Si at målet ditt er å øke antall kunder du betjener hver dag. Kanskje driver du et bykontor som behandler applikasjoner for matstempler, eller kanskje tilbyr du teknisk support for bedriftens produkt. Hvor mange kunder betjener du online, personlig og over telefon? Hva er gjennomsnittlig tid for å løse et problem i hver av disse kanalene? Hvilke typer kundeforespørsler tar lengst, og hvilke kan håndteres hensiktsmessig?
Hvis du ikke kan svare på disse spørsmålene, setter du deg opp for å mislykkes før du selv begynner å prøve.
Datadrevet beslutningstaking er en livsstil i disse dager, fra rådhus til bedriftsstyrerom. Hvis du har tallene for å diktere et handlingsforløp, går tankene, hvorfor vil du bruke hjertet eller tankene dine? Men i søken etter å sikkerhetskopiere hvert trekk med kalde, harde data, kan det være lett å ta feil av gamle tall for nyttige tall. Ikke alle data er skapt like, og den beste måten å sikre at du samler inn riktige data er å utvikle riktig sett med resultatmålinger.
Så hvordan bestemmer du hvilke beregninger som vil hjelpe deg og hvilke som bare vil distrahere deg fra de sentrale problemstillingene? Her er fem vanlige feil folk gjør når de arbeider med data, og noen tips for å unngå dem.
Feil nr. 1: Bare det å ha beregninger er nok
Det er sant at å måle litt er bedre enn å måle ingenting. Men for mange mennesker er fornøyde med å bare kunne uttale ordet "beregninger" til en veileder, og for mange veiledere antar at hvis teamet deres teller noe i det hele tatt, må de gjøre noe riktig.
Data er bare nyttig hvis de lar deg måle og administrere ytelseskvalitet. Dette betyr at det ikke nødvendigvis er like viktig for, for eksempel, bygningsavdelingen å telle hvor mange bygninger som har bestått inspeksjon, som det er for den å kjenne til hvilke typer sitasjoner som fikk dem til å mislykkes, antall inspeksjoner hver inspektør gjennomførte på en dag, og hvor mange bygninger korrigerte bruddene innen en eller to måneder etter den første inspeksjonen. Dette rikere datasettet vil avdekke ineffektivitet i inspeksjonsprosessen og la avdelingen arbeide for bedre sikkerhetsstandarder.
Feil nr. 2: Jo flere beregninger, desto bedre
En vanlig misforståelse er at hvis noe kan telles, bør det telles. Jeg har gjort feilen med å legge ut faner og tabeller med beregninger på et regneark, bare for å finne at innsatsen som kreves for å samle inn dataene, er et avløp for ikke bare min tid, men tiden til menneskene som er tildelt for å utføre selve arbeid vi prøver å måle.
Du vil aldri at ytelsesovervåkningen din skal være så tung at den faktisk hindrer ytelsen selv. Når du kommer med et sett med beregninger, hjelper det å starte med å brainstorme alt du muligens kan måle, og deretter prioritere de 10 beste indikatorene som vil gi den mest kritiske informasjonen om programmet ditt. Begynn med en håndterbar belastning, og legg gradvis til mer - så lenge innsatsen som kreves for å samle inn dataene vil betale for seg selv i nyttige observasjoner og muligheter for forbedring.
Feil nr. 3: Verdidommer skal tildeles volum
På overflaten kan det virke intuitivt at flere besvarte samtaler er bedre enn færre besvarte samtaler. Men tenk deg at for å presse inn ytterligere fem samtaler i timen, blir kvaliteten på hver samtale kompromittert. Mindre informasjon samles, og færre saker blir adressert. Innringere er ikke fornøyde med den første samtalen, så de ringer en gang til en tredje gang, og øker anropstallene ytterligere, men tar ekstra tid og unnlater å adressere årsakene til at samtalen kommer i utgangspunktet. Kanskje samtaler som varer et minutt lenger, men mer adekvat adresserer innringerens spørsmål, ender opp med å forhindre gjentatte anrop, og dermed gjengir den mer likestilte tankegangen ikke bare feil, men bakover.
Det er også viktig å innse at mange beregninger, når de regnes som absolutte tall, ikke er spesielt nyttige. Uten kontekst er et tall mer eller mindre meningsløst. Enhver teller fortjener en nevner, og rene tall skal være representert som en prosentandel av totalen. For eksempel er det prisverdig å flytte 1000 hjemløse personer fra gaten og inn i midlertidige boliger. Men hvis målet er å skape boliger for 20 000 hjemløse, er det viktig å erkjenne at du bare er 5% av veien dit.
Feil 4: La tallene tale for seg selv
Det er farlig å anta at tall forteller hele historien. Det er bedre å tenke på data ikke som en røykepistol, men som et spor av brødsmuler. Metrics kan peke deg mot problemområder eller varsle deg om et potensielt problem som du kanskje ikke har lagt merke til. Men helt til du graver deg inn med bare hender, er tallene akkurat det - tall. Å avdekke roten til et problem innebærer ofte å intervjue folk som jobber i nærheten av saken, og observere og gi mening om kvalitative data. Beregningene reflekterer et resultat, men ikke en årsak.
Du kan oppleve at tiden for å fullføre arkiveringsprosessen har økt med fem dager. Men ikke antar automatisk at funksjonærer bruker hele dagen på å utsette seg på BuzzFeed . Noen få enkle spørsmål kan avsløre at en nylig markedsføringsinnsats med suksess ga 20% økning i søknader, eller nylig lovfestede endringer la et skritt til prosessen. La tallene dine føre deg til å fokusere på spørsmålstegn, i stedet for å ta dem som svarene selv.
Feil 5: Hvis det er en god metrikk nå, vil det være en god metrikk senere
Problemer skifter og endres, og det samme gjør mål. Kanskje et innledende sett med beregninger gjorde at du kunne adressere etterslepende behandlingstid på kontraktsarbeid. Når dette problemet er løst, er det imidlertid viktig å ikke hvile på laurbærene. Sjansen er stor for at beregningen kan forbedres ytterligere, eller det er et helt annet problemområde som ber om oppmerksomhet.
Sørg for å gå tilbake til beregningene hver tredje til seks måned for å sikre at de fremdeles gir mening i dagens sammenheng. Du vil sannsynligvis oppleve at noen har blitt foreldet, og andre krever finjustering. Men pass på når du bestemmer deg for å endre beregning. Å endre måten du måler et bestemt stykke data kan gjøre historiske data mindre nyttige og forstyrre kontinuiteten til dataene du samler inn. Dette er ikke å si at beregninger ikke bør tilpasses etter hvert som tiden går, bare at beslutningen ikke skal tas lett.
Data er en vitenskap og fortjener å bli behandlet som sådan. Når du tar deg tid til å nærme deg beregninger fra et ansett sted, vil du være i en posisjon til å kontinuerlig evaluere innsatsen og implementere meningsfulle forbedringer.
