بنگاه خودتنظیم؛ چگونه علی بابا از تفکر الگوریتمی برای بازآفرینی پیوسته خود استفاده می کند

بخش روشنگری شماره ۱۱ (ژوئن ۲۰۱۵) مجله کسب و کار هاروارد، به رابطه بین انسان و ماشین (عصر خودکار سازی) پرداخته است. این سومین مقاله از این بخش است.

بنگاه خودتنظیم؛ چگونه علی بابا از تفکر الگوریتمی برای بازآفرینی پیوسته خود استفاده می کند

مارتین ریوز، مینگ زنگ و امین ونجارا

 

 

اگر الگوریتمی وجود داشت که می توانست به شما بگوید چه وقت مدل کسب وکار جدیدی طراحی کنید، یا آیا وارد یک بازار جدید بشوید یا نه، چقدر خوب می شد؟!
اگر بگوئیم چنین الگوریتمی وجود دارد، دروغ گفته ایم. چنین چیزی وجود ندارد و تصور هم نمی کنیم در آینده قابل پیش بینی الگوریتم ها (یا اشکال دیگر هوش مصنوعی) بتوانند به چنین سوالات استراتژیک دشواری پاسخ دهند. اما معتقدیم که چیزی به همان اندازه جالب در حال ظهور است: به کارگیری اصول الگوریتمی توسط سازمان ها برای اصلاح و تنظیم مداومِ مدل های کسب وکار، فرآیندهای تخصیص منابع و ساختارها – بدون جهت دهی از بالا. اگرچه این ادعای جسورانه ای است، اما مبتنی بر پیشرفت های واقعی است که در شرکت های اینترنتی مثل گوگل، نتفلیکس، آمازون و علی بابا مشاهده کرده ایم. این بنگاه ها به خوبی یادگرفته اند که چگونه محصولات و خدمات خود را برای میلیون ها مشتری بازآفرینی، اصلاح و به روزرسانی کنند؛ این کار را بر اساس اطلاعات آنلاین در مورد رفتار مشتریان انجام می دهند. این به روز رسانی های مداوم در واقع حاصل کار الگوریتم ها هستند اما فرآیند ها و فناوری های زیربنای این الگوریتم ها جادویی نیستند: می توان آن ها را تجزیه نمود و نحوه کار آن ها را دید و دانش موجود در تنظیمات آن ها را مورد استفاده قرار داد. و این کاری است که برخی از همین شرکت ها شروع به انجامش کرده اند.

در این مقاله ابتدا به این می پردازیم که چگونه الگوریتم های خودتنظیم قادرند در محیط های پیچیده و پویا به صورت موثر یادبگیرند و تنظیم کنند. سپس بررسی می کنیم که چگونه برخی سازمان ها از این الگوریتم ها در سراسر بنگاه های خود استفاده می کنند. مطالعه ی موردی ما روی غول تجارت الکترونیک یعنی علی بابا انجام گرفته است.

 


خلاصه ایده:

زمینه: رهبران می دانند که سازمان هایشان باید خود را با شرایط بازار انطباق دهند- اما چنین چیزی در تئوری بسیار راحت تر از عرصه عمل است.

رویکرد جدید: کمک از مکانی غیرمنتظره می آید: شرکت هایی که از الگوریتم های خودتنظیمی استفاده می کنند تا پیشنهادات محصول خود را پیوسته با شرایط بازار انطباق دهند.

توصیه ها: این پیشتازان در حال استفاده از اصول زیربنایی الگوریتم ها هستند- به خصوص آزمایش خودهدایت شده- تا استراتژی و سازمان را هم مدیریت کنند.


 

بازارهای پویا نیازمند مدیریت پویا هستند

قبل از اینکه وارد این الگوریتم ها شویم، باید بپرسیم چرا شرکت ها باید رویکرد جدیدی نسبت به استراتژی و سازمان داشته باشند.

در سال های اخیر فناوری باعث تغییرات و عدم اطمینان زیادی در بازارها شده است. تعجبی ندارد که مدیران ارشد مدام در مورد چابکی و سازگاری صحبت می کنند. اثرات نامتوازن این نیروها هم بادی مورد توجه قرار گیرد، که بازارها را بیش از پیش متغیر و متنوع می کند. کسب و کارهای بالغ و ایستا در جهان توسعه یافته باید در کنار شرکت های جوان و غیرقابل پیش بینی در کشورهای درحال توسعه، و کسب وکارهای در حال تغییر و مبتنی بر فناوری باید در کنار شرکت های بزرگ و کند مدیریت شوند. شرکت ها برای مواجه شدن با این تنوع و تغیر باید برای هر محیطی که در آن فعالیت می کنند استراتژی و عملیات متفاوتی اتخاذ نمایند. و به دلیل سرعت فزاینده تغییر باید پیوسته رویکردهای خود را «تنظیم مجدد» کنند. اما مدیریت تمام این تغییرات با تصمیم گیری سنتی بالا به پایین ممکن نیست. توانایی تنظیم و اصلاح باید در تار و پود بنگاه نفوذ کند.

