Las empresas están reimaginando los procesos de negocio con algoritmos

A principios de la década de 1990, los ejecutivos y gerentes dieron la bienvenida a la tecnología de la información (bases de datos, estaciones de trabajo de PC y sistemas automatizados) en sus oficinas. Vieron el potencial de obtener importantes beneficios empresariales. Los ordenadores no solo acelerarían los procesos o automatizarían ciertas tareas, sino que podrían alterar casi todos los procesos empresariales y permitir a los ejecutivos replantearse las operaciones desde cero. Y así, el movimiento de reingeniería nació.

Ahora está sucediendo de nuevo. Los potentes algoritmos de aprendizaje automático que se adaptan a través de la experiencia y evolucionan en inteligencia con la exposición a los datos están impulsando cambios en las empresas que habría sido imposible imaginar hace apenas cinco años. Los ordenadores y las bases de datos introducidos durante la reingeniería de los años 90 han crecido: los códigos basados en reglas escritos por los ingenieros están dando paso a algoritmos de aprendizaje impulsados por las propias máquinas. Como resultado, los procesos empresariales están siendo rediseñado a máquina.

Los algoritmos tienen como objetivo rediseñar los procesos empresariales igual que hicieron los humanos durante el movimiento de reingeniería original. Entonces, la reingeniería estaba limitada por la velocidad de los humanos. Los gerentes observaron las tendencias históricas y revisaron los procesos, y los ingenieros desarrollaron un código que luego se incorporó a los sistemas informáticos. Cada actualización o respuesta del mercado requería varios pasos; costaba tiempo y rendimiento. A veces, para cuando se producían los cambios, el mercado ya se había movido. Con la reingeniería de máquinas, los cambios en los procesos son constantes y están impulsados no solo por la historia sino también por las capacidades predictivas de los algoritmos de aprendizaje automático. La reingeniería de máquinas exige que las personas entrenen y gestionen activamente el rendimiento de los algoritmos y modelos de datos que impulsan el cambio de los procesos, en lugar de impulsar el cambio de los procesos por sí mismas.

Reingeniería se desvió del camino alentando a las empresas a revisar demasiados procesos con demasiada rapidez. Además, la retórica de la reingeniería de «borrar» era extrema y, en última instancia, destructiva no solo para los procesos, sino también para las empresas. La reingeniería de máquinas parece haber evitado estos errores hasta ahora. Las empresas que rediseñan sus procesos mediante máquinas se centran en un proceso principal a la vez y, por lo tanto, pueden cuantificar los resultados positivos.

En nuestro estudio sobre más de 30 pilotos en empresas pioneras, descubrimos cinco procesos empresariales comunes que mejoraban mediante la reingeniería de máquinas. El gráfico muestra la proporción de empresas que se centran en una categoría de mejora de los procesos empresariales y, a continuación, la proporción de esos procesos que utilizan diversas técnicas de aprendizaje automático para lograr su objetivo. Por ejemplo, casi la mitad de las empresas utilizan la reingeniería de máquinas para comercializar productos y servicios. Si pasa el ratón por encima de la barra morada, verá que lo hacen principalmente mediante análisis predictivos, pero también mezclando algo de detección visual y del lenguaje natural.

// <![CDATA[ var pymParent = new pym.Parent(‘interactiveembed’, ‘//hbr.org/resources/html/infographics/2016/02/machine-learning/index1.html’, {}); // ]]>

Once we mapped the processes targeted to the machine-learning techniques used, we wanted to understand how those techniques connected to three desired outcomes for the business: improving cost performance, customer performance, and revenue performance. For example, hovering over natural language processing’s orange bar shows that it’s creating improvements in cost and customer performance in near equal measure, but it’s not really applied to revenue performance.

// <![CDATA[ var pymParent = new pym.Parent(‘interactiveembed2’, ‘//hbr.org/resources/html/infographics/2016/02/machine-learning/index2.html’, {}); // ]]>

That’s the proportional view of activities. How is all this machine reengineering actually paying off? Though this is just the beginning (we suspect many more processes will follow) we already see evidence of significant, even exponential, business gains in these three areas.

Nearly half of early movers reported improvements to top-line performance. Most often, improvements came through automatically providing more timely predictive data to employees who interact with customers or sales prospects.

A San Francisco-based business services company noted shortcomings in the traditional reengineered approach to its sales and marketing process, in which Customer Relationship Management (CRM) databases were scoured for potential leads using relatively static algorithms. Algorithms couldn’t deal well with data decay, quality-assurance issues, and long turnaround times. But after machine-reengineering this process, the firm has access to up-to-date buyer behavior that lets them predict market segments with the biggest potential for growth.

The company calls the new process a “scientific revenue machine” or SRM. So far, it has helped to increase revenue 20 fold and unearthed market segments 2.5 times more likely to convert. Moreover, this machine-engineering has freed up the company’s data analysts. They’re now redirecting their attention toward developing new products, further enhancing revenue capabilities.

More than a third of early movers also saw gains in bottom-line performance using machine-reengineering to slash 15% to 70% of costs from certain processes. At the same time, some saw a tenfold improvement in workforce effectiveness or value creation.

In one dramatic case, a global consumer food company machine-reengineered the delivery of its products in a striking new way — significantly reducing costly accidents and delays. Previously, the standard approach to its risk management process included monitoring business assets and conducting root-cause analyses on truck accidents after the fact.

With machine-reengineering, the company has implemented Mobileye Collision Avoidance Systems, which uses an “intelligent vision sensor.” The systems scan the road while applying computer-vision algorithms. They continuously measure the distance of potential obstacles and speed of other vehicles and alert drivers to imminent dangers, improving reaction times. A pilot program reduced accidents due to insufficient headway by 40%. Forward collisions were reduced by 50%. And lane departure incidents were cut by 80%. Predictive powers gained by machine-reengineering are fundamentally improving the safety of operations.

About a fifth of early movers reported significant gains in customer satisfaction and engagement. Here, we can thank machine-reengineered processes for smoothing customer-service interactions, reducing process steps, or increasing human interaction in customer service situations.

For years, reengineering drove companies to move more and more customer service toward automation. Unfortunately, customers never warmed to audio menu options, computerized voices, and lengthy authentication processes. Machine-reengineered systems can improve these interactions.

Nuance FreeSpeech is a system that verifies a caller’s identity through the course of natural conversation, offering alternatives to caller identification, eliminating the cumbersome and seemingly redundant series of questions often used to confirm identity.

A Canada-based financial services group uses active biometrics called VocalPassword in both French and English. By using customers’ voices as passwords, up to four steps in the authentication process have now been eliminated. The company reports a 50% improvement in call routing.

By comparison, a European bank has deployed a passive form of voice biometrics used with high-net worth clients to speak to their financial advisor — the system simply listens and matches voice signatures as a conversation naturally progresses. Average call handling time has been reduced by 15 seconds, and customers are pleased: 93% of clients rate the system 9 out of 10.

Another organization, this one based in Australia, receives roughly nine million calls per year with 75% requiring authentication. It has introduced both passive and active voice biometrics so that conversations don’t begin with a long set of questions. The average call length has been cut by at least 40 seconds.

Machine-reengineering not only creates new workflows, but a wholly new model for thinking about work and processes. It has the potential to augment our thinking beyond cause and effect and allow us to understand, and then improve operations that are too complex for the human mind to manage, in some ways making the previously invisible visible. It will make processes far more agile, efficient and productive. If the early adopters are any indication, machine-engineering is a leap forward in the evolution of business processes. The rewards are there, waiting to be found.

]]>