Wielu menedżerów, którzy chcą zgłębić arkana sztucznej inteligencji, tak by później móc wykorzystać ją w firmie, wybiera się w podróż do Doliny Krzemowej, by tam samodzielnie zaznajomić się z tą technologią i towarzyszącą jej obietnicą. „Pielgrzymki” te stały się tak powszechne, że zaczęto już nawet organizować wycieczki tematyczne, by ułatwić odwiedzającym dostęp do innowacyjnych start‑upów. Po powrocie menedżerowie podekscytowani pozytywną atmosferą innowacyjnej przedsiębiorczości, zdobywszy podstawową wiedzę na temat algorytmów, wszyscy jak jeden mąż chcą jednego – określić, które produkty, usługi i procesy można wzmocnić dzięki AI, tak by podnieść ich konkurencyjność. Dążenie to oparte jest na przekonaniu, że kluczem do sukcesu jest stworzenie ogólnej strategii skoncentrowanej na wprowadzaniu rozwiązań AI.
Przekonanie to – choć zbudowane na gruncie dobrych intencji – nie znajduje jednak potwierdzenia w rzeczywistości. Strategia zakładająca rozwój AI nie wystarczy. Równie ważne – jeżeli nie ważniejsze – jest tworzenie strategii zakładającej wykorzystanie AI. To rozróżnienie nie sprowadza się tylko do zabawy słowami; pokazuje, jaką rolę pełnią w firmach innowacje oparte na algorytmach. Sukces w świecie rzeczywistym wymaga, by strategie te uzupełniały się i były współzależne. Strategie zakładające rozwój nowych możliwości wymagają innych umiejętności menedżerskich i akcentowania innych zadań aniżeli strategie, które zakładają wykorzystywanie tych możliwości.
Pionierzy uczenia maszynowego – kojarzeni często z takimi firmami, jak: Amazon, Google, Alibaba czy Netflix – zauważyli, że rozdzielanie strategii, w którą wpisane jest wdrażanie rewolucyjnych rozwiązań, od strategii, które już zakładają ich wykorzystanie, zawsze prowadzi do uszczuplenia przychodów i do niespójności. Nie przez przypadek organizacje te opierają swoje działanie na danych i analizach. Ich liderzy, definiując, komunikując i wprowadzając w życie strategie, zawsze odwołują się do mierników. Uzależnienie od mierników ilościowych rosło wraz z ich inwestycjami w AI.
Wyniki naszych badań sugerują, że w czasach uczenia maszynowego strategię przedsiębiorstwa wyrażają kluczowe wskaźniki efektywności (KPI), które kierownictwo chciałoby zoptymalizować. (Zobacz ramkę O badaniu). Wskaźniki te mogą dotyczyć klientów lub kosztów, procesów lub inwestorów. Organizacje wykorzystują te mierniki, by generować wartość, wyostrzać obraz odpowiedzialności, a także wzmacniać przewagę konkurencyjną. Krótko mówiąc, zespoły przywódcze, które nie potrafią jasno wskazać strategicznych portfeli KPI i uzasadnić ich wyboru, tak naprawdę nie mają żadnej strategii.
Na rynkach, które są wypełnione danymi, urządzeniami cyfrowymi i algorytmami, AI odgrywa kluczową rolę w ustaleniu, jakie KPI należy wybrać, jak dokonywać pomiaru i jak najlepiej je optymalizować. Optymalizacja starannie dobranych KPI staje się strategicznym celem AI. Zrozumienie, jakie korzyści biznesowe płyną z tej optymalizacji, ogromnie ułatwia dostosowywanie obu rodzajów strategii (tych zakładających wprowadzenie sztucznej inteligencji oraz przewidujących jej wykorzystanie) do uczenia maszynowego oraz integrowanie tych procesów. KPI wymuszają odpowiedzialność za optymalizację aspiracji strategicznych. Strategiczne KPI to właśnie te wskaźniki, które inteligentne komputery uczą się optymalizować. Możemy to zauważyć w przypadku takich kolosów, jak: Amazon, Alibaba, Facebook, Uber, a także wielu tradycyjnych przedsiębiorstw, które dążą do transformacji cyfrowej.
Zasady te mają ogromne, wręcz rewolucyjne, znaczenie. Kiedy „odpowiedzialna optymalizacja” stanie się standardem biznesowym, możliwym dzięki sztucznej inteligencji, nie będzie już innej drogi, jak tylko wprowadzić nadzór, który również stanie się możliwy dzięki analizie danych. Całe zarządy i wszyscy menedżerowie wyższego szczebla będą w większym stopniu zobowiązani do tłumaczenia udziałowcom i innym interesariuszom, które KPI mają największe znaczenie i dlaczego. Zdolność przeprowadzania transformacji zmienia też zakres obowiązków. Jesteście tym, co mówią o was wasze KPI.
