flujos de reembolso, y los directores médicos (CMO) hacen hincapié en la calidad de la atención a los pacientes y su salida del hospital.

Cada función tiende a ver la reducción de los reingresos desde una perspectiva diferente, con sus propias métricas distintas e independientes. Ahora es posible utilizar la IA para analizar los datos de los pacientes, identificar las causas fundamentales de los reingresos y recomendar intervenciones específicas.

Con esta información, los directores financieros y los directores de marketing pueden compartir un indicador clave de rendimiento “tasa de readmisión de pacientes”. Eso al identificar las causas fundamentales y predecir intervenciones para mejorar los resultados y reducir los costos simultáneamente.

Este KPI compartido promueve una alineación en toda la organización que no sería posible sin el reconocimiento de patrones impulsado por la IA.

Mejora la medición de la diversidad y obtén mejores resultados

Mejorar carteras diversificadas, otro uso de la IA integrada a los KPIs

Cada vez más organizaciones utilizan la IA para gestionar sus carteras diversificadas de KPI. Diferentes ejecutivos de la C-suite. Por ejemplo, suelen ser responsables de los KPI de experiencia del cliente y experiencia del colaborador.

Pero la IA hace que los patrones de interdependencia y conflicto entre los KPI sean visibles y accesibles. ¿Quién se convierte entonces en responsable de optimizar el rendimiento de las métricas críticas para el negocio?

Los KPI compartidos ofrecen oportunidades de liderazgo y supervisión colaborativos. ¿Debería el director financiero compartir la responsabilidad con el director de marketing sobre el valor del ciclo de vida del cliente? ¿O deberían asignar a las funciones de ventas, éxito del cliente y atención al cliente la responsabilidad conjunta de la pérdida de clientes?

A diferencia de los KPI heredados, los KPI inteligentes y compartidos mejoran la alineación organizativa al facilitar el intercambio y la visibilidad de los datos de la empresa, así como la colaboración interfuncional.

La idea fundamental de la investigación de este artículo es que habilitar y facultar a los sistemas de medición estratégica para que aprendan altera fundamentalmente la forma en que las organizaciones entienden e invierten en el rendimiento futuro.

En el futuro, los KPI aprenderán de los datos, unos de otros y de los líderes que reconozcan que un liderazgo estratégico sin una medición estratégica mejorada garantiza un rendimiento inferior al esperado.

Mejorar el rendimiento de los KPI no es suficiente para el éxito de la organización si no se mejoran los propios KPI. Hacer esto último exige un esfuerzo dedicado que requiere la atención de los líderes, cambios organizativos e inversiones en IA. Optimizar el rendimiento del mañana exige los mejores KPI, no (simplemente) maximizar el rendimiento de los KPI de hoy.

Nota del editor: Los autores desean agradecer a Gaurav Jha, Lisa Krayer, Allison Ryder y Barbara Spindel sus contribuciones a este artículo.

Las asociaciones en IA ayudan a cuidar el planeta: Dave Thau de WWF

SOBRE LOS AUTORES

Michael Schrage es investigador de la Iniciativa sobre la Economía Digital de la Sloan School of Management del MIT. Su labor de investigación, redacción y asesoramiento se centra en la economía conductual de los medios digitales, los modelos y las métricas como recursos estratégicos para gestionar las oportunidades y los riesgos de la innovación.

David Kiron es director editorial de investigación de MIT Sloan Management Review y director de programa de sus iniciativas de investigación Big Ideas.

François Candelon es socio principal y director gerente del Boston Consulting Group (BCG) y director mundial del BCG Henderson Institute, donde sus investigaciones se centran en el impacto de las tecnologías en las empresas y la sociedad. Puede ponerse en contacto con él en candelon.francois@bcg.com.

Shervin Khodabandeh es socio sénior y director gerente de BCG y colíder del negocio de IA de BCG en Norteamérica. Es uno de los líderes de BCG X y cuenta con más de 20 años de experiencia impulsando el impacto empresarial de la IA y lo digital. Puede ponerse en contacto con él en shervin@bcg.com.

Michael Chu es socio y director asociado de BCG y se centra en la aplicación de la IA y el aprendizaje automático a problemas empresariales en funciones comerciales, incluida la optimización de precios, promociones, ventas y marketing. Puede ponerse en contacto con él en chu.michael@bcg.com.

REFERENCIAS (2)

1. Según Kaushik, el headroom disponible es el espacio disponible en decibelios entre el nivel máximo y el nivel nominal o medio de un sistema de audio. La importancia de esta métrica fue una de las principales conclusiones de su equipo. Como comentó Kaushik, a veces “ni siquiera sabes lo que no sabes”.

2. S. Ransbotham, F. Candelon, D. Kiron y otros, “The Cultural Benefits of Artificial Intelligence in the Enterprise“, 2 de noviembre de 2021, MIT Sloan Management Review, https://sloanreview.mit.edu.

AGRADECIMIENTOS

Damos las gracias a cada una de las siguientes personas, que fueron entrevistadas para este artículo:

Hervé Coureil, director de gobernanza y secretario general, Schneider Electric

Avinash Kaushik, director de estrategia, Croud

Síguenos en Google News