و این همان جایی است که خودتنظیمی وارد عمل می شود. خودتنظیمی با مفاهیم چابکی (تنظیم سریع)، انطباق (یادگیری از طریق آزمون و خطا) و دو سو توانی (تعادل بین اکتشاف و بهره برداری ) در ارتباط است. الگوریتم های خودتنظیم عناصر هر سه مفهوم را با هم ترکیب می کنند- اما به روشی خودساخته.

الگوریتم های موجود در سیستم های توصیه آمازون و نتفلیکس نمونه های خوبی هستند. آن ها برای اینکه اثربخش باشند باید یک تعادل بهینه میان بهره برداری از ترجیحات شناخته شده و اکتشاف ترجیحات جدید برقرار کنند. اگر محافظه کارانه و بر اساس ترجیحات تکراری عمل کنید، کاربران خسته شده و شرکت ها هم از فرصت های جمع اوری داده های بیشتر و در نتیجه توصیه های جدیدتر به کاربران چشم پوشی خواهند کرد. اگر هم گزینه های اکتشافی زیادی پیشنهاد کنید کاربران ناراضی خواهند بود و اطمینان خود را به توصیه ها از دست خواهند داد. برای مدیریت این بده بستان، موتورهای توصیه درکی متکامل و در حال تغییر از کاربران برای خود ایجاد کرده و پیوسته پیشنهادات خود را به روز رسانی می کنند.

 

این الگوریتم ها بر اساس سه حلقه یادگیری به هم پیوسته کار می کنند:

آزمایش: آنچه موثر است کشف کنید. اول، این به معنای تولید گزینه های بیشتر است. یک مخزن در حال رشد از گزینه ها برای موفقیت یک سیستم حیاتی است. دوم، به معنای تست کردن گزینه ها از نظر اقتصادی است: ارائه توصیه هایی که مبتنی بر دانش محتوا و رفتار مشتری هستند، اما با درجاتی از تصادفی بودن یا کشش برای اجتناب از گیر افتادن در روتین و تکرار. سوم، به معنی تقویت آن چیزی است که موثر است: سیستم ها نرخ کلیک ها، خریدها و رتبه بندی ها را پیگیری کرده تا بیشتر در مورد ترجیحات شخصی کاربران بیاموزند و سپس از این اطلاعات برای بهبود توصیه های آتی استفاده می کنند.

تعدیل و میزان کردن: مقدار و چگونگی آزمایش را تنظیم کنید. الگوریتم های خودتنظیمی نه فقط از آزمون و خطا بلکه به وسیله انطباق نرخ آزمایش با محیط یاد می گیرند. به عبارت دیگر، ماشین آزمایش همچنان که پیش می رود خود را اصلاح می نماید. با ورود مشتریان جدید، نرخ های بالاتری از آزمایش مورد نیاز است تا آنچه دوست دارند یا ندارند کشف شود. وقتی الگوریتم ها بیشتر و عمیق تر یاد می گیرند می توان نرخ آزمایشات را دوباره پایین آورد. اما، آزمایش هرگز نباید به صفر برسد، چراکه همه کاربران باید درجاتی از اکتشاف و شگفتی را تجربه کنند.

شکل دهید: ترجیحات را تحت تاثیر قرار دهید. بخش بزرگی از جذابیت موتورهای توصیه از اکتشاف محصولات یا محتوایی ناشی می شود که اگر آن ها نبودند شما پیدایشان نمی کردید. هدایت شدن به سمت گروه جدیدی از محصولات ترجیحات و علایق کاربر را هم آشکار می کند و هم به آن ها شکل می دهد. این همان نقشی را دارد که تبلیغات در بازاریابی سنتی ایفا می کند- نه فقط تقویت ترجیحات موجود، بلکه ایجاد ترجیحات جدید.

