Blog Archives

Johtamisen tekoälyllä kilpailuetua

Seuraavassa avaan lyhyesti tekoälyn toimintaperiaatteita ja selitän, miksi johtamisen tekoäly luo merkittävän kilpailuedun.

Tekoälyn soveltaminen johtamisessa mahdollistaa viisaampien päätöksien tekemisen ja ennakoivan johtamisen. Kyse ei ole pelkästään ongelmien välttämisestä, vaan ennen kaikkea ihmisten voimavarojen paremmasta hyödyntämisestä työntekijöiden ja organisaation parhaaksi.

Tekoäly (artificial intelligence) voidaan jakaa kahteen yläluokkaan ja kolmeen osa-alueeseen. Tekoälyn kaksi yläluokkaa ovat data- ja malliohjattu tekoäly. Dataohjatussa tekoälyssä käytetään algoritmeja datan syy-seurausvaikutusten tulkintaan sekä ennustamiseen. Malliohjatussa tekoälyssä tavoitteena on kontekstin syvällisen ymmärryksen (mallin) avulla muuttaa käyttäytymistä, jotta voidaan saavuttaa parempi tulevaisuus. Malliohjattu tekoäly perustuu vahvistetun oppimisen algoritmeihin (reinforcement learning). Dataohjatussa tekoälyssä käytetään ei-ohjattua (unsupervised) ja ohjattua oppimista (supervised learning).

Tekoalyn_periaate

Ei-ohjattu oppiminen (unsupervised learning) hyödyntää luokittelematonta dataa. Algoritmien avulla voidaan tunnistaa datassa olevia asioita ja indikaatioita, jotka liittyvät johonkin ilmiöön. Datasta voidaan selvittää, mitkä tapahtumat liittyvät todennäköisesti esimerkiksi sairauspoissaolojen kasvuun, työkyvyttömyyteen tai ei-toivottuun irtisanoutumiseen. Sen avulla saadaan suosituksia; esimerkiksi urakehityksessä tiettyyn koulutukseen hakeutuneille suositellaan jatkokursseja, jotka on koettu hyödyksi. On selvää, että organisaatiokontekstin ymmärrys on tärkeää, sillä ei-ohjattu oppiminen ei itsessään ymmärrä asiayhteyksiä ja syy-seuraussuhteiden kausaalisuutta.

Ohjattu oppiminen (supervised learning) on datan hyödyntämistä tapauksissa, joissa tieto on luokiteltua ja lopputulos tiedetään. Analysoinnissa käytetään regressiotarkasteluja, jotka ovat monelle tuttuja mm. Excelin kautta. Ohjattu oppiminen hakee datapisteitä noudattavan funktion, jonka avulla voidaan ennustaa tulevaa kehitystä. Esimerkiksi työelämän laadun (QWL) ja sairauspoissaolojen välillä on havaittu yhteys: työelämän laadun huonontuessa sairauspoissaolot lisääntyvät. Voidaan siis hakea funktio, joka mallintaa työelämän laadun yhteyttä sairauspoissaoloihin ja siten ennustaa sairauspoissaolojen kehitystä mittaamalla työelämän laatua.

Vahvistettu oppiminen (Reinforcement learning) opastaa käyttäytymään siten, että lopputulos on parempi. Se siis vahvistaa käyttäytymistä, jonka avulla saadaan optimaalinen lopputulos pitkällä aikavälillä. Vahvistettu oppiminen vaatii luotettavan mallin, joka simuloi organisaation toimintaa ja johtamisen vaikutusta siihen. Mallia voidaan ”pyörittää” eteenpäin, jolloin nähdään, miten johtamiskäyttäytyminen vaatii tiettyjä uhrauksia (aikaa ja kuluja), mutta järkevästi toteutettu johtaminen tuo tulosta myöhemmin ja tämä tulos maksaa moninkertaisesti takaisin (vrt. ROI eli return on investment). Vahvistetun oppisen tekoäly siis mallintaa kontekstin ROI vaihtoehtoja, vahvistaen sellaista käyttäytymistä (strategiaa), joka johtaa maksimaaliseen takaisinmaksuun eli tuottoon pitemmällä aikavälillä.

Kaikki tekoälyn osa-alueet voidaan valjastaa johtamisen avuksi esimerkiksi seuraavasti: ei-ohjattu tekoäly seuraa datavirtaa ja indikoi, että jossain ryhmässä on henkilöstön suorituskyky heikentynyt. Pulssityyppinen henkilöstökysely käynnistyy tällöin automaattisesti ja mittaa työntekijöiden kokeman työelämän laadun. Tiedot menevät tekoälyavusteiseen simulaatioon, jossa esimies voi tekoälyltä kysyä, mitä johtamisaktiviteetteja kannattaa toteuttaa, jotta saadaan paras takaisinmaksu ROI tuottona. Ennakoiva johtaminen parantaa työyhteisön työelämän laatua, jolloin tuottavuus paranee ja uhkaavat sairauspoissaolot vältetään.

