نوآوری در مدیریت برای توسعه پایدار

Kolnegar Private Media (Management Innovation for Sustainable Development)

10 فروردین 1403 5:51 ب.ظ

تجزیه و تحلیل دیجیتال ، محصولات و نمونه کارها را بهینه می کند

21 آوریل 2021

شرکت‌های پیشرو طی چندین سال گذشته گام‌های بزرگی در مدیریت هزینه‌های قطعات و مواد اولیه برداشته‌اند که می‌تواند تا ۵۰ درصد از هزینه‌های تولیدکنندگان را با استفاده از برنامه‌های طراحی به ارزش (DtV) تشکیل دهد. اما با توجه به اینکه تأثیر اقتصادی این بیماری همه‌گیر احتمالاً در بسیاری از بخش‌ها عمیق و دردناک خواهد بود، شرکت‌ها برای ایجاد سطح جدیدی از کارایی هزینه مواد تحت فشار شدید قرار دارند.

یکی از امیدوارکننده‌ترین استراتژی‌های جدید، تجزیه و تحلیل به ارزش (ATV) است. این مجموعه از شیوه های مبتنی بر دیجیتال و تجزیه و تحلیل، افزایش چشمگیری در هزینه محصول و کارایی بهینه سازی نمونه کارها را ممکن می سازد. این کار را با بهره‌برداری از داده‌های محصول و تدارکات (غنی‌شده با طیف وسیعی از منابع داده داخلی و خارجی) و به‌کارگیری نسخه دیجیتال شیوه‌های سنتی مدیریت هزینه مواد انجام می‌دهد.

AtV از طیف گسترده‌تری از ابزارها و رویکردهای بهینه‌سازی هزینه نسبت به DtV استفاده می‌کند و همه چیز را از طراحی نمونه کارها، محصول و اجزاء گرفته تا منبع‌یابی را پوشش می‌دهد. با استفاده از قدرت داده و تجزیه و تحلیل، AtV بینش بیشتری را در بازه زمانی کوتاه‌تر (اغلب در عرض چند روز یا هفته)، در مقیاس و در کل مجموعه تولید می‌کند.

به جای فناوری روی موارد استفاده تمرکز کنید

رویکرد AtV به شرکت‌ها کمک می‌کند تا به جای فریفته شدن توسط پر زرق و برق‌ترین و جدیدترین فناوری‌ها، روی حل موارد استفاده خاص و تولید شده توسط کسب‌وکار تمرکز کنند. این جهت‌گیری مورد استفاده ممکن است ابتدایی به نظر برسد، اما اغلب شرکت‌ها با این فناوری  ، پیشرو هستند – به جای مشکل در جستجوی پاسخ، با یک پاسخ در جستجوی مشکل شروع می‌کنند. به عنوان مثال، شرکت‌ها اغلب یک راه‌حل جدید فناوری اطلاعات را انتخاب می‌کنند، مانند افزونه‌ای برای یک سیستم ERP موجود که قول می‌دهد قفل داده‌های ذخیره‌شده را در سراسر سازمان باز کند. اما به خودی خود، “باز کردن قفل داده ها” ممکن است بدون درک این که داده ها برای چه منظوری استفاده می شوند – به عبارت دیگر، بدون درک مورد خاص استفاده تجاری، دستاوردهای زیادی نداشته باشد. پروژه‌های فناوری اطلاعات با تعریف گسترده اغلب ناامید می‌شوند، زیرا در غیاب یک جهت‌گیری دقیق و مورد استفاده، بسیار پیچیده می‌شوند، تکمیل آن بسیار طولانی است و ارزش تجاری مشخص یا قابل اندازه‌گیری ندارند.

اما موارد استفاده به خوبی تعریف شده تنها یک نیاز است. یکی دیگر از مشکلات رایج زمانی رخ می دهد که کارمندان تجزیه و تحلیل های هوشمندانه و متناسبی ایجاد می کنند که در نهایت به تلاش های یکباره تبدیل می شوند زیرا منابع لازم برای ادامه این تجزیه و تحلیل ها و پالایش و مقیاس آنها را در یک راه حل قابل تکرار ندارند. تحلیلگران ممکن است چند روز طول بکشد تا مجموعه‌های داده‌های متعدد را در یک صفحه‌گسترده پاک‌سازی و پیوند دهند و بینش‌های معناداری را برای ارائه مدیریت بعدی به دست آورند. اما از آنجایی که آنها زمان لازم برای تکرار تلاش را ندارند، صفحه گسترده روی رایانه آنها می نشیند و دوباره استفاده نمی شود.

