در این مصاحبه ، ما با anirudh reddy path، مدیر ارشد علوم تصمیم گیری در گلخانه، برای بررسی چگونگی تغییر شکل تصمیم گیری در حال تغییر و تحول استراتژی تجارت. از سفر خود در طول مهندسی ، فن آوری و سفر به علوم تصمیم پیشرو در Glassdoor ، Anirudh بینش های عملی در مورد ساخت تیم های با عملکرد بالا ، تراز کردن ابتکارات AI با نتایج کسب و کار و تقویت فرهنگ آزمایش دارد. وی همچنین در مورد درسهایی که از شکست ، سیگنال های آمادگی سازمانی برای هوش مصنوعی و چگونگی تحول در نقش علم تصمیم گیری با ظهور هوش مصنوعی تولید می شود ، تأمل می کند.
مصاحبه های بیشتر را در اینجا کشف کنید: انسان در حلقه: پنج صدا که آینده AI را تعریف می کنند
سفر شما از مهندسی به علم تصمیم گیری در Glassdoor کاملاً پویا است. آیا می توانید ما را از طریق تصمیمات محوری یا نقاط تورم که این مسیر را شکل داده است قدم بزنید؟
سفر من واقعاً در مورد پیروی از کنجکاوی و تکیه به لحظاتی بوده است که می توانم تأثیر بیشتری داشته باشم. در اوایل کار من ، من عمیقاً فنی بودم و در سطح سیستم بر مهندسی و حل مسئله متمرکز بودم. نقاط تورم هنگامی حاصل شد که من متوجه شدم که استفاده مؤثر از داده ها می تواند مشکلات تجاری قابل توجهی را در مقیاس حل کند. در Priceline ، من قدرت آزمایش سریع را دیدم. در Discover ، من دیدم که اگر یک تیم فناوری قوی و یک تیم تجاری قدرتمند نیروهای خود را با هم ترکیب کنند ، تیم های بزرگ می توانند به سرعت با هم حرکت کنند. در Glassdoor ، من عمداً در علوم تصمیم گیری به سمت رهبری حرکت کردم زیرا در تقاطع عمق فنی و تصمیم گیری در تجارت قرار داشت.
شما تیم های جهانی را در بین شرکت هایی مانند Discover و Priceline ساخته و مقیاس بندی کرده اید. اصول اصلی شما برای ایجاد تیم های علوم داده با عملکرد بالا در محیط های از راه دور و هیبریدی امروز چیست؟
من بر روی سه اصل لنگر می زنم: وضوح ، استقلال و اتصال. وضوح پیرامون مأموریت و معیارهای موفقیت ، بنابراین تیم ها “چرا” را می دانند. استقلال افراد با استعدادی جایی برای حل مشکلات در راه خود دارند. و اتصال ، به ویژه در تنظیمات ترکیبی ، بنابراین هیچ کس مانند ماهواره تنها احساس نمی کند. من در آیین های زیادی سرمایه گذاری می کنم که باعث می شود تیم های توزیع شده احساس انسجام کنند ، خواه این OKRS مشترک باشد ، مالکیت پروژه متقابل تیم یا به سادگی ایجاد فضایی برای تعامل غیررسمی.
