top of page

La IA está ayudando a las empresas a redefinir, no solo a mejorar, el rendimiento.

Actualizado: 9 jun 2023

La investigación sobre el uso de la inteligencia artificial por parte de las organizaciones revela cómo pueden aplicar la tecnología para redefinir la medición estratégica y los KPI.


La medición del rendimiento ha sido un imperativo de la alta dirección desde que el trabajo seminal de Frederick Winslow Taylor, "Principios de la gestión científica", revolucionó los procesos empresariales hace más de un siglo. El cronómetro de Taylor, implacablemente desplegado para monitorear y maximizar la productividad de los trabajadores, se convirtió en un símbolo controvertido del análisis de desempeño. Más recientemente, el propósito de medir el desempeño se ha expandido mucho más allá de la eficiencia y ahora incluye la optimización estratégica de una variedad de funciones y resultados comerciales.


Gracias a las mejoras radicales en inteligencia artificial, el propósito y la práctica de la medición se están expandiendo aún más. Los ejecutivos están trabajando con máquinas para desarrollar nuevas perspectivas sobre lo que impulsa el rendimiento y cuál es la mejor manera de medirlo. Así como el Telescopio Espacial James Webb de la NASA ha anulado la comprensión del universo de los astrónomos al observarlo con un alcance y una potencia sin igual, la IA está anulando la comprensión del rendimiento de las organizaciones.


Cada vez más, las organizaciones combinan IA con datos de desempeño para generar y refinar indicadores clave de desempeño, con y sin intervención humana. Nuestras conversaciones con los principales investigadores y profesionales de la IA sugieren firmemente que los equipos de liderazgo más efectivos del mañana utilizarán los KPI no solo para monitorear el éxito empresarial, sino también para redefinirlo e impulsarlo.


Avinash Kaushik, director de estrategia de la agencia de marketing digital Croud, anteriormente fue director sénior de análisis estratégico global en Google, donde, al estilo de Webb, el aprendizaje automático ayudó a su equipo a reimaginar las posibilidades de la medición del rendimiento. Explica que Google usó IA para identificar nuevos parámetros de alto rendimiento que mejoraron en gran medida las inversiones de marketing sustanciales pero de bajo rendimiento del gigante tecnológico en un canal digital principal.


Cada vez más, las organizaciones combinan IA con datos de rendimiento para generar y refinar KPI, con y sin intervención humana.

El pensamiento en ese momento recuerda Kaushik, era que “mucha gente obtiene muy buenos resultados en un canal digital principal, pero no nosotros. Y estamos gastando mucho dinero. Y tenemos montones de informes y segmentos y estadísticas de todo tipo. Pero no tenemos idea de qué diablos nos pasa. Sabemos que estamos fallando; simplemente no sabemos por qué, y hemos agotado todas las preguntas que podemos hacer”.


La gran cantidad de talento, recursos analíticos y acceso a datos del equipo de Google no fue suficiente para descifrar el código. “Entonces, después de que los analistas y los estadísticos lo intentaran, decidimos: '¿Sabes qué? Vamos a recopilar un algoritmo muy inteligente y le proporcionaremos todos los datos que tengamos'”, dice Kaushik. “Y solo diremos, 'Díganos qué está mal'”.


El equipo de Kaushik usó técnicas de aprendizaje automático supervisado (árboles de clasificación) para identificar conexiones y correlaciones que se habían perdido. “Debido a que ni siquiera sabíamos qué preguntas hacer, este tipo de algoritmo de aprendizaje automático no supervisado fue un enfoque realmente bueno”, dice. “Dejamos que el algoritmo encuentre los patrones”.


