以数据为支点 驱动绩效持续改进
点击量：发布时间：2019-11-19 10:41
作为一种循证实践式的思考方式，绩效改进在落地应用时，必须“以数据支撑，用事实说话”。
在绩效改进的过程中，“数据”一直扮演着至关重要的角色。作为一种循证实践（Evidence-based Practice，EBP）式的思考方式，绩效改进在落地应用时，必须“以数据支撑，用事实说话”（见CASE）。在当下以大数据、云计算和人工智能为代表的新时代，数据更成为驱动绩效改进最珍贵的资源。
CASE 借数据之力 筑改进之路
作为一个大型连锁品牌，S公司为了强化虚拟网络与实体店面的同步发展，组建了绩效改进项目团队，旨在提高公司新开发APP的销售收入。
在APP发布的数月前，S公司展开了猛烈的广告攻势，初始下载量一举突破100万次。但同时他们发现，初期用户中，有相当一部分人并不使用APP来购物。因此，团队面临的首要课题是，如何让APP用户活跃起来并产生收益。对此，团队借助积累下的用户监测数据，进入了以数据驱动的绩效改进循环。
分析数据
首先，项目负责人和数据分析师按照消费活跃度将用户进行分类，区别出具有明显特征的用户群体。同时，营销专家开展了一系列用户调查，获取用户的基本信息、购物习惯、最喜欢的APP、移动设备使用情况等。最后，总结出活跃消费用户的三个典型特征：
平均订单金额略高于免运费门槛39元;
会重复购买某类商品；
大部分是从公司网页跳转到APP。
提出想法
充分讨论数据结果后，负责人给团队成员发放《想法提议表》，鼓励每个人提出自己的想法并打分。有的想法旨在吸引还未购买的用户下第一笔订单；有的吸引活跃用户更频繁地消费、增加单笔订单金额；还有人提出打造“购物清单”，保存用户之前下单的商品，使他们可以更方便地回购（见图表1）。随后，项目组把所有《想法提议表》收集归类，形成“想法储备库”。
排定次序
接着，项目组从适应性、可行性和简易性三个维度，对收到的4个想法进行评分，并确定了最终测试顺序（见图表2）。
有效测试
排序结果出炉后，团队开始着手进行技术开发并测试。为了保证测试结果的有效性，数据分析师按照99%的置信水平确定了对照组和实验组，每组2万个用户。一切准备就绪后，负责人向公司所有同事发送了试验启动通知。
经过4次测试，团队决定综合运用“增加购物清单功能”和“提高39元以上订单免运费规则的可见度”两个方法，来提升APP活跃用户的平均消费额。在此基础上，团队又回过头来，将注意力重新聚焦到吸引更多用户上，从而实现了APP销售收入的持续增长。
从理论上讲，数据是一切绩效改进的奠基石，DIKW模型（见图表3）充分印证了这一点。该模型作为一条从“噪音”中分拣数据、转化为信息、升级为知识、进而升华为智慧的路径，与绩效改进所认为的“成功就是朝一个正确的方向持续地积累”一脉相承。
首先，人们通过原始的观察和度量获得数据（Data）；随后，分析数据间的关系，从而获取信息（Information）；接着，在行动中应用信息，由此产生知识（Knowledge）；最后，在知识的基础上，通过经验、阅历、见识的累积，形成对事物的深刻认知乃至预判，凝结为智慧（Wisdom）。根据DIKW模型，我们不仅可以进一步明确并细化工作绩效数据（D）、绩效信息（I）和绩效报告（同时包含I、K和W）等概念，还能充分借助当下大数据之势，为绩效改进循环提速。
绩效改进循环实际上是以数据驱动为核心而构建的，我们将这一过程分解为“分析数据—提出想法—排定次序—有效测试”四个环节（见图表4），探索出一套利用数据持续改进绩效的实用方案。
分析数据 以业务为核心
挖掘业务含义、理解想要关联的业务场景和结果，是数据分析的核心前提。因此，当我们面对业务部门提出的需求时，首先要深入了解对方想要改进的内容究竟是什么，再据此确定衡量指标。
其次，着手制定数据采集规划，确定自己需要哪些数据、如何采集、以何种方式记录以及由谁负责。随后，对采集来的数据质量进行分析评估，针对其中暴露出的问题给出解决方案，并再次调整、优化。得益于今天的技术优势，数据采集在企业绩效改进中得到了创新应用。
