Маржът на грешка -- пространството, което организацията вгражда между това какво нещо струва и какво се начислява, или между оценка и действителния резултат -- дълго време се определяше от човека, който правеше калкулацията. Опитен калкулант или мениджър по клиенти знаеше къде се крият рисковете в оферта и калкулираше марж за тях. Това знание се намираше в главите, разпределено сред хора, които бяха работили години с продуктово портфолио или тип клиент. Двама калкуланти в една и съща компания стигаха поради това до различни маржове при сходни поръчки. Тази разлика не беше видима за клиента, но беше видима за отчета за приходите и разходите.
Сравнението между конкурентите протичаше следователно чрез резултата: кой можеше да предложи по-остра цена без да генерира загуба. Не чрез въпроса как се определяше този марж, защото това изчисление се изплъзваше от погледа.
Там, където маржът на грешка се изчислява на база исторически данни -- отклонения между калкулация и следкалкулация, срокове на изпълнение, колебания на цените на материалите -- голяма част от тази изчислителна работа може да бъде поета от AI. Не решението за окончателния марж, но подлежащата работа: преизчисляване на хиляди завършени проекти, за да се установи къде отклоненията са били структурни, и прилагане на този модел към нова оферта. При компании, където това се случва, калкулацията е по-близо до действителните рискове, отколкото при компании, които все още се опират на опита на отделен човек.
Това променя сравнението по специфичен начин. Организация, която базира своя марж на грешка на хиляди данни, може да калкулира по-остро без риска да нарасне, докато конкурент, който се доверява на майсторството на няколко хора, продължава да се нуждае от по-широк марж, за да покрие същата неопределеност. Единият следователно може да предложи по-ниска цена при равен риск, или същата цена при по-нисък риск. И двете са конкурентно предимство, и двете са видими в резултата, не в процеса.
Промяната може да се раздели на три вида работа, и те се преплитат почти при всяка компания.
Преизчисляването на исторически отклонения -- калкулация срещу реализация на стотици или хиляди поръчки -- е работа, която AI в много случаи може да поеме. Това е разпознаване на модели в структурирани данни, и точно в това тази технология е силна.
Превеждането на тези модели в конкретна оферта е отчасти работа с човешки надзор. Система може да предложи оценка на риска за нов проект, но човек с познания за клиента, пазара или изключителната ситуация оценява дали тази оценка е валидна и тук, и одобрява или отхвърля маржа, с причина.
Решението да се отиде съзнателно под калкулирания марж при конкретна сделка -- по стратегически причини, за да се спечели клиент, за да се навлезе на пазар -- остава човешка работа. Това не е изчислителен въпрос, а преценка относно риск и амбиция, и тази отговорност не се измества.
Разликата между компаниите не се крие в достъпа до AI, а в това какви данни и дисциплина стоят зад калкулацията. Компания, която структурно записва следкалкулация -- какво наистина е струвал проект, къде е възникнало отклонението, дали е било свързано с покупки, планиране или изпълнение -- има основа, от която модел може да учи. Компания, която прави следкалкулация ad hoc или само при големи превишения, няма тази основа, колкото и бюджет да отдели за AI. Изоставането тогава не е в технологията, а във въпроса дали изобщо е записано какво реално се е случило.
Това прави маржа на грешка измерение, при което промяната протича неравномерно между секторите и между компании в един и същ сектор. Строителна фирма с петнайсет години данни от следкалкулация има различна изходна позиция от конкурент, който е започнал структурно записване едва миналата година. Който обмисля последствия за персонала във връзка с тази промяна, следва впрочем да осъзнава, че за това важат собствени законови изисквания; тази страница разглежда какво се случва с работата, не какво прави работодателят с нея.
Маржът на грешка рядко стои сам по себе си. По-остра калкулация е свързана с предимството, което AI дава при цената, защото по-нисък необходим марж дава пространство в ценообразуването. Тя засяга и предимството, което AI дава при срока на доставка, защото част от маржа на грешка произтича от неопределеност в планирането. За да разберете дали вашият подход към маржа на грешка наистина е по-добър от този на сходни компании, първо трябва да е ясно кои са тези сходни компании; затова как се съставя peer group е първият въпрос, не последният.
Въпросът коя част от този конкретен калкулационен процес при тази конкретна компания вече може да бъде поета от AI, и коя част чака следкалкулационни данни, които все още не съществуват, се отговаря със скенера на работата на FTE TO AI, по задача.
Безплатната проверка на измерения ви позволява да посочите къде смятате, че печелите -- марж на грешка, цена, срок на доставка или нещо друго -- и показва кои от тези твърдения могат да бъдат защитени с доказателства и кои все още не. Пълният сравнителен анализ, с матрицата на доказателствата и сравнението в рамките на вашата peer group, е в процес на изграждане.