这是一句老生常谈的格言:公司无法管理他们无法衡量的东西。 但人工智能的使用不仅改变了公司可以衡量的内容,也改变了他们应该管理的内容。 一些公司已经学会将人工智能与大数据相结合,以识别新的绩效指标并完善现有指标,这有助于他们就推动绩效的因素形成新的想法。
令人惊讶的是,人工智能经常颠覆关于绩效、盈利能力和增长驱动因素的传统假设。 因此,使用该技术可以帮助公司转变绩效并维持这种转变,而不仅仅是跟踪遗留指标,从而使人工智能成为绩效衡量的关键因素。 根据 BCG-MIT 2023 年全球高管人工智能调查 (该调查), 10 名受访者中有 7 名同意 更好的关键绩效指标 (KPI) 对于成功至关重要。
我们的研究表明,人工智能领导者正在使用数据和技术,例如监督和无监督机器学习或深度学习,以三种方式衡量和管理 KPI:他们利用 AI 创建新的 KPI; 他们使用人工智能优先考虑重要的 KPI; 他们通过人工智能设计的共享 KPI 提高了整个组织的一致性。
利用 AI 创建新的 KPI
尽管部署了一支数据科学家大军, 谷歌 多年来无法提高主要数字渠道的性能。 尽管 Google 收集了大量数据,但他们无法完全确定要衡量、管理和监控的关键参数,以提高客户活动的绩效。 对其数据、分析和人才没有取得进展感到沮丧, 谷歌最终转向人工智能 它开发了一种算法,向其提供所有可能的数据,并要求人工智能找出该渠道如何为客户提供更好的结果,从而提高其财务业绩。
使用无监督的机器学习技术,人工智能识别出谷歌工程师遗漏的联系、相关性和因果关系; 对新绩效指标的重要性进行排名; 并确定了最关键的问题。 工程师们从人工智能中了解到,一些被认为很重要的指标实际上并不重要。 人工智能还表明,该平台在此之前没有关注的其他指标是最重要的性能驱动因素,因此谷歌开始关注它们。 在实施人工智能的建议六个月后,这些活动看到了 性能提升 30 点。
人工智能识别重要的新颖绩效指标的能力令人印象深刻。 据调查,34% 的公司已经使用人工智能来创建新的绩效指标,其中多达 90% 的公司表示他们的 KPI 因此得到了改善。 此外,使用人工智能创建新 KPI 的公司提高运营效率的可能性是原来的两倍。 AI 设计的 KPI 还使绩效更加可预测; 这些公司表示,他们预测未来业绩的效率是那些不使用人工智能的公司的三倍
这不仅适用于精通技术的巨头,也适用于技术巨头。 人工智能也可以识别模拟中小企业中隐藏的问题,并找到跟踪和解决这些问题的方法。 例如,南美洲的一家零售商创建了一个由需求、供应、销售、仓库、卡车等时间序列数据组成的数据集。 然后,它使用无监督的人工智能模型来开发新的关键绩效指标,帮助优化其在九个国家的物流。 在最初的 90 天内,人工智能的建议使零售商的物流成本大幅下降了 14%。
利用 AI 确定 KPI 的优先级
与其他几家领先银行一样,总部位于新加坡的星展银行开始使用该技术来跟踪传统指标,例如职能关键绩效指标(KPI),每个银行都负责优化。 然而,该银行努力变得更好,早期的实验被证明是不成功的(尽管星展银行从中吸取了教训)。
三年前, 星展银行决定 采用消费者“旅程”的概念——例如为消费者提供信用卡或住房贷款的旅程——并创建了一个人工智能驱动的控制塔来跟踪所有旅程。 这样做使银行能够确定在客户体验、盈利能力、员工体验和风险水平方面推动其期望结果的最关键因素,并且最重要的是,确定其重要性的优先顺序。 星展银行将数据向其跨职能团队公开,这些团队的成员现在在优化所有四个类别的结果方面都有利害关系。 这让银行有信心利用人工智能驱动的见解做出每一个决策。 结果,星展银行的税前利润从大约 2021年达50亿美元 结束 2022 年 60 亿美元去年,《欧洲货币》和《全球金融》将其评为全球最佳银行之一。
行业变得更加复杂,公司规模也越来越大,因此确定 KPI 的优先级变得至关重要。 一个组织、其业务、国家运营、团队和员工必须追求多个目标,但 KPI 的数量可能会让许多人感到不知所措。 使用人工智能开发一套精简的 KPI,并根据每个员工的绩效目标进行精确调整,将有助于引导努力实现重要的组织目标。
KPI 本身需要关键绩效指标。 他们的效率需要定期评估,就像公司定期评估员工绩效一样。 制定这样的KPI关键绩效指标,有助于KPI简约,帮助企业更好地预测挑战,优化资源配置,更快地适应市场动态。 例如, 施耐德电气成立绩效管理办公室 既提高其性能又提高其使用的指标。
与共享 KPI 保持一致
人工智能非常适合发现 KPI 之间的重叠并解决由此产生的权衡和不一致问题。 人工智能生成的共享 KPI 可以改善组织一致性。
在医疗保健方面例如,减少招生对于降低成本很重要,也是一个关键的成果指标。 在传统医疗服务提供者组织中,首席财务官负责管理成本和报销流程,而首席医疗官 (CMO) 则强调患者的优质护理及其出院。 人工智能现在可以分析患者数据,确定再入院的根本原因,并提出有针对性的干预措施。 利用这些信息,首席财务官和首席营销官可以在确定根本原因和预测干预措施时共享“患者再入院率”KPI(越低越好),以同时改善结果并降低成本。 这种共享的 KPI 促进了整个组织的协调,如果没有人工智能驱动的模式识别,这是不可能实现的。
虽然在有限的情况下,一些公司可能会优先考虑单个北极星 KPI(例如,最大化每个客户的销售额,或最大化重复访问),但大多数公司现在都是业务生态系统的一部分,这使得使用单个指标不切实际。 重叠会产生冲突; 每个实体都会带来不同的数据集、数据流和工作流程,并且它们的优先级可能经常发生冲突。
随着不同生态系统参与者、业务部门和职能部门的目标在追求组织目标的过程中变得越来越相互交织,管理一组共享的 KPI 将提高它们的一致性。 最重要的是,它将使管理人员能够停止追逐孤立的指标,并加深对组织如何创造价值的理解。 虽然团队之间的数据共享对于交付结果是必要的,但开发一个业务案例来证明共享 KPI 的有效性将团结团队支持他们,并提高他们的绩效。
……
使用人工智能进行绩效管理的公司将能够优化现有的 KPI 并设计新的 KPI。 他们必须通过使用技术优先考虑他们所依赖的 KPI 来平衡这一点。 这样做将使首席执行官们不再通过后视镜向后看来进行管理,而是通过挡风玻璃向前看。 因此,人工智能似乎有可能开启绩效衡量的新时代以及业务绩效的新领域。
读 其他 财富 弗朗索瓦·坎德隆 (François Candelon) 的专栏。
François Candelon 是 BCG 董事总经理兼高级合伙人,以及 BCG 亨德森研究所的全球总监。 您可以通过 Candelon.Francois@bcg.com 与他联系。
Shervin Khodabandeh 是 BCG 董事总经理兼高级合伙人。
Michael Chu 是 BCG X 的合伙人兼数据科学副总监。
Gaurav Jha 是 BCG 的顾问,也是 BCG 亨德森研究所的大使。
本专栏中介绍的一些公司是 BCG 过去或现在的客户。