Lo que encontró el algoritmo sorprendió a Kaushik y su equipo: los KPI que habían pensado que eran más esenciales para optimizar en realidad no lo eran. “Qué métricas fueron las más influyentes, el orden de su importancia y en qué rangos debemos jugar para las métricas individuales fue una revelación para nosotros”, dice. Entre estas métricas sorprendentes estaba la importancia del margen de maniobra disponible para la métrica de la marca, que no estaba en la lista de consideración del equipo de los principales influyentes. 1 Un segundo fue el fuerte impacto de audible y visible en completo (AVOC), una medida del porcentaje de impresiones en las que una persona vio y escuchó un anuncio completo. Si el AVOC estaba por debajo de cierto porcentaje, la campaña de marketing estaba condenada al fracaso. Si el porcentaje era mayor, la campaña tenía posibilidades de éxito.


“Seis meses después de que implementamos las recomendaciones del algoritmo, hubo una mejora de 30 puntos en el rendimiento. Esa es una mejora de rendimiento increíble”, dice Kaushik. “Es porque en lugar de que los humanos averigüen qué preguntas debemos hacer a los datos, simplemente dijimos: 'Oye, ¿por qué no averiguas cuál es el problema?'”


El uso exitoso de la IA por parte de Google para repensar el rendimiento no puede explicarse como el logro singular de una empresa con una capitalización de mercado de un billón de dólares y capacidades tecnológicas de vanguardia. Por el contrario, hemos visto ejemplos similares en todo el panorama de la industria en dominios que van desde los deportes profesionales hasta el cuidado de la salud y la energía. Cada vez más empresas están cosechando nuevas riquezas a partir del reconocimiento de patrones y los impulsores de rendimiento más exigentes que son computacionalmente invisibles para las herramientas y los análisis heredados. Nuestras entrevistas con ejecutivos corporativos dejan en claro que la transformación de cómo miden las organizaciones puede transformar fundamentalmente lo que miden las organizaciones. (Consulte "¿Qué es un KPI? De vez en cuando").


Las empresas que usan IA para generar nuevas métricas o perfeccionar las existentes disfrutan de una variedad de beneficios sobre aquellas que usan la tecnología principalmente para mejorar su desempeño en las métricas heredadas. Nuestra investigación ya indica que las empresas que obtienen beneficios financieros sustanciales de sus inversiones en IA tienen 10 veces más probabilidades de cambiar la forma en que miden el éxito en comparación con las empresas que obtienen menores rendimientos de sus inversiones en IA. 2 Vemos organizaciones que utilizan algoritmos para desafiar y mejorar los supuestos empresariales sobre las fuentes de rendimiento, rentabilidad y crecimiento. En resumen, las empresas utilizan cada vez más la IA para redefinir, no solo aumentar, el rendimiento.


Es difícil exagerar la importancia organizativa, operativa y cultural de utilizar la IA para la medición del rendimiento. Los líderes ahora pueden usar KPI impulsados ​​por IA no solo para medir el desempeño anterior, sino también para servir como principios de organización para alinear la organización hacia sus objetivos estratégicos, mejorar la forma en que la empresa entiende y define el éxito y catalizar el crecimiento.


Este artículo identifica tres implicaciones y beneficios comerciales prácticos y valiosos, pero poco discutidos, del uso de IA tanto para generar como para refinar KPI.

¿Qué es un KPI?


1. KPI inteligentes que aprenden, no solo rastrean.


Hace casi 50 años, la ley de Goodhart declaró que cuando una métrica se convierte en un objetivo, deja de ser una buena métrica. Pero enfocarse en las métricas mismas para mejorar no solo es consistente con la ley de Goodhart, sino que se convierte en un ingrediente esencial para el éxito operativo sostenido. Una ejecutiva de CBS, por ejemplo, le pidió a su equipo de ciencia de datos que analizara 50 años de datos de clientes para determinar si la empresa había identificado los KPI adecuados para evaluar una programación televisiva exitosa. El equipo usó IA para confirmar los méritos de los KPI existentes y luego identificó otros que ayudaron a refinar y expandir el significado del éxito contemporáneo. La combinación de IA y KPI mejoró la comprensión del equipo de liderazgo de sus propios criterios de desempeño.