PODSTAWOWE PYTANIE
Jak tworzyć strategię zakładającą wykorzystanie AI? >W pierwszej kolejności organizacje muszą uświadomić sobie, że ich portfel kluczowych wskaźników efektywności (KPI) obrazuje ich strategię.
Wtedy są w stanie wykorzystać aplikacje uczenia maszynowego, by wybrać mierniki i zoptymalizować KPI.
Muszą traktować swoje dane jako zasób, gdyż to pomaga poprawiać wyniki KPI, a także usprawnia uczenie maszynowe.
Wzajemne uzupełnianie się
Historia zna już podobne przypadki – łączenie strategii zakładającej wprowadzanie jakichś rozwiązań ze strategią zorientowaną na ich wykorzystanie nie zaczęło się w dobie AI oraz uczenia maszynowego. Standard Oil, firma Johna D. Rockefellera, zdominował na przykład rynek przetwórstwa ropy naftowej nie tylko dlatego, że miał efektywną strategię nastawioną na robienie biznesu z wykorzystaniem rodzących się możliwości branży kolejowej, ale ponieważ uczestniczył też w tworzeniu tych możliwości – w tym wypadku logistycznych – tak by kształtowały jego szerszą strategię. Dzięki bezwzględnemu wykorzystaniu efektu skali, a także dzięki kupowaniu i projektowaniu cystern do przewozu paliw płynnych, Standard Oil regularnie odnotowywał ponadprzeciętnie wysokie przychody, które generowała szybko rozbudowująca się infrastrukturaIndeks górny 11.
Można również przytoczyć fakty z mniej odległej przeszłości. Wcale nie tak dawno temu najwięksi gracze rynkowi zdali sobie sprawę z pilnej potrzeby stworzenia strategii obliczonej na zagospodarowanie internetu po to, by skutecznie rywalizować z nowymi, niezwykle konkurencyjnymi start‑upami, które powstały już jako organizacje cyfrowe. Firmy te odkryły, że wcześniej czy później ich strategie stawiające na wprowadzanie rozwiązań, które pozwalają działać w internecie, będą uzależnione od sukcesu ich strategii zakładających funkcjonowanie w cyberprzestrzeni. Na przykład detaliści realizują zazwyczaj strategię wielokanałową z użyciem internetu, tak by konkurować w obszarze doświadczeń klienta. Mogą na przykład rozpocząć od budowania solidnych relacji z osobami kupującymi w sklepie internetowym, ale kiedy ci sami klienci wybierają się już do sklepów tradycyjnych, aplikacja geolokalizacyjna powiadamia sklep o ich bliskim przybyciu. Personel jest wtedy uprzedzony o potrzebie jak najsprawniejszego obsłużenia klienta. Doświadczenie bezproblemowej obsługi jest konsekwencją połączenia obu strategii – tej zakładającej rozwój rozwiązań, jakie daje internet, i tej nastawionej na ich wykorzystanie.
Tworzenie strategii przedsiębiorstwa obliczonej na stworzenie lub wprowadzenie jakiegoś rozwiązania pod względem organizacyjnym, kulturowym lub operacyjnym jest czymś innym niż tworzenie strategii zakładającej istnienie już tego rozwiązania. Działania te są komplementarne. Strategia zakładająca wprowadzenie w firmie zasad zrównoważonego rozwoju (na przykład przez zmniejszenie śladu węglowego czy ograniczenie ilości produkowanych odpadów) nie powinna istnieć w oderwaniu od posiadania ogólnej strategii, zakładającej działanie w duchu zrównoważonego rozwoju, tak by firma mogła prosperować w zdrowym środowisku. Podobnie strategii nastawionej na rozwój AI nie należy traktować jako substytutu strategii zakładającej już wykorzystanie tych możliwości.
Gdzie kryją się szanse
Cóż więc w praktyce oznacza strategia zakładająca wykorzystanie możliwości sztucznej inteligencji? Tak jak każda strategia biznesowa jest wyrazem dążeń kierownictwa, które przejawiają się w położeniu na coś nacisku lub w nadaniu czemuś priorytetu w jakimś okresie. Strategie tłumaczą, jak i dlaczego organizacje spodziewają się odnieść sukces na wybranym przez siebie rynku. Aspiracje te mogą dotyczyć na przykład poprawy doświadczeń klienta lub jego satysfakcji, przyspieszenia wzrostu firmy lub pomnożenia jej zyskowności, powiększenia udziału w rynku lub zawarcia szybkiego partnerstwa z liderem jakiegoś rozwiązania (fast‑fellowship), zwłaszcza wtedy, kiedy konkurencja zaczyna wyprzedzać firmę pod względem innowacyjności.
