La IA puede mejorar la administración de las empresas

Con disculpas a Peter Drucker, ya no es simplemente lo que mides lo que determina lo que administras. Es cómo descubres qué medir lo que determina cómo administras.

Industria tras industria, vemos sistemas de medición innovadores que conducen a métricas innovadoras y nuevos comportamientos organizacionales que generan resultados superiores. Más organizaciones están reconociendo que la evaluación comparativa y la experiencia ejecutiva no siempre determinan los mejores indicadores clave de rendimiento (KPI).

Cambiar de B2B a B4B puede construir un negocio más sostenible

Estas empresas basadas en datos emplean análisis predictivos como el aprendizaje automático, junto con perspicacia de liderazgo, para identificar y refinar medidas estratégicas clave. Las medidas más afinadas conducen a una mejor alineación de los comportamientos con los objetivos estratégicos.

Cada vez más, los líderes empresariales preguntan a sus equipos: ¿Nuestras métricas capturan completamente lo que impulsa la creación de valor en nuestro negocio? ¿Cómo podemos usar la tecnología para mejorar nuestro sistema de medición, es decir, cómo creamos, evaluamos y usamos nuestras métricas, para discernir mejor estos impulsores e identificar mejores KPI? Están repensando sus enfoques para medir el éxito, desarrollar métricas y crear alineación organizacional.

En el sector de la tecnología, por ejemplo, la pérdida de talento puede limitar el crecimiento y, por el contrario, retener el talento puede permitir el crecimiento. Por lo tanto, identificar y abordar los riesgos de deserción es un asunto estratégico.

Durante la mayor parte de su larga historia, IBM se basó en la intuición de la gestión y los datos de RR. los gerentes se enfocan en el talento que la empresa más necesita. Bajo su dirección, IBM creó un algoritmo de aprendizaje automático que puede evaluar mejor qué empleados se están preparando para dejar la organización y ofrecer recomendaciones a los gerentes sobre qué hacer para mantenerlos.1 

El algoritmo analiza docenas de variables y millones de puntos de datos para brindar una análisis que es mucho más preciso que la pura intuición de gestión. Los gerentes usan el algoritmo para identificar a las personas a las que se dirigirán las conversaciones de desarrollo sobre el cultivo de habilidades y carreras dentro de IBM.

El algoritmo brinda una perspectiva tanto a los gerentes como a los trabajadores sobre las habilidades y las oportunidades de desarrollo profesional que se conectan con las necesidades estratégicas en toda la cartera de IBM, en áreas como la computación en la nube, la IA y la computación cuántica.

Además, la herramienta ha ayudado a cambiar el contenido, el tenor y la eficacia de las comunicaciones entre gerentes y colaboradores. La mayoría de los gerentes ahora eligen aceptar las recomendaciones del algoritmo, un cambio dramático desde que se introdujo por primera vez.

A principios de 2019, la mejora en el desgaste había ahorrado a IBM casi 300 millones de dólares. En resumen, el análisis predictivo ha cambiado no solo la forma en que la empresa mide y gestiona la deserción; también ha mejorado la alineación de los comportamientos (como la realización de conversaciones de desarrollo) con los objetivos estratégicos de IBM para mejorar las habilidades y aumentar la retención.

IBM no habría mejorado sus resultados de retención en la medida en que lo hizo si se hubiera basado en la forma antigua de medir y gestionar el desgaste, a través de la intuición de la gestión y los datos de recursos humanos.

El análisis predictivo puede hacer más que mejorar el logro de los objetivos determinados por el ejecutivo. También puede crear nuevos indicadores de éxito, transformando la forma en que las empresas definen el desempeño. Las organizaciones que obtienen beneficios financieros sustanciales de la IA tienen 10 veces más probabilidades de cambiar sus KPI debido a la IA que otras organizaciones.2  Un negocio de viajes compartidos ofrece un buen ejemplo.

