Κέρδη:
- Ικανότητα κατανόησης των χαρακτηριστικών των καλών KPI και του υπολοίπου των δεικτών με υστέρηση και επιλογή βασικών δεικτών που σχετίζονται με την επιχείρηση με την υποστήριξη της τεχνητής νοημοσύνης
- Δυνατότητα διάκρισης εάν μια απόκλιση είναι φυσιολογική διακύμανση (θόρυβος) ή πραγματική τάση (σήμα) και να φτάσετε στη βασική αιτία
- Δυνατότητα πρόβλεψης αρνητικής συμπεριφοράς που ένας KPI θα μπορούσε να ενθαρρύνει και να επαληθεύσει κάθε υπόθεση βασικής αιτίας στο πεδίο
Η λειτουργία μιας επιχείρησης χωρίς μετρητή είναι σαν να οδηγείς ένα αυτοκίνητο χωρίς πληροφορίες ταχύτητας και καυσίμων. Το KPI (Key Performance Indicator) είναι ο πίνακας ελέγχου της επιχείρησης. Κύκλος εργασιών, περιθώριο κέρδους, ικανοποίηση πελατών, ποσοστό εναλλαγής εργαζομένων, χρόνος παράδοσης... Αν αυτά επιλεγούν και παρακολουθηθούν σωστά, ο διαχειριστής θα δει πρόβλημα πριν εκραγεί. Αλλά το λάθος KPI οδηγεί σε λάθος συμπεριφορά. Σε αυτήν την ενότητα, θα μάθουμε πώς να χρησιμοποιούμε την τεχνητή νοημοσύνη για την επιλογή των σωστών KPI, την ερμηνεία των πινάκων εργαλείων και την έγκαιρη καταγραφή των αποκλίσεων. Όριο: Η τεχνητή νοημοσύνη υπολογίζει τον δείκτη και παράγει ένα προσχέδιο ερμηνείας. Ο διευθυντής αποφασίζει ποιος δείκτης είναι σημαντικός και πώς να ενεργήσει.
Χαρακτηριστικά καλών KPI
Δεν μπορεί κάθε αριθμός να είναι KPI. Ένας καλός KPI έχει τα ακόλουθα χαρακτηριστικά. Μετρήσιμο: υπολογίζεται με σαφή τύπο. Business related: σχετίζεται με τον πραγματικό στόχο της επιχείρησης. Προσανατολισμένη στη δράση: όταν πέφτει, είναι σαφές τι πρέπει να κάνετε. Δύσκολο στη χειραγώγηση: δεν ξεγελιέται εύκολα. Κλασικό παράδειγμα κακού KPI: ο "αριθμός των email που αποστέλλονται" είναι κακός KPI για μια ομάδα πωλήσεων, επειδή διογκώνεται εύκολα και δεν μετρά το πραγματικό αποτέλεσμα (κλειστές πωλήσεις).
Υπάρχει επίσης διάκριση μεταξύ δεικτών που οδηγούν και υστερούν. Η ενδεικτική λυχνία δείχνει το ιστορικό (ο κύκλος εργασιών αυτού του μήνα — ό,τι έγινε έχει γίνει). Ο κύριος δείκτης προμηνύει το μέλλον (αριθμός προσφορών αυτήν την εβδομάδα — επηρεάζει τον τζίρο του επόμενου μήνα). Ένας καλός πίνακας εργαλείων περιλαμβάνει και τα δύο: οι δείκτες μετάδοσης παρέχουν τη βαθμολογία, οι προπορευόμενοι δείκτες παρέχουν την ειδοποίηση. Ζητήστε ρητά αυτό το υπόλοιπο όταν έχετε σχεδιάσει τον πίνακα οργάνων από το AI.
Συμβουλή: Υπάρχει όριο στον αριθμό των KPI που μπορεί να παρακολουθεί ένας διαχειριστής ταυτόχρονα. 5-7 βασικοί δείκτες είναι πιο ισχυροί από 30 διάσπαρτους δείκτες. Απόσταξε τη λίστα λέγοντας στην τεχνητή νοημοσύνη να «επιλέξει τους 6 πιο κρίσιμους KPI και να εξηγήσει γιατί είναι αυτοί».
