Perusahaan industri memanfaatkan analitik canggih, melalui kecerdasan buatan (Artificial Intelligence) Â dan pembelajaran mesin (Machine-Learning), untuk mendorong transformasi kualitas dan garansi ke tingkat berikutnya.
Bagi perusahaan yang ingin meningkatkan kinerja keuangan dan kepuasan pelanggan, jalan tercepat menuju sukses seringkali berupa transformasi kualitas produk yang berfokus pada pengurangan biaya garansi. Masalah kualitas dapat ditemukan di semua industri, dan bahkan perusahaan terbaik pun dapat memiliki titik lemah dalam sistem kualitas mereka. Masalah ini dapat menyebabkan kecelakaan, kegagalan, atau penarikan produk yang merusak reputasi perusahaan. Mereka juga menciptakan kebutuhan untuk tindakan pencegahan yang meningkatkan total biaya kualitas. Hasil akhirnya seringkali berupa buruknya kepuasan pelanggan dan menurunkan pertumbuhan lini atas, serta biaya tambahan yang merusak profitabilitas lini bawah.
Nilai yang dipertaruhkan sangatlah signifikan. Di industri maju --- seperti otomotif dan perakitan, elektronik canggih, semikonduktor, dan peralatan --- biaya jaminan tahunan bisa mencapai 5 persen dari pendapatan produk, dengan rata-rata 2 hingga 3 persen. Sebagian besar dari angka itu langsung membebani margin bersih. Oleh karena itu, seberapa baik perusahaan menangani biaya dan proses kualitas dan garansi sangat penting bagi kinerja bisnisnya secara keseluruhan.
Untuk mengubah kualitas dan garansi, perusahaan industri terkemuka menggabungkan alat tradisional dengan teknik "kecerdasan buatan"/ Artificial-Intelligence (AI) dan "pembelajaran mesin"/ Machine-Learning (ML) terbaru. Pendekatan gabungan memungkinkan produsen untuk mengurangi total biaya kualitas, memastikan bahwa produk mereka bekerja dengan baik, dan meningkatkan harapan pelanggan. Dampak dari transformasi yang dirancang dengan baik dan dilaksanakan dengan ketat sehingga melampaui pengurangan biaya untuk memasukkan laba dan pendapatan yang lebih tinggi juga.
Tekanan pada biaya kualitas semakin meningkat karena integrasi perangkat lunak dan perangkat keras meningkatkan kompleksitas produk. Selain itu, ekspektasi pelanggan tentang fitur produk terus meningkat, dengan berita buruk tentang produk yang berkembang pesat di dunia yang sangat terhubung. Namun meskipun tekanan meningkat, efektivitas pendekatan tradisional untuk memecahkan masalah kualitas (seperti analisis Pareto) menurun.
Mengingat kerumitan ini, solusi yang dikemas sebelumnya jarang berhasil. Selain itu, bahkan ketika solusi off-the-shelf terbukti efektif dalam konteks terbatas, perusahaan biasanya kesulitan untuk menskalakannya di seluruh lini produk --- dan mungkin menemukan bahwa utilitas mereka menurun dengan rilis produk yang berurutan.
Oleh karena itu, perusahaan sudah saatnya menggunakan teknik baru yang menghasilkan manfaat nyata. Menambahkan alat tradisional dengan teknik Artificial-Intelligence (AI) dan Machine-Learning (ML) memungkinkan perusahaan industri memperoleh sejumlah manfaat yang dapat diukur, serta biaya menjadi lebih murah. Â Perusahaan telah mengurangi total biaya kualitas dengan menghasilkan lebih sedikit klaim, serta memperoleh porsi yang signifikan (seringkali hingga 30 persen) dari biaya garansi. Terobosan ini dapat mendorong peningkatan margin yang cukup besar dalam waktu dekat dan seringkali 2% hingga 5% pendapatan dalam jangka panjang.
Dengan menambahkan AI dan ML, keandalan menjadi lebih tinggi karena dapat mengidentifikasi dan mengurangi masalah dan risiko lebih awal dan lebih cepat memastikan bahwa pelanggan melihat lebih sedikit peristiwa waktu henti yang tidak direncanakan dan waktu henti yang direncanakan lebih pendek. Sehingga dengan demikian reputasi meningkat. Seiring waktu, meningkatkan persepsi merek pelanggan dengan produk berkinerja tinggi dapat meningkatkan pangsa pasar.
Pengalaman pelanggan yang mulus. Mengurangi beberapa langkah penyerahan, sengketa, dan penyelesaian yang melekat dalam klaim (baik di antara fungsi dalam satu perusahaan atau lintas tingkatan pemasok) menghasilkan pengalaman ujung ke ujung yang lebih baik. Produk yang lebih baik. Meningkatkan pemecahan masalah akar penyebab dan mengkodifikasi pelajaran yang didapat dalam proses garansi ujung ke ujung dapat membantu tim pengembangan produk merancang produk yang lebih baik di masa mendatang.
