سود:
- توانایی درک ویژگی های KPI خوب و تعادل شاخص های پیشرو و انتخاب شاخص های کلیدی مرتبط با کسب و کار با پشتیبانی از هوش مصنوعی
- توانایی تشخیص اینکه آیا انحراف نوسان طبیعی (نویز) است یا یک روند واقعی (سیگنال) و رسیدن به علت اصلی
- توانایی پیشبینی رفتار نامطلوب که یک KPI ممکن است هر فرضیه علت اصلی را در این زمینه تشویق و تأیید کند
راه اندازی یک کسب و کار بدون گیج مانند رانندگی با ماشین بدون اطلاعات سرعت و سوخت است. KPI (شاخص عملکرد کلیدی) داشبورد کسب و کار است. گردش مالی، حاشیه سود، رضایت مشتری، نرخ گردش کارمند، زمان تحویل ... اگر اینها به درستی انتخاب و نظارت شود، مدیر قبل از انفجار مشکل را می بیند. اما KPI اشتباه منجر به رفتار اشتباه می شود. در این بخش، نحوه استفاده از هوش مصنوعی را در انتخاب KPIهای مناسب، تفسیر داشبوردها و تشخیص زودهنگام انحرافات یاد خواهیم گرفت. Boundary: AI calculates the indicator and produces an interpretation draft; مدیر تصمیم می گیرد که کدام شاخص مهم است و چگونه عمل کند.
ویژگی های KPI خوب
هر عددی نمی تواند یک KPI باشد. یک KPI خوب دارای ویژگی های زیر است. قابل اندازه گیری: با یک فرمول واضح محاسبه می شود. کسب و کار مرتبط: مرتبط با هدف واقعی کسب و کار. عمل گرا: وقتی می افتد، مشخص است که چه باید کرد. دستکاری دشوار: به راحتی فریب نمی خورد. مثال کلاسیک KPI بد: "تعداد ایمیل های ارسال شده" یک KPI بد برای تیم فروش است زیرا به راحتی قابل افزایش است و نتیجه واقعی (فروش بسته) را اندازه گیری نمی کند.
همچنین بین شاخص های پیشرو و عقب مانده تمایز وجود دارد. نشانگر انتهایی تاریخچه را نشان می دهد (تعداد گردش مالی این ماه - آنچه انجام شده انجام شده است). شاخص پیشرو آینده را پیش بینی می کند (تعداد پیشنهادات در این هفته - بر گردش مالی ماه آینده تأثیر می گذارد). یک داشبورد خوب هر دو را شامل می شود: نشانگرهای انتهایی امتیاز را ارائه می دهند، شاخص های پیشرو هشدار را ارائه می دهند. هنگام طراحی داشبورد توسط هوش مصنوعی، این تعادل را به صراحت بخواهید.
نکته: تعداد KPIهایی که یک مدیر می تواند همزمان ردیابی کند محدودیتی دارد. 5-7 اندیکاتور کلیدی قدرتمندتر از 30 اندیکاتور پراکنده هستند. فهرست را با گفتن به هوش مصنوعی "6 مهم ترین KPI را انتخاب کنید و توضیح دهید که چرا آنها هستند" تقطیر کنید.
تفسیر انحراف: نویز یا سیگنال؟
هر KPI نوسان دارد. کاهش 3 درصدی در یک هفته ممکن است نوسان طبیعی (صدا) باشد. همچنین ممکن است یک روند پایدار (سیگنال) باشد. مدیر مبتدی به هر نوسانی واکنش نشان می دهد و تیم را خسته می کند. مدیر با تجربه سیگنال را از نویز جدا می کند. هوش مصنوعی می تواند به این تمایز کمک کند: چند دوره داده را ارائه دهید و بپرسید "آیا این تغییر در محدوده نوسان عادی است یا یک روند است؟" بپرسید اما هوش مصنوعی یک پیش بینی آماری می دهد. تفسیر نهایی باید با دانش صنعت شما ترکیب شود.