سرعت نوآوری و جدول زمانی ارائه محصولات و خدمات جدید به بازار همچنان در حال افزایش است. در نتیجه، شرکت‌های بیشتری به فرآیند طراحی چابک و تکراری روی آورده‌اند که بر ایجاد حداقل محصول قابل دوام (MVP) متمرکز است، به عنوان راهی برای ارائه سریع محصولات دیجیتال و کاربرپسند به بازار.

توانایی شناسایی نیازهای مشتری، و طراحی محصولات و خدمات بر اساس آن، همیشه مهم بوده است – اما از نظر تاریخی، یک تمرین کیفی مبتنی بر تجربه مدیران بازاریابی و فروش بوده است. امروزه، در مقابل، روش‌هایی برای بهره‌برداری از حجم وسیع اطلاعات مشتری در دسترس آنلاین و به حداکثر رساندن بازده تحقیقات مشتری وجود دارد. رهبران تمام صنایعی که به دنبال روش‌های قوی و ابزارهای تحلیلی قدرتمند در بهبود ارزش مشتری و طراحی محصول هستند با دو سوال اساسی روبرو هستند:

  • چگونه می توانم بینش های هدفمند و عملی را از پایگاه مشتریان پراکنده به سرعت دریافت کنم؟
  • چگونه می توانم ارزش مشتری و هزینه محصول را متعادل کنم؟

استخراج بینش از یک پایگاه مشتری پراکنده

به طور سنتی، شرکت ها بازخورد مشتریان را از طریق تعداد محدودی از کانال های رسمی، مانند نظرسنجی، مصاحبه، و گروه های متمرکز جمع آوری می کنند. امروزه، شرکت‌ها می‌توانند از منابع مختلف، از رسانه‌های اجتماعی و بررسی‌های وب گرفته تا ایمیل‌ها و رونوشت‌های مرکز تماس، از گنجینه‌ای از احساسات مشتری بهره ببرند. چالش این بوده است که نظرات آزاد در متن بدون ساختار هستند که معمولاً حاوی بازخوردهای خودجوش و بی‌طرفانه‌ای از مشتریان هستند – و تا همین اواخر، تفسیر تعداد زیادی از نظرات موجود به چنین تلاش دستی فشرده‌ای نیاز داشت که بیشتر این اطلاعات معتبر هنوز استفاده نشده باقی می ماند.

ابزارهای دیجیتال جدید که می توانند متن بدون ساختار را در مقیاس تجزیه و تحلیل کنند، می توانند توانایی شرکت ها در تفسیر احساسات مشتری را به طور چشمگیری افزایش دهند و دقیقاً آنچه را که باعث رضایت و نارضایتی مشتری می شود، شناسایی کنند. این تحلیل‌ها بینش‌های مهمی در مورد نقاط قوت و ضعف برندها، محصول و خدمات، نحوه بهبود ویژگی‌های موجود و چگونگی بهبود سفر مشتری و تجربه کاربر ارائه می‌دهند.

برای مثال، احساسات مشتری نسبت به برندهای مختلف را می‌توان با تجزیه و تحلیل خودکار و طبقه‌بندی نظرات آزاد به دسته‌هایی که عملکرد یک محصول یا خدمات را تعریف می‌کنند، در دسته‌های مختلف مقایسه کرد (شکل 2). در این مورد، فرآیند خرید برند 2 منبع اصلی بازخورد مثبت مشتری است، در حالی که مشتریان برند 1 از خدمات و تعمیرات ناراضی هستند. عمیق‌تر شدن در دسته‌ها باعث می‌شود تا عوامل بین احساسات مشتری شناسایی شوند: در حالی که مشتریان برند ما عمدتاً از زمان تحویل و قیمت تعمیرات هنگام سرویس و تعمیر ناراضی هستند، این تجربه خرید و سهولت خرید است که به برند 2 برتری می‌دهد. در درک عالی آنها از عملکرد خرید.

متعادل کردن ارزش مشتری و هزینه محصول

با یک تصویر واضح از نیازها و خواسته های مشتری، فرآیند طراحی به سمت ایجاد مفهوم حرکت می کند. از نقطه نظر تجاری، ارزش نسبی خواسته های مشتری باید کمی شود و با هزینه آنها سنجیده شود تا سودآوری محصول به حداکثر برسد.