网络数据采集法
通过网络爬虫等方式获取数据信息。这种方法可以将非结构化数据从网页中抽取出来，并以结构化的方式将其存储为统一的本地数据文件。而对于网络流量的采集，还可以使用带宽管理技术来处理。
系统日志采集法
运用系统日志采集工具，如Facebook Scribe、Hadoop Chukwa等，实现海量数据采集。这些工具均采用分布式架构，能够满足每秒数百兆的日志数据采集和传输需求。
特定系统数据采集法
对于企业生产经营数据等保密性要求较高的信息，可以使用特定系统接口等方式进行采集。
在分析师研究数据时，业务专家要同步展开专业性的调查和采访，这也是数据分析环节的最后一步。当双方的工作均告一段落后，要将数据分析和专业调研的所有结果汇总起来，编写成报告，发送给所有团队成员。
提出想法 不设任何限制
正如双重诺贝尔奖得主莱纳斯·卡尔·鲍林（Linus Carl Pauling）所言：“如果你想拥有好的想法，你必须先有很多想法。”因此，提出想法环节可以不设任何门槛，鼓励所有团队成员尽可能多地贡献思路，同时收集来自公司不同部门的意见和建议，甚至还会从合作伙伴和第三方供应商中集思广益。
这里需要强调的是，当每个人提出自己的想法时，我们要尽最大可能帮助他们克服“自我质疑”，要让他们知道，一切想法都是受欢迎的。
为了便于管理，所有想法都需要按照一个事先制定好的模板来提交，形成“想法储备库”——想法中必须清晰地阐述团队应当做出怎样的具体改变，以及这一做法可能推动绩效改进的原因，同时还要说明衡量结果的具体方法。
排定次序 打有准备之仗
至此，我们在“想法储备库”中已经汇聚了一系列好点子。那么，如何在众多想法中确定哪一个最合适、最有效呢？答案只有“测试”。
可是，数量庞杂的想法不可能同时展开测试，这就需要对其进行评估、排序，确定测试的先后次序。实际操作时，我们可以结合以下六个评估维度，以10分为满分，根据每个团队的具体情况制定评分标准（见图表5）。
需要性
想法所针对的问题是急需被解决的。
适当性
想法能够很好地解决问题或达到期望的目标。
可行性
想法在现有的时间、金钱、人力等资源条件下可以实施。
经济性
想法带来的价值大于所付出的代价。
简易性
想法实施的难易程度适中。
接受性
一是组织接受，该想法能够被现有的组织文化所接纳；二是个人接受，该想法不会被个体拒绝或排斥。
需要强调的是，评分标准应当和想法模板一起提供给提交者，并要求他们为自己的想法打分。同时，团队负责人还可以基于过往经验以及其他成员的意见，提出分数调整建议。此外，所有团队成员都可以查看“想法储备库”，从中挑选出他们认为最有潜力的想法，在团队会议上推荐、研讨，最后共同排定测试的顺序和启动时间。
有效测试 寻找最佳答案
一旦选出需要马上测试的想法和项目后，负责人就要开始筹备并部署试验了。这一环节有三件事需要负责人尽快落实：
组织团队相关成员，开发需要测试的标的；
与数据分析师一起制定数据采集计划，并保证试验结果可以正常追踪；
向全公司所有同事发送试验启动通知，以保证其他相关团队知晓试验情况。
糟糕的试验不仅意味着团队失去了一次宝贵的学习机会，而且还会减缓整体工作进度；此外，它所产生的错误数据更会误导团队走错方向。因此，对每个想法的筛选和测试都应当慎之又慎，确保每次试验都能产生有效结果。这里有两条高效经验法则可供借鉴。
一是采用99%的置信水平（见TIP），这意味着100次测试里只能有一次结果与预估不符，从而大大降低选错试验的风险；二是永远以对照组为依据，把测试当作实验组与对照组之间的比赛——若双方打成平手，则对照组获胜。
TIP 置信水平
“置信水平”表示样本统计值的精确度，指的是样本统计值落在参数值某个正负区间内的概率。99%的置信水平可以理解为，试验产生的数据结果精确度为99%。
可以预见，随着新兴技术的快速发展和广泛应用，未来越来越多的企业将着手构建自身驾驭数据的能力，从而激活数据资产动能，踏上以数据为支点、驱动绩效持续改进的旅程。