Además de descubrir nuevos KPI y refinar las carteras de KPI, los KPI impulsados ​​por IA pueden ir más allá del seguimiento del progreso para impulsar la acción. Considere la rotación, uno de los KPI centrados en el cliente más importantes de una organización. Los C-suites generalmente rastrean la rotación como un indicador rezagado de la satisfacción del cliente, y buscan predecirlo y adelantarse. Dependiendo de su sofisticación analítica, las empresas pueden invertir en identificar y contactar a los clientes en riesgo para inducirlos a quedarse. Algunas organizaciones han automatizado el proceso de envío de ofertas estandarizadas a dichos clientes para evitar su salida.


Ahora imagínese una empresa con sistemas analíticos que identifiquen a los clientes en riesgo y señalen con precisión cuánto esfuerzo se debe gastar para retenerlos. La organización presenta un algoritmo de reducción de abandono habilitado para hacer ofertas de retención a sus clientes más valiosos. Esas ofertas pueden incluir descuentos inmediatos, descuentos contingentes a la renovación, nuevos servicios, un paquete de ventas adicionales o un menú de opciones similar a un motor de recomendaciones.


El impacto en el mundo real de este algoritmo: criterios clave de rendimiento que se centran menos en rastrear y predecir la rotación que en desarrollar y refinar estrategias innovadoras para prevenirla. Predecir la rotación en sí es menos importante que predecir qué tácticas y ofertas inducirán a los clientes a quedarse con mayor probabilidad y rentabilidad.


Alternativamente, una empresa de telecomunicaciones usó IA para pasar de un sistema que solo predecía la probabilidad de abandono a uno que recomendaba las siguientes mejores acciones para un mayor ROI. Descubrió que la siguiente mejor acción para algunos clientes era dejarlos ir, según los criterios del valor de por vida. El nuevo sistema reconoció que no todos los abandonos eran iguales. Este enfoque alteró fundamentalmente la forma en que la empresa evaluó la rotación y mejoró el rendimiento. En este entorno, el KPI de abandono ya no solo mide el abandono: fusiona la predicción con opciones para adelantarse al abandono.


Esta capacidad significa que establecer KPI ya no es el único origen de la gestión humana. Los KPI impulsados ​​por IA cambian el énfasis y el lugar de valor del seguimiento del progreso en métricas estratégicas dadas para aprender cuáles son las mejores métricas. Donde los KPI heredados son retrospectivos, los KPI inteligentes son prospectivos; donde los KPI heredados se centran en objetivos fijos, los KPI inteligentes son adaptables. De hecho, el punto es que se adapten. (Consulte “De indicadores pasivos a inteligencia activa”).


De indicadores pasivos a inteligencia activa.

La siguiente tabla compara las diferentes características de los KPI tradicionales, que tienden a ser pasivos y retrospectivos, con los de los KPI inteligentes, que son más activos y enfocados en el futuro.


2. Medición que rige: KPI para KPI.


Los KPI miden el rendimiento, pero ¿qué mide el rendimiento de los KPI? A medida que su capacidad de aprendizaje habilitada por IA se expande y mejora, los KPI se vuelven aún más esenciales para el liderazgo. Su desempeño e impacto requieren, en consecuencia, una rigurosa evaluación continua. Así como el liderazgo debe evaluar el desempeño de los empleados de manera regular, deben evaluar de forma rutinaria sus KPI, individual y colectivamente, para garantizar resultados empresariales exitosos. Muchos ejecutivos nos han dicho que optimizar sus carteras de KPI es un desafío crítico pero difícil. Si bien lograr un conjunto parsimonioso de KPI puede forzar decisiones incómodas, también aclara las prioridades estratégicas.


