Streszczenie: Sztuczna inteligencja (SI) zmienia sposób, w jaki organizacje mierzą efektywność, a tym samym zarządzają swoimi działaniami. Wykorzystanie algorytmów SI pozwala na odkrywanie nowych wskaźników efektywności oraz dopasowanie działań do strategicznych celów. Dzięki narzędziom takim jak uczenie maszynowe, firmy mogą tworzyć precyzyjniejsze mierniki i wykorzystywać je do lepszego zarządzania. Współczesne organizacje coraz częściej analizują, czy ich istniejące wskaźniki rzeczywiście odzwierciedlają czynniki wzrostu i sukcesu. IBM jest przykładem firmy, która dzięki analizie predykcyjnej opracowała algorytm, który skuteczniej przewiduje, którzy pracownicy mogą odejść z firmy, a następnie rekomenduje menedżerom odpowiednie działania w celu ich zatrzymania. Działania te oparte na danych pozwalają na bardziej efektywne zarządzanie talentami i realizację celów strategicznych.
Liderzy rozumiejący znaczenie danych wykorzystują algorytmy sztucznej inteligencję do odkrywania nowych wskaźników efektywności i poprawić zgodność działań ze strategią.
Z całym szacunkiem dla Petera Druckera, nie jest już tak, że to, co mierzymy, determinuje to, czym zarządzamy. Raczej to, jak odkrywamy, co mierzyć, określa to, jak zarządzamy. W kolejnych sektorach gospodarki obserwujemy innowacyjne systemy mierzenia wyników, które prowadzą do tworzenia innowacyjnych wskaźników i nowych działań organizacyjnych, napędzających wzrost efektywności. Coraz więcej organizacji dostrzega, że benchmarking i doświadczenie kadr kierowniczych nie zawsze wystarczają do wyznaczenia najodpowiedniejszych kluczowych wskaźników efektywności (KPI). Firmy zarządzane na bazie danych identyfikują i doskonalą te wskaźniki nie tylko za sprawą mądrego przywództwa, ale też dzięki narzędziom analityki predykcyjnej takim jak uczenie maszynowe. Lepiej dostrojone mierniki prowadzą do lepszego dopasowania działań do strategicznych celów organizacji.
Coraz częściej liderzy biznesowi pytają swoje zespoły: Czy nasze mierniki w pełni odzwierciedlają to, co zapewnia zysk naszej firmie? Jak możemy wykorzystać technologię do udoskonalenia systemu pomiarowego – to znaczy tego, jak tworzymy, wyznaczamy i wykorzystujemy wskaźniki – by bardziej precyzyjnie rozróżniać czynniki wzrostu i definiować lepsze KPI? Na nowo rozważają swoje podejście do mierzenia sukcesu, rozwijania wskaźników i wzmacniania spójności organizacji.
Przykładowo, w sektorze technologicznym utrata talentów może ograniczać wzrost, zaś ich przyciąganie umożliwia go. Wobec tego rozpoznawanie źródeł rezygnacji pracowników i przeciwdziałanie im ma strategiczne znaczenie.
Przez większą część swojej długiej historii IBM opierał ocenę ryzyka rezygnacji na intuicji kierownictwa oraz danych o zasobach ludzkich. W końcu Diane Gherson, ówczesna dyrektorka ds. HR, dostrzegła, że analiza predykcyjna mogłaby efektywniej wspierać wysiłki firmy w celu utrzymania pracowników, pomagając kierownikom skupiać się na najbardziej niezbędnych talentach. Pod jej kierownictwem IBM opracował algorytm uczenia maszynowego, który bardziej dokładnie rozpoznaje pracowników szykujących się do odejścia i oferuje menedżerom rekomendacje w kwestii tego, co zrobić, żeby ich zatrzymać. Analizując dziesiątki zmiennych i miliony rekordów, algorytm generuje analizy o dokładności, z jaką czysta menedżerska intuicja nie może się równać. Kierownicy wykorzystują go do identyfikowania osób, z którymi warto porozmawiać o perspektywach rozwoju kariery i zdobycia nowych umiejętności w ramach IBM. Algorytm daje zarówno menedżerom, jak i szeregowym pracownikom wgląd w perspektywy rozwoju umiejętności i kariery, odpowiadające strategicznym potrzebom w całym portfolio IBM, w takich obszarach jak cloud computing, AI czy komputery kwantowe.
Materiał dostępny tylko dla subskrybentów
Dołącz do subskrybentów MIT Sloan Management Review Polska Premium!
Kup subskrypcję
