Vai izmaksas samazinājās? Vai zināt, kāpēc?

Dažu nedēļu laikā pēc jaunas sistēmas ieviešanas pārdošanas komandas maršruti kļuva ievērojami efektīvāki.

Sistēma vienlaikus ieviesa divas būtiskas izmaiņas. Tā sāka izmantot AI maršrutu optimizācijai. Vienlaikus vadītāji pirmo reizi varēja salīdzināt pārdevēju atskaitēs norādītās klientu vizītes ar ERP sistēmas un automašīnu GPS datiem.

Efektivitāte uzlabojās.

Taču palika neatbildēts viens svarīgs jautājums - cik lielu daļu no šī uzlabojuma radīja AI maršrutu ieteikumi un cik lielu daļu deva jaunā redzamība par to, kas patiesībā notiek laukā.

Šī atšķirība ir svarīga. Kad projekts sniedz izmērāmus rezultātus, nākamais jautājums parasti ir: ko attīstīt tālāk, ko saglabāt un kam piešķirt nākamo investīciju budžetu. Ja zināt rezultātu, bet nezināt, kas to radījis, arī nākamais lēmums daļēji balstās pieņēmumos.

Kāpēc visredzamākās izmaiņas saņem visus nopelnus?

Kad vienlaikus mainās vairākas lietas, par galveno iemeslu bieži kļūst visredzamākā no tām. Jauna AI funkcionalitāte ir viegli izskaidrojama. Tai ir ieviešanas datums, nosaukums un vienkāršs stāsts: Mēs ieviesām maršrutu optimizāciju. Izmaksas samazinājās.

Taču tajā pašā laikā var būt notikusi vēl kāda būtiska pārmaiņa. Vadītāji pirmo reizi ieguva iespēju pārliecināties, vai plānotās klientu vizītes patiešām ir notikušas. Pārdevēju atskaites varēja salīdzināt ar ERP un GPS datiem. Atšķirības, kas iepriekš palika nepamanītas, kļuva redzamas.

Ar to vien var pietikt, lai mainītos cilvēku rīcība - vēl pirms algoritms ir devis savu ieguldījumu. Ja cilvēki zina, ka viņu darbības tagad ir pārskatāmas un salīdzināmas ar faktiskajiem datiem, process pats kļūst disciplinētāks.

Abi skaidrojumi var būt pareizi. Taču salīdzinājums "pirms un pēc" parāda tikai to, ka rezultāts ir mainījies. Tas vēl neatbild uz jautājumu, kurš no faktoriem radīja lielāko ietekmi.

Kur meklēt īsto cēloni?

Nevis pašā faktā, ka pēc ieviešanas rādītājs uzlabojās. Daudz vērtīgāk ir noskaidrot, kad uzlabojums sākās un kurš mehānisms tajā brīdī jau darbojās.

Šajā piemērā vienlaikus tika ieviestas vairākas izmaiņas: aktuāli ERP dati, ar GPS pārbaudāmas klientu vizītes, automātiska noviržu identificēšana un AI maršrutu optimizācija.

No vadības skatpunkta rezultāts šķiet vienkāršs: Maršruti kļuva efektīvāki.

Taču aiz šī viena rādītāja var slēpties vairāki atšķirīgi iemesli:

• Varbūt algoritms patiešām atrada efektīvākus maršrutus.
• Varbūt jaunā redzamība panāca, ka plānotās vizītes tika izpildītas konsekventāk.
• Varbūt vadītāji sāka ātrāk reaģēt, tiklīdz faktiskās darbības atšķīrās no atskaitēm.
• Vai arī rezultātu radīja visu šo faktoru kombinācija.

Ja visas izmaiņas ieviestas gandrīz vienlaikus, gala rādītājs viens pats parāda rezultātu, bet neatklāj, kurš no šiem faktoriem to izraisīja.

Kas notiek, ja vienu un to pašu rādītāju uzlabo vairākas izmaiņas?