La Inteligencia Artificial como arma de guerra

Al principio, los ingenieros de la empresa de viajes compartidos diseñaron un algoritmo para maximizar los ingresos haciendo coincidir la oferta de conductores y la demanda de los clientes. El algoritmo analizó todas las combinaciones posibles de pasajeros y conductores y seleccionó la combinación que maximizaría los ingresos en función del viaje solicitado, la ubicación del conductor y todas las dinámicas del sistema.3 

Luego, cuando los ingenieros comenzaron a usar IA para probar otras formas de maximizar los ingresos, un modelo descubrió que optimizar las tasas de conversión (el porcentaje de veces que un usuario realmente pidió un viaje después de abrir la aplicación) generaría más solicitudes de viaje en el futuro.

Más solicitudes de viajes significaron considerablemente más ingresos que los que resultaron del énfasis anterior de la compañía en igualar la oferta y la demanda. Al combinar los mejores conocimientos humanos con la destreza informática del aprendizaje automático, la empresa mejoró una métrica estratégica clave.

La empresa continuó usando su método para relacionar conductores y clientes, pero su enfoque para maximizar los ingresos ahora incluía esfuerzos para aumentar los pedidos de viajes después de que los usuarios abrieran la aplicación.

Mejoró la usabilidad de la aplicación, ejecutó campañas de marketing para aumentar los pedidos de viajes y estableció nuevos KPI para los pedidos de viajes. La elección de herramientas de medición de la empresa, como el aprendizaje automático, precedió a su elección de métricas.

Desarrollar, conectar y buscar una combinación de medidas de origen analítico y determinadas por el ejecutivo representa un principio organizativo fundamentalmente nuevo para alinear los comportamientos con la estrategia.

Este enfoque, lo que llamo alineación predictiva, ofrece una nueva perspectiva sobre la naturaleza cambiante de la medición estratégica y la alineación de los comportamientos organizacionales con la estrategia. A continuación, discuto varios ejemplos de alineación predictiva, ilustro cómo este enfoque contrasta con los enfoques de alineación tradicionales y recomiendo varios pasos prácticos sobre cómo avanzar en la alineación predictiva en su organización.

El análisis predictivo impulsa la alineación predictiva

Puede ayudar a identificar nuevos indicadores principales del comportamiento futuro de los clientes. Con estos nuevos indicadores, se hacen posibles nuevas perspectivas sobre el comportamiento del cliente, lo que permite nuevas formas de crear valor tanto para los clientes como para las empresas.

Puede transformar el aspecto del rendimiento empresarial. En Experian, la agencia de informes crediticios, los ejecutivos reconocieron que la conversión de clientes, una métrica tradicional en su negocio, se había vuelto menos efectiva para predecir los resultados deseables.

Bajo la égida del director de marketing e ingresos, la empresa comenzó a usar análisis predictivos para establecer un nuevo conjunto de métricas para la intención, el compromiso y la lealtad del consumidor.

Si bien muchos mecanismos de generación de informes de Experian continuaron midiendo las tasas de conversión de transacciones y pedidos, ninguna de las nuevas métricas apuntaba a un monto en dólares o conteo de pedidos.

Agregar estas métricas requería un cambio fundamental en la cultura de la empresa. Un ejecutivo nos dijo que la empresa pasó dos años cambiando la cultura de una que estaba principalmente orientada a las transacciones a una que se enfocaba en comprender la intención y los valores del consumidor.

Este cambio generó un nuevo conjunto de preguntas: ¿Con qué frecuencia regresa la gente? Cuando regresan, ¿qué características usan? ¿Con qué frecuencia bloquean y desbloquean sus informes de crédito? Las respuestas a estas preguntas permitieron a Experian priorizar las inversiones entre varias características.

El cambio también transformó el papel de la analítica en el proceso de medición estratégica de uno que simplemente informaba sobre los indicadores atrasados ​​a uno que también descubría (y definía) los indicadores principales, como las puntuaciones de participación del cliente.

Con nuevas métricas y una comprensión más profunda de los factores que impulsan el desempeño, los comportamientos organizacionales se alinean en torno a estos nuevos conocimientos, desencadenando un ciclo virtuoso de aprendizaje, creación de KPI, cambios en el comportamiento organizacional, mayor aprendizaje, etc.