在绩效改进的过程中，“数据”一直扮演着至关重要的角色。作为一种循证实践（Evidence-based Practice，EBP）式的思考方式，绩效改进在落地应用时，必须“以数据支撑，用事实说话”（见CASE）。在当下以大数据、云计算和人工智能为代表的新时代，数据更成为驱动绩效改进最珍贵的资源。
CASE 借数据之力 筑改进之路
作为一个大型连锁品牌，S公司为了强化虚拟网络与实体店面的同步发展，组建了绩效改进项目团队，旨在提高公司新开发APP的销售收入。
在APP发布的数月前，S公司展开了猛烈的广告攻势，初始下载量一举突破100万次。但同时他们发现，初期用户中，有相当一部分人并不使用APP来购物。因此，团队面临的首要课题是，如何让APP用户活跃起来并产生收益。对此，团队借助积累下的用户监测数据，进入了以数据驱动的绩效改进循环。
分析数据
首先，项目负责人和数据分析师按照消费活跃度将用户进行分类，区别出具有明显特征的用户群体。同时，营销专家开展了一系列用户调查，获取用户的基本信息、购物习惯、最喜欢的APP、移动设备使用情况等。最后，总结出活跃消费用户的三个典型特征：
平均订单金额略高于免运费门槛39元;
会重复购买某类商品；
大部分是从公司网页跳转到APP。
提出想法
充分讨论数据结果后，负责人给团队成员发放《想法提议表》，鼓励每个人提出自己的想法并打分。有的想法旨在吸引还未购买的用户下第一笔订单；有的吸引活跃用户更频繁地消费、增加单笔订单金额；还有人提出打造“购物清单”，保存用户之前下单的商品，使他们可以更方便地回购（见图表1）。随后，项目组把所有《想法提议表》收集归类，形成“想法储备库”。
排定次序
接着，项目组从适应性、可行性和简易性三个维度，对收到的4个想法进行评分，并确定了最终测试顺序（见图表2）。
有效测试
排序结果出炉后，团队开始着手进行技术开发并测试。为了保证测试结果的有效性，数据分析师按照99%的置信水平确定了对照组和实验组，每组2万个用户。一切准备就绪后，负责人向公司所有同事发送了试验启动通知。
经过4次测试，团队决定综合运用“增加购物清单功能”和“提高39元以上订单免运费规则的可见度”两个方法，来提升APP活跃用户的平均消费额。在此基础上，团队又回过头来，将注意力重新聚焦到吸引更多用户上，从而实现了APP销售收入的持续增长。
从理论上讲，数据是一切绩效改进的奠基石，DIKW模型（见图表3）充分印证了这一点。该模型作为一条从“噪音”中分拣数据、转化为信息、升级为知识、进而升华为智慧的路径，与绩效改进所认为的“成功就是朝一个正确的方向持续地积累”一脉相承。
首先，人们通过原始的观察和度量获得数据（Data）；随后，分析数据间的关系，从而获取信息（Information）；接着，在行动中应用信息，由此产生知识（Knowledge）；最后，在知识的基础上，通过经验、阅历、见识的累积，形成对事物的深刻认知乃至预判，凝结为智慧（Wisdom）。根据DIKW模型，我们不仅可以进一步明确并细化工作绩效数据（D）、绩效信息（I）和绩效报告（同时包含I、K和W）等概念，还能充分借助当下大数据之势，为绩效改进循环提速。
绩效改进循环实际上是以数据驱动为核心而构建的，我们将这一过程分解为“分析数据—提出想法—排定次序—有效测试”四个环节（见图表4），探索出一套利用数据持续改进绩效的实用方案。
分析数据 以业务为核心
挖掘业务含义、理解想要关联的业务场景和结果，是数据分析的核心前提。因此，当我们面对业务部门提出的需求时，首先要深入了解对方想要改进的内容究竟是什么，再据此确定衡量指标。
其次，着手制定数据采集规划，确定自己需要哪些数据、如何采集、以何种方式记录以及由谁负责。随后，对采集来的数据质量进行分析评估，针对其中暴露出的问题给出解决方案，并再次调整、优化。得益于今天的技术优势，数据采集在企业绩效改进中得到了创新应用。
网络数据采集法