Mitä tämä tarkoittaa yrityksen kilpailukyvyssä? Yksi tuottavuuden suurimpia haasteita on esimiestoiminnan huono laatu ja suuri hajonta. Vain erittäin harva organisaatio on kyennyt ratkaisemaan tämän ongelman. Yritys, joka käyttää tekoälyä johtamisen apuna, kykenee nostamaan esimiestoiminnan laatua merkittävästi. Työelämän laadun parantuminen tuotantotekijänä nostaa tehollista työaikaa kuormittamatta työntekijöitä. Yrityksen tehollisen työtunnin kustannus voi näin olla yli 20% alhaisempi kuin kilpailijalla, vaikka yritys maksaa henkilöstölleen parempaa palkkaa (vrt. Time-Driven-Activity-Based-Cost, BSC, Kaplan). Lisäksi tyytyväisemmät asiakkaat tuovat kilpailuetua, sillä henkilöstön kokema työelämän laatu parantaa asiakaskokemusta.

Rohkaisen johtajia käynnistämään tekoälyn “evoluution” omassa organisaatiossa. Dataa pitää kerätä ja ymmärtää aiempaa paremmin. Ihan ensimmäiseksi tekoälyn hyödyntäminen vaatii tiedolla-johtamisen tason nostoa ja seuraavaksi rohkeutta lähteä kokeilemaan ja oppimaan.  

Lisätietoa marko.kesti(at)ulapland.fi

Digital Twin for Performance Management – Bayesian People Analytics Simulation with AI

Digital twins are emerging new technology that enables companies to solve problems faster and improve operational efficiency. Think about performance effect when every supervisor has world’s best leader as a personal advisor.

Digital twin is a near-real-time digital model of reality that helps optimize business performance. We have created AI powered digital twin that simulates business unit’s performance. It will provide help with human asset management and improving business performance. There are sophisticated algorithmic analyzing techniques that simulate human capital productivity. Digital twin can be in connection with organization ERP-system, collecting various data. We have scientifically approved the algorithms and rules, so it is not an AI-black-box.

Over time, digital representations of virtually every aspect of our world will be connected dynamically with their real-world counterparts and with one another and infused with AI-based capabilities to enable advanced simulation, operation and analysis” David Cearley, Gartner Research.

Digital twin is continuously evolving digital model of organization system that helps optimizing business performance. It simulates human performance and includes real-life data that improves prediction accuracy. Digital twin models complicated human assets that interact in many ways with organization environment, thus making the outcomes that are difficult to predict by human mind. With the digital twin, the manager can learn by simulating the problems and actions outcomes.

Twin provides near-real-time comprehensive link between physical and digital worlds. Digital twin is a virtual replica of what is actually happening in the organization performance. It knows how the organization performance-system works. There is artificial intelligence assistant that you can ask advice. This AI-assistant will simulate the future using Bellman function and suggest the leadership activities that produce sustainable business value. Digital twin simulates specific complex human assets utilization in order to monitor and evaluate human capital productivity. Simulation may uncover insight into operational inefficiencies, that otherwise would remain unseen.

How does the performance digital twin create measurable business value? With better human assets management there are multitude positive effects on organization performance:

  • Improve employee quality of working life as a production parameter
  • Enhance change management process undependable of the change in hand
  • Reduce sickness leave
  • Reduce employee turnover
  • Increase effective working time to make more revenue and profit
  • Improves customer satisfaction
  • Predict work and staff related problems

Besides the business values mentioned above, there are strategic benefits, which create competitive advantages in longer period. We are looking for companies for testing and further developing the emerging new technology of digital twin.

