如何做到管理的定量可视化——《数以达理》告诉你 | 践行者第21期

2023-09-07 13:04:37
践行者
原创
542
摘要：看任老师这次给我们带来了量化管理的哪些干货！


你是如何管理的？全靠直觉和经验，还是依靠逻辑判断？想从经验导向的决策转向更数据导向、科学导向的决策，我们又该如何做？

本期践行者邀请到了观众呼声超高的老朋友——软件过程与技术咨询顾问任甲林老师，看任老师这次给我们带来了量化管理的哪些干货吧！  
 

一、直播实录

Q1：《数以达理》的出发点是什么呢？

客户在量化管理实践中出现的问题比较多，所以有必要把如何做定量管理更加直观、通俗地展示出来。

定量管理实际上是一个很有意思的话题。在实践中，企业里存在着许多问题，比如有的企业没有意识到定量管理需要基于数据；有的企业不清楚如何具体进行了定量管理。所以，“如何做到管理的定量可视化”是一个非常有意义的话题。

在做定量管理时，很多企业是有很多数据的，但是众多的数据被闲置了，并没有发挥真正的作用。我们需要从这些数据里找出来有效的、能够给管理带来价值的结论。

Q2：为什么做了OKR或KPI仍达不到想要的结果？

第一，我们做简单的定量管理而不是复杂的定量管理。这可以理解为如果你用最简单、最直接、最朴素的手段能从数据中找到结论，就不需要采用更复杂的手段。
第二，所有的定量管理都应该聚焦于管理目标，即需要解决的问题是什么。围绕着需要解决的问题，我们再思考应该采集哪些度量数据。度量是为管理服务的，就像我们研发的系统是为客户服务的。所以，明白管理的需求是什么，才能更好地聚焦采集和分析数据，这一点特别重要。

Q3：我们该如何利用好企业、项目或软件开发的数据做决策？

我们通常会用到七种图表来展示数据：饼图、柱状图、折线图、雷达图、散点图、横条图、箱线图等。利用这些图形可以进行横向对比或纵向对比：如果想对一类数据做横向对比，可以采用饼图、柱状图、横条图；如果想进行纵向对比，可以采用折线图等。聚焦于要解决的问题设计这些图表，让阅读图表的人在最短的人找到管理的结论。

Q4：数据基线的定义、策略和标准有没有一些准则？

基线有两个含义：
  • 一组历史数据就可以被称为一个基线；
  • 这组数据的分布规律，例如分析出这组数据的平均值、分布区间、是否是正态分布等。
基线其实就是一种分布规律，不需要多么复杂，但有时候需要进行分类分析。比如公司中有的项目会采用敏捷开发方法、有的项目采用传统开发方法，不同类项目的生产率、质量的数据分布规律是不同的，这就需要区分不同类型的项目进行分析。

举个例子：上线之后，敏捷方式的项目是否比传统方式的项目质量更好？我们可以从过去项目中分别找出10个敏捷项目和10个传统项目分析其缺陷逃逸率（软件产品发布后发现的Bug数量与该软件产品在整个生命周期发现的所有Bug数量的比率）。通过对比这两组历史数据的分布规律，对比哪种方式在本公司内更有效。

总而言之，你能够通过数据基线看出公司当前的性能现状。
 

Q5：在度量或可视化管理的实践中遇到过什么坑？

最突出的问题是数据的真实性。很多企业尤其是大企业想通过定量数据进行考核，这就出现了数据被美化的问题。

举个例子，我曾做咨询时发现有家公司的工期偏差率的平均值达到90%左右，工作量偏差率只有20%左右，这两个数值差异特别大。

项目明明出现延期，但工作量没有同步增加。为啥呢？经过沟通了解到这家公司只对软件项目成本进行考核，而对工期不进行考核。于是就出现了这种情况：项目组在做工作量估算时，会将项目组成员的计划工作量多估算，而填写实际工作量的数值尽可能少。等项目结束后，工作量偏差率会比较小，但工期的数据是客观的。产品计划1月1日上线，却一直拖到6月1日，这是一个没有办法美化的客观存在，而这些客观数据才能真正反映公司的实际状况。

我们要注意两点：
第一、我们不提倡进行横向比较，否则大家就会自然而然地美化数据。建议考核采用下游提供的数据来考核上游，比如上游是开发，下游可能是运维，再往下游可能是客户，这会尽可能地规避掉数据的不真实。
 
第二、我们提倡纵向比较，进行自己数据的对比，从而了解自己的性能是否随着时间推移而发生改变。纵向比较很少出现数据美化的情况，因为不以考核为目的的数据对比就不存在造假的动力。
 