تمام این سه حلقه به روشی خود رهبری شده اجرا می شوند، بدون اینکه هیچ تصمیم گیری توسط انسان اتفاق بیفتد. لازم نیست هیچ تحلیل گری توصیه ها را طراحی کند، بازخورد کاربران را تفسیر کند، نرخ اکتشاف را به شکل دستی تنظیم کند، یا در مورد بهترین گزینه های ممکن برای کاربران تصمیم بگیرد. و این به سیستم های خودتنظیم اجازه می دهد با سرعتی بسیار بالا عمل کنند.

 

بازآفرینی بنگاه

همچنان که الگوریتم های خودتنظیم شرکت ها رشد می کنند و به بلوغ می رسند، آن ها با چالش اداره در مقابل بازآفرینی خود – نه فقط در دپارتمان بازاریابی-مواجه می شوند. بنابراین تعجبی ندارد که برخی از آن ها در حال معرفی شیوه های جدید مدیریتی هستند که اصول خود تنظیمی را در سراسر بنگاه گسترش دهند.

برای درک این موضوع، بنگاه را مجموعه ای تو در تو از فرآیندهای استراتژیک در نظر بگیرید. در بالاترین سطح، چشم انداز جهت و آرمان شرکت را به عنوان یک کل تعیین می کند. شرکت برای دستیابی به چشم انداز از مدل های کسب وکار و استراتژی ها استفاده می کند که قابلیت ها و دارایی ها را کنار یکدیگر قرار داده و مزیت های رقابتی خلق می کنند. و نهایتاً از ساختار سازمانی، سیستم های اطلاعاتی و فرهنگ برای تسهیل اجرای آن مدل ها و استراتژی ها استفاده می نماید.

در اکثریت سازمان ها، چشم انداز و مدل کسب وکار محورهای ثابتی هستند که کل بنگاه حول آن ها می گردد. این ها اغلب توسط موسسان شرکت تعیین شده و وقتی اثربخشی آن ها ثابت شد به ندرت تغییر می کنند. متعاقباً ساختار، سیستم ها، فرآیندها و فرهنگ هم به مدت طولانی ثابت می مانند. آزمایش و نوآوری عمدتاً روی محصولات و خدمات در چارچوب مدل فعلی تمرکز دارند و شرکت به دستور العل اثبات شده خود برای موفقیت تکیه دارد.

در مقابل، بنگاه خودتنظیم در همه سطوح رویکردی انتقلابی دارد. چشم انداز، مدل کسب وکار و اجزای وابسته مرتباً و با استفاده از سه حلقه یادگیری با محیط منطبق و هماهنگ می شوند. سازمان دیگر وسیله ای ثابت و ایستا برای کسب اهداف دیکته شده از بالا نیست، بلکه شبکه ای است که برای پاسخ به بازخوردهای بیرونی تغییر می کند و توسعه می یابد. برای اینکه در عمل این روند را ببینیم، نگاهی به علی بابا می اندازیم.

گروه علی بابا که در سال ۱۹۹۹ تاسیس شد در اصل وبسایتی B2B برای تولید کنندگان کوچک چینی بود. اما طی سال های بعدی پرتفوی خود را در جهات مختلف گسترش داده است. امروزه این گروه ده کسب وکار، ۲۷هزار کارمند و بیش از ۸ میلیارد دلار درآمد دارد. در بازار تجارت الکترونیک متغیر چین، علی بابا نمی توانسته بدون تنظیم و اصلاح مداوم کل بنگاه به موفقیت دست یافته باشد. روش علی بابا در برخورد با محیط متغیرش راهکارهایی به سازمان های دیگر می آموزد:

پیوسته چشم انداز را بازبینی کنید. وقتی علی بابا کار خود را آغاز کرد، ضریب نفوذ اینترنت در چین کمتر از ۱ درصد بود. گرچه پیش بینی می شد که این رقم افزایش یابد، تعیین ماهیت و شکل این رشد دشوار بود. بنابراین علی بابا رویکردی آزمایشی اتخاذ کرد: در هر زمان مشخص، چشم انداز شرکت باید بهترین پیش فرض ممکن در مورد آینده باشد. همچنان که بازار تغییر می کرد، رهبران شرکت چشم انداز را مورد بازنگری قرار می دادند، فرضیات خود را با واقعیت تطبیق داده و آن ها را اصلاح می نمودند.