Un ejemplo de ello es una aplicación de entrenamiento de la empresa de servicios de recursos humanos ADP, que envía comentarios por correo electrónico a los trabajadores que eligen usarla. Esta herramienta basada en el aprendizaje automático mejoró la productividad entre los usuarios de la empresa en un promedio del 10 %.4

Actualmente, más de 130 empresas utilizan una versión de esta herramienta. Además de ayudar a los usuarios, la aplicación de entrenamiento proporciona a los gerentes datos sobre el uso de la herramienta por parte de sus subordinados directos.

Si el uso de la herramienta se convierte en un indicador principal del desempeño futuro, los análisis adicionales pueden determinar qué gerentes alientan o apoyan a los colaboradores para que la usen de manera efectiva.

Luego, la gerencia podría evaluarse, en parte, sobre si siguen las recomendaciones generadas por el aprendizaje automático sobre cómo apoyar a estos empleados. La aplicación de coaching se convierte en la fuente de nuevas medidas que engendran nuevos KPI de gestión que permiten nuevos comportamientos de gestión.

Los beneficios culturales de la inteligencia artificial en la empresa

Novedades

Para ver la diferencia entre la alineación predictiva y los enfoques de alineación más tradicionales, considere el trabajo de Robert Kaplan y David Norton en el Balanced Scorecard. Su enfoque ofrece lo que podría decirse que es uno de los análisis más sofisticados del papel del aprendizaje en la medición estratégica.

Hace décadas, argumentaron que los sistemas de medición estratégica efectivos como el Balanced Scorecard incorporan aprendizaje de “segundo ciclo” para refinar y adaptar KPI estratégicos, funcionales e individuales al cuestionar los supuestos estratégicos subyacentes y detectar y corregir errores en estos supuestos.5

Por ejemplo, en Según el enfoque del Balanced Scorecard de Kaplan y Norton, “el aprendizaje estratégico consiste en recopilar comentarios, probar las hipótesis en las que se basó la estrategia y hacer los ajustes necesarios.

Un sistema de retroalimentación estratégica debe poder probar, validar y modificar las hipótesis integradas en la estrategia de una unidad de negocios”.6 Es esencialmente mirar hacia atrás. Además, no importa cómo se prueban y validan las hipótesis, solo que lo son.

Este enfoque no reconoce el potencial de grandes discrepancias en la calidad de los métodos para probar y validar los supuestos estratégicos. Es posible que un sistema de medición estratégica que carezca de una capacidad de análisis predictivo no pruebe de manera efectiva los supuestos estratégicos, incluidas las hipótesis sobre qué impulsa los resultados de KPI.

En el modelo de alineación predictiva, importa cómo se prueban los supuestos relacionados con la estrategia: simplemente tener un sistema de medición estratégica que pruebe, valide y modifique los supuestos estratégicos no es suficiente. Con la alineación predictiva, si la forma en que mide es poco sofisticada, lo que mide también puede ser poco sofisticado.

Considere el gasto en marketing, cuya efectividad puede ser difícil de predecir.7 Para combatir este desafío, GE Healthcare utiliza datos de resultados de KPI para desarrollar KPI nuevos y más predictivos para optimizar los rendimientos de las inversiones en marketing.8

Como explicó un ejecutivo de GE: “En realidad es extraer los KPI de los datos en lugar de establecer los KPI que se van a medir. Intentaremos derivar los KPI de los datos y luego los usaremos para realizar análisis con fines de orientación, a fin de impulsar el impacto comercial”. Los análisis menos sofisticados o la intuición de gestión no habrían probado de manera efectiva los supuestos subyacentes a los KPI de marketing de GE.

Además, el enfoque del cuadro de mando integral establece explícitamente que los líderes sénior establecen los KPI. La alineación predictiva es esencialmente un enfoque híbrido en el que los KPI son determinados por los líderes senior (ex ante) y surgen de los esfuerzos analíticos después de que se establece la estrategia (post facto).

Las actividades de medición estratégica asociadas con la evaluación de los KPI establecidos por los líderes sénior y con la generación de KPI a partir del análisis requieren coordinación e inversión adecuada. Por lo tanto, los dos procesos de medición estratégica en sí mismos requieren integración y alineación.