Ερμηνευτική απόκλιση: θόρυβος ή σήμα;
Κάθε KPI παρουσιάζει διακυμάνσεις. Μια μείωση 3 τοις εκατό σε μια εβδομάδα μπορεί να είναι φυσιολογική διακύμανση (θόρυβος). Μπορεί επίσης να είναι μια επίμονη τάση (σήμα). Ο αρχάριος μάνατζερ αντιδρά σε κάθε διακύμανση και κουράζει την ομάδα. Ο έμπειρος μάνατζερ διαχωρίζει το σήμα από τον θόρυβο. Η τεχνητή νοημοσύνη μπορεί να βοηθήσει με αυτήν τη διάκριση: δώστε μερικές περιόδους δεδομένων και ρωτήστε "είναι αυτή η αλλαγή εντός της κανονικής ζώνης διακύμανσης ή είναι μια τάση;" παρακαλώ. Αλλά η τεχνητή νοημοσύνη δίνει μια στατιστική πρόβλεψη. Η τελική ερμηνεία θα πρέπει να συνδυάζεται με τις γνώσεις σας στον κλάδο.
Αφού δείτε την απόκλιση, είναι απαραίτητο να φτάσετε στη βασική αιτία. Η τεχνική «5 Γιατί» (μια μέθοδος για να φτάσετε στη βασική αιτία ρωτώντας «γιατί;» πέντε φορές στη σειρά μετά από μια ερώτηση) είναι πολύτιμη εδώ και η τεχνητή νοημοσύνη το κάνει εύκολο. Αλλά θυμηθείτε: η βασική αιτία που βρίσκει η τεχνητή νοημοσύνη είναι μια υπόθεση. πρέπει να επαληθευτεί στο πεδίο.
τρεις μίνι θήκες
Περίπτωση 1 — Διόρθωση λάθος KPI. Ένα τηλεφωνικό κέντρο είχε ορίσει "τον αριθμό των κλήσεων που απαντήθηκαν ανά ημέρα" τον KPI του. Οι εκπρόσωποι βιάζονταν σε συναντήσεις για να αυξήσουν τον αριθμό και η ικανοποίηση των πελατών μειώνονταν. Ο διευθυντής ρωτά το AI "ποια δυσμενή συμπεριφορά ενθαρρύνει αυτό το KPI;" ρώτησε. Η τεχνητή νοημοσύνη έδειξε τη σύγκρουση ταχύτητας-ποιότητας. Ο δείκτης KPI άλλαξε σε "επιλυμένο ποσοστό κλήσεων + βαθμολογία ικανοποίησης". Η ικανοποίηση αυξήθηκε κατά 12 τοις εκατό σε τρεις μήνες.
Περίπτωση 2 — Διαχωρισμός θορύβου από σήμα. Το ποσοστό μετατροπής για ένα ηλεκτρονικό κατάστημα μειώθηκε από 2,4 τοις εκατό σε 2,2 τοις εκατό σε μία εβδομάδα. Αντί να πανικοβληθεί, ο διευθυντής έδωσε στο AI τα ανώνυμα δεδομένα των τελευταίων 12 εβδομάδων. Ο YZ έδειξε ότι ο ρυθμός κυμαίνεται κανονικά στη ζώνη 2,1-2,5, αυτή η μείωση είναι εντός της ζώνης. Απέτρεψε μια άσκοπη επείγουσα επέμβαση. Όταν άρχισε μια πραγματική πτώση τρεις εβδομάδες αργότερα, αυτή τη φορά πιάστηκε γρήγορα επειδή έφυγε από το συγκρότημα.
Περίπτωση 3 — Να φτάσουμε στη βασική αιτία. Το ποσοστό καθυστέρησης παράδοσης αυξήθηκε σε εταιρεία φορτίου. Ο διαχειριστής υλοποίησε τα «5 Γιατί» με AI: Γιατί καθυστερεί; → Παράλειψη αποστολής στην αποθήκη. Γιατί αργά; → Λείπει η πρωινή βάρδια. Γιατί λείπει; → Δύο υπάλληλοι αποχώρησαν και δεν αντικαταστάθηκαν. Η βασική αιτία ήταν ένα κενό ανθρώπινου δυναμικού, όχι η επιμελητεία. Η παρέμβαση έγινε στο σωστό μέρος. Το AI δόμησε τις ερωτήσεις. δεδομένα πεδίου επιβεβαίωσαν τις απαντήσεις.