به طور معمول، اهمیت نسبی ویژگی های محصول یا خدمات از MaxDiff 1 یا تجزیه و تحلیل مشترک نظرسنجی های مصرف کننده استنباط می شود. اما این فرآیند می تواند چندین ماه طول بکشد و نتایج به شدت به کیفیت روش تجزیه و تحلیل بستگی دارد. با این حال، اکنون ابزارهای دیجیتال Atv کاربر پسندی وجود دارد که در کمتر از یک هفته می‌توانند ویژگی‌ها را بر اساس بازخورد مشتری اولویت‌بندی کنند و پاسخ‌های محکمی در مورد تمایل مشتریان به پرداخت برای ویژگی‌های خاص ارائه دهند.

توانایی ارتباط دادن اهمیت نسبی ویژگی های خاص به هزینه آنها، دیدگاه قدرتمندی را در مورد مبادلات مهم ایجاد می کند. با داشتن این دانش، شرکت‌ها می‌توانند ویژگی‌های محصول را با اهمیت مصرف‌کننده حاشیه‌ای شناسایی کنند، که به آن‌ها اجازه می‌دهد اولویت‌ها را در هنگام ایجاد یا طراحی مجدد محصولات تعیین کنند – و یک منبع حقیقت واحد در همسویی سهامداران (مانند فروش، مهندسی، تدارکات و کیفیت) ایجاد کنند. که تمایل دارند درک یکسانی از نیازها و ترجیحات مشتری نداشته باشند. برای مثال، در یک شرکت کفش، این تجزیه و تحلیل تیم توسعه محصول را قادر می‌سازد تا چندین ویژگی را که می‌توان با خیال راحت کنار گذاشت، شناسایی کرد و در هزینه‌ها بدون خطر نارضایتی مصرف‌کننده و از دست دادن درآمد صرفه‌جویی کرد (شکل 3).

علاوه بر شناسایی فرصت‌های بهبود در محصولات موجود، شرکت‌ها می‌توانند از این ابزارها در مرحله مفهومی برای تخصیص هزینه‌های مواد بر روی ویژگی‌هایی استفاده کنند که ارزش مورد نظر مشتری را به حداکثر می‌رساند. چندین خودروساز از این رویکرد برای تخصیص هزینه‌های مربوط به تریم در مدل‌های خودروی جدید خود استفاده کرده‌اند و تصمیم می‌گیرند که کدام ویژگی‌های صندلی، سیستم‌های چندرسانه‌ای، سیستم‌های کمک راننده و موارد مشابه در هر سطح از تریم (مانند اسپرت، راحتی و لوکس) ارائه شوند. علاوه بر این، برخی خودروسازان از این روش برای اولویت‌بندی تصمیم‌های توسعه عمیق‌تر طراحی استفاده می‌کنند، مانند اینکه آیا سیم‌کشی نسل جدید خودرو را برای پشتیبانی از یک گزینه خاص آماده کنند، حتی اگر همه مدل‌ها به آن مجهز نشوند.

مدیریت پیچیدگی و مقیاس بندی کارآمد یک چالش بزرگ است، اما خبر خوب این است که امکان پذیر است و زمانی که به خوبی انجام شود، می تواند به یک تمایز رقابتی تبدیل شود. این به معنای پرداختن به دو نیمه متمایز پیچیدگی است. پیچیدگی “خارجی” یا تعداد خطوط محصول و تنظیماتی که مشتریان می توانند سفارش دهند را می توان با بهینه سازی سبد محصول، کاهش هزینه پیچیدگی آن (CoC) و افزایش حاشیه ها مقابله کرد. پیچیدگی داخلی، از سوی دیگر، بر تعداد زیادی از اجزای مختلف متمرکز است که شرکت باید مدیریت کند، که اغلب می تواند با معرفی پلت فرم ها و ماژول ها کاهش یابد.

در عمل، حمله موفقیت آمیز به پیچیدگی در پاسخ به چهار سوال اساسی خلاصه می شود:

  • چه چیزی باعث پیچیدگی در شرکت ما می شود و هزینه آن چقدر است؟
  • چگونه می توانیم سبد محصولات خود را برای هزینه و فروش بهینه کنیم؟
  • چگونه می توانیم پیچیدگی داخلی خود را بیشتر کاهش دهیم؟
  • چگونه می توانیم از بروز مجدد پیچیدگی جلوگیری کنیم؟

یافتن علل پیچیدگی

پیچیدگی سبد محصولات لزوما بد نیست. یک شرکت ممکن است برای متمایز شدن خود، محصولات متنوعی را ارائه دهد. با این حال، اغلب، حداقل بخشی از این پیچیدگی، ارزش اضافی برای مشتری ایجاد نمی کند: برای مثال، محصولاتی که برای انعکاس اولویت های محدود محصول منطقه ای طراحی شده اند، ممکن است بازدهی کافی نداشته باشند، در حالی که کنترل های ناکافی چرخه عمر محصول می تواند به معنای حمایت از محصولات قدیمی پس از تولید آنها باشد. پتانسیل سود تمام شده است – و می تواند به طور غیر ضروری به پیچیدگی پرتفوی کمک کند.