Bez względu na przyjętą strategię praktycznie wszystkie organizacje odwołują się do podobnych mierników, by opisać i zakomunikować najważniejsze cele. Mierniki te – czy to będą KPI, czy cele i kluczowe wyniki (OKR), czy wreszcie strategiczna karta wyników (Balanced Scorecard) – mówią, jak organizacje zamierzają wykorzystać kapitał ludzki oraz algorytmy. W firmach giełdowych KPI zwykle tworzy się z poszanowaniem oczekiwań inwestorów, wskaźniki te są też ich wyrazem; w funduszach private equity strategiczne KPI mogą być obliczone na maksymalizację ceny sprzedaży lub na ułatwienie debiutu giełdowego. Systemy oparte na danych, uzbrojone w algorytmy uczenia maszynowego, przekładają te aspiracje na język komputerów. Światowe firmy nie mogą już poważnie mówić o optymalizacji strategicznych KPI bez uwzględnienia uczenia maszynowego (ML).
Na przykład Uber posiada setki modeli ML i wykorzystuje je do optymalizacji swojej platformy przewozu osób i dowozu jedzenia. Uber poczynił ogromne inwestycje w rozwój tego typu możliwości, a także w implementację uczenia maszynowego. Niezależnie od tego, jaką liczbą samochodów na telefon firma dysponuje w danym momencie, jej konkurencyjność uzależniona jest od zdolności do precyzyjnego określenia klientowi i kierowcy oraz podania czasu przybycia na miejsce (estimated time of arrival – ETA).
„Precyzyjne podanie ETA jest niezbędne dla zachowania pozytywnego doświadczenia użytkownika – zauważa Jeremy Hermann, który kieruje platformą uczenia maszynowego w Uberze. – Mierniki te są wprowadzone do gęstej sieci wewnętrznych systemów, żeby pomóc w określeniu najlepszej ceny i trasy. Uzyskanie precyzyjnego ETA jest jednak niezwykle trudne”Indeks górny 22.
Tymczasem to właśnie od precyzyjnego wyliczenia ETA zależy bardzo dużo istotnych zmiennych – oczekiwania pasażera i kierowcy, taryfy, moment odbioru zamówionego jedzenia i dostarczenia na miejsce. Z tego powodu ETA stało się dla Ubera najważniejszym miernikiem. Hermann zauważa, że „zespół Ubera ds. Map Services stworzył zaawansowany system wyznaczania trasy segment po segmencie, by wyliczyć bazowe wartości ETA. Bazowe ETA mają podobny układ występowania błędów. Zespół Map Services odkrył, że można wykorzystać model uczenia maszynowego
do przewidywania tych błędów, a następnie wykorzystać tę wiedzę do wprowadzania poprawek. Kiedy ten model był wprowadzany – najpierw w poszczególnych miastach, a potem globalnie… – zauważyliśmy zdecydowaną poprawę w dokładności ETA, a w niektórych wypadkach zanotowano obniżenie liczby błędów ETA o ponad 50%”Indeks górny 33.
Zadowolenie się efektywnością modeli uczenia maszynowego oraz tym, że można je skalować globalnie, jest jednak wyrazem niezrozumienia szerszego problemu. Uber nie może zrealizować ani operacyjnych, ani strategicznych aspiracji bez zdolności do bezbłędnego wyboru KPI związanych z ETA. Chaos w komunikowaniu ETA może zaszkodzić reputacji Ubera jako „niedrogiego” czy „najlepszego” przewoźnika/dostawcy. Zmiany techniczne, organizacyjne czy operacyjne, które mogłyby zagrozić wynikom ETA, przyniosą skutek odwrotny od zamierzonego. Uber musi marginalizować lub minimalizować KPI, które mogłyby wejść w konflikt lub konkurować z dokładnym prognozowaniem ETA.
Ustalenie, do jakich wskaźników przywiązywać mniejszą wagę, jest bardzo istotne, co potwierdzą słowa Michaela Portera z Harvard Business School: „Esencją strategii jest decyzja, czego się nie będzie robiło”Indeks górny 44. Po ustawieniu barier ochronnych wykrycie i zminimalizowanie niepożądanych konsekwencji staje się równie ważne jak dążenie do rezultatów, na których nam zależy. Płynie z tego ważny wniosek: ustalenie priorytetów dla mierników KPI – czyli uporządkowanie ich zgodnie z tym, co jest dla firmy najważniejsze i co musi ona najlepiej opanować – ma dla strategii fundamentalne znaczenie. W świecie wielkich zbiorów danych strategią firmy jest jej system pomiarowy.