Si el enfoque de la gestión y, por ejemplo, los sistemas de gestión del rendimiento están demasiado vinculados a los KPI predeterminados, esto puede subvertir la alineación en torno a los nuevos KPI (a través de retrasos y mala asignación de recursos). Los KPI que surgen de las aplicaciones de análisis predictivo requieren una ruta de entrada al sistema de medición estratégica general de una organización.

Liderando con Alineación Predictiva

La alineación predictiva tiene (al menos) tres implicaciones significativas para la práctica. Los líderes que adoptan este enfoque para la medición estratégica deben tener en cuenta las siguientes directivas:

1. Ampliar la rendición de cuentas por la rendición de cuentas. Con la alineación predictiva, los gerentes son responsables no solo de su desempeño en un conjunto determinado de métricas, sino también de qué tan bien el sistema de medición estratégica en sí mismo puede probar los supuestos estratégicos existentes y formular nuevas hipótesis estratégicas.

Desarrollar una capacidad de análisis que pueda probar y aprender es en sí mismo un objetivo importante, y es fundamental respaldarlo con una inversión suficiente.

El resultado: los líderes deben hacerse responsables del desarrollo de sistemas de medición estratégicos que puedan profundizar su comprensión de los factores que impulsan los resultados de KPI, generar nuevos KPI y adaptarse a nuevos KPI.

Para las empresas tradicionales en particular, eso requiere (a) invertir en nuevas capacidades analíticas; (b) diseñar nuevos procesos que coordinen conocimientos analíticos, ajustes de KPI y nuevos comportamientos operativos; y (c) identificar a los gerentes que liderarán estas inversiones y crearán estos procesos.

2. Análisis en cascada, no solo métricas. La alineación predictiva es difícil de lograr cuando diferentes funciones dentro de una organización tienen acceso desigual a herramientas de análisis sofisticadas.

El riesgo de desalineación organizacional aumenta con el acceso desigual a análisis avanzados. Un miembro de un grupo de análisis de un equipo de béisbol profesional que se enfocaba en concesiones de estadios lamentó la distribución desigual del talento y los recursos de análisis en su organización.9

Como era de esperar, el análisis de jugadores recibió la mayor parte de las inversiones en análisis. El acceso desigual a los análisis puede intensificar las divisiones culturales, fomentar la insatisfacción de los trabajadores y socavar la alineación de los comportamientos de los trabajadores con los resultados estratégicos.

Así como los enfoques de alineación tradicionales se han centrado en la conexión en cascada y la vinculación de métricas clave, la alineación predictiva fomenta la distribución de herramientas analíticas (y experiencia) entre las funciones organizacionales para medir el progreso hacia (y reevaluar la utilidad de) estas métricas.

3. Incluya especialistas en datos al desarrollar métricas. Los líderes acostumbrados a sentarse con diferentes niveles de gestión para articular métricas que promuevan un conjunto determinado de objetivos deberían comenzar a incluir especialistas en datos (como directores de datos, ejecutivos y analistas de inteligencia comercial o científicos de datos) en estas conversaciones.

Un desafío clave es integrar expertos en datos con gerentes comerciales que establezcan de forma independiente métricas clave de rendimiento.

Oberweis, una operación lechera mediana con sede en Illinois, buscaba expandir su negocio de servicios de entrega de productos lácteos de alta gama a la costa este.

Como en años anteriores, el CEO reunió a su grupo ejecutivo, compuesto por gerentes de operaciones veteranos a cargo de camiones, conductores y estaciones de transferencia de leche, para planificar la estrategia y establecer objetivos de ingresos.

El grupo se reunió creyendo que planearían cómo llegar a un grupo demográfico familiar, un grupo al que llamaron Beamers y Birkenstocks.

Sin embargo, a diferencia de años anteriores, el director ejecutivo presentó al equipo a un analista comercial del departamento de marketing, quien argumentó de manera persuasiva que un segmento de clientes diferente generaría más ingresos. Las predicciones del analista llevaron a nuevos objetivos de ingresos y KPI.

La presencia del CEO en la sala fue esencial para conferir credibilidad a los hallazgos y la metodología contraintuitivos del analista. Posteriormente, el grupo cambió su plan de crecimiento, adoptando nuevos indicadores de éxito.

De manera igualmente significativa, los ejecutivos de operaciones veteranos de Oberweis comenzaron a buscar al equipo de datos para ayudar con otros problemas después de ver los beneficios de sus conocimientos de segmentación de clientes.10

El análisis predictivo es una herramienta nueva y poderosa para reconsiderar una amplia gama de suposiciones relacionadas con la estrategia.

Adoptar la alineación predictiva cambia los supuestos estratégicos y las métricas que realinean los comportamientos organizacionales hacia los objetivos estratégicos.

La inclusión de especialistas en datos hace mucho más que ayudar a las empresas a identificar los datos correctos para incluir en los paneles de control de los líderes.

Los líderes necesitan especialistas en datos para ayudar a identificar los flujos de datos correctos y crear sistemas de gobierno para que los datos necesarios para las métricas clave tengan un significado coherente en todos los silos de la organización.

El sistema de medición estratégica de una empresa generalmente se construye para respaldar los objetivos determinados por el liderazgo. En este enfoque, cómo se mide es menos importante que qué se mide.

En última instancia, lo que mide, ya sea que se rastree en tableros o se mapee en tres dimensiones, refleja cómo compite y alinea los comportamientos con los objetivos estratégicos.11

Sin embargo, con la alineación predictiva, la forma en que mide también refleja cómo compite y alinea los comportamientos con los objetivos estratégicos. Este no es un cambio sutil. El uso de análisis predictivos puede ampliar el propósito de la medición estratégica: permite descubrir nuevas formas de impulsar el crecimiento, lo que a su vez permite nuevas métricas y nuevos comportamientos.

El valor del tiempo de vida del cliente o la deserción significa algo bastante diferente y es más valioso si se mide con aprendizaje automático y grandes conjuntos de datos. La alineación sin análisis predictivo es comparable a usar un sextante para navegar por el océano en lugar de usar un GPS.

Puedes hacerlo, pero te perderás mucha información relevante. Divorciar los esfuerzos de alineación de un programa de análisis predictivo o aprendizaje automático corre el riesgo no solo de una ejecución estratégica deficiente sino también de una planificación subóptima; puede ser una desventaja competitiva. Invertir en cómo se mide puede garantizar que lo que se mide importe.

REFERENCIAS

1. D. Kiron y B. Spindel, “Rebooting Work for a Digital Era”, MIT Sloan Management Review, 19 de febrero de 2019, https://sloanreview.mit.edu.

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

3. S. Ransbotham, S. Khodabandeh, D. Kiron, et al., “Expanding AI’s Impact With Organizational Learning”, MIT Sloan Management Review y Boston Consulting Group, 20 de octubre de 2020, https://sloanreview.mit. educación

4. M. Schrage, D. Kiron, B. Hancock, et al., “Performance Management’s Digital Shift”, MIT Sloan Management Review, 26 de febrero de 2019, https://sloanreview.mit.edu.

5. C. Argyris, “Aprendizaje de doble circuito en las organizaciones”, Harvard Business Review 64, no. 5 (septiembre-octubre de 1977): 115-126.

6. RS Kaplan y D. Norton, “Uso del cuadro de mando integral como sistema de gestión estratégica”, Harvard Business Review 74, no. 1 (enero-febrero de 1996): 75-85.

7. Una cita a menudo atribuida al industrial estadounidense John Wanamaker resume el desafío: “La mitad del dinero que gasto en publicidad se desperdicia; el problema es que no sé qué mitad.

8. M. Schrage y D. Kiron, “Leading With Next-Generation Key Performance Indicators”, MIT Sloan Management Review, 26 de junio de 2018, https://sloanreview.mit.edu.

9. D. Kiron, R. Boucher Ferguson y P. Kirk Prentice, “From Value to Vision: Reimagining the Possible With Data Analytics”, MIT Sloan Management Review, 5 de marzo de 2013, https://sloanreview.mit.edu .

10. Ibíd.

11. G. Kenny, “Los KPI no se tratan solo de evaluar el rendimiento pasado”, Harvard Business Review, 23 de septiembre de 2021, https://hbr.org.

Tres pasos para construir una cultura de aprendizaje que genere innovación

Síguenos en Google News