چگونه اطمینان می دهید که ابتکارات هوش مصنوعی و اتوماسیون از نزدیک با تأثیر واقعی تجارت در ارتباط هستند و فقط در سازمان ها “اشیاء براق” نمی شوند؟
سوالی که همیشه می پرسم این است: این چه نتیجه ای خواهد بود؟ اگر یک مدل هوش مصنوعی به وضوح با اهرمی که تجارت از قبل به آن اهمیت می دهد ، رشد درآمد ، راندمان هزینه و تجربه کاربر ، پیوند نمی زند ، به خطر می افتد که قفسه نرم افزار باشد. من تیم ها را تحت فشار قرار می دهم تا ابتدا موفقیت را در شرایط کسب و کار تعریف کنند ، سپس راه حل AI را محدود کنید. این رشته ما را از تعقیب اشیاء براق باز می دارد
با توجه به تصمیم گیری ، علم ، محصول ، بازاریابی ، عملیات ، چگونه می توانید نیازهای متقابل عملکردی را بدون توجه به تمرکز رقیق ، اولویت بندی کرده و تعادل برقرار کنید؟
علم تصمیم گیری در وسط همه چیز قرار دارد: محصول ، بازاریابی ، OPS – و نازک شدن آن آسان است. من آموخته ام که اولویت بندی کنم که در آن اثر مگس قوی ترین است. اگر یک بینش یا آزمایش ارزش ترکیبی را در بین توابع باز کند ، اینجاست که من سرمایه گذاری می کنم. من همچنین از نقشه های شفاف استفاده می کنم تا ذینفعان تجارت را مشاهده کنند ، که به مدیریت انتظارات کمک می کند
شما به عنوان بزرگترین تصورات غلط رهبران در مورد آزمایش ، چه چیزی را می بینید و چگونه می توانید آنها را از طریق اتخاذ یک فرهنگ آزمایش و یادگیری مربیگری کنید؟
یک تصور غلط که من زیاد به آن رسیدم ، این عقیده است که هر آزمایشی باید “پیروزی” را برای ارزشمند ارائه دهد. در واقعیت ، بیشتر آزمایشات سوزن را به روشی که مردم انتظار دارند حرکت نمی کنند ، اما این باعث ناکامی آنها نمی شود. هرکدام درک ما از رفتار مشتری را تشدید می کنند و ما را به سمت شرط بندی های بهتر راهنمایی می کنند. تصور غلط دیگر این است که آزمایشات فقط مربوط به ترفندهای UX یا بهینه سازی سطح است. حقیقت این است که ، هنگامی که به درستی انجام شود ، آزمایش می تواند بر انتخاب های استراتژیک ، چه بازارهایی برای ورود ، چه محصولاتی به غروب آفتاب و نحوه تخصیص سرمایه گذاری ، تأثیر بگذارد. کمک به رهبران برای دیدن آزمایش به عنوان یک چارچوب تصمیم گیری ، نه فقط یک ابزار محصول ، مکالمه را به طور کامل تغییر می دهد.
کار شما صنایع مختلفی را از FinTech برای سفر به فناوری انجام داده است. چگونه رویکرد شما به رشد داده محور در چنین زمینه های متنوع تجاری سازگار است؟
چه Fintech ، سفر یا فناوری باشد ، ثابت از داده ها برای کاهش عدم اطمینان و ایجاد ارزش استفاده کرده است. این سازگاری در هر دامنه به نظر می رسد که خطر و فرصت به نظر می رسد. در Fintech ، ریسک دادخواهی و حکمرانی بود ، اما فرصت برای ایجاد نتایج مالی برای میلیون ها نفر بسیار زیاد بود. در سفر ، این یک تبدیل تحت رقابت شدید بود و فرصت این بود که تجربیات به یاد ماندنی زندگی را برای میلیون ها نفر فراهم کنیم. در Glassdoor ، خطر اعتماد کاربر است ، اما فرصت این است که به میلیون ها نفر کمک کنید تا شغلی را که دوست دارند پیدا کنند. دفترچه بازی یکسان است: تصمیم را در معرض خطر روشن کنید ، سپس ترکیب صحیحی از تجزیه و تحلیل ، آزمایش و داستان پردازی را برای تأثیرگذاری بر آن بیاورید.