Τέσσερα πρότυπα με δυνατότητα αντιγραφής
1) Επιλογή και απόσταξη KPI:
Ο ρόλος σας: σύμβουλος διαχείρισης απόδοσης. Η δουλειά μου: [περιγραφή εργασίας]. Ο στόχος μου: [κύριος στόχος]. Προτείνετε μου τα 6 πιο κρίσιμα KPI που πρέπει να παρακολουθώ. Για το καθένα: τύπος, γιατί είναι σημαντικός, είναι πρόδρομος ή διάδοχος, ποια δυσμενή συμπεριφορά μπορεί να ενθαρρύνει. Αποφύγετε δείκτες που χειραγωγούνται εύκολα.
2) Ερμηνεία του προχείρου:
Σχολιάστε τον συνημμένο ανώνυμο πίνακα εργαλείων KPI (περίοδος, δείκτης, τιμή, στόχος).1) Σημειώστε τους δείκτες που υπολείπονται του στόχου.2) Δείξτε το μέγεθος της απόκλισης (%) για τον καθένα.3) Δώστε προτεραιότητα στους 3 πιο επείγοντες δείκτες. Χρησιμοποιήστε απλώς τους αριθμούς που έδωσα. νέα τοποθέτηση ένδειξης/αριθμού.
3) Θόρυβος ή σήμα:
Επισυνάπτονται ανώνυμες τιμές των παρακάτω KPI για τις τελευταίες 12 περιόδους. Είναι αυτή η τελευταία αλλαγή εντός της κανονικής ζώνης διακύμανσης του δείκτη ή είναι μια νέα τάση; Δείξτε την κανονική ζώνη (περίπου ελάχιστη-μέγ.) και υποδείξτε πού βρίσκεται η τελευταία τιμή στη ζώνη. Μην κάνετε ακριβείς προβλέψεις. Τονίστε ότι αυτό είναι μια εικασία.
4) Βασική αιτία (5 λόγοι):
Βοηθήστε με να αναλύσω αυτό το πρόβλημα στη βασική αιτία: [πρόβλημα] Εφαρμόστε την τεχνική "5 Γιατί": επαναλάβετε το "γιατί;" μετά από κάθε απάντηση. παρακαλώ. Ζητήστε μου πρόσθετες πληροφορίες σε κάθε βήμα, ώστε να μπορούμε να προχωρήσουμε με πραγματικά δεδομένα, όχι υποθέσεις.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Πρότεινε μου KPI.
Ούτε η δουλειά του ούτε ο στόχος του είναι ξεκάθαροι. Το AI παραθέτει δείκτες κλισέ (τζίρος, κέρδος) που ταιριάζουν σε όλους. Δεν γνωρίζει τους πραγματικούς οδηγούς της επιχείρησής σας.
Ισχυρή προτροπή:
Ο ρόλος σας: σύμβουλος απόδοσης. Η δουλειά μου: Διαχείριση υποστήριξης πελατών σε εταιρεία εταιρικού λογισμικού με 15 άτομα. Ο στόχος μου είναι να μειώσω την ανατροπή των πελατών. Πρότεινε μου 6 KPI που σχετίζονται με αυτόν τον στόχο. τουλάχιστον 2 από αυτά θα πρέπει να είναι κορυφαίοι δείκτες. Αναφέρετε τον τύπο και τον κίνδυνο χειραγώγησης για το καθένα.