Tieši šeit cēloņa noteikšana kļūst par biznesa, nevis tikai datu analīzes jautājumu.

Iedomājieties, ka pēc automatizācijas projekta uzņēmuma darbības izmaksas samazinās par 12%. Projektā vienlaikus ieviestas trīs lietas:

• kvalitatīvāki dati;
• lielāka procesu redzamība;
• AI optimizācijas algoritms.

Uzņēmums redz, ka projekts ir bijis veiksmīgs. Daudz grūtāk ir noteikt, kura projekta daļa radīja kuru rezultāta daļu.

Un tas kļūst svarīgi brīdī, kad jāpieņem nākamais investīciju lēmums. Ja visi nopelni tiek piedēvēti algoritmam, uzņēmums var ieguldīt vēl vairāk optimizācijā, lai gan būtisku ieguvumu patiesībā radīja kvalitatīvāki dati vai labāka procesu redzamība.

Var notikt arī pretējais. Patiešām vērtīgs algoritms var palikt nenovērtēts, jo tā ieguldījums paslēpies plašākās procesu pārmaiņās.

Abos gadījumos problēma ir viena un tā pati: Rezultāta mērīšana parāda, ka kaut kas ir mainījies. Cēloņa noteikšana parāda, kāpēc tas ir mainījies. Un tie nav viens un tas pats jautājums.

Kā noskaidrot, kas patiesībā radīja uzlabojumu?

Vienkāršākais risinājums ir pēc iespējas nodalīt izmaiņas. Vispirms ieviesiet procesu redzamību un izveidojiet atskaites punktu. Pēc tam ieviesiet optimizāciju un novērtējiet, kas mainās.

Ja tas nav iespējams, meklējiet atšķirības pašas ieviešanas laikā:

• Vai dažas komandas jauno funkcionalitāti saņēma agrāk?
• Vai efektivitāte sāka uzlaboties vēl pirms AI ieteikumu izmantošanas?
• Vai uzlabojumi parādījās tikai tajos maršrutos, kuros AI ieteikumi patiešām tika izmantoti?
• Vai cilvēku rīcība mainījās uzreiz pēc tam, kad darbības kļuva izmērāmas?

Mērķis ir saprast, kurš mehānisms mainīja rezultātu, pirms tiek pieņemts lēmums, ko attīstīt tālāk.

Tas ir īpaši svarīgi AI projektos, jo tajos bieži vienlaikus tiek ieviestas vairākas izmaiņas - datu integrācija, monitorings, procesu pārveide, automatizācija un pati AI funkcionalitāte. Tāpēc visu šo pārmaiņu kopējo rezultātu nosaukt par AI investīciju atdevi (AI ROI) reizēm ir pārāk vienkāršoti.

Tātad - izmaksas samazinājās. Vai zināt, kāpēc?

To, ka projekts ir bijis veiksmīgs, parāda uzlabotie rezultāti. To, kāpēc tas izdevās, var saprast tikai tad, ja uzlabojumu iespējams sasaistīt ar konkrēto mehānismu, kas to radīja. Šī atšķirība kļūst izšķiroša brīdī, kad jālemj par nākamajām investīcijām.

Pārdošanas komandas piemērā maršrutu efektivitāte uzlabojās pēc tam, kad vienlaikus tika ieviesta procesu redzamība un AI optimizācija. Tā kā abu izmaiņu ietekme netika nodalīta, nebija iespējams noteikt, cik lielu ieguldījumu deva katra no tām.

Šī stāsta galvenā doma nav tāda, ka algoritms nedeva rezultātu. Galvenā doma ir cita - rezultāts parāda, ka projekts strādāja. Tas pats par sevi vēl neparāda, kas radīja šo rezultātu.

Pirms piešķirat papildu budžetu tai projekta daļai, kas saņēmusi visvairāk nopelnu, uzdodiet sev vēl vienu jautājumu:

Ja mēs atstātu visas pārējās izmaiņas, bet izņemtu tieši šo vienu komponenti, vai rezultāts joprojām būtu tāds pats?