چگونه می بینید که نقش علم تصمیم گیری در طی 5 سال آینده ، به ویژه در پی پیشرفت های سریع در هوش مصنوعی تولیدی ، در حال تحول است؟
من فکر می کنم علم تصمیم گیری به بافت همبند بین هوش مصنوعی و تجارت تبدیل می شود. با پایین آمدن هوش مصنوعی ، هزینه تجزیه و تحلیل ، تمایز دهنده خواهد بود که می تواند مجموعه ای از سؤالات را بپرسد و آنها را به عمل تبدیل کند. پنج سال از این پس ، من انتظار دارم که رهبران علوم تصمیم در مورد مدل های ساختمانی/ تجزیه و تحلیل خود و بیشتر در مورد ارکستر کردن انسان ها و ماشین ها برای هدایت نتایج کسب و کار کمتر باشند.
آیا می توانید زمانی را توصیف کنید که یک بینش داده محور با شهود اجرایی در تضاد باشد ، و چگونه می توانید از این تنش برای هدایت تراز حرکت کنید؟
من قطعاً در اتاقهایی بوده ام که داده ها با غریزه روده متناقض است. یک مثال: ما یک ویژگی را که مدیران دوست داشتند آزمایش کردیم ، اما این آزمایش نشان داد که در واقع تعامل را کاهش می دهد. پیمایش این تنش به همدلی نیاز داشت و تصدیق شهود را در حالی که در مورد شواهد روشن است ، تصدیق می کند. در این حالت ، نشان دادن تأثیر طولانی مدت از طریق شبیه سازی به ایجاد تراز کمک می کند. نکته مهم در حال تنظیم داده ها به عنوان یک شریک تصمیم گیری است ، نه یک دیکتاتور تصمیم
هنگام ارزیابی اینکه آیا یک سازمان واقعاً آماده پذیرش تصمیم گیری با قابلیت AI در مقیاس است ، به دنبال چه سیگنالهایی هستید؟
من به دنبال سه سیگنال هستم: تراز رهبری در مورد دلیل هوش مصنوعی ، فرهنگی که ارزش آزمایش را بر یقین و پایه های داده قابل اعتماد ارزیابی می کند. اگر هر یک از این موارد گم شده باشد ، مقیاس AI به یک مبارزه تبدیل می شود. شما می توانید راه خود را برای اثبات مفهوم هک کنید ، اما تأثیر پایدار به آن ترکیبات نیاز دارد
اگر شما در حال طراحی یک برنامه درسی در سطح فارغ التحصیل برای رهبران علوم تصمیم گیری در آینده هستید ، چه سه دوره اجباری است و چرا؟
سوال عالی! من آن را در اطراف طراحی می کنم:
استنباط و آزمایش علیت – ستون فقرات علم تصمیم خوب.
رفتار و تأثیر سازمانی – زیرا بینش نمی توانید تصویب کنید.
اخلاق و مدیریت هوش مصنوعی – رهبران باید نه فقط آنچه را که AI می تواند انجام دهد ، بلکه آنچه باید انجام دهد ، درک کنند.
در مورد عدم موفقیت یا شروع کاذب در حرفه خود برای ما بگویید که در نهایت رشد یا وضوح را باز کرد.
در اوایل کار من ، من به دنبال تعمیرات اساسی مدل در Priceline بدون تراز کردن کامل ذینفعان بودم. از نظر فنی ، ظریف بود. سازمانی ، اما در هنگام ورود مرده بود. این شکست به من آموخت که تأثیر و تراز به اندازه صحت فنی. این تغییر کرد که چگونه من از آن زمان رهبری می کنم
- کتاب ، چارچوب یا توصیه ای که اساساً چگونه تیم ها را هدایت می کنید یا تغییر می دهید ، تغییر کرده است؟
- اگر مجبور بودید برای حرفه خود “داشبورد” تصمیم گیری ایجاد کنید ، سه معیار یا سیگنال برتر شما برای نظارت چیست؟
اگر یکی برای خودم ساختم ، سه معیار این خواهد بود:
- تأثیر – آیا من سوزن را برای تجارت و افرادی که رهبری می کنم حرکت می کنم؟
- یادگیری سرعت – آیا من خودم را به روش های جدید کشیده ام؟
- رشد – آیا من قادر به رشد افراد در تیمم هستم