Stworzenie optymalnego „miksu mierników” dla najważniejszych interesariuszy w firmie staje się imperatywem kierownictwa. Czy na przykład lepiej optymalizować skoncentrowane na kliencie strategie za pomocą wskaźnika określającego wartość klienta w całej jego relacji z firmą (customer lifetime value – CLV), czy na podstawie zrównoważonej kombinacji danych z EBITDA, a może na podstawie wskaźnika rekomendacji netto (net promotor score – NPS)? W których segmentach klientów zyskowność powinna być stawiana przed satysfakcją czy lojalnością? Wraz z rozwojem algorytmów liderzy muszą mieć odwagę zbadać, jak najlepiej odpowiedzieć na te pytania. Dzięki sztucznej inteligencji jest to wykonalne, przystępne cenowo i pożądaneIndeks górny 55.
Nakaz optymalizacji, jak wynika z naszych badań, wymaga, aby skrupulatnie przemyśleć, jakie mierniki najlepiej wybrać do zdefiniowania pożądanych (i niepożądanych) rezultatów strategicznych. Kiedy uczenie maszynowe dokonuje pomiaru zarządzania i zarazem zarządza pomiarem, wówczas mierniki nie tylko odzwierciedlają strategię, ale również stają się jej motorem. Osiąganie założonych wartości KPI (i wskazywanie na nowe wskaźniki KPI) jest zadaniem, które muszą wykonać inteligentne maszyny – i muszą się tego nauczyć.
AI przydaje się nie tylko do budowania produktów, usług czy procesów. Liderzy muszą dostrzec, że AI powinna w pierwszej kolejności być wykorzystana jako narzędzie do formułowania i realizacji strategii. Wskaźniki KPI są do tego stopnia istotne dla formułowania i komunikowania strategii, że strategia jest w istocie systemem pomiarowym. Nasze badania pokazują, że AI zmienia wybory strategów dotyczące tego, które KPI optymalizować i jak to robić. Strategia polega na optymalizowaniu wskaźników KPI przy użyciu AI/ML.
SKĄD WIADOMO, CO OPTYMALIZOWAĆ
Optymalizowanie znanych KPI jest ważne, ale nie jest jeszcze strategicznie wystarczające. Modele uczenia maszynowego, po odpowiednim przeszkoleniu, mogą wytropić i zarekomendować KPI, które są zupełnie nowe lub dopiero zyskują na znaczeniu. Oznacza to, że maszyny mogą „nauczyć się samodzielnie odkrywać” istotne dla firmy wskaźniki KPI, i to bez potrzeby nadzoru ze strony eksperta. Na tym polega różnica pomiędzy uczeniem się w warunkach nadzoru i bez niego. Glenn Thomas, szef marketingu w GE Heathcare, tłumaczy, że jego zespoły ds. analizy danych „wyłuskują KPI z danych, zamiast ustalać (arbitralnie), co ma być mierzone”. Chociaż Thomas odmawia ujawnienia, jakie istotne KPI wyłuskano w ten sposób, trudno przeoczyć jeden ważny, zakrawający na ironię, fakt: Thomas i jego zespół ds. marketingu/analizy danych w coraz większym stopniu korzystają z uczenia maszynowego, by znaleźć KPI, których być może nigdy by samodzielnie nie odkryli. W obszarze marketingu, promocji, interakcji oraz w obszarach polegających na angażowaniu klientów technologia może wyjść poza „uczenie się, jak zoptymalizować” i może wręcz zacząć wskazywać, co można i co powinno się optymalizować.
Spojrzenie wynikowe i kierunkowe
Uczenie maszynowe gruntownie zmienia podejście do optymalizacji wskaźników KPI kierunkowych (leading) i wynikowych (lagging). McDonald’s ma wieloczęściowy plan wzrostu, który łączy w sobie oba rodzaje wskaźników. Głównym strategicznym dążeniem firmy jest to,
by jej restauracje stały się na powrót wyborem dla rodzin, ponieważ będą odpowiadały wymaganiom rodziców. Wskaźnik wynikowy to wzrost liczby wizyt rodzinnych z dziećmi poniżej 13. roku życia, natomiast kierunkowy związany jest z wszelkimi sygnałami mówiącymi, że McDonald’s staje się „supermiejscem, do którego chętnie przyprowadzę swoje dzieci”, mówi Silvia Lagnado, dyrektor ds. marketingu na skalę globalną.