Q6：在做可视化定量管理时，您有哪些避坑指南？

第一点是“基于目标识别需要的数据”，再设计图表、展示数据、找到结论、影响目标的达成。最重要的是这一连串行为要“形成闭环”。

第二点是“目标聚焦”，如果目标太过发散，就不太好管理。如果目标是提高质量或效率，这个目标是比较明确的，接下来就可以思考如何用数据刻画目标、展示目标。

第三点是识别度量指标。假如我们的目标有3个，结果识别出100个度量指标来达成这个目标。这种情况会有些极端，我们可能根本用不上100个，因此只需要找5个或10个进行分析即可。

第四点，数据展示的原则是“设计的图表要易于找到管理的结论”。不管是折线图还是柱状图，哪种方式更容易找到结论，就用哪种数据展现方式。

很多公司还没想清楚要解决什么问题，就开始采集数据进行了解，有啥数据就采集啥数据。这样采集了一大堆数据，大海捞针式的去找管理结论，这是一种非常低效的方法。

总之，我们要先识别清楚管理者的目标，再设计度量体系，这样不管是采集数据、分析数据还是找结论，都始终聚焦目标，而不是有啥数据采集啥。

Q7：决策型数据分析后怎么驱动改善？显而易见的问题该如何逐步推进？

“显而易见”实际是一种经验式推理。我们可以将经验本身作为一种假设，那如何证明假设成立？这就需要用数据说话。

举个例子：我们的经验认为每天不吃晚饭或减少碳水化合物摄入可以减肥。然而，这个经验可能只对某些人有效，为了证明这个经验适用于更大范围的人群，这就需要用数据证明。比如随机找100个全国各地、体重各异的男生女生进行几个月实验，最后用100人的综合体重数据绘制出一条曲线。如果这条曲线是缓慢下降的，那就证明我们的经验“晚上不吃饭减肥”是有效的。

其次，数据本身会帮助我们刻画某种现象。举个例子，“张三业绩很好”是指和自己的过去相比逐年提升还是和公司其他同事相比业绩更高。张三的业绩可能在逐年提升，但在公司内部的业绩排名垫底。总之，这是用数据刻画现象，管理者也可以基于数据发现张三的进步速度不如别人快。

发现这个现象就要找原因。我们可以用数据看是否和勤奋程度相关（有效工作时间：别人5小时，张三3小时），或是否和销售方法有关（有效拨打电话：别人50/100，张三10/100）等等。识别哪些因素影响了结果，也要先经验再定量，通过定量的数据证明经验。比如我们根据经验，认为他的销售方法可能有问题，通过采集数据后发现，确实销售方法的数据会影响销售业绩的数据，那么我们再基于这个结论做决策。



还有很多人想把一大堆数据交给AI，让AI分析这些变量之间的关系。但我们也要清楚，AI的结论未必可靠，有可能存在过度拟合的现象，还需要依靠我们的经验做甄别后，再做细致的研究。

Q8：怎么看待管理层收集数据的目标主要是考核而非过程改进？

这是现实问题。在理想的情况下，我们都说要做纵向对比，不要做横向对比。但现实中，理想情况其实是不太存在的。如果遇到这种情况，抱怨是解决不了问题的，我们只能在这个前提下找更好的解决办法，达成考核和过程改进的要求。
 
首先，考核数据不用被考核者本人提供的数据，而是收集被考核者的合作相关方提供的数据，这类数据会合理、客观。

其次，从数据中发现问题的时候，要秉持一个基本原则“对事不对人”，不要将结论归于“张三很笨”“不努力”等等，而是应归结于“我们的方法有什么问题”“如何通过工具、体制、方法去提升”等等。也就是说，我们要通过沟通，找到改进的方法提高他的工作效率、质量，而不是单纯指责。

Q9：可以聊聊数据看板和数据大屏的应用场景吗？

它们本质都是将数据展示出来，对所有人可见。这意味着我们通过看相同的数据，可以得到相似的结论，不会出现信息的屏蔽、信息的不对称、没办法达成共识的情况。

有的公司会在办公区域的显眼位置安装看板和数据大屏，也有的公司做电子看板进行展示，这些都可以，最重要的是，我们要关注大家是否能看到这些展示的数据信息，并从中得到结论。一个好的数据看板和数据大屏能够让大家在一秒两秒内看出问题，了解现阶段的情况。
 

二、送给大家的一句话

我非常喜欢美国软件工程专家Barry Boehm的一本书《平衡敏捷与规范》，这次送给大家的一句话也想套用这个标题：“平衡经验和数据”。
 
因为我们只靠经验是不可靠的，需要用数据佐证。当然，从数据里也可能会推导出错误结论，也要验证数据的可靠性，所以我们在实际中，要平衡数据和经验这两者，才能帮助我们在实践中做出更合理的决策。


    发表评论
    通过审核后显示您的意见