پس از مشاهده انحراف باید به علت اصلی آن رسید. تکنیک "5 چرا" (روشی برای رسیدن به علت اصلی با پرسیدن "چرا؟" پنج بار پشت سر هم پس از یک سوال) در اینجا ارزشمند است و هوش مصنوعی آن را آسان می کند. اما به یاد داشته باشید: علت اصلی که هوش مصنوعی می یابد یک فرضیه است. باید در این زمینه تأیید شود.
سه کیف کوچک
مورد 1 - تصحیح KPI اشتباه. یک مرکز تماس "تعداد تماس های پاسخ داده شده در روز" را KPI خود تعیین کرده بود. نمایندگان برای افزایش تعداد جلسات عجله داشتند و رضایت مشتری در حال کاهش بود. مدیر از هوش مصنوعی می پرسد "این KPI چه رفتار نامطلوبی را تشویق می کند؟" او پرسید. هوش مصنوعی تضاد سرعت و کیفیت را نشان داد. KPI به "نرخ تماس حل شده + امتیاز رضایت" تغییر کرد. میزان رضایت در سه ماه 12 درصد افزایش یافت.
مورد 2 - جدا کردن نویز از سیگنال. نرخ تبدیل یک فروشگاه آنلاین از 2.4 درصد به 2.2 درصد در یک هفته کاهش یافت. مدیر به جای وحشت، داده های ناشناس 12 هفته گذشته را به هوش مصنوعی داد. YZ نشان داد که نرخ به طور معمول در باند 2.1-2.5 در نوسان است، این کاهش در باند است. از مداخله اضطراری غیرضروری جلوگیری شد. وقتی سه هفته بعد یک کاهش واقعی شروع شد، این بار به سرعت دستگیر شد زیرا از گروه خارج شد.
مورد 3 - رسیدن به علت اصلی. نرخ تاخیر تحویل در یک شرکت باربری افزایش یافت. مدیر اجرای «5 چرا» با هوش مصنوعی: چرا تاخیر دارد؟ → از بارگذاری در انبار صرفنظر کنید. چرا دیر؟ → شیفت صبح غایب است. چرا گم شده است؟ → دو کارمند رفتند و جایگزین نشدند. علت اصلی شکاف منابع انسانی بود، نه تدارکات. مداخله در جای درست انجام شد. هوش مصنوعی سوالات را ساختاربندی کرد. داده های میدانی پاسخ ها را تایید کرد.
چهار قالب قابل کپی
1) انتخاب و تقطیر KPI:
نقش شما: مشاور مدیریت عملکرد. شغل من: [شرح شغل]. هدف من: [هدف اصلی]. 6 مهم ترین KPI را که باید دنبال کنم به من پیشنهاد دهید. برای هر کدام: فرمول، چرا مهم است، آیا پیشرو است یا جانشین، چه رفتار نامطلوبی را ممکن است تشویق کند. از شاخص هایی که به راحتی دستکاری می شوند اجتناب کنید.
2) تفسیر کلیپ بورد:
در داشبورد KPI ناشناس پیوست شده (دوره، شاخص، مقدار، هدف) نظر دهید. 1) شاخص هایی را که کمتر از هدف هستند علامت گذاری کنید. نشانگر/عدد مناسب
3) نویز یا سیگنال:
مقادیر ناشناس KPI زیر برای 12 دوره گذشته پیوست شده است. آیا این آخرین تغییر در باند نوسان طبیعی اندیکاتور است یا روند جدیدی است؟ باند معمولی را نشان دهید (تقریباً حداقل حداکثر) و مشخص کنید که آخرین مقدار در کجای باند است. پیش بینی دقیق انجام ندهید؛ تاکید کنید که این یک حدس است.
4) علت اصلی (5 دلیل):
به من کمک کنید تا این مشکل را برای علت اصلی تجزیه و تحلیل کنم: [مشکل] تکنیک "5 چرا" را به کار ببرید: "چرا؟" را تکرار کنید. بعد از هر پاسخ بپرسید در هر مرحله از من اطلاعات اضافی بخواهید تا بتوانیم با داده های واقعی و نه فرضیات پیش برویم.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
KPI ها را به من پیشنهاد دهید.
نه شغلش مشخص است و نه هدفش. هوش مصنوعی شاخص های کلیشه ای (گردش مالی، سود) را فهرست می کند که برای همه مناسب است. محرک های واقعی کسب و کار شما را نمی شناسد.
