Para empezar y ponernos en situación, ya hay centros de investigación trabajando en la sustitución de los mandos intermedios en la toma de decisiones. Y el objeto no es solo la capacidad de las máquinas para proponer líneas de actuación ante determinadas situaciones, las líneas de investigación incluyen temas como:

Pero antes de llegar a una situación en que lo anterior sea de utilidad, las máquinas tienen que aprender a tomar decisiones. Después, ya las convertirán en instrucciones y nos presionaran para que les hagamos caso. Ya sé que suena a distópico, pero si las personas somos rematadamente malas tomando decisiones (recomiendo la lectura de D.Kahneman) que impliquen mejorar la eficiencia y la sostenibilidad, alguien tendrá que hacerlo.

Pero antes de que las máquinas aprendan a tomar decisiones, tienen que tener acceso a información estructurada sobre cómo las personas las tomamos, y esa información no existe en muchos ámbitos, en algunos sí. Por ejemplo, si queremos que una máquina realice mejores predicciones de la demanda, ya empezamos a disponer de la información necesaria (no todas las organizaciones, claro):

  • Información sobre el histórico de previsiones y sus desviaciones.
  • Información histórica sobre el entorno económico.
  • Información sobre los hábitos de los consumidores y los aspectos que lo influencian.
  • Información sobre el histórico de promociones y su impacto.

Aunque, en general, la calidad de la información que se maneja es baja, algo empieza a haber. Y esta información podría utilizarse para entrenar a una red neuronal y lanzar un proceso de autoaprendizaje de una máquina. Pero esa información de partida es muy pobre, en general, para todo lo que es toma de decisiones y resolución de problemas en las empresas.

Por ejemplo, si empezamos a identificar una caída de rendimientos en una línea productiva, ese hecho será objeto de un asunto en una reunión semanal o mensual de seguimiento. Pero lo normal es que en ningún sitio quede registrada la relación entre esa desviación y la acción correctiva que se tome. Por otro lado esa acción correctiva tampoco quedará, en general, registrada en un sistema junto con los otros miles de decisiones que se toman en cualquier organización. Lo mismo queda constancia en un Excel, en una base de datos relacional, en un documento Word o simplemente en un papel. Tampoco tendremos información exacta, en la mayor parte de los casos, de cuando esa acción se ejecutó y si había otras acciones relacionadas con ésta. Es más, seguramente nos faltará información sobre qué es exactamente lo que se hizo. Finalmente si esa acción tiene impacto, solamente lo observaremos en un gráfico o conversaremos sobre ello y daremos por hecho que el impacto que se observa en un indicador tiene relación directa con una determinada actuación, pero para cualquier sistema esa relación será difícil, sino imposible, de trazar.

Vamos, resumiendo, en los sistemas de las empresas, en general, no existe trazabilidad entre problemas, decisiones, actuaciones y su impacto. Cada unos de estos cuatro elementos puede estar en sistemas distintos, con estructuras variadas y una máquina no podrá aprender de ellos, lo que permite mantener a salvo los puestos de trabajo de los mandos intermedios que generan toda esta actuación.

Pero esa falta de trazabilidad de la actuación genera enormes niveles de ineficiencia en el desarrollo de la gestión directiva. El 75% de los directivos reconoce que con cierta frecuencia encuentran que asuntos en los que piensan que se está trabajando han quedado parados. Eso no es más que el reflejo de la dificultad que tiene en las empresas la trazabilidad de problemas, asuntos, actuaciones, responsables, etc. Al final si quieres saber cómo están los temas, acciones y proyectos en marcha, tienes que convocar una ineficiente reunión con un montón de asistentes.

Es paradójico. Tenemos al personal directo controladísimo, con un ERP, CRM y/o herramientas de planificación que definen al segundo que es lo que se tiene que hacer y cuándo, y herramientas de BI que nos proporcionan indicadores con dos decimales de precisión para saber cómo el personal directo está funcionando. Sin embargo, en lo que respecta al personal de “oficinas”, mandos intermedios y personal, en general, que realiza tareas no rutinarias, el nivel de intensidad en el seguimiento y medición de su actuación, el cumplimiento de sus compromisos y su efectividad es muy, muy bajo. Y lo más curioso es que somos poco conscientes de ello.

Hace unas semanas hicimos un ejercicio con varias empresas (con facturaciones que iban de entre los pocos cientos de millones a las decenas de miles de millones) a las que les pedimos que seleccionaran un problema para poder analizar cómo la organización había reaccionada frente a él. Era parte de la preparación de un evento que organicé en INEO-IESE. Creo que para casi todos los protagonistas fue duro ver el detalle de lo sucedido desde que apareció el problema hasta que estuvo resuelto. Incluso alguno de los participantes, al coger perspectiva de cómo habían reaccionado frente al problema, prefirió permanecer en el anonimato. Es tal el barullo de actuaciones en las empresas que perdemos la perspectiva de lo mal que se hacen las cosas.

Pero Synapcor ha nacido con la idea de proporcionar eficiencia a los procesos de toma de decisiones y resolución de problemas. Desde la identificación de la necesidad de actuar hasta que el problema o la desviación quenos preocupa están resueltos y controlados.

Machine learning

El tener un sistema que centraliza los procesos de toma decisiones y la acción asociada permite introducir un enorme nivel de eficiencia en el personal de las organizaciones, pero sobre todo, proporciona agilidad. Una plataforma como Synapcor facilita una interacción eficiente entre las personas de la organización, y especialmente las orienta a una acción efectiva. Synapcor aborda el principal problema que me encuentro en las empresas: la capacidad de transformar toda la información de la que se dispone en los sistemas transaccionales y herramientas de BI en acción enfocada, efectiva y gestionable.

Pero yendo un paso más allá, en la medida que tengo información estructurada para que los directivos sean eficientes en su toma de decisiones y actuación, se lo estoy poniendo a huevo a las máquinas, les estoy preparando la información para que algoritmos de inteligencia artificial aprendan a tomar decisiones y determinar vías de actuación. Un algortimo de “Machine Learning” podrá ser entrenado con esa información hasta que su capacidad para decidir se asemeje e incluso supere a la de los humanos.

Y con esta reflexión, uno se queda con la sensación de que, mire hacia donde mire, el panorama a futuro va en la línea de sustituir a los humanos por máquinas. Ya no solo estamos hablando de robotizar líneas productivas. Y es que la pasión de la naturaleza por la eficiencia es imparable, pero la de los humanos algo menor, por eso vamos a rastras de la primera.

Jordi Asensio

Comment





Barcelona. Vallespir 19, 4ª Planta. 08173 Sant Cugat del Vallès

Madrid · Bilbao · Valencia

+34 900 104 416  | improva@improva-consulting.com

Copyright © 2015 Improva Consulting. Todos los derechos reservados.


Website Branding by EMOTE