Скажем, ваша цель - увеличить количество клиентов, которых вы обслуживаете каждый день. Возможно, вы управляете городским офисом, обрабатывающим заявки на талоны на питание, или, возможно, вы предлагаете техническую поддержку для продукта вашей компании. Сколько клиентов вы обслуживаете онлайн, лично и по телефону? Какое среднее время для решения проблемы в каждом из этих каналов? Какие типы запросов клиентов занимают больше всего времени, и какие могут быть обработаны целесообразно?
Если вы не можете ответить на эти вопросы, вы настраиваете себя на неудачу еще до того, как начинаете пытаться.
В наши дни принятие решений на основе данных - это образ жизни, от мэрии до корпоративного зала заседаний. Если у вас есть цифры, чтобы продиктовать ход действий, вы думаете: зачем вам использовать свое сердце или разум? Но в стремлении подкрепить каждое движение холодными и точными данными, можно легко спутать любые старые числа с полезными числами. Не все данные созданы одинаковыми, и лучший способ обеспечить сбор правильных данных - это разработать правильный набор показателей производительности.
Итак, как вы решаете, какие показатели помогут вам, а какие просто отвлекут вас от основных проблем? Вот пять распространенных ошибок, которые люди допускают при работе с данными, и несколько советов, как их избежать.
Ошибка № 1: Достаточно иметь метрики
Это правда, что измерять немного лучше, чем ничего не измерять. Но слишком многие люди удовлетворены тем, что могут просто произнести слово «метрики» руководителю, и слишком много руководителей предполагают, что, если их команда вообще что-то считает, они должны что-то делать правильно.
Данные полезны только в том случае, если они позволяют измерять и управлять качеством производительности. Это означает, что, например, Департаменту зданий не обязательно важно подсчитывать, сколько зданий прошло инспекцию, поскольку ему необходимо знать типы ссылок, которые привели к их отказу, количество проверок, которые каждый инспектор провел за один день, и сколько зданий исправили свои нарушения в течение одного или двух месяцев после первоначального осмотра. Этот более богатый набор данных покажет неэффективность процесса проверки и позволит департаменту работать над улучшением стандартов безопасности.
Ошибка № 2: чем больше метрик, тем лучше
Распространенным заблуждением является то, что если что-то можно посчитать, то оно должно быть посчитано. Я сделал ошибку, разместив вкладки и вкладки метрик в электронной таблице, но обнаружил, что усилия, необходимые для сбора данных, - это не только расход времени, но и время людей, которым поручено выполнять работу, которую мы пытаемся измерить.
Вы никогда не хотите, чтобы ваш мониторинг производительности был настолько обременительным, что он фактически снижает производительность. При разработке набора метрик это помогает начать с мозгового штурма всего, что вы можете измерить, затем расставить приоритеты по 10 основным показателям, которые дадут наиболее важную информацию о вашей программе. Начните с управляемой нагрузки и постепенно добавляйте больше - пока усилия, необходимые для сбора данных, окупятся полезными наблюдениями и возможностями для улучшения.
Ошибка № 3: Ценностные суждения должны быть присвоены томам
На первый взгляд может показаться интуитивно понятным, что больше ответов на вызовы лучше, чем меньше ответов. Но представьте, что для того, чтобы выжать лишние пять звонков в час, качество каждого звонка ставится под угрозу. Меньше информации собирается, и меньше проблем решается. Абоненты не удовлетворены первым звонком, поэтому они звонят во второй или третий раз, еще больше увеличивая ваши номера звонков, но затрачивая дополнительное время и не решая причины, по которым звонки поступают в первую очередь. Возможно, звонки, которые длятся дольше, но более адекватно отвечают на вопросы вызывающего абонента, в конечном итоге предотвращают повторные звонки, тем самым делая мышление с более равными взглядами не просто ошибочным, но обратным.
Также важно понимать, что многие метрики, если их считать абсолютными числами, не особенно полезны. Без контекста число более или менее бессмысленно. Любой числитель заслуживает знаменателя, и чистые числа должны быть представлены в процентах от общего числа. Например, перемещение 1000 бездомных с улицы и во временное жилье похвально. Но если цель состоит в том, чтобы создать жилье для 20 000 бездомных, тогда важно признать, что вы находитесь всего в 5% пути.
Ошибка № 4: пусть числа говорят сами за себя
Опасно полагать, что цифры рассказывают всю историю. Лучше думать о данных не как орудие для курения, а как след о сухарях. Метрики могут указать вам на проблемные области или предупредить вас о потенциальной проблеме, которую вы могли не заметить иначе. Но пока вы не копаетесь голыми руками, цифры - это просто цифры. Выявление корня проблемы часто включает в себя опрос людей, которые работают близко к данному вопросу, наблюдают за качественными данными и разбираются в них. Метрики отражают результат, но не первопричину.
Вы можете обнаружить, что количество времени для завершения процесса подачи заявок увеличилось на пять дней. Но не думайте, что клерки тратят весь день на промедление с BuzzFeed . Несколько простых вопросов могут показать, что недавние маркетинговые усилия успешно привели к 20% увеличению числа заявок, или новые законодательные изменения добавили шаг в процесс. Пусть ваши цифры заставят вас сосредоточиться на вопросах, а не принимать их в качестве ответов.
Ошибка № 5: если это хорошая метрика сейчас, то это будет хорошая метрика позже
Проблемы меняются и меняются, как и цели. Возможно, первоначальный набор метрик позволил вам решить проблему с запоздалыми сроками обработки контрактных документов. Однако, как только эта проблема будет решена, важно не останавливаться на достигнутом. Скорее всего, эта метрика может быть улучшена в дальнейшем, или есть совершенно другая проблемная область, требующая внимания.
Сделайте точку пересмотра ваших метрик каждые три-шесть месяцев, чтобы убедиться, что они по-прежнему имеют смысл в текущем контексте. Скорее всего, вы обнаружите, что некоторые из них устарели, а другие требуют настройки. Но будьте осторожны при принятии решения об изменении метрики. Изменение способа измерения определенного фрагмента данных может сделать исторические данные менее полезными и нарушить непрерывность собираемых вами данных. Это не означает, что метрики не должны адаптироваться с течением времени, только то, что решение не должно приниматься легко.
Данные являются наукой и заслуживают того, чтобы с ними обращались. Если вы потратите время на то, чтобы приблизиться к метрикам из определенного места, вы сможете постоянно оценивать свои усилия и вносить существенные улучшения.
