AI က သင့်ရဲ့ KPI တွေကို မပြင်ပေးပါဘူး။ တခြား Lookup Book တွေလည်း မပြင်ပေးပါဘူး။

Bernard Marr ဟာ ပိုးဟပ်မျိုးစိတ်တွေထက် KPI အကြံပြုချက်တွေ ပိုထုတ်ဝေခဲ့ပါတယ်။ တစ်ချိန်ချိန်မှာ တစ်ယောက်ယောက်က စာရင်းကိုကြည့်ပြီး တွေးခဲ့ပုံရပါတယ်- ကျွန်တော်တို့မှာ ပိုကြီးတဲ့လှေတစ်စင်း လိုအပ်တယ်။ ဒီအမျိုးအစားက ကောင်းကောင်းတည်ထောင်ပြီးသားပါ။ လက်လီရောင်းချမှုအတွက် KPI ၇၅ ခု၊ ကျန်းမာရေးစောင့်ရှောက်မှုအတွက် ၅၀ ခု။ ဒီသုံးလပတ်မှာ သင့်အဖွဲ့အစည်းလုပ်ဆောင်တဲ့ အရာအားလုံးအတွက် ၁၂၇ ခု ရှိပါတယ်။ သင့်တော်တဲ့ KPI တွေကို ရွေးချယ်ပြီး သင့် dashboard မှာ ထည့်သွင်းလိုက်ရုံနဲ့ စွမ်းဆောင်ရည်စီမံခန့်ခွဲမှုက ဖြေရှင်းပြီးသားပါ။ Marr တစ်ယောက်တည်း ဒီလိုဖြစ်နေတာ မဟုတ်ပါဘူး။ သူဟာ တူညီတဲ့ အခြေခံမူပေါ်မှာ တည်ဆောက်ထားတဲ့ ထုတ်ဝေရေးနဲ့ အတိုင်ပင်ခံကဏ္ဍတစ်ခုလုံးရဲ့ အထွက်နှုန်းအများဆုံး ဥပမာပါပဲ။ တိုင်းတာမှုပြဿနာဟာ ရွေးချယ်မှုပြဿနာပါ။ မဟုတ်ပါဘူး။ အခုတော့ AI က အခန်းထဲကို ဝင်ရောက်လာပါပြီ။ သဘာဝအတိုင်း ရွေးချယ်မှုပြဿနာအတွက် စိတ်အားထက်သန်စွာ အသုံးချခဲ့ပါတယ်။ သင့်ရဲ့ မဟာဗျူဟာဦးစားပေးမှုတွေကို ဘာသာစကားပုံစံတစ်ခုနဲ့ ကျွေးမွေးလိုက်ရင် KPI တွေကို ပြန်ပေးပါလိမ့်မယ်။ ဘယ် lookup book ထက်မဆို ပိုမြန်၊ ပိုများပြားပြီး ယုံကြည်မှုရှိရှိ ပြောဆိုနိုင်ပါတယ်။ အချို့ tool တွေက စက်မှုလုပ်ငန်းစံနှုန်းတွေနဲ့တောင် benchmark လုပ်ပေးနိုင်ပါတယ်။ သူတို့ထဲက ဘယ်သူမှ သင့်ကို မပြောပြနိုင်တာက တိုင်းတာမှုက သက်သေအဖြစ် ရေတွက်ခံရမလားဆိုတာပါပဲ။ အဲဒါက နည်းပညာကို ဝေဖန်တာမဟုတ်ပါဘူး။ နည်းပညာက အမွေဆက်ခံခဲ့တဲ့ ပြဿနာရဲ့ ဖော်ပြချက်ပါ။ AI ဟာ စွမ်းဆောင်ရည်တိုင်းတာမှုရဲ့အလယ်ဗဟိုမှာ အသိပညာကွာဟချက်ကို မဖန်တီးခဲ့ပါဘူး - ပိုမြန်တဲ့အင်ဂျင်ကို ပေးခဲ့တာပါ။ ဒီမှာ ကွာဟချက်ပါ။ ခုနစ်ဆယ်နှစ်ကြာ စွမ်းဆောင်ရည်တိုင်းတာမှုစာပေတွေက အကဲဖြတ်ဖို့အတွက် ကိရိယာတွေကို ထုတ်လုပ်ပေးခဲ့ပါတယ်။ Scorecard တွေ၊ OKR တွေ၊ KPI မူဘောင်တွေ - အားလုံးက မေးခွန်းတစ်ခုတည်းကို ဖြေပေးပါတယ်- ကျွန်ုပ်တို့ ဘယ်လိုလုပ်ဆောင်နေလဲ။ ၎င်းတို့ကို ဆုံးဖြတ်ချက်ချဖို့ ဒီဇိုင်းထုတ်ထားပါတယ်။ သက်သေအထောက်အထားတူရိယာတွေက တခြားမေးခွန်းတစ်ခုကို ဖြေပေးပါတယ်- တကယ်ဘာဖြစ်ခဲ့လဲ၊ ကျွန်ုပ်တို့ ပြသနိုင်ပါသလား။ ၎င်းတို့ကို စစ်ဆေးနိုင်တဲ့အရာတစ်ခု ထုတ်လုပ်ဖို့ ဒီဇိုင်းထုတ်ထားပါတယ် - အခန်းထဲမှာမရှိသူတစ်ယောက်က ဆုံးဖြတ်ချက်တစ်ခုရဲ့ အခြေခံကို ကြည့်ဖို့တောင်းဆိုတဲ့အခါ မှတ်တမ်းတစ်ခု ရှိနေပါတယ်။ ကွာခြားချက်က သိမ်မွေ့ပါတယ်။ လက်တွေ့မှာ အုပ်ချုပ်မှုစာရွက်စာတမ်းနဲ့ ဆလိုက်ကုန်းပတ်ကြားက ကွာခြားချက်ပါ။ W. Edwards Deming က ဒီခြားနားချက်ကို နားလည်ခဲ့ပါတယ်။ စာရင်းအင်းအခြေခံမပါဘဲ တိုင်းတာမှုဟာ အချက်ပြမှုအဖြစ် ဟန်ဆောင်ထားတဲ့ ဆူညံသံကို ဖြစ်ပေါ်စေတယ်ဆိုတာ သူနားလည်ခဲ့ပါတယ် - စွမ်းဆောင်ရည်ဒေတာအဖြစ် အစီရင်ခံခံရတဲ့အရာဟာ ဘယ်လိုပဲဖြစ်ဖြစ် ဖြစ်လာတော့မယ့် ကွဲပြားမှုတွေဖြစ်ပြီး၊ ၎င်းနဲ့ ဘာမှမဆိုင်တဲ့ ဆုံးဖြတ်ချက်တွေကြောင့်လို့ ယူဆရပါတယ်။ Field Deming ကို ဖတ်ပြီး ပိုကောင်းတဲ့ dashboard တွေကို တည်ဆောက်ပြီး ဆက်သွားခဲ့ပါတယ်။ သူတကယ်ထုတ်ဖော်နေတဲ့ မေးခွန်းကို "ထုတ်လုပ်မှု" အောက်မှာ ထည့်သွင်းပြီး အများအားဖြင့် အဲဒီမှာ ထားခဲ့ပါတယ်။ အဲဒီမေးခွန်းက- တိုင်းတာမှုတစ်ခုကို သက်သေအဖြစ် ရေတွက်ဖို့ ဘာတွေလိုအပ်လဲ။ Marr ရဲ့စာအုပ်တွေက မဖြေပါဘူး။ သူတို့ မဖြေနိုင်ဘူး - lookup အဖြေရှိတဲ့ မေးခွန်းမျိုး မဟုတ်ဘူး။ ၎င်းမှာ cascade သတ်မှတ်ထားတဲ့၊ ကြိုတင်ကြေငြာထားတဲ့ thresholds နဲ့ ရလဒ်တွေ ထွက်လာပြီးနောက် reverse-engineering မလုပ်ခင် မှတ်တမ်းတင်ထားတဲ့ calibration logic ပါတဲ့ framework တစ်ခု လိုအပ်ပါတယ်။ တစ်နည်းအားဖြင့် lookup KPI တွေကို အလုပ်များလွန်းတယ်လို့ ခံစားရစေတဲ့ ဖွဲ့စည်းပုံဆိုင်ရာ စည်းကမ်းမျိုး လိုအပ်ပါတယ် - အရင်းအမြစ်ဆုံးဖြတ်ချက်ကို ဘုတ်အဖွဲ့၊ အလှူရှင် ဒါမှမဟုတ် စည်းမျဉ်းထိန်းသိမ်းရေးအဖွဲ့ထံ ကာကွယ်ဖို့ လိုအပ်တဲ့အချိန်အထိ၊ dashboard က ယူဆမထားသေးတဲ့ အရာတစ်ခုခုကို ပြောပြနိုင်မှာ မဟုတ်ပါဘူး။ AI က သင်ဘယ်လိုချဉ်းကပ်မှုမျိုးကိုမဆို အရှိန်မြှင့်ပေးပါတယ်။ ကောင်းမွန်စွာ ဒီဇိုင်းထုတ်ထားတဲ့ သက်သေအထောက်အထား ဗိသုကာပုံစံကို ယူဆောင်လာမယ်ဆိုရင် အဲဒီဖွဲ့စည်းပုံအတွင်းမှာ အသုံးဝင်တဲ့အရာတွေကို လုပ်ဆောင်နိုင်ပါတယ်။ အစည်းအဝေးတစ်ခုမှာ သင့်တော်တယ်လို့ ထင်ရတဲ့ KPI စာရင်းကို ယူဆောင်လာမယ်ဆိုရင် သင်ရွေးချယ်တဲ့ ဖောင့်နဲ့ ပိုမိုမြန်ဆန်စွာ ထုတ်လုပ်နိုင်အောင် ကူညီပေးပါလိမ့်မယ်။ MetriqOne framework ကို Deming မေးခဲ့တဲ့ မေးခွန်းကနေ တည်ဆောက်ထားပြီး Field အများစု ကျဆင်းသွားခဲ့ပါတယ်။ ရှာဖွေစာအုပ်တွေက အသုံးမဝင်လို့ မဟုတ်ပါဘူး၊ ရွေးချယ်မှုက ဘယ်တုန်းကမှ ခက်ခဲတဲ့အပိုင်း မဟုတ်လို့ပါ။ ခက်ခဲတဲ့အပိုင်းကတော့ ချိန်ညှိခြင်းပါ - သင့်ရဲ့ အညွှန်းကိန်းတွေက ဘာတွေကို ထောက်လှမ်းရမယ်၊ ဘယ်လိုအခြေအနေတွေမှာ၊ မထောက်လှမ်းဘူးဆိုရင် ဘာကိုဆိုလိုတယ်ဆိုတာကို ကြိုတင်သိရှိခြင်းပါ။ အဲဒီအဖြေက Foundations of Evidence-Based Leadership (စာအုပ် II) မှာ ပါဝင်ပြီး အဓိက တိုင်းတာမှုအစဉ်အလာငါးခုရဲ့ အသိပညာဆိုင်ရာ ကျရှုံးမှုကို ခြေရာခံပြီး Field မှားယွင်းသွားတဲ့နေရာကို တိတိကျကျ ရှာဖွေပေးပါတယ်။ တည်ငြိမ်တဲ့ အခြေခံအဆောက်အအုံ၊ သန့်ရှင်းတဲ့ဒေတာ ဒါမှမဟုတ် အထူးပြုဆော့ဖ်ဝဲလ်မရှိတဲ့ အဖွဲ့အစည်းတွေမှာ စစ်ဆေးနိုင်တဲ့ အထောက်အထားတွေကို ထုတ်လုပ်ပေးတဲ့ cascade တစ်ခုကို ဘယ်လိုတည်ဆောက်မလဲဆိုတဲ့ ဖြန့်ကျက်မှုအဖြေကတော့ Proof Without Judgement (စာအုပ် I) မှာ ရှိပါတယ်။ နှစ်ခုစလုံးကို Amazon မှာ ရနိုင်ပါတယ်။ နှစ်ခုစလုံးမှာ KPI ၇၅ ခုစာရင်း မပါဝင်ပါဘူး။ အဲဒါက အင်္ဂါရပ်တစ်ခုပါ၊ ပေါ့ဆမှုမဟုတ်ပါဘူး။ Torgeir Skogvold ဟာ MetriqOne ရဲ့ တည်ထောင်သူနဲ့ MetriqOne Trilogy: Measurement for the Real World ရဲ့ စာရေးဆရာပါ။