Dokonanie wiarygodnego pomiaru, czy restauracja jest „supermiejscem, do którego chętnie przyprowadzę dzieci”, jest metodologicznie trudne. Ankiety prowadzone wśród klientów są ograniczone tylko do tej grupy, która je wypełnia, co samo w sobie jest już źródłem pewnego wypaczenia. Analiza odczuć dostępna dzięki uczeniu maszynowemu ma już większy stopień wiarygodności – może analizować duże zasoby danych pochodzących z Twittera, które posiadają informację o geolokalizacji, oraz inne dane, które korelują zamożność okolicy z komentarzami na temat lokalizacji restauracji szybkiej obsługi. Pewna grupa badaczy z University of Utah stworzyła model takiej aplikacji uczenia maszynowegoIndeks górny 66. Tego rodzaju podejście oparte na miksach danych i na uczeniu maszynowym staje się standardową praktyką wykorzystywaną w badaniach akademickich i biznesowych.
Dzięki uczeniu maszynowemu McDonald’s jest w stanie efektywniej realizować najważniejsze KPI. Marketingowcy stawiający na promocje w placówce sprzedażowej z reklamą skierowaną do rodzin i odpowiednią ofertą menu mogą zwiększyć częstotliwość odwiedzania tych restauracji przez rodziny, ale nie uda im się to, jeżeli te promocje będą irytujące dla rodziców. Maksymalizacja sprzedaży czy przychodów nie może odbywać się takim kosztem. Optymalizacja oznacza znalezienie złotego środka między tymi dwoma miernikami. Tego właśnie muszą się nauczyć maszyny, żeby wypełnić swoje zadanie.
Nieprzypadkowo w marcu 2019 roku McDonald’s ogłosił nabycie za kwotę 300 milionów dolarów izraelskiej spółki Dynamic Yield, która wykorzystuje uczenie maszynowe oraz wielkie bazy danych do tworzenia spersonalizowanych rekomendacji. McDonald’s mówi, że dąży do wykorzystania narzędzi tej firmy, żeby uwzględnić doświadczenia klientów barów dla zmotoryzowanych (drive‑thru) przy projektowaniu dynamicznych cyfrowych tablic z menu, które będą rekomendowały potrawy dostosowane do lokalnej struktury demograficznej, do wcześniejszych zamówień, pogody czy też pory dnia.
GoDaddy, firma hostingowa o miliardowych obrotach, która jest innowatorem w obszarze rejestracji domen internetowych, także zajął się swoimi kierunkowymi, jak również wynikowymi KPI opartymi na danych. Od 2016 roku wartość rynkowa GoDaddy, firmy z siedzibą w Scottsdale w stanie Arizona, wzrosła ponad 2,5 razy w sporej mierze dzięki swojemu zaangażowaniu w strategiczne KPI oraz w uczenie maszynowe. „Jesteśmy bardzo podekscytowani perspektywą wykorzystania wielkich zasobów danych, którymi dysponujemy – mówi Andrew Low Ah Kee, dyrektor ds. operacyjnych w GoDaddy. – Chcemy na ich podstawie stworzyć model, który pozwoli nam znaleźć rozwiązanie i zoptymalizować wartość klienta w czasie jego całej relacji z firmą (CLV), a nie tylko szukać rozwiązań dla podnoszenia przychodów w poszczególnych okresach rozliczeniowych”Indeks górny 77.
Low Ah Kee mówi to, wiedząc, że obowiązek wyboru horyzontów czasowych i „funkcji celu” do optymalizacji należy do kierownictwa firmy. „Koncentracja GoDaddy na wskaźniku CLV, czyli na wartości klienta w czasie całej relacji z firmą, (który oprócz uwzględnienia dotychczasowych zachowań zakupowych przewiduje przyszłe przychody, koszty oraz lojalność) ogranicza myślenie w kategoriach krótkookresowych oraz zagrożenia związane z jakością doświadczeń klienta – twierdzi Andrew Low Ah Kee. – Zauważamy, że wśród firm, którym pomagamy odnieść sukces, wartość wskaźnika CLV jest o wiele wyższa aniżeli w grupie klientów, do których stosujemy podejście czysto transakcyjne. Poszerzając horyzont czasowy, dostrzegam, że rozdźwięk pomiędzy strategicznymi celami a bieżącymi działaniami firm zmniejsza się”. Koncentrując się na doraźnej taktyce, ryzykujemy zaniedbanie realizacji celu długookresowego.