References

Kesti M. (2019) Architecture of Management Game for Reinforced Deep Learning. In: Arai K., Kapoor S., Bhatia R. (eds) Intelligent Systems and Applications. IntelliSys 2018. Advances in Intelligent Systems and Computing, vol 868. Springer, Cham

Marr, Bernard (2017). What is digital twin technology – and why is it so important. Forbes Mar 6 2017, https://www.forbes.com/sites/bernardmarr/2017/03/06/what-is-digital-twin-technology-and-why-is-it-so-important/#6ea8eea92e2a

Panetta, Kasey (2017). Gartner Top 10 Strategic Technology Trends for 2018. Gartner October 3, 2017, https://www.gartner.com/smarterwithgartner/gartner-top-10-strategic-technology-trends-for-2018/

Parrott, Aaron and Warshaw, Lane (2017). Industry 4.0 and the digital twin. Deloitte University Press. https://www2.deloitte.com/content/dam/Deloitte/cn/Documents/cip/deloitte-cn-cip-industry-4-0-digital-twin-technology-en-171215.pdf

 

HR-AI helps solving wicked management problems

Companies are reinventing the performance management in their organizations (Bersin 2018). The HR-AI helps achieving this aim.

 

Traditional business management makes decisions with simplified iteration and using mental shortcuts called cognitive biases. Cognitive biases are assumptions of how the world works. Humans substitute complex issues with biases. Human performance management is too difficult to make sense of as there are just too many ifs involved: if a key person leaves, if strategy implementation fails, if customer satisfaction drops, if employee performance declines, if absence increases, etc. Therefore, cognitive biases drive leadership behaviors. However, what happens if these cognitive biases are wrong and/or harmful?

New management game theory and artificial intelligence (AI) algorithms make it possible to predict leadership behavior’s effect on business. The architecture consists of a human capital production function, motivation theories, and several evidence-based rules. For AI, management decision-making is a prediction problem, and solving it is possible through the use of an augmented reality simulation game. The simulation game predicts the future outcome according to management behaviors. Managers will learn to make better decisions from the simulation. Artificial intelligence (AI) will help to optimize human resource management decisions.

Artificial intelligence plays several rounds of simulations in milliseconds, and remembers the most valuable management practices for long-term success. AI also suggests actions to manage the decision-making process. A manager uses human judgment, because some of the the AI-suggested actions may not be reasonable in a real-life situation. Humans are good at estimating which actions are best for a specific situation, but humans are poor at predictions. Humans have several cognitive biases, which are based on wrong assumptions, and that harm long-term success. While AI can see into the future and can predict the long-term result, it does not take into consideration all situational realities. Thus, the best results are achieved when AI and human beings work in collaboration.

Human resources management AI is an intelligent prediction machine. Its prediction accuracy can be increased for each specific organization. AI has the ability to learn, and this learning is not limited by harmful biases. Prediction accuracy improves with more up-to-date data, listening to employee feedback continuously, and comparing the simulation prediction to the real-life realization.

Management_AI_architecture_dark

Figure 1. HR-AI architecture

One problem is the cognitive illusion that management competence is in order, and performance problems are due to other reasons (plenty of ifs). Supervisors’ leadership practice skills may be very poor and, therefore, there may be a tendency to neglect necessary leadership activities. The team-leader may justify omitting performing HR-practices, because it seems to be more important to use precious work time to maximize profits than to invest time into soft, human leadership practices. However, this is a wrong assumption. Management problems are serious, because behavioral cognitive biases are difficult to overcome and require practice-based learning to substitute these biases with better behavior. AI-based simulation learning may solve this problem.

 

REFERENCES

Bersin, J. (2018). HR technology disruptions for 2018: Productivity, design, and intelligence reign. New York, NY: Deloitte. Retrieved from http://marketing.bersin.com /rs/976-LMP-699/images/ HRTechDisruptions2018-Report-100517.pdf

Agrawal, A. (2018). The economics of artificial intelligence. Commentary McKinsey, April 2018.

Kahneman, D. (2012). Thinking, fast and slow. Location: Penguin Books.

Kesti, M. (2018).  Architecture of Management Game for Reinforced Deep Learning, Intelligent Systems Conference 2018 6-7 September 2018 | London, UK. (conference paper, not yet published)

HRM connection to Business Performance – Opening the black-box of HRM-P

HRM-Performance theory at learning video

In the following example I will illustrate the principle of human capital production function. Example analyze is from the case company of 400 employees (in Full-Time-Equivalent).  Each employee has the theoretical working time, which in this case is 2 000 hours per year. From this theoretical working time the auxiliary working time takes roughly 15%. Auxiliary working time (AX) includes vacation, absence, maternity leave, work orientation, staff training, HR-practices and HR-development.

When auxiliary working time is reduced from theoretical working time we get the time for work. During the time spend at work the intangible human assets have to be considered. Quality of Working Life (QWL) describes the utilizing degree of intangible human capital. If Quality of Working Life is at the level of 60%, then the effective working time share from the time for work is 60 % as well. Therefore the calculated effective working time is 85% times 0.6. Thus, 51% from theoretical working time is calculated to be effective.