اعلان قدرتمند:
نقش شما: مشاور عملکرد شغل من: مدیریت پشتیبانی مشتری در یک شرکت نرم افزاری شرکتی با 15 نفر. هدف من کاهش ریزش مشتری است. ۶ KPI مرتبط با این هدف را به من پیشنهاد دهید. حداقل 2 مورد از آنها باید شاخص های پیشرو باشند. فرمول و خطر دستکاری برای هر کدام را بیان کنید.
اندازه
رویکرد ضعیف
رویکرد قوی
زمینه کسب و کار
هیچ کدام
Net (مدیریت پشتیبانی)
هدف
نامشخص
کاهش ریزش
تعادل رهبر/پیرو
ناخواسته
صریحا درخواست شده است
هشدار دستکاری
هیچ کدام
بله
در دسترس بودن
پایین
بالا
اشتباهات رایج
- ردیابی تعداد زیادی KPI 30 شاخص باعث حواس پرتی می شود. 5-7 شاخص کلیدی قوی تر هستند.
- انتخاب KPIهای قابل دستکاری شاخصهایی که بهراحتی متورم میشوند، مانند «تعداد تماسها» باعث ایجاد رفتار منحرف میشوند.
- فقط به اندیکاتورهای دنباله دار نگاه کنید. شما گذشته را اندازه می گیرید، اما نمی توانید آینده را ببینید. اضافه کردن نشانگر پیشرو
- به هر نوسانی واکنش نشان می دهد. نویز را از سیگنال جدا کنید. در غیر این صورت تیم را خسته خواهید کرد.
- عدم تایید علت اصلی علت اصلی که هوش مصنوعی می یابد یک فرضیه است. باید در میدان آزمایش شود.
احتیاط: "آنچه را اندازه گیری می کنید به دست می آورید" (قانون گودارت). وقتی یک KPI به یک هدف تبدیل می شود، مردم راه هایی برای فریب دادن آن پیدا می کنند. بنابراین قبل از انتخاب یک KPI، از هوش مصنوعی بپرسید "این شاخص چه رفتار بدی را می تواند تشویق کند؟" حتما بپرس
به طور خلاصه
KPIها داشبورد کسب و کار هستند. اگر خوب انتخاب شود، مشکل را زود نشان می دهد، اگر اشتباه انتخاب شود، رفتار نامطلوب ایجاد می کند. KPIهای خوب قابل اندازه گیری، مرتبط با کسب و کار، اقدام محور و مقاوم در برابر دستکاری هستند. از شاخص های پیشرو و انتهایی با هم استفاده کنید. روی 5-7 شاخص کلیدی تمرکز کنید. هوش مصنوعی کمکی قدرتمند در انتخاب KPI، تفسیر داشبورد، تشخیص نویز-سیگنال و تجزیه و تحلیل علت اصلی است. اما هر تعبیری از انحراف و علت اصلی فرضیه است و باید در میدان بررسی شود. تصمیم با شماست
وظیفه کاربردی
KPI هایی را که در حال حاضر دنبال می کنید فهرست کنید. با الگوی «انتخاب و تقطیر KPI» در بالا، 6 توصیه شاخص کلیدی هوش مصنوعی را برای کسب و کار خود انتخاب کنید و آنها را با لیست موجود خود مقایسه کنید. سپس برای هر KPI موجود "این شاخص چه رفتار نامطلوبی را می تواند تشویق کند؟" از هوش مصنوعی بپرسید و یادداشت کنید که چگونه حداقل یک شاخص خطرناک را شناسایی کرده و آن را برطرف کنید.
چک لیست
- [ ] آیا KPI های خود را به 5-7 شاخص کلیدی تقطیر کرده ام؟
- [ ] آیا شاخص های پیشرو و انتهایی را متعادل کرده ام؟
- [ ] آیا خطر دستکاری هر KPI را زیر سوال برده ام؟
- [ ] آیا هنگام تفسیر انحراف بین نویز و سیگنال تمایز قائل شدم؟
- [ ] آیا من علت اصلی را در این زمینه تأیید کرده ام؟