Zawieranie rozsądnych kompromisów
Mówimy, że strategię firmy można najlepiej poznać i ocenić po tym, jak firma inwestuje we wskaźniki KPI, jak nimi zarządza, a także jakie przypisuje im priorytety. Wskaźniki KPI oraz relacje między nimi są najważniejszymi strategicznymi faktami podlegającymi analizie. O sukcesie strategicznym można mówić wtedy, kiedy aplikacje uczą się optymalizować składniki portfela KPI.
Trzeba jednak jasno powiedzieć, że w tym kontekście optymalizacja nie oznacza maksymalizacji. Wręcz przeciwnie, oznacza uczenie się z pomocą komputera, którędy należy pójść, by osiągnąć strategiczne wyniki, dokonując ostrożnych i wyważonych kompromisów w obrębie KPI. Istotną sprawą jest tu zrozumienie różnicy między KPI, które ze sobą konkurują, a tymi, które są względem siebie komplementarne. Sama optymalizacja pojedynczych KPI według priorytetów lub według rangi zasłania fakt ich ukrytej współzależności. W każdym portfelu KPI określenie i obliczenie najlepszego sposobu ważenia i równoważenia poszczególnych KPI staje się wyzwaniem w dążeniu do strategicznej optymalizacji (zobacz ramkę Kluczowe wskaźniki efektywności a strategia etyczna).
KLUCZOWE WSKAŹNIKI EFEKTYWNOŚCI A STRATEGIA ETYCZNA
YouTube, należący do Google’a, w ostatnich dwóch latach wprowadził dwa nowe wewnętrzne mierniki służące do mierzenia oglądalności filmików, jak mówią osoby wtajemniczone w plany tej firmy. Jeden z tych mierników śledzi łączny czas, jaki ludzie spędzają na YouTubie, zaliczając do tego czasu zamieszczanie i czytanie komentarzy (a nie tylko oglądanie filmików). Drugi miernik nosi nazwę „quality watch time”, czyli czas poświęcony na uważne oglądanie, który jest bardziej miękkim miernikiem, stworzonym ze szlachetnych pobudek: żeby znaleźć treści bardziej konstruktywne od tych, których jedynym celem jest utrzymanie ludzi z oczami przyklejonymi do wyświetlaczy telefonów. Zmiany te mają promować nagrania znacznie ciekawsze zarówno dla reklamodawców, jak i dla szerszej publiczności; mają też pomóc YouTube’owi złagodzić głosy krytyki, mówiące, że jest to serwis uzależniający i szkodliwy społecznie. Stworzenie skutecznego miernika mogłoby pomóc zmarginalizować nagrania oceniane jako niewłaściwe lub cieszące się popularnością u publiczności o skrajnych poglądach, która – choć stanowi mniejszość – jest bardzo aktywna. Mogłoby to też pomóc YouTube’owi odkupić wcześniejsze winy, wynikłe z niezdolności do powstrzymania użytkowników od rozprzestrzeniania toksycznych treści.
Wraz z rozwojem algorytmicznych modeli uczenia maszynowego do „zarządzania przychodami”, wykorzystywanych w liniach lotniczych, hotelach czy innych firmach związanych z turystyką, rosną też strategiczne wyzwania: Jak można zoptymalizować KPI odpowiedzialne za wzrost przychodów w kontekście KPI związanych z satysfakcją klienta i wskaźnikiem NPS? Czy lojalni klienci powinni otrzymywać lepsze ceny lub oferty aniżeli zwykli klienci? Uczenie algorytmu pod kątem optymalizacji dla „najlepszych klientów” wymaga innego zestawu danych i oczekiwań aniżeli uczenie go pod kątem optymalizacji dla typowych lub przeciętnych klientów. Jak wygląda optymalna równowaga pomiędzy lojalnymi klientami a zwrotem z aktywów? Inteligentne maszyny mogą nauczyć się wyznaczać taki złoty środek, ale przedwczesne minimalizowanie w tym procesie merytorycznego i nadzorczego udziału człowieka wydaje się nieroztropne.