Estamos viendo un número creciente de empresas que evalúan si están optimizando y extrayendo el máximo valor de sus KPI. Cada vez más, los líderes asignan recursos para probar los supuestos de KPI existentes y están invirtiendo en mejorar los KPI mismos. Al evaluar la eficacia o el rendimiento de sus KPI, en realidad buscan KPI para sus KPI.


La pregunta: ¿ Cuáles son las mejores formas de evaluar el impacto de los KPI en los resultados de la organización? es profundamente diferente de ¿ Cuáles son las mejores formas de utilizar el presupuesto asignado para cumplir con los KPI existentes?


A diferencia del gobierno periódico de los KPI heredados administrados solo por humanos, el gobierno de los KPI inteligentes está siendo administrado cada vez más por máquinas y humanos juntos. (Consulte "Gobierno de los KPI: incorporación de la IA al circuito".) Este tipo de gobierno de los KPI es esencial para garantizar que los KPI mejoren con el tiempo, tanto de forma individual como colectiva.

KPI rectores: llevar la IA al circuito.

Cuando la IA se incorpora al gobierno de KPI, los KPI se vuelven considerablemente más valiosos y tienen un mayor impacto en el negocio.


Asegurar que los KPI se vuelvan mediblemente más valiosos es un desafío de liderazgo apremiante. ¿Qué inversiones marginales en tiempo, dinero y talento podrían aumentar drásticamente el impacto de un KPI?


Schneider Electric, la empresa de energía con sede en Francia, ha creado una oficina de gestión del rendimiento para mejorar no solo el rendimiento frente a las métricas establecidas, sino también las propias métricas. A medida que se enfoca en la transformación digital, Schneider Electric adopta una sensibilidad de retorno de KPI, haciendo una inversión financiera y no financiera significativa para aprender cómo mejorar sus KPI.


“Queremos que nuestros KPI evolucionen con el tiempo porque no queremos impulsar nuestro negocio con métricas heredadas”, dice Hervé Coureil, director de gobierno corporativo y secretario general de Schneider Electric. Por ejemplo, Coureil señala que hace unos cuatro años, la empresa estableció un KPI para una serie de activos bajo gestión, como la cantidad de conexiones digitales a los activos de los clientes. Con el tiempo, esta métrica se perfeccionó en varias categorías: una métrica para bucles de aprendizaje, asesoramiento y retroalimentación; métricas orientadas a la experiencia; métricas centradas en la optimización; Detección de anomalías; y métricas basadas en el rendimiento. La IA desempeñó un papel especialmente importante en el desarrollo de medidas y métricas de detección de anomalías.


La creación de sistemas de medición para mejorar los KPI permite a los altos directivos mirar más allá de las métricas de rendimiento en silos para profundizar su comprensión de la creación de valor multifuncional. Los algoritmos de IA pueden analizar las relaciones entre múltiples KPI, y sus componentes subyacentes, para equilibrar mejor las interdependencias competitivas y/o complementarias.


Por ejemplo, una empresa podría utilizar la IA para calcular los componentes principales que conectan mejor la satisfacción del cliente con el empoderamiento y el compromiso de los empleados. Adoptar este enfoque permite a los ejecutivos anticipar mejor los desafíos, optimizar la asignación de recursos y adaptar las estrategias a las nuevas dinámicas del mercado. En esencia, la gobernanza eficaz de KPI permite a los líderes convertir los KPI en fuentes de ventaja competitiva.


3. Alineación mejorada a través de KPI inteligentes compartidos.


Como sugiere la sección anterior, ningún KPI es una isla. Ya sea directa o indirectamente (o ambas), los KPI empresariales se influyen entre sí. Si bien nuestra investigación indica que la mayoría de los KPI en la mayoría de las organizaciones encuestadas se administran dentro de silos distintos y desconectados, las realidades operativas generalmente revelan superposiciones subyacentes entre las unidades de negocios, los procesos y las funciones.