Manfaat yang paling utama adalah menghasilkan dampak keuangan yang lebih baik melalui biaya jaminan yang lebih rendah, biaya operasi yang lebih rendah, dan pendapatan yang meningkat.
Namun demikian, beberapa pendekatan peningkatan kualitas tradisional merupakan prasyarat bagi perusahaan yang ingin mengubah praktik kualitas produk mereka. Pendekatan ini memberikan seperangkat alat dasar untuk memecahkan berbagai masalah kualitas --- dan menangkap nilai yang signifikan jika dilengkapi dengan teknik AI dan ML.
Buat kumpulan data yang komprehensif dan kategorikan penyebab utama. Dengan mengkategorikan penyebab ke dalam desain, pemasok, manufaktur, dan masalah lainnya (seperti distribusi dan pemasangan), perusahaan dapat menetapkan tim yang sesuai dan menerapkan pendekatan yang tepat untuk mengatasi setiap penyebab.
Ubah pembagian garansi dan akuntabilitas pemasok. Untuk memastikan bahwa pemasok berbagi tanggung jawab atas klaim, perusahaan dapat mempertimbangkan untuk menambahkan syarat dan ketentuan baru dalam kontrak pemasok, dan menyesuaikan insentif yang sesuai. Perusahaan juga dapat bersiap untuk menjalankan sprint pemulihan saat bernegosiasi tentang cara menangani masalah yang disebabkan pemasok. Tindakan ini membantu perusahaan memulihkan bagian biaya yang adil dari pemasok yang menyebabkan masalah.
Terapkan analisis akar penyebab yang kuat. Analisis ini memungkinkan perusahaan untuk mengidentifikasi dan mengatasi akar penyebab sebenarnya di balik masalah kualitas, dan secara bersamaan membangun kemampuan tim peningkatan kualitas.
Tingkatkan manajemen kinerja. Perusahaan dapat membuat visibilitas seputar data garansi dengan melacak kemajuan peningkatan kualitas dengan cermat melalui KPI (Key Performance Indicator) berjenjang (seperti waktu untuk mengidentifikasi dan waktu untuk memperbaiki), dasbor visual, dan rapat kinerja.
Kelola kolaborasi lintas fungsi dengan dukungan kepemimpinan senior. Kolaborasi sangat penting untuk mengubah pola pikir dan perilaku, seperti berpikir bahwa biaya jaminan tidak dapat dikelola karena kesulitan dalam mengidentifikasi akar penyebab, menafsirkan klaim lama, atau menganalisis siklus tugas. Hal ini juga membantu untuk memfasilitasi perubahan budaya dalam organisasi yang mempromosikan pola pikir yang lebih berfokus pada kualitas.
Perusahaan dapat menggunakan teknik AI dan ML baru untuk menyempurnakan pendekatan tradisional ini, mengatasi peningkatan kompleksitas masalah kualitas, dan mendapatkan nilai tambahan. Lima tuas, khususnya, dapat memungkinkan perubahan langkah dalam kinerja biaya kualitas, yaitu sebagai berikut:
- Buat model AI untuk mengidentifikasi tren mikro (seperti akar penyebab masalah serupa), memungkinkan tim mengidentifikasi masalah kualitas berbulan-bulan sebelum berubah menjadi klaim dan memengaruhi pelanggan.
- Buat alur kerja digital dan sistem pelacakan masalah kualitas untuk mempercepat pemulihan pemasok, mencegah terulangnya masalah, mengukur efektivitas perbaikan, dan melacak tindakan korektif.
- Gunakan analitik prediktif berbasis ML untuk memprioritaskan masalah kualitas berdasarkan pelanggan yang diproyeksikan dan dampak internal, untuk memfokuskan upaya perbaikan dan kapasitas pada masalah yang paling penting.
- Memanfaatkan model kausal berbasis ML / AIÂ untuk mempercepat pemecahan masalah akar penyebab, terutama untuk masalah kualitas yang tidak umum atau terputus-putus.
- Gunakan ML tanpa pengawasan untuk mengidentifikasi produk yang kemungkinan gagal, memungkinkan perusahaan untuk hanya memperbaiki populasi yang ditargetkan (yaitu, kelompok produk yang dibuat atau digunakan dengan cara tertentu) dan mengurangi jumlah tindakan lapangan yang diperlukan.
Penskalaan dan mempertahankan penangkapan nilai lebih mungkin terjadi ketika perusahaan sepenuhnya mengintegrasikan solusinya ke dalam proses kualitasnya sehingga dapat diadopsi oleh pengguna akhir. Selain itu, perusahaan yang paling sukses biasanya berfokus pada pembangunan kapabilitas internal, bukan hanya solusi, sehingga wawasan dapat berkembang dengan setiap rilis produk baru.
Penulis,
Merza Gamal
Author of Change Management & Cultural Transformation
Former AVP Corporate Culture at Biggest Bank Syariah