Μέγεθος
κακή προσέγγιση
Ισχυρή προσέγγιση
επιχειρηματικό πλαίσιο
Κανένα
Net (διαχείριση υποστήριξης)
στόχος
αβέβαιο
Μείωση ανατροπής
Ισορροπία αρχηγού/ακόλουθου
αυτόκλητη
ζητείται ρητά
Προειδοποίηση χειραγώγησης
Κανένα
Ναι
διαθεσιμότητα
χαμηλά
ψηλά
Συνήθη λάθη
- Παρακολούθηση πάρα πολλών KPI. 30 δείκτες αποσπούν την προσοχή. 5-7 βασικοί δείκτες είναι ισχυρότεροι.
- Επιλογή χειριστικών KPI. Εύκολα διογκωμένοι δείκτες όπως ο «πλήθος κλήσεων» παράγουν διεστραμμένη συμπεριφορά.
- Απλά κοιτάζοντας τους δείκτες μετάδοσης. Μετράς το παρελθόν, αλλά δεν μπορείς να δεις το μέλλον. Προσθήκη οδηγού δείκτη.
- Αντιδρώντας σε κάθε διακύμανση. Διαχωρίστε το θόρυβο από το σήμα. Διαφορετικά θα κουράσετε την ομάδα.
- Μη επαλήθευση της βασικής αιτίας. Η βασική αιτία που βρίσκει η τεχνητή νοημοσύνη είναι μια υπόθεση. πρέπει να δοκιμαστεί στο πεδίο.
Προσοχή: «Ό,τι μετράς παίρνεις» (Νόμος Γκούντχαρτ). Όταν ένας KPI γίνεται στόχος, οι άνθρωποι βρίσκουν τρόπους να τον εξαπατήσουν. Επομένως, πριν επιλέξετε έναν KPI, ρωτήστε το AI «ποια κακή συμπεριφορά θα μπορούσε να ενθαρρύνει αυτός ο δείκτης;» Φροντίστε να ρωτήσετε.
Συνοπτικά
Οι KPI είναι ο πίνακας ελέγχου της επιχείρησης. Αν επιλεγεί σωστά, δείχνει το πρόβλημα νωρίς, αν επιλεγεί λανθασμένα, παράγει δυσμενή συμπεριφορά. Οι καλοί KPI είναι μετρήσιμοι, σχετίζονται με τις επιχειρήσεις, προσανατολίζονται στη δράση και αντέχουν στη χειραγώγηση. Χρησιμοποιήστε μαζί δείκτες προπορευόμενου και υστερούντος. Επικεντρωθείτε σε 5-7 βασικούς δείκτες. Η τεχνητή νοημοσύνη είναι ένα ισχυρό βοήθημα στην επιλογή KPI, στην ερμηνεία του ταμπλό, στη διάκριση θορύβου-σήμα και στην ανάλυση της βασικής αιτίας. αλλά κάθε ερμηνεία της απόκλισης και της βασικής αιτίας είναι μια υπόθεση και πρέπει να επαληθευτεί στο πεδίο. Η απόφαση είναι δική σας.
Εργασία εφαρμογής
Καταχωρίστε τους KPI που παρακολουθείτε αυτήν τη στιγμή. Πάρτε τις 6 βασικές συστάσεις δεικτών από την τεχνητή νοημοσύνη για τη δική σας επιχείρηση με το πρότυπο «Επιλογή και απόσταξη KPI» παραπάνω και συγκρίνετε τις με την υπάρχουσα λίστα σας. Στη συνέχεια, για κάθε υπάρχον KPI «ποια δυσμενή συμπεριφορά μπορεί να ενθαρρύνει αυτός ο δείκτης;» Ρωτήστε το AI και γράψτε πώς θα ανιχνεύατε τουλάχιστον έναν επικίνδυνο δείκτη και θα τον διορθώνετε.
λίστα ελέγχου
- [ ] Έχω αποστάξει τους KPI μου σε 5-7 βασικούς δείκτες;
- [ ] Έχω εξισορροπήσει τους δείκτες προπορευόμενου και τελευταίου;
- [ ] Έχω αμφισβητήσει τον κίνδυνο χειραγώγησης κάθε KPI;
- [ ] Έκανα διάκριση μεταξύ θορύβου και σήματος κατά την ερμηνεία της απόκλισης;
- [ ] Έχω επαληθεύσει τη βασική αιτία στο πεδίο;