در سال های اولیه هدف علی بابا این بود که «یک پایگاه تجارت الکترونیک برای شرکت های کوچک چینی» باشد. تمرکز اولیه هم روی Alibaba.com بود که پلتفرمی برای فروش بین المللی ایجاد می کرد. اما وقتی بازار تغییر کرد، چشم انداز هم عوض شد. وقتی مصرف داخلی چین به مرز انفجار رسید، علی بابا فرصتی برای گسترش پیشنهادات خود به مصرف کنندگان پیدا کرد. و در سال ۲۰۰۳ بازار آنلاین تائوبائو را تاسیس نمود. علی بابا به زودی فهمید که مصرف کنندگان چینی به چیزی بیش از یک سایت برای خرید و فروش کالا نیاز دارند. آن ها نیازمند اطمینان بیشتر به تجارت اینترنتی بودند- مثلاً مطمئن باشند که پرداخت آنلاین امن است. بنابراین در سال ۲۰۰۴، علی بابا alipay را تاسیس کرد که سرویس پرداخت آنلاین بود. علی پی با فراهم کردن توافقنامه شخص ثالث و یک سیستم رتبه بندی تجار، موفق شد شفافیت و اعتماد ایجاد کند و نفوذ تجارت الکترونیک را در چین بالا ببرد. نهایتاً همین مسئله چشم انداز علی بابا را دوباره تغییر داد. در سال ۲۰۰۸ چشم انداز به این صورت تغییر داده شد: «توسعه یک اکوسیستم تجارت الکترونیک در چین» و شرکت شروع به ارائه خدماتی مثل پلتفرم محاسبات ابری، مدیریت مالی خرد و یک پلتفرم هوشمند لجستیک. اخیراً علی بابا این چشم انداز را در پاسخ به همگرایی سریع بین کانال های دیجیتال و فیزیکی مورد به روز رسانی کرد. حرف e را از ابتدای کلمه تجارت برداشت و بیانیه چشم انداز فعلی آن نهایتاً به این شکل درآمد: «هدف ما ایجاد زیرساخت های آتی تجارت است.»

علی بابا با تنظیم و بازتنظیم مرتب چشم انداز خود توانست هم به واقعیت های بازار جدید واکنش های سریع و موثر بدهد و هم به تعامل مصرف کنندگان و کسب وکارها شکل دهد.

مدل های کسب وکار را آزمایش کنید. علی بابا بدون تعهد به آزمایش مدل های کسب وکار از همان ابتدا، نمی توانست پرتفویی از شرکت ها ایجاد کند که در سراسر طیف دیجیتال گسترش پیدا کند. هرچند، وقتی شرکت می خواست از پلتفرم تجارت الکترونیک B2B فراتر برود و تائوبائو را راه اندازی کند، این تصمیم در درون شرکت سروصدای زیادی ایجاد کرد چراکه مستلزم رو به رو شدن با غولی به نام eBay بود. نهایتاً تائوبائو به عنوان یک شرکت مستقل با دفتری جداگانه و تامین مالی جداگانه (یک سرمایه گذاری مشترک ۵۰/۵۰ بین علی بابا و سافت بانک) تاسیس شد.

علی بابا در هر مقطع مهمی در مسیر تکاملش به تولید مدل های جدید کسب وکار ادامه داد و اجازه داد به عنوان واحد های جداگانه فعالیت کنند. مثلاً در سال ۲۰۰۶ علی بابا تصمیم گرفت دو واحد جدید راه اندازی کند. در واکنش به بازار در حال رشد B2C، شروع به ساخت تابائو مال کرد؛ پلتفرمی برای برندهای تثبیت شده که در دسترس مصرف کنندگان چینی قرار بگیرند که نهایتاً تبدیل به تی مال شد و امروزه بخش مهمی از پرتفوی گروه است. روند دیگر بازار موج نرم افزار به عنوان خدمت بود که علی بابا در پاسخ به آن علی سافت را ایجاد کرد که البته زود وارد بازار شد. علی سافت نتوانست اپلیکیشنی پیدا کند که مشتریان کافی جذب کند. این کسب وکار نهایتاً در سال ۲۰۰۹ حذف شد.

یکی دیگر از محرک های موفقیت علی بابا توانایی اش در تنظیم کردن نرخ آزمایش مدل های کسب وکار بر اساس شرایط موجود بوده است. مثلاً تائوبائو چهار سال بعد از شروع کار بیش از ۸۰ درصد بازار دیجیتال چین را تصاحب کرد و تا سال ۲۰۱۱ تبدیل به پدیده ای ملی شد. بسیاری از شرکت ها این جایگاه رهبری را به دست آوردند و بر مبنای اعتبار آن بر بهینه سازی مدل موفق تمرکز کردند. اما علی بابا رشد سریع جمعیت آنلاین چین و پیچیدگی فزاینده مشتریان و خرده فروشان را به عنوان نشانه های عدم اطمینان در بازار و در نتیجه ریسک بالای مدل کنونی مشاهده کرد.

