از آنجایی که استعفای بزرگ ادامه دارد و کارفرمایان در همه جا با استخدام و حفظ کارمندان بزرگ دست و پنجه نرم می کنند، بهتر است یکی از عوامل بی انتها را در نظر بگیرند که چرا افراد شغل خود را ترک می کنند: تقریباً نیمی از اوقات، بیشتر «رئیس خود را ترک می کنند». از اینکه شرکت خود را ترک کنند. و با این حال، تعداد سازمان‌هایی که واقعاً برای کمک به مدیران خط مقدم خود سرمایه‌گذاری می‌کنند تا مربیان بزرگی باشند – منظور من از آن دسته از مدیرانی است که می‌توانند واقعاً الهام‌بخش باشند و کارکنان را به سمت رضایت شغلی و عملکرد بیشتر راهنمایی کنند – تعداد کمی باارزش است.

اما ظهور فن‌آوری‌های مربیگری کارکنان مبتنی بر هوش مصنوعی در شرکت – که در حال حاضر تأثیری در مقوله داغ و نوظهور عملیات درآمد و اطلاعات (RO&I) گذاشته است – فرصتی واقعی برای شرکت‌ها فراهم می‌کند تا همه اینها را تغییر دهند. کسانی که روی «سوپر مربیان» مدیران خط تمرکز و سرمایه‌گذاری می‌کنند، خود را در موقعیت بسیار قوی‌تری برای پیروزی در درازمدت قرار می‌دهند.

متأسفانه اکثر کارگران تجربه کار برای یک مدیر بد را دارند. و هر شرکتی تأثیرات مدیریت ضعیف را به شکل فرسایش بالاتر، روحیه ضعیف، کاهش بهره‌وری و مواردی از این دست احساس کرده است – که همه اینها تأثیر منفی بر قیمت نهایی دارد.

در عین حال، بسیاری از ما از تجربه کار کردن برای یک مدیر و مربی بزرگ لذت برده‌ایم، کسی که الهام‌بخش ما بوده و راه‌هایی برای بهبود چشمگیر ما در کاری که انجام می‌دهیم پیدا کرده است. چالش پیش روی شرکت های مدرن این است که آن تجربیات عالی مربیگری را عادی جلوه دهند و تجربه های بد مربیگری استثناهای نادری را تجربه می کنند. مدیریت عملکرد مبتنی بر هوش مصنوعی فرصت بزرگی را برای انجام این کار فراهم می‌کند و به مدیران خط مقدم کمک می‌کند تا سریع‌تر به مربیان بزرگ تبدیل شوند.

مدیران اغلب با مربیان ورزشی مقایسه می شوند، اما امروزه یک تفاوت اساسی بین دو نقشی که بیشتر مردم به آن فکر نمی کنند وجود دارد: در دسترس بودن داده ها.

ورزش حوزه فعالیت انسان با تعداد تکرار زیاد و حداکثر ابزار دقیق و تله متری است. صدها دوربین را می توان در هر زمین تنیس قرار داد و هر نفس و هر ضربه نه تنها یک، بلکه صدها یا هزاران بازی و بازیکن را ضبط کرد. سپس مربیان می توانند از این اطلاعات برای تعیین برنامه مربیگری مناسب استفاده کنند که می تواند به موفقیت یک ورزشکار کمک کند.

دو دهه پیش، انسان‌ها ورزشکاران را تماشا می‌کردند و تله‌متری را در صفحات گسترده اکسل یادداشت می‌کردند و درک تبدیل محتوا به داده را ایجاد می‌کردند. اکنون با یادگیری ماشینی، تشخیص تصویر و الگو، ویدئوهای ورزشی به داده‌های بی‌درنگ تبدیل می‌شوند و بینش‌های عملی فوری را ارائه می‌دهند. در مقابل، مربیگری و مدیریت کارکنان، فرآیندهای بسیار دستی بوده است که توسط حکایت ها هدایت می شود، زیرا ما فاقد تله متری و داده برای توصیف رفتار کارمندان بوده ایم. دیگر نه.