اولین گام برای بهینه سازی هزینه پیچیدگی، شناسایی محرک های پیچیدگی اصلی است که به شدت به مشخصات و پیشنهادات شرکت بستگی دارد. برای مثال، این محرک‌ها می‌تواند تعداد کشورهایی باشد که یک شرکت در آنها فعالیت می‌کند، کانال‌های فروش، گروه‌های محصول، محصولات و اجزای سازنده. یک شرکت ممکن است متوجه شود که سهم کوچکی از سبد محصولات بزرگ آن 80 درصد از سود ناخالص را ایجاد می کند. در همان زمان، شرکت ممکن است یاد بگیرد که پیچیدگی محصول آن بسیار پرهزینه است و می‌توان سهم خوبی از این هزینه‌ها را بازیابی کرد – که نشان‌دهنده پتانسیل ساده‌سازی پرتفوی و با از دست دادن حاشیه محدود، کاهش قابل‌توجه هزینه است.

بهینه سازی سبد محصولات برای هزینه و فروش

بهینه‌سازی سبد محصولات دشوار است زیرا اصلاح کردن چند محصول اغلب CoC را کاهش نمی‌دهد، اما به احتمال زیاد درآمد را کاهش می‌دهد: اگر دو محصول یک جزء مشترک داشته باشند اما تنها یکی اصلاح شود، شرکت همچنان نیاز دارد که جزء را در انبار نگه دارد و بنابراین CoC مرتبط حذف نمی شود.

از آنجایی که درک تأثیر فوری تلاش‌های اصلاحی اغلب دشوار است، شرکت‌ها اغلب نسبت به این رویکرد شک دارند. کلید کاهش CoC، اصلاح کردن خوشه‌های محصولی است که محرک‌های پیچیدگی مشترک دارند (شکل 4).

تجزیه و تحلیل های پیشرفته مانند تجسم پورتفولیو می تواند به بهبود بهینه سازی پورتفولیو کمک کند. شکل 5 یک شبکه نمونه کارها را نشان می دهد که در آن همپوشانی محرک های هزینه پیچیدگی (مولفه ها) با فاصله بین نقاط (محصولات) نشان داده می شود. با استفاده از این نگاشت نمونه کارها، یک شرکت می تواند محصولات بسیار متمایز را شناسایی کند که از اجزای منحصر به فرد زیادی استفاده می کنند، و خوشه هایی از محصولاتی که اجزای مشترک دارند و ممکن است کاندیدایی برای اصلاحی به طور کامل باشند.

تجسم نمونه کارها پیچیدگی را شفاف می کند.

تحلیل این تجسم ها با ابزارهای سنتی، هرچند خسته کننده، امکان پذیر است. اما الگوریتم‌های قدرتمند AtV می‌توانند تأثیر اصلاح هر ترکیبی از محصولات را آزمایش کنند و محصولاتی را که اصلاح می‌شوند، CoC را با حداقل زیان فروش کاهش می‌دهند، شناسایی کنند. این محاسبات ممکن است زیرا الگوریتم‌ها می‌توانند اجزای خاص، خطوط کارخانه و سایر ورودی‌ها را شناسایی کنند که پس از اصلاح کردن یک محصول یا گروهی از محصولات دیگر لازم نخواهند بود. این بسیار کارآمدتر از رویکرد کلاسیک است که در آن ابتدا محصولات با کمترین فروش اصلاح می‌شوند و به اطمینان از نتایج ملموس با یک مورد تجاری واضح کمک می‌کند.

به طور موثر پیچیدگی داخلی را کاهش می دهد

هنگامی که سبد محصولات بهینه شد، شرکت ها می توانند پیچیدگی داخلی را با استفاده از پلتفرم ها، ماژول ها و اجزای استاندارد کاهش دهند.

