БизнесНовини

Илюзията на ключовите показатели – кое всъщност е „ключът“ на ключовите показатели (KPI)?

wall of virtual KPI data
93views

Изкуственият интелект и машинното обучение предлагат нови възможности за цялостно подобряване на корпоративното управление и контрол. Дали в момента не работим с остарели методи за решаване на актуални проблеми?

Проучвания за напредъка на цифровизацията утвърдително показват, че системите за контрол и KPI в много компании имат огромни проблеми, като например:

  • Недостатъчна база данни: системите за контрол все още се основават на твърде много финансова информация и твърде малко външна информация.
  • Неадекватен избор на показатели: KPI понякога се избират доста произволно. В същото време в системите с ключови показатели липсват връзки между отделните признаци.
  • Неадекватно стратегическо изравняване: Успешното управление изисква системи с ключови показатели, които картографират бизнес модела на компанията или подкрепят иновациите на бизнес моделите.
KPI visualization

Технологичният напредък през последните години в областта на придобиването и разработването на изцяло нови източници на данни, възможностите за съхраняване на огромни количества данни без компромиси и анализирането им за редовни модели и зависимости, помага в дълбочина да се разберат причинно-следствени връзки, да се извлекат мерки и да се направят прогнози или да се извършат симулации, подпомагащи вземането на отговорни управленски решения. Такива подходи обаче изискват използването на нови методи за анализ и преди всичко коренно различен поглед върху данните и моделите за вземане на решения. В допълнение към по-голямата автоматизация централна роля играе интегрирането на по-усъвършенствани методи за анализ, базирани на машинно обучение и изкуствен интелект.

Неадекватна пригодност на традиционните аналитични методи, използването на класически подход би означавало да се опитваме ръчно да идентифицираме връзки посредством описателни анализи, да ги представим и да ги интерпретираме, за да извлечем препоръки. BI системите (Business intelligence или Системи за бизнес анализ) предлагат широка гама от възможности. Очевидни са потенциалните проблеми за широко разпространения подход, който се използва днес. С описателния анализ, типичен за класическите BI системи, се отваря възможност за погрешно тълкуване, което също зависи до голяма степен от това кой извършва тези ръчни анализи.

От друга гледна точка полезни модели биха били базираните на AI / ML(Machine learning: машинно обучение) модели, които предоставят следната информация:

  • Root-Cause-Analytics (анализ на причинно-следствените връзки) : Многовариантни модели на причинно-следствени ефекти, включително картографиране на нелинейни връзки и непреки ефекти.
  •  Predictive Analytics (Прогнозната аналитичност): Опции за прогнозиране въз основа на тези причинно-следствени модели.
  • Анализ на предписанията: Автоматичен анализ на начина, по който можете да постигнете конкретна цел.
neurolinks

Методите за машинно обучение, като алгоритми ANN (Artificial neural network: Изкуствена невронна мрежа) или GBM(Gradient boosting: Повишаването на градиента), позволяват извличането на такива модели въз основа на големи, некомпресирани масиви с данни. По смисъла на AI, подбраните параметри и показатели в модела, както и резултатите могат да се визуализират и да бъдат постоянно достъпни като по този начин стават по-полезни и използваеми за бизнеса. Комбинацията от ML / AI и BI, позволява напълно различен подход към корпоративното управление.

Ползите за корпоративното управление – изграждане на аналитични умения

AI / ML, предлагащи отлични възможности за цялостно подобряване на корпоративното управление и контрол, увеличена добавена стойност за компанията и предефиниране на ролята на данните в компанията. Ето и някои примери:

Използване на нови, некомпресирани данни като основа за изучаване на нови KPI

Фокусът трябва да бъде не само върху оптимизирането на съществуващите целеви стойности, а по-скоро върху научаването какво всъщност трябва да бъде оптимизирано и как. Не става въпрос за прости правила, ако-тогава. AI / ML дава възможност за идентифициране на сложни взаимоотношения въз основа на некомпресирани данни. По този начин не само преките и косвените ефекти могат да бъдат идентифицирани и изчислени количествено, но също така и (като пример) регионалната или специфична за конкретната група валидност на тези ефекти. Въз основа на AI / ML могат да бъдат идентифицирани нови целеви стойности, които са важни за стратегическото ръководство на компанията и да бъдат предложени нови KPI.

Идентифициране на (фалшиви) KPI и почистване на съществуващата джунгла от KPI

AI / ML дава възможност за идентифициране на причинно-следствени връзки, включително тяхното количествено определяне. По този начин предишните (вероятни) взаимоотношения и техните връзки могат да бъдат валидирани, като безполезните KPI могат да бъдат почистени или обновени ако е необходимо.

Използване на KPI като база данни за машинно обучение

Основен потенциал на AI / ML е непрекъснатото учене от данните. В една все по-динамична и  конкурентна среда, това позволява процесите на контрол да бъдат настроени по такъв начин, че научените модели и техните ефекти да бъдат определени като основа, а успехът на тези показатели може да бъде проследяван автоматично.

AI ML tools
Използвайте възможностите на AI / ML

Не само новите източници на данни (ширина), но и детайлността (дълбочина), т.е. нивото на детайлност на тези данни са от решаващо значение. В случай че компресирани данни, важни модели и евентуални причинно-следствени фактори, не могат да бъдат разпознати правилно от AI / ML, то преобразуването и генерирането на нови от суровата база данни (избор на функции / инженеринг) също е от огромно значение. KPI, като отделен клас от данни, могат да изиграят централна роля в този контекст и да послужат за източник на данни за AI / ML.

Това е потенциален прагов момент за бизнеса и индустрията, при който машинното обучение може да прокара пътя си към това как се обработват операциите, начина на вземане на решения и управлението на ресурси. Това ще зависи от това дали бизнесът колективно намира истинска стойност в AI. И последно, но не на последно място инвестицията в технологията трябва да докаже своята стойност и обоснове необходимата за това инвестиция.

Свързани теми: Бизнес; Новини: Най-добрите технологични тенденции за 2021 г. според Gartner