Other working time can now be calculated and it is 85% – 51% = 34%. This other working time includes work planning, quality assurance, reporting, wasted working time due to errors, and fuss because poor motivation and engagement, and handling customer complaints.

With the effective working time the company makes the revenue. There is company specific coefficient (K), which determines how much revenue the company can make with one effective working hour. This example company makes 100 million dollars revenue. According the annual profit and loss calculation there are variable costs of 50 million dollars which is 50% from the revenue. Variable costs are materials and purchase services which are needed in making the revenue. Staff costs are 25 million dollars, and other fixed costs, like rents and licenses, are 15 million dollars. Finally, when all costs are reduced there will be operating profit, in this case 10 million dollars.

HRM_P_theory_Initial_Figure

Figure. Human capital production function with example company initial data.

Management wants to improve company’s human capital productivity, and therefore invest some time to staff training and HR-practices. For simplicity, in this case we assume that this training and HR-practices time is already included at earlier year auxiliary working time, so the time for work remains the same.

When training and HR-practices are done properly, there will be positive effect at the Quality of Working Life. In practice we have recorded at case studies that 5 % improvement at QWL is possible and realistic objective at one year. In this case it means that the Quality of Working Life improves from 60 to 63%. Because QWL-index determines the Effective Working Time share, there will be equal 5% improvement at the Effective Working Time.

In growing business environment the company can utilize the K-factor in making more revenue. When revenue increases the variable costs are increased as well. Therefore $5M more revenue means in this case $2.5M dollars more variable costs. HR-development creates so called virtual talent capacity increase, which means that Human Resource capacity will increase without fixed costs raise. Improving intangible human assets effectively will enable more production capacity without fixed cost increase. Therefore only variable costs increase are reduced from Revenue and the rest $2.5M will improve the operating profit. As a conclusion, this company makes 6 250 dollars more profit for each employee.

HRM_P_theory_productivity_improvement

Figure. Improving company productivity by HR-development.

Human capital production function mathematical equation goes like this:

Revenue = K x HR x TWh x (1-AX) x QWL
where
K = K-coefficient (Human Resource Business Ratio, $/h)
HR = human resource in full time equivalent (FTE)
TWh = theoretical yearly working time (h)
AX = auxiliary working time, this is the same as the time for work (%)
QWL = quality of working life index (%)

The operating profit, in financial terms Earnings before Interest, Taxes, Depreciation and Amortization, is revenue reduced by all costs.

The Human Resource Business Coefficient, shortly the K-factor, can be calculated from earlier year realization with following equation:

HRBR_equation

When case company data are inserted at the equation, there will be coefficient of 245.1 dollars per hour. This means that one effective working hour produce 245.1 dollars revenue. Company management can influence on K-factor by certain strategic innovations and my investing at product development and IC-technology. There is saying that management determines the profitability and leadership determines the productivity. At the Human Capital Production Function this means that management determines the K-factor and leadership the Quality of Working Life. Usually when K-factor is improved for example by strategic innovation there will be some reduce at the QWL, causing decline at organization productivity.

Determining the QWL-index is somewhat more complex than just measuring average results from the staff inquiry. This is due to the fact that those measured inquiry items have different scale and effect on performance. I will explain the validated scientific method for determining the QWL index later in coming blog post.

Marko Kesti
Dr. (admin.), M.Sc. (tech.)
Adjunct Professor, University of Lapland
+358 40 717 8006
marko.kesti@ulapland.fi

CEO Playgain (playgain.eu)
Advisor Vibecatch (vibecatch.com)
EVP Mcompetence (mcompetence.fi)
Non-fiction writer (https://markokesti.wordpress.com/)

References

Kesti, M., Leinonen, J. and Syväjärvi, A. (2016). A Multidisciplinary Critical Approach to Measure and Analyze Human Capital Productivity. In Russ, M. (ed.). Quantitative Multidisciplinary Approaches in Human Capital and Asset Management (pp 1-317). Hershey, PA: IGI Global. (1-22). doi: 10.4018/978-1-4666-9652-5.

Kesti, M. and Syväjärvi, A. (2015) Human Capital Production Function in Strategic Management. Technology and Investment, 6, 12-21. doi: 10.4236/ti.2015.61002.

Kesti M. (2013). Human Capital Production Function, GSTF Journal on Business Review, Volume 3, Number 1, pages 22-32.