通过网络爬虫等方式获取数据信息。这种方法可以将非结构化数据从网页中抽取出来，并以结构化的方式将其存储为统一的本地数据文件。而对于网络流量的采集，还可以使用带宽管理技术来处理。
系统日志采集法
运用系统日志采集工具，如Facebook Scribe、Hadoop Chukwa等，实现海量数据采集。这些工具均采用分布式架构，能够满足每秒数百兆的日志数据采集和传输需求。
特定系统数据采集法
对于企业生产经营数据等保密性要求较高的信息，可以使用特定系统接口等方式进行采集。
在分析师研究数据时，业务专家要同步展开专业性的调查和采访，这也是数据分析环节的最后一步。当双方的工作均告一段落后，要将数据分析和专业调研的所有结果汇总起来，编写成报告，发送给所有团队成员。
提出想法 不设任何限制
正如双重诺贝尔奖得主莱纳斯·卡尔·鲍林（Linus Carl Pauling）所言：“如果你想拥有好的想法，你必须先有很多想法。”因此，提出想法环节可以不设任何门槛，鼓励所有团队成员尽可能多地贡献思路，同时收集来自公司不同部门的意见和建议，甚至还会从合作伙伴和第三方供应商中集思广益。
这里需要强调的是，当每个人提出自己的想法时，我们要尽最大可能帮助他们克服“自我质疑”，要让他们知道，一切想法都是受欢迎的。
为了便于管理，所有想法都需要按照一个事先制定好的模板来提交，形成“想法储备库”——想法中必须清晰地阐述团队应当做出怎样的具体改变，以及这一做法可能推动绩效改进的原因，同时还要说明衡量结果的具体方法。
排定次序 打有准备之仗
至此，我们在“想法储备库”中已经汇聚了一系列好点子。那么，如何在众多想法中确定哪一个最合适、最有效呢？答案只有“测试”。
可是，数量庞杂的想法不可能同时展开测试，这就需要对其进行评估、排序，确定测试的先后次序。实际操作时，我们可以结合以下六个评估维度，以10分为满分，根据每个团队的具体情况制定评分标准（见图表5）。
需要性
想法所针对的问题是急需被解决的。
适当性
想法能够很好地解决问题或达到期望的目标。
可行性
想法在现有的时间、金钱、人力等资源条件下可以实施。
经济性
想法带来的价值大于所付出的代价。
简易性
想法实施的难易程度适中。
接受性
一是组织接受，该想法能够被现有的组织文化所接纳；二是个人接受，该想法不会被个体拒绝或排斥。
需要强调的是，评分标准应当和想法模板一起提供给提交者，并要求他们为自己的想法打分。同时，团队负责人还可以基于过往经验以及其他成员的意见，提出分数调整建议。此外，所有团队成员都可以查看“想法储备库”，从中挑选出他们认为最有潜力的想法，在团队会议上推荐、研讨，最后共同排定测试的顺序和启动时间。
有效测试 寻找最佳答案
一旦选出需要马上测试的想法和项目后，负责人就要开始筹备并部署试验了。这一环节有三件事需要负责人尽快落实：
组织团队相关成员，开发需要测试的标的；
与数据分析师一起制定数据采集计划，并保证试验结果可以正常追踪；
向全公司所有同事发送试验启动通知，以保证其他相关团队知晓试验情况。
糟糕的试验不仅意味着团队失去了一次宝贵的学习机会，而且还会减缓整体工作进度；此外，它所产生的错误数据更会误导团队走错方向。因此，对每个想法的筛选和测试都应当慎之又慎，确保每次试验都能产生有效结果。这里有两条高效经验法则可供借鉴。
一是采用99%的置信水平（见TIP），这意味着100次测试里只能有一次结果与预估不符，从而大大降低选错试验的风险；二是永远以对照组为依据，把测试当作实验组与对照组之间的比赛——若双方打成平手，则对照组获胜。
TIP 置信水平
“置信水平”表示样本统计值的精确度，指的是样本统计值落在参数值某个正负区间内的概率。99%的置信水平可以理解为，试验产生的数据结果精确度为99%。
可以预见，随着新兴技术的快速发展和广泛应用，未来越来越多的企业将着手构建自身驾驭数据的能力，从而激活数据资产动能，踏上以数据为支点、驱动绩效持续改进的旅程。
（转载自：培训杂志 文/王山泓 易虹）
返回
上一篇：培训需求调研问卷“诞生记”
下一篇：应对挑战 发展未来领导力