Lad os sige, at dit mål er at øge antallet af kunder, du betjener hver dag. Måske har du et bykontor, der behandler ansøgninger om madstempler, eller måske tilbyder du teknisk support til din virksomheds produkt. Hvor mange kunder betjener du online, personligt og over telefonen? Hvad er den gennemsnitlige tid til at løse et problem i hver af disse kanaler? Hvilke typer kundeanmodninger tager længst, og hvilke kan håndteres hensigtsmæssigt?
Hvis du ikke kan besvare disse spørgsmål, indstiller du dig selv til at mislykkes, inden du selv begynder at prøve.
Datadrevet beslutningstagning er en livsstil i disse dage, fra rådhus til virksomhedens bestyrelseslokale. Hvis du har numrene til at diktere et handlingsforløb, går tanken over, hvorfor skulle du bruge dit hjerte eller dit sind? Men i stræben efter at tage backup af hver bevægelse med kolde, hårde data, kan det være let at forveksle alle gamle numre til nyttige tal. Ikke alle data oprettes lige, og den bedste måde at sikre, at du indsamler de rigtige data, er at udvikle det rigtige sæt præstationsmetrikker.
Så hvordan bestemmer du, hvilke målinger der hjælper dig, og hvilke der bare vil distrahere dig fra de centrale problemer? Her er fem almindelige fejl, som folk begår, når de behandler data, og nogle tip til at undgå dem.
Fejl nr. 1: Bare det at have metrics er nok
Det er sandt, at det er bedre at måle lidt end måle noget. Men for mange mennesker er tilfredse med kun at være i stand til at udtale ordet "måling" til en vejleder, og for mange vejlederer antager, at hvis deres team tæller noget overhovedet, skal de gøre noget rigtigt.
Data er kun nyttige, hvis de giver dig mulighed for at måle og administrere ydelseskvalitet. Dette betyder, at det ikke nødvendigvis er så vigtigt for, for eksempel, Bygningsafdelingen at tælle, hvor mange bygninger bestået inspektion, da det er for det at kende de typer citater, der fik dem til at mislykkes, antallet af inspektioner, hver inspektør gennemførte på en dag, og hvor mange bygninger korrigerede deres overtrædelser inden for en eller to måneder efter den første inspektion. Dette rigere datasæt afslører ineffektivitet i inspektionsprocessen og giver afdelingen mulighed for at arbejde for bedre sikkerhedsstandarder.
Fejl nr. 2: Jo flere beregninger, desto bedre
En almindelig misforståelse er, at hvis der kan tælles noget, skal det tælles. Jeg har begået en fejltagelse ved at lægge faner og faner med målinger på et regneark, kun for at finde ud af, at den krævede indsats for at indsamle dataene er et afløb for ikke kun min tid, men tiden for de personer, der er udpeget til at udføre selve arbejde vi prøver at måle.
Du vil aldrig have, at din præstationsovervågning skal være så belastende, at den faktisk forhindrer ydeevnen i sig selv. Når du kommer med et sæt metrics, hjælper det med at starte med at brainstorme alt hvad du muligvis kan måle og derefter prioritere de top 10 indikatorer, der giver de mest kritiske oplysninger om dit program. Start med en håndterbar belastning, og tilføj gradvist mere - så længe den krævede indsats for at indsamle dataene vil betale sig selv i nyttige observationer og muligheder for forbedring.
Fejl nr. 3: Værdimæssige domme skal tildeles til bind
På overfladen kan det virke intuitivt, at flere besvarede opkald er bedre end færre besvarede opkald. Men forestil dig, at kvaliteten af hvert opkald kompromitteres for at kunne presse yderligere fem opkald i timen. Mindre information indsamles, og færre problemer behandles. Opkaldere er ikke tilfredse med det første opkald, så de ringer en anden eller en tredje gang, hvilket øger dine opkaldsnumre yderligere, men tager ekstra tid og undlader at løse årsagerne til, at opkaldene kommer i første omgang. Måske ender opkald, der varer et minut længere, men mere passende adressering af den, der ringer op, ender med at forhindre gentagne opkald, hvilket gør den mere ligestillede-bedre tankegang ikke bare forkert, men baglæns.
Det er også vigtigt at indse, at mange målinger, når de regnes som absolutte tal, ikke er særlig nyttige. Uden kontekst er et tal mere eller mindre meningsløst. Enhver tæller fortjener en nævner, og rene tal skal repræsenteres som en procentdel af det samlede beløb. For eksempel er det prisværdigt at flytte 1.000 hjemløse fra gaden og ind i midlertidige boliger. Men hvis målet er at skabe boliger til 20.000 hjemløse, er det vigtigt at erkende, at du kun er 5% af vejen dertil.
Fejl nr. 4: Lad numrene tale for sig selv
Det er farligt at antage, at tal fortæller hele historien. Det er bedre at tænke på data ikke som en rygerpistol, men som et spor af brødkrummer. Metrics kan pege dig mod problemområder eller advare dig om et potentielt problem, som du måske ikke ellers har bemærket. Men indtil du graver dig ind med dine blotte hænder, er tallene netop det - tal. Afdækning af roden til et problem involverer ofte at interviewe de mennesker, der arbejder tæt på den aktuelle sag, observere og give mening om kvalitative data. Metrics afspejler et resultat, men ikke en grundårsag.
Du finder måske ud, at mængden af tid til at gennemføre en arkiveringsproces er steget med fem dage. Men antag ikke automatisk, at kontorister bruger hele dagen på at udskyde BuzzFeed . Et par enkle spørgsmål kan afsløre, at en nylig markedsføringsindsats med succes gav 20% stigning i ansøgninger, eller nyligt lovgivne ændringer tilføjede et trin til processen. Lad dine numre føre dig til at fokusere på områder, der stilles spørgsmålstegn ved, i stedet for at tage dem som svarene i sig selv.
Fejl nr. 5: Hvis det er en god metrisk nu, vil det være en god metrisk senere
Problemer skifter og ændres, ligesom mål gør. Måske et indledende sæt af målinger, der gjorde det muligt for dig at adressere forsinkede omdrejningstider på ordregivende papirer. Når dette problem først er løst, er det dog vigtigt ikke at hvile på dine laurbær. Chancerne er, at metrikken kan forbedres yderligere, eller der er et helt andet problemområde, der beder om opmærksomhed.
Sørg for at revidere dine målinger hver tredje til seks måned for at sikre dig, at de stadig giver mening i den aktuelle kontekst. Du finder sandsynligvis ud, at nogle er forældede, og andre kræver finjustering. Men pas på, når du beslutter at ændre en metrisk. Ændring af den måde, du måler et bestemt stykke data på, kan gøre historiske data mindre nyttige og afbryde kontinuiteten i de data, du indsamler. Det betyder ikke, at målinger ikke bør tilpasses, når tiden går, kun at beslutningen ikke skal træffes let.
Data er en videnskab og fortjener at blive behandlet som sådan. Når du tager dig tid til at henvende dig til målinger fra et overvejet sted, kan du konstant evaluere din indsats og gennemføre meningsfulde forbedringer.