 

 

Työpaikkoja positiivista rakennemuutosta vauhdittamalla

Olin viimeviikolla kansainvälisessä Work-konferenssissa tutustumassa työelämän tutkimukseen ja esittelemässä omaa henkilöstötuottavuuden tutkimusta. Useat tutkijat olivat löytäneet positiivisen psykologian vaikutukset henkilöstön työmotivaatioon ja työkykyyn. Vaikeina aikoina ammattitaidon ylläpitäminen ja arvostaminen ylläpitävät työkykyä, vaikka työpaikka olisi uhattuna. Itse esittelin uuden analysointimallin, jolla työelämän laatu voidaan luotettavasti muuttaa taloudelliseksi kilpailukyvyksi. Siinä huomioidaan positiivisen psykologian todellinen vaikutus henkilöstön suorituskykyyn. Yhteenvetona konferenssista voin todeta, että suomalainen työelämän tutkimus on hyvää kansainvälistä tasoa ja kansainvälinen tiedeyhteisö on vakuuttunut siitä, että hyvä henkilöstöjohtaminen ja työelämän laatu ovat merkittäviä kilpailukyvyn lähteitä.

Samaa kertoo viimeisimpien Tilastokeskuksen tilinpäätöstietojen analysointini. Tarkastelin yrityksiä neljältä päätoimialalta: teollisuus, rakentaminen, kauppa ja palvelut. Kaikkiaan otoksessa oli yli 13 000 yritystä, joissa työntekijöitä 860 000. Tästä joukosta erottuu 1672 TOP-yritystä, jotka ovat kasvattaneet liikevaihtoaan ja parantaneet henkilöstötuottavuutta kahtena peräkkäisenä vuonna. Seuraavassa taulukossa on esitetty keskimääräisten (KM) ja TOP yritysten tekemä käyttökate (EBITDA) henkilötyövuotta (FTE) kohti. TOP-yrityksissä työntekijään sijoitettu euro tuottaa yli kaksi kertaa enemmän myyntikatetta ja käyttökatetta neljä kertaa enemmän.

EBITDA_per_FTE

TOP-yrityksissä oli työntekijöitä kaikkiaan noin 114 000 ja nämä yritykset olivat lisänneet henkilöstömääräänsä, kun muut pääsääntöisesti vähensivät henkilöstöä. TOP-yritykset maksavat noin 10 prosenttia parempaa palkkaa ja ovat siten houkuttelevampia työnantajia. Lisäksi ne investoivat kehittämiseen lähes kolminkertaisesti muita enemmän ja tekevät huimasti muita parempaa tulosta työntekijää kohti. Suomessa on siis mahdollista menestyä, kun luodaan organisaatiokulttuuri, jossa työntekijät haluavat auttaa organisaatiota menestymään.

Work-konferenssissa heräsi ajatus: Koska TOP-yritykset edistävät yhteiskunnan toimintaa, voisiko yhteiskunta vastaavasti edistää positiivista rakennemuutosta siten, että TOP-yritysten osuus kasvaisi. TOP-yrityksillä on halukkuutta palkata lisää työntekijöitä ja niillä on myös muita parempi tuloskunto, joka mahdollistaa kasvun. Toimisiko niin yksinkertainen kannustin, että henkilöstömäärää kasvattava yritys saa yhteisöveron alennuksen tai jopa vapautuksen? Verokannustin voisi aikaansaada asennemuutoksen johtamisessa, koska henkilöstöstä tulisi omistajille entistä tärkeämpi tuloksenteon kannalta. Yritys, joka haluaa maksimoida tuloksen henkilöstömäärää vähentämällä, maksaisi tuloksesta enemmän veroa kuin yritys, joka palkkaa lisää henkilöstöä. Olisi myös oikeudenmukaista, että henkilöstöä vähentävä positiivista tulosta tekevä yritys maksaisi korkeampaa työttömyysvakuusmaksua. Näin työelämän laatuun ja henkilöstöön panostavat yritykset saisivat veroetua, jonka avulla ne voisivat kasvaa nopeammin ja vallata markkinaosuutta.

Positiivisen rakennemuutoksen vauhdittaminen toisi lisää työpaikkoja sekä verotuloja valtiolle. Hyvinvointivaltio Suomi tarvitsee kuitenkin myös yksikkötyöhinnan alentamisen. Positiivisen rakennemuutoksen vauhdittaminen tuo lisää työpaikkoja, mutta on myös estettävä työpaikkojen menettäminen. Tutkimuksissani tuli esille huolestuttava rakenteellinen ilmiö, joka voi johtaa työpaikkojen massiiviseen menettämiseen. Ilmiö havainnollistaa sen miksi tarvitsemme sekä yhteiskuntasopimuksen että positiivisen rakennemuutoksen edistämisen. Ajattelin pureutua tähän tarkemmin seuraavassa blogissa.