فرصت استفاده از داده‌ها به طور مشابه در محل کار به دلیل همه‌گیری COVID-19 تسریع می‌یابد که منجر به دیجیتالی شدن تعداد بسیار بیشتری از فعالیت‌های کاری برای اکثر صنایع شد. اکثر ارتباطات محل کار اکنون دیجیتالی هستند و داده‌های فعالیت از منابعی مانند ایمیل‌های کارکنان و تقویم‌ها جمع‌آوری می‌شوند. این حجم عظیمی از داده‌ها را تولید می‌کند – در مورد فعالیت مثلاً فروشندگان – که مربیان ورزشی از دیرباز درباره ورزشکاران داشتند. در نتیجه، مدیران می توانند بر اساس داده ها و نه حکایات، فروشندگان را مشابه ورزشکاران مربی کنند.

در عمل، یک سیستم مربیگری مبتنی بر هوش مصنوعی می‌تواند تعیین کند که فروشنده‌ای به نام جو به اندازه کافی با فرد مناسب جستجو نکرده است و بنابراین احتمالاً در سه ماهه و سه ماهه بعدی سهمیه خود را برآورده نخواهد کرد. با داشتن این بینش در مورد فعالیت های جستجوگر و دیگران، مدیر جو به جو آموزش می دهد که چگونه حجم جستجوی خود را افزایش دهد و کیفیت جستجوی خود را بهبود بخشد تا سه ماهه رسیدن یا فراتر از هدف خود را به پایان برساند.

بخشی از چیزی که این کار را بسیار قدرتمند می کند این است که هوش مصنوعی بینش هایی را برای مدیر جو تنها بر اساس مشاهدات فعالیت کاری جو ایجاد نمی کند. در عوض، این سیستم در حال تجزیه و تحلیل فعالیت های هزاران فروشنده است. شبیه کاری است که مربیان ورزشی در حال حاضر انجام می دهند. آنها از داده‌های تولید شده توسط اسکی‌بازان حرفه‌ای بی‌شماری که از تپه پایین می‌روند، ردیابی و تجزیه و تحلیل می‌کنند، هر زاویه، هر پیچ و هر گیاه قطبی را ردیابی و تجزیه و تحلیل می‌کنند. این داده‌های انبوه الگوهایی را نشان می‌دهد که به آنها اجازه می‌دهد عملکرد هر اسکی‌بازی را با آنچه اسکی‌بازان المپیک در بهترین دویدن‌های خود انجام می‌دهند مقایسه و راهنمایی کنند.

در پایان، کدام مربی بهتر است – مربی که برای مدت طولانی با چند ورزشکار کار کرده و به آرامی مهارت های مربیگری خوبی کسب کرده است؟ یا ورزشکاری که از هزاران نفر از بهترین ورزشکاران آموخته است؟ خط پایانی: اگر بهترین بازیگران خود را با بدترین بازیگران خود مقایسه کنید، می توانید افراد را در حد کمال و در مقیاس راهنمایی کنید.

ما هنوز چیزهای زیادی برای یادگیری در مورد زمینه در حال ظهور مربیگری مبتنی بر هوش مصنوعی داریم. اما برخی از آموخته های اولیه جذاب هستند. به عنوان مثال، مردم معمولاً نمی خواهند مستقیماً توسط ماشین ها مربی شوند. آن‌ها الگوریتمی نمی‌خواهند که فهرست کارهایشان را دیکته کند و فعالیت‌هایشان را مدیریت کند، و فناوری‌های «بهترین اقدام بعدی» را بیشتر به یک حقه تبدیل کند. به همین دلیل بسیار حیاتی است که مدیران خط مقدم کسانی باشند که با فناوری تعامل می کنند، بینش ها را ارزیابی می کنند و برنامه های مربیگری را برای کارکنان خود توسعه می دهند و همراه با تیم خود به سفری برای اجرای آن برنامه های مربیگری می پردازند.