دوباره در شرکت بحثی به راه افتاد مبنی بر اینکه به کدام جهت حرکت کنند و کدام مدل را بنا نمایند. علی بابا به جای تکیه بر تصمیم گیری بالا به پایین، تصمیم گرفت چندین گزینه ایجاد کند و اجازه دهد بازار برندگان را انتخاب کند. در ۲۰۱۱ کسب وکار موفق تائوبائو را به سه کسب وکار مستقل تقسیم کرد که هریک دیدگاه متفاوتی نسبت به آینده تجارت الکترونیک اتخاذ کردند. تائوبائو بر تراکنش های مصرف کننده با مصرف کننده تمرکز داشت، تی مال بر تراکنش های کسب وکار با مصرف کننده و اتائو، واحد جدید بر جستجوی محصول متمرکز بود. گرچه نتیجه ممکن بود غلبه هر یک از این مدل ها باشد، علی بابا در ایجاد دو کسب وکار موفق بازار انبوه (تی مال، که ۶۰درصد از سهم بازار رقابتی B2C را دارد، و تائوبائو رهبر بازار در C2C) و یک مدل قوی بازار حاشیه ای موفق شد.

افزایش آزمون و خطا در اوج موفقیت با خرد مدیریتی متعارف در تضاد است، اما برای علی بابا این کار ضروری بود تا از سختگیری پرهیز کند و گزینه های جدید ایجاد نماید. این شرکت برای اینکه بتواند روی روند های متلاطم بازار سرمایه گذاری کند لازم بود میزان و چگونگی آزمایش های خود را همواره تعیین و بازتنظیم نماید.

تمرکز روی قاپیدن و شکل دادن به فرصت های استراتژیک، نه روی اجرای برنامه ها. در محیط های متلاطم برنامه ها به سرعت از رده خارج می شوند و تاریخ مصرف شان تمام می شود. در مورد علی بابا، پیشرفت های سریع فناوری، تغییر انتظارات مشتری در چین و خارج و عدم اطمینان مسلط بر بازار، پیش بینی آینده را مشکل کرد. علی بابا برای مواجهه با این شرایط از یک فرآیند «برنامه ریزی مجدد» مداوم استفاده کرده. شرکت به جای اجرای دستورالعمل های ثابت و مفصل، استراتژی و تاکتیک های خود را با تغییر شرایط مدام مورد بازبینی قرار می دهد.

 

 

ادامه دارد …

 

***

انتقال استراتژی در زمان های اخلال

تدوین استراتژی یک فعالیت ثابت و استاتیک نیست؛ وقتی شرایط رقابتی تغییر می کند، استراتژی هم باید تغییر کند. شکست های زیادی در تاریخ کسب وکار بخاطر دست کم گرفتن این نکته رقم خورده است. محیط های بسیار پوبا و رقابتی، نیاز به تغییر و ارتقا مداوم استراتژی (خود تنظیم) دارند.

برای آزمون این ایده، همکار ما، جورج ویتنبرگ، از الگورتیمی استفاده کرده است. هدفش شبیه سازی کسب وکار و استراتژی های ثبات، انطباقی و خود تنظیم در شرایط اخلال گری تکنولوژی و فناوری اطلاعات است تا مشخص شود هر کدام در این شرایط چه نتایجی در بر دارند.

شرایط تکنولوژی اخلال گر

چگونه علی بابا از تفکر الگوریتمی برای بازآفرینی پیوسته خود استفاده می کند

 

 

ـــــ
آیا برای استراتژی خودتنظیمی آماده اید؟

۱٫ بازاری که در آن فعالیت می کنید چقدر متغیر، پیچیده و نامطمئن است؟

۲٫ آیا آنچه را که باید به عهده مکانیزم های بازار گذاشته شود، مدیریت می کنید؟

۳٫ آیا سازمان شما در آزمایش و یادگیری خوب عمل می کند؟

۴٫ اولین جایی که می توانید رویکرد خود تنظیم را امتحان کنید چیست؟

 

ادامه دارد …


این مقاله از شماره ۱۱ (ژوئن ۲۰۱۵) مجله کسب و کار هاروارد انتخاب شده است. برای دانلود رایگان کل مجله، اپلیکیشن مجله هاروارد را دانلود و نصب نمایید.

Copyright 2016 - 2017 | All rights reserved