Podobnie osoby, które często posługują się algorytmami przy podejmowaniu decyzji maklerskich, mogą chcieć maksymalnie zwiększyć częstotliwość zyskownych transakcji i/lub maksymalnie pomnożyć zysk osiągany w ciągu godziny, dnia czy tygodnia. Ale jednocześnie mogą dążyć też do unikania lub minimalizowania ryzyka interwencji organów regulacyjnych. Jeden KPI maksymalizuje zyski („zysk na transakcję” lub „zysk na strategię tradingową”), podczas gdy inne sygnalizują, że sposób prowadzenia transakcji nie niesie zagrożenia wkroczenia do firmy audytorów z zewnątrz. I w tym wypadku inteligentne maszyny będą w stanie nauczyć się wyznaczać złoty środek. Będą dążyć do odpowiedzi na pytanie, jaki poziom ryzyka jest do zaakceptowania nie dla traderów, tylko dla regulatorów rynku.
W zasadzie każda organizacja spotyka się z podobnym konfliktem priorytetów strategicznych. Nie istnieje jedna właściwa odpowiedź, jak te konflikty rozwiązywać. Ale i tak niektóre KPI przynoszą ponadprzeciętną wartość oraz wiedzę, pomagając kierownictwu przedsiębiorstwa w skuteczniejszej – lub bardziej optymalnej – realizacji celów strategicznych. Do zważenia wpływu tych mierników znakomicie nadają się aplikacje służące do uczenia maszynowego. Pomagają zgrać optymalne wyniki w skali lokalnej i globalnej. W rezultacie bez ML/AI nie można mówić o żadnej rzeczowej dyskusji na temat „optymalnych” strategicznych kompromisów w portfelu KPI.
Pierwszoplanowa rola danych
Nie istnieje strategia organizacyjna obliczona na rozwój czy na wykorzystanie AI bez strategii obliczonej na pozyskanie i wykorzystanie danych. Są one niezbędnym składnikiem potrzebnym do uczenia maszynowego i do dynamicznej optymalizacji. Jak można stwierdzić na przykładzie Ubera (optymalizacja strategicznych KPI dla ETA), McDonald’s (zadowolone rodziny) czy GoDaddy (CLV) – wszystkie te korzyści są uzależnione od ilości, aktualności, różnorodności oraz jakości danych.
Kluczową kwestią jest więc zarządzanie danymi. Organizacje muszą inwestować w badania pozwalające określić, które dane mogą im pomóc w poprawieniu wyników KPI oraz które dane pomogą ich maszynom w uczeniu się. Procesy i platformy cyfrowe, które łączą w sobie i analizują dane – zarówno te schowane w silosach, jak i rozproszone – wzmacniają sztuczną inteligencję organizacji.
Nie tylko technologiczni giganci, ale także coraz więcej firm tradycyjnych dostrzega wartość przekrojowych strategii i praktyk związanych z danymi. Traktują dane jako zasób i nikt nie robi już z tego tajemnicy ani nie zamierza się z tego wycofywać. Podejście to –
podobnie jak zaawansowanie technologiczne tych firm – plasuje je zarówno operacyjnie, jak i kulturowo w biznesowej ekstraklasie.
Zatrudniają dyrektorów ds. danych, specjalistów ds. danych, ekspertów specjalizujących się w przetwarzaniu, ekstrakcji i czyszczeniu danych (data wranglers), pilnując przy tym, by zarówno zatrudnione osoby, jak i procesy wyciskały z danych korzyści. Coraz częściej duża część tych korzyści jest rezultatem tego, jak szybko, precyzyjnie i poprawnie dane te przyczyniają się do uczenia komputerów.
Niestety, wciąż nie udaje się osiągnąć dokładnego i jednoznacznego zgrania między korporacyjnym zarządzaniem danymi a strategicznymi inicjatywami związanymi z AI. Niedawno „Forbes Insights” opublikował wyniki badania przeprowadzonego wśród dyrektorów ds. doświadczeń klienta (CXO) na temat AI i ML – trzech na czterech dyrektorów określiło AI jako główny komponent ich planowanej transformacji cyfrowej. Zaledwie jednak 11% badanych dyrektorów przyznało, że ich przedsiębiorstwa rozpoczęły wdrażanie powszechnej strategii cyfryzacji, a jedynie 2% potwierdziło, że wprowadzono u nich poważny proces „zarządzania danymi” (data governance)Indeks górny 88.
Wnioski te, niestety, potwierdzające też nasze wyniki, wskazują, że udane i zrównoważone wdrożenia strategii optymalizacji z pomocą sztucznej inteligencji i uczenia maszynowego będą możliwe dopiero wtedy, kiedy dane zacznie się traktować otwarcie jako zasób. Aby uruchomić skuteczne platformy do uczenia maszynowego oraz związane z nimi procesy, organizacje powinny najpierw stworzyć skuteczne platformy danych i efektywne procesy. Jak na ironię (i to delikatnie mówiąc) liczne firmy dysponujące ogromnymi ilościami danych – które są aktualne, istotne i cenne z punktu widzenia strategicznej celów AI – ze względu na brak zainteresowania i kompetencji w ogóle ich nie wykorzystują. Ich dane nie wpływają na portfel KPI ani na strategię firmy. Brak zainteresowania strategicznymi KPI lub niezdolność do ich wykorzystania w celu ustalenia priorytetów czy dostosowania zasobów danych do wyników strategicznych w dalszej konsekwencji podkopuje ich cele związane z rozwojem AI. Zaniedbania te sprawiają, że strategie zarówno zorientowane na wprowadzenie, jak i na wykorzystywanie AI stają się niemożliwe do zrealizowania.
JAK NIEGDYŚ koleje Rockefellera i internet, tak dziś sztuczna inteligencja i uczenie maszynowe prezentują ogromny potencjał strategiczny. Obliczeniowo zmieniają ekonomię optymalizacji w biznesie. Technologie te, odpowiednio zaprojektowane i wykorzystane, mogą dosłownie nauczyć się, jak tworzyć większą wartość dla większej liczby klientów, robiąc to szybciej i taniej. Strategia zakładająca rozwój AI ma mniejsze znaczenie niż to, żeby jasno przedstawić strategiczne aspiracje, cele czy wyniki, które liderzy chcieliby zoptymalizować. Uczenie maszynowe, tak jak transport czy (tele)komunikacja, jest środkiem do osiągnięcia jakiegoś celu. Co ma zostać przetransportowane? Co ma zostać przekazane środkami telekomunikacyjnymi? Co ma zostać zoptymalizowane? Sztuczna inteligencja i uczenie maszynowe mogą, z założenia i w praktyce, udzielić nam praktycznych odpowiedzi na te pytania. Prawdziwą jednak szansą strategiczną i korzyścią płynącą z tych udogodnień technologicznych jest możliwość ponownego przemyślenia istniejących rozwiązań i zmiany sposobów optymalizowania wartości dla siebie i klientów.
O BADANIU: Podczas pisania artykułu uwzględniliśmy wyniki badań przeprowadzonych w 2018 roku na próbie badawczej złożonej z 3225 dyrektorów, menedżerów i analityków pracujących w firmach działających w 107 krajach. Firmy te reprezentowały 20 branż. Dodatkowo przeprowadziliśmy trzydziesto- i sześćdziesięciominutowe wywiady z 17 menedżerami i pracownikami naukowymi na temat roli wskaźników KPI jako narzędzia w rękach liderów. Niektóre wyniki tego badania zostały opublikowane już w 2018 roku w „MIT SMR”, w raporcie zatytułowanym Leading With Next‑Generation Key Performance Indicators. W tym artykule szerzej opisujemy, jak uczenie maszynowe i sztuczna inteligencja wpływają zarówno na identyfikację, jak i na optymalizację mierników strategicznych
Przypisy:
1. W rzeczywistości uzyskanie przez Rockefellera rabatu na kolej okazało się ważnym źródłem przewagi konkurencyjnej. Ostatecznie rabat ten został uznany za nieuczciwy przywilej względem pozostałych konkurentów i przyczynił się do podziału Standard Oil. Patrz D.A. Crane, Were Standard Oil’s Railroad Rebates and Drawbacks Cost Justified?, „Southern California Law Review” 85, nr 3 (marzec 2012): 559‑572.
2. J. Hermann i M. Del Balso, Scaling Machine Learning at Uber With Michelangelo, Uber Engineering, listopad 2, 2018, https://eng.uber.com.
3. Ibid.
4. M.E. Porter, What Is Strategy?, „Harvard Business Review” 74, nr 6 (listopad‑grudzień, 1996): 61‑78.
5. Patrz na przykład: A. Agrawal, J. Gans, A. Goldfarb, Prediction Machines: The Simple Economics of Artificial Intelligence (Boston: Harvard Business Review Press, 2018).
6. Q.C. Nguyen, D. Li, H.W. Meng i in., Building a National Neighborhood Dataset From Geotagged Twitter Data for Indicators of Happiness, Diet, and Physical Activity, JMIR Public Health Surveillance, nr 2 (październik 17, 2016): e158
7. Więcej informacji na temat tego, jak McDonald’s, GoDaddy i inni wykorzystują uczenie maszynowe w celu optymalizacji KPI, znajdziesz: M. Schrage, D. Kiron, Leading With Next‑Generation Key Performance Indicators, www.sloanreview.mit.edu, czerwiec 26, 2018.
8. Closing the Corporate Gap on AI, Forbes Insights, wrzesień 21, 2018.