پلتفرم‌های محصول به شرکت‌ها کمک می‌کنند تا بین محصولات مشابه همکاری کنند. به جای تعریف هر محصول از ابتدا، این شرکت یک طرح کلی استاندارد برای یک خانواده از محصولات تعریف می کند تا هم افزایی عملیاتی را به دست آورد. با این حال، حتی زمانی که یک پلتفرم دارای عناصر استاندارد شده باشد، پلتفرم همچنان به انعطاف‌پذیری نیاز دارد تا محصولات را برای بخش‌ها، مناطق یا کانال‌های خاص مشتری تنظیم کند. به عنوان مثال، در صنعت خودرو، یک پلت فرم می تواند تغییراتی را در پیشرانه ها و اجزای مربوطه برای پشتیبانی از همه چیز از یک وسیله نقلیه کاربردی تا یک کوپه پرفورمنس اجازه دهد. یک شرکت کالاهای مصرفی این مفهوم را برای توسعه پلتفرم هایی برای پشتیبانی از پروفایل های طعم مشترک برای محصولات مختلف گسترش داد.

ماژول ها می توانند هم افزایی بین پلتفرم ها را به دست آورند. پلتفرم هایی که کاملاً متفاوت به نظر می رسند، اغلب عملکردهای خاصی دارند (مانند نیاز به منبع تغذیه). با استاندارد کردن این توابع در یک ماژول با رابط های واضح تعریف شده، شرکت ها می توانند پیچیدگی داخلی را ساده کنند.

در نهایت، این شرکت می‌تواند پیچیدگی داخلی را با استانداردسازی اجزا در محصولات کاهش دهد – هدفی که اکنون به لطف فناوری‌های جدید بیش از همیشه قابل دستیابی است. داده‌های هزینه و مشخصات فنی را می‌توان ادغام کرد تا الگوریتم‌های یادگیری ماشینی بتوانند به سرعت به شناسایی شباهت‌های قطعات، بر اساس عواملی مانند اشکال هندسی (استخراج شده از نقشه‌های طراحی به کمک رایانه) و داده‌های استخراج‌شده از برگه‌های مشخصات کمک کنند. کارایی بیشتر از تنظیم دستورالعمل‌های واضح در مورد اجزای مورد علاقه شرکت، با اقداماتی که استفاده از جایگزین‌های تایید نشده را محدود می‌کند، حاصل می‌شود. کاتالوگ های اجزای دیجیتال به طور مداوم به روز شده، همراه با شیوه های حاکمیتی برای محدود کردن استثناها، نظم و انضباط مورد نیاز را تقویت می کند.

جلوگیری از ظهور مجدد پیچیدگی

کاهش پیچیدگی یک تمرین تحول آفرین است که باید به طور مداوم تمرین شود وگرنه پیچیدگی دوباره ظاهر خواهد شد. اول، مدیریت ارشد باید به طور فعال علت را ترویج کند، که ذاتاً کارکردی متقابل دارد. بدون جهت روشن از بالا، انگیزه های مختلف در بین عملکردها می تواند تلاش ضدپیچیدگی را تضعیف کند.

دوم، حکمرانی باید با قدرتی طراحی شود که پیچیدگی های جدید را از ظهور محدود کند. این شامل مالکیت شفاف پورتفولیو، پلت فرم و ماژول است تا اطمینان حاصل شود که مبادلات تجاری و عملیاتی با جدیت انجام می شود. سپس تابلوهای فرمان متقابل می‌توانند به تصمیم‌گیری‌های مهم در مورد سبد بر اساس یک دیدگاه کل‌نگر در سطح بالا کمک کنند.

در نهایت، یک شرکت برای اندازه‌گیری پیچیدگی و نظارت بر پیشرفت، به KPI شاخص های عملکردی واضح نیاز دارد، و این KPIها باید به گونه‌ای مرتبط شوند که به شرکت‌ها کمک کند تا مبادلات لازم بین هزینه و ارزش را انجام دهند.

ابزارهای atv تاثیر عمیقی بر کاهش هزینه مواد در آینده خواهند داشت. اینها می توانند به طور قابل توجهی طراحی محصول و ارزش مشتری را بهبود بخشند، همچنین پیچیدگی را کاهش داده و حاشیه سود را از طریق بهینه سازی و مدولار بودن نمونه کارها افزایش می دهند. در آینده، شرکت هایی که این رویکردها را سریعتر اتخاذ می کنند، برای مزیت رقابتی آماده خواهند شد.

https://www.mckinsey.com/

آیا این نوشته برایتان مفید بود؟

مطالب مرتبط

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *