企业官网建设流程全解析

网站备案域名更改公司,太原seo霸屏,网站推广网站制作网站建设公司,汕头市澄海区原文#xff1a;towardsdatascience.com/make-metrics-matter-2ed7181c06e5 人工智能、数据科学和数据分析#xff1a;当我们思考我们的组织是否以数据驱动时#xff0c;这些功能或数据产品往往得到最多的关注。关注复杂性和成熟度与评估最新技术和方法相辅相成。正如在其他…原文towardsdatascience.com/make-metrics-matter-2ed7181c06e5人工智能、数据科学和数据分析当我们思考我们的组织是否以数据驱动时这些功能或数据产品往往得到最多的关注。关注复杂性和成熟度与评估最新技术和方法相辅相成。正如在其他学科和行业中一样我们可能会忽视那些始终存在并被许多人使用的“工作马”而不是只关注少数人。当我和公司谈论“数据文化”时我会首先询问他们的报告和商业智能。这并不是因为我认为分析或建模团队不重要。而是因为文化比职位名称、正式团队或昂贵的项目要深入得多它深入到每个员工如何思考和利用数据的 DNA 中。我们依赖的报告和我们监控的指标是我们组织中“数据驱动决策”的主要部分。构成我们商业和运营基础的数据管道和真相来源是数据真正在公司中流动的方式。如果我们不理解这一点那么其他一切都是噪音。与其被最新的算法或最闪亮的工具所分散注意力我们的数据团队如果首先专注于让核心指标变得重要就有机会真正放大他们在组织中数据的有效性。要做到这一点有两件事至关重要理解指标的限制注意人们的行为。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/015422167f9e0de994f830ad762fa740.png图片由 Mikail McVerry 在 Unsplash 提供被衡量的东西会被管理这是商业文献中最著名的引言之一正如任何过于出名的事物一样它也是被审查最多的。战略思想领袖 Roger Martin 在他的 文章 中讨论了这一点以及其他流行的引言他强调我们倾向于盲目地遵循引言的智慧即使我们不知道是谁说的或者是在什么背景下说的。我和任何人一样喜欢简洁的引言来传达信息但关于这个引言我特别感兴趣的是一些来源显示了引言的扩展版本这完全改变了其意图。戴明研究所版本1993 年指出“认为如果你不能衡量它你就不能管理它是错误的——这是一个代价高昂的神话。”在那之前西蒙·考利克Simon Caulkin总结了 1956 年 V.F.里奇韦V.F. Ridgway的一篇论文他说来源“被测量的东西会被管理——即使测量和管理它是没有意义的即使这样做会损害组织的宗旨。”我分享这些“德鲁克”版本的替代方案因为我希望我的读者们挑战他们关于我们真正管理我们所测量的内容或者这样做总是好主意的信念。在过去两年中我们看到了科技行业的大量裁员和对效率的新关注。我的许多网络中的朋友都分享说他们的领导变得对生产力指标着迷以证明他们的工作。对于一些面向客户的角色来说这看起来就像每周和每月监控他们与客户的接触点数量。在许多情况下客户对此最不满意因为他们没有时间或需要增加互动更愿意关注质量而不是数量。但这是更难定义和持续衡量的。领导层的信念我相信在某些情况下是基于高级见解和相关性认为更多的互动与他们对结果的关心有正相关导致了双方的不满和毫无意义的忙碌工作。我之前在一个团队工作该团队的名称中有“测量”一词并且完全接受了我们生活与死亡取决于我们的关键绩效指标KPIs的信念。在某种程度上我仍然是这样但现在有了更多经验和对这个真正含义的不同视角。有时我们测量错误的东西这反映在我们的决策和行动中。有时我们测量正确的东西但我们仍然没有得到我们想要的东西。那么我们为什么要费这个劲这关乎数据驱动。这关乎在策略中保持信息灵通和方向感。这关乎为我们的所有团队提供一个共享的真相来源。但只有当我们对以下 a)我们的指标和 b)所有指标的限制持现实态度时它才能提供这些事物。不幸的是有时我们的数据团队对此真理最盲目。指标总是涉及对我们实际目标的扭曲因为我们的复杂现实无法被精确测量。分析师对指标限制的无视的讽刺之处在于他们对每天处理的数据的具体限制和弱点有敏锐的认识。尽管如此有时对这些弱点的熟悉或沉浸在这些数据中意味着他们忘记了其他人可能不熟悉这些差距或者它可能不适合人们使用它的目的。此外如果我们大声宣扬我们数据的弱点可能会有人将这种弱点与我们联系起来。我们总会拥有指标。它们对于上述我阐述的原因是必要的。但当我们能够选择或定义最适合我们目标的那个指标时它们就变得无比宝贵。指标是一种扭曲因为有时我们的目标无法被精确追踪或衡量所以我们选择“最接近”的可追踪事件来监控该目标。这个“代理”是一个需要发生的翻译但通常没有说出来或没有有意识地去做因为我们已经使用了代理这么久。一些需要代理的例子原因结果交付得太慢所以我们需要领先指标。我们想要评估那些没有自动记录的人员流程。我们还必须考虑到数据本身可能并不干净、不完整或不一致。因此我们可能有一个指标但根据来源或计算者不同可能会有许多不同的版本。这样我们就越来越远离我们的初始目标。并非出于恶意而是因为普遍接受的现实是数据是由人们或通过人们构建的流程和工作流程记录的因此是不完美的。杰夫·贝索斯曾引用说“通常当数据和轶事不匹配时后者往往是对的”以营销为例。作为一个领域营销非常清楚其数据和指标的不完美。这是因为它是一个非常依赖人类反应不可预测性和变异性以及不同追踪和参与模式广告牌、电视、数字等的人类学科。尽管如此一旦营销有效性指标被定义它们可能会变成教条——尤其是当它们对财务团队负责预算时。电话游戏因此我们将我们的指标从数据团队传递到营销团队再到财务团队在每个阶段它都越来越远离最了解其背景和缺陷的人。我专门就营销用例写了更多内容这里供感兴趣的人士参考。指标需要在各个职能之间传递的需求往往会影响我们最初选择指标的方式。而不是因为它们是最合适的我们可能会选择它们因为它们最容易与另一个部门使用的指标相关联。或者尽管可能有多个指标更能描述情况的细微差别但我们被告知需要一个指标。因此我们将我们的指标调整到将使用它们的受众和他们使用的语言。我实际上是一个很大的倡导者因为我认为在本质上指标是一种共享的语言。话虽如此我们需要在定义和传达它们时保持警觉并确保我们的团队了解我们做出的决策的影响。我看到过多个例子高级领导人因为他们的决定更容易在组织共享的指标中证明/报告或者因为他们认为存在的可接受的风险或智慧而做出决定。尽管他们实际上认为有更好的替代方案但经验主义或可用性偏差使他们选择了更安全的选项。在某些情况下即使是作为数据人员接受“足够好”并有意为之可能比寻求完美并在不相关中找到它更好。人们很少是纯粹理性的如果他们有数据支持他们就会给自己许可这样做。你可以相信人们不会值得信赖我以最友好的方式表达这个意思。人们是人们。有缺陷的、非理性的和不可预测的。如果我们假设他们会做我们想做的事情我们就会有一个糟糕的开始。我已经讨论了各种原因这些原因限制了指标在设计上的局限性。人们应该为其中的一些原因负责/受责备但当他们被告知要采取这些指标的行动时他们的影响变得更加明显。当我们想要提高我们组织的效率和/或有效性时我们通常会为我们的团队设定 KPI并设定目标以帮助他们指导他们的生产力和优先级。当我们这样做时我们实际上是将我们的使命和目标简化为一个或多个我们希望他们遵循的指标。即使这些指标是使命的完美代表当我们依赖人们采取行动时我们向混合中添加了新的变量个人的解释和偏好。古德哈特定律以及“逆向激励”的概念有助于说明我的意思。古德哈特定律当一个衡量标准成为目标时它就不再是好的衡量标准。分析师们可能会通过将这一现象与建模问题中的工作进行比较来理解这一现象在这些问题中你试图通过使用与你的结果过度纠缠的变量来进行预测。简而言之你设定一个目标作为一种理解向更大目标迈进的方式但人们会专注于实现目标即使这不是你想要实现的目标。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/6138a624a6820ef9b36638be10453670.png由Nivedh P在Unsplash上的照片蛇效应解释了基于我们没有深思熟虑的指标所提出的解决方案实际上可能会使我们要解决的问题变得更糟。故事是这样的德里被眼镜蛇占领当时的英国统治者决定提供赏金以奖励杀死眼镜蛇的人以此来激励德里的人民解决问题。赏金被认为非常慷慨以至于人们开始繁殖眼镜蛇以便他们有更多的东西可以杀死从而加剧了最初的问题而不是解决问题。你可能认为这是极端的但我们每天在商业中都看到更多微妙版本的这种情况。如果你根据与他们的薪酬挂钩的指标来激励人们他们会找到最佳的方法来最大化他们的薪酬而不是最小努力而且他们会非常巧妙地在这段时间内做到这一点。在我的职业生涯早期我在一个客户分析团队工作并被分配了一个问题即降低某条业务线的月度客户流失率。我的经理建议我基于这些客户的月度周期建立一个流失倾向模型。输出将用于电子邮件营销活动这些活动提供了奖金以吸引高风险客户回来。在运行这些活动几个月后我们发现同样的客户每个月都在获得奖金。经过调查我们发现该模型将日历月份内的“最近”作为关键指标之一。我们的电子邮件会在月初的前几天发出客户会为了奖金回来然后在下一次电子邮件营销活动之前不再出现。因此这个周期就持续下去了。我们无意中创造了一种客户行为而不是解决一个自然存在的客户行为。月度客户流失率不再是如果曾经是一个有意义的衡量标准。通常你实际上想要发生的事情和最终执行的方式之间存在距离而且你不能在每个房间里都去监督这一点。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/1bd6c35aeb220e904d12e91bf8dd0ada.png规划和指标执行的现实作者自述当我们将所有这些不同的效果结合起来时我们很快就会失去对原始任务或目标的视线最终得到一些完全不同的事物。作为数据专业人士我们并不在每个房间里如果停下来反思我相信我们每个人都能想到一个例子其中我们生成的一个数据点在传播和转换过程中发生了变化。在确保正确执行的过程中担任主导角色我们希望我们的组织是数据驱动的。如果不是我们相信的事情我们不会进入这些职业而且如果这是事实这对我们职业的持久性也是有益的。但如果我们想将时间花在高影响项目和高超技术上我们首先必须确保每个人都以正确的方式使用指标和 KPI以促进组织的整体健康和目标。这对我们的工作既有间接影响也有直接影响因为这些 KPI 也是我们的模型将被评估的标准因此我们需要相信它们是正确的。这是一个需要另一篇文章来讨论的话题但其中关键的一点是要注意在宏观层面上的相关性 vs. 因果关系的误解。这是分析团队深刻理解的概念但不应该假设这种理解存在于我们提供的每一个洞察中。承担起清晰地传达为什么选定的指标是有用的责任同时也社交化如何不使用或解释它。如果我们能教育我们的业务利益相关者使用正确的指标以及正确的使用方式那么我们就比许多人做得更好并为其他一切奠定了坚实的基础。能够客观地、全面地看待提议的指标及其优缺点将使我们成为更好的数据专业人士从长远来看。第一步是教育我们自己了解业务真正需要什么以及我们的同事可能会如何行动并基于这些关键真理帮助构建有意义的指标。如果连接这些点是你或你的领导团队需要帮助的地方那么请查看我在kate-minogue.com上的服务。通过对人员、战略和数据独特的综合关注我能够提供一系列咨询和顾问服务以支持并增强你在商业、数据和执行挑战和机遇方面的战略实施。在这里或在我的LinkedIn上关注我了解更多信息。