Estas superposiciones pueden crear conflictos: cada entidad comercial traerá diferentes conjuntos de datos, flujos de datos y flujos de trabajo al proceso de rendimiento clave, y las funciones aisladas a menudo tienen prioridades en conflicto. Por ejemplo, las finanzas pueden buscar controlar los costos, mientras que el marketing puede querer promover productos mejorados y la experiencia del cliente. La IA está particularmente bien posicionada no solo para descubrir superposiciones entre los KPI, sino también para ayudar a resolver las compensaciones e inconsistencias resultantes. Los KPI generados por IA pueden liderar el camino hacia KPI compartidos que impulsan una mejor alineación organizacional.


En el cuidado de la salud, por ejemplo, la reducción de las readmisiones es tanto un indicador de resultado clave como esencial para reducir los costos. En las organizaciones de proveedores tradicionales, los CFO administran los costos y los flujos de reembolso, y los directores médicos (CMO) enfatizan la atención de calidad de los pacientes y su alta del hospital. Cada rol tiende a ver la reducción de readmisiones desde una perspectiva diferente con sus propias métricas distintas e independientes. Ahora es posible utilizar la IA para analizar los datos de los pacientes, identificar las causas fundamentales de los reingresos y recomendar intervenciones específicas. Con esta información, los CFO y los CMO pueden compartir un KPI de "tasa de readmisión de pacientes" al identificar las causas fundamentales y predecir intervenciones para mejorar los resultados y reducir los costos simultáneamente.


Estamos viendo que más organizaciones usan IA para administrar sus carteras diversificadas de KPI. Diferentes ejecutivos de C-suite, por ejemplo, son comúnmente responsables de la experiencia del cliente y los KPI de la experiencia del empleado. Pero la IA hace que los patrones de interdependencia y conflicto entre los KPI sean visibles y accesibles. Entonces, ¿quién se hace responsable de optimizar el rendimiento en las métricas críticas para el negocio?


Los KPI compartidos presentan oportunidades para el liderazgo colaborativo y la supervisión. ¿Debería el CFO compartir la responsabilidad con el director de marketing por el valor de por vida del cliente? ¿O deberían asignar a las funciones de ventas, éxito del cliente y atención al cliente la responsabilidad conjunta de la rotación?


A diferencia de los KPI heredados, los KPI inteligentes y compartidos mejoran la alineación organizacional al facilitar el intercambio y la visibilidad de datos empresariales, así como la colaboración entre funciones. (Consulte “Mejora de la alineación organizacional con KPI inteligentes”).


Mejorar la alineación organizacional con KPI inteligentes.

Cuando las organizaciones hacen la transición al uso de KPI inteligentes, tienen la capacidad de romper las barreras entre las funciones para facilitar una gestión y un uso más integrados de los KPI.


La perspectiva crítica de la investigación de este artículo es que habilitar y potenciar los sistemas de medición estratégica para aprender altera fundamentalmente la forma en que las organizaciones entienden e invierten en el desempeño futuro. En el futuro, los KPI aprenderán de los datos, de los demás y de los líderes que reconozcan que el liderazgo estratégico sin una medición estratégica mejorada garantiza un bajo rendimiento.


Mejorar el rendimiento de los KPI no es suficiente para el éxito de la organización sin mejorar los propios KPI. Hacer esto último requiere un esfuerzo dedicado que requiere atención de liderazgo, cambio organizacional e inversiones en IA. Optimizar el rendimiento del mañana exige los mejores KPI, no (simplemente) maximizar el rendimiento en los KPI de hoy.


Nota del editor: los autores desean agradecer a Gaurav Jha, Lisa Krayer, Allison Ryder y Barbara Spindel por sus contribuciones a este artículo.





Fuente: MIT Sloan Management Review, Michael Schrage, David Kiron, François Candelon, Shervin Khodabandeh y Michael Chu.




SOBRE LOS AUTORES


REFERENCIAS (2)



es

13 visualizaciones0 comentarios

Entradas Recientes

Ver todo

Comments


bottom of page