Säg att ditt mål är att öka antalet kunder du betjänar varje dag. Kanske driver du ett stadskontor som behandlar applikationer för matstämpel, eller kanske erbjuder du teknisk support för ditt företags produkt. Hur många kunder serverar du online, personligen och via telefon? Vad är den genomsnittliga tiden för att lösa ett problem i var och en av dessa kanaler? Vilka typer av kundförfrågningar tar längst och vilka kan hanteras lämpligt?
Om du inte kan svara på dessa frågor ställer du dig in för misslyckande innan du ens börjar försöka.
Datadriven beslutsfattande är ett sätt att leva i dessa dagar, från stadshuset till företagets styrelserum. Om du har siffrorna för att diktera en handlingsplan går tankarna, varför skulle du använda ditt hjärta eller ditt sinne? Men i strävan att säkerhetskopiera varje rörelse med kalla, hårda data, kan det vara lätt att misstaga gamla tal för användbara nummer. Inte all data skapas lika, och det bästa sättet att säkerställa att du samlar in rätt data är att utveckla rätt uppsättning prestandamätningar.
Så hur bestämmer du vilka statistik som hjälper dig och vilka som bara distraherar dig från de centrala frågorna? Här är fem vanliga misstag som människor gör när de hanterar data och några tips för att undvika dem.
Fel nr 1: Det är tillräckligt med att bara ha statistik
Det är sant att mäta lite är bättre än att mäta ingenting. Men för många människor är nöjda med att bara kunna uttrycka ordet ”mätvärden” till en handledare, och för många handledare antar att om deras team räknar något alls, måste de göra något rätt.
Data är bara användbara om de låter dig mäta och hantera prestandakvalitet. Det betyder att det inte nödvändigtvis är lika viktigt för, säger, byggnadsavdelningen att räkna hur många byggnader som passerat inspektion eftersom det är för den att veta vilka typer av citat som fick dem att misslyckas, antalet inspektioner som varje inspektör genomförde på en dag och hur många byggnader korrigerade sina kränkningar inom en eller två månader efter den första inspektionen. Denna rikare uppsättning data kommer att avslöja ineffektivitet i inspektionsprocessen och gör det möjligt för avdelningen att arbeta för bättre säkerhetsstandarder.
Fel nr 2: Ju fler mått, desto bättre
En vanlig missuppfattning är att om något kan räknas bör det räknas. Jag har gjort misstaget att lägga ut flikar och flikar för mätvärden på ett kalkylblad, bara för att upptäcka att ansträngningen som krävs för att samla in uppgifterna är en dränering på inte bara min tid, utan tiden för de personer som har tilldelats att utföra mycket arbete vi försöker mäta.
Du vill aldrig att din prestationsövervakning ska vara så tung att den faktiskt hindrar prestandan själv. När du kommer med en uppsättning mätvärden hjälper det att börja med att brainstorma allt du kan mäta och sedan prioritera de 10 bästa indikatorerna som ger den mest kritiska informationen om ditt program. Börja med en hanterbar belastning och lägg gradvis till mer - så länge den ansträngning som krävs för att samla in data kommer att betala för sig själv i användbara observationer och möjligheter till förbättring.
Fel nr 3: Värderingsdomar bör tilldelas volymer
På ytan kan det verka intuitivt att fler besvarade samtal är bättre än färre besvarade samtal. Men föreställ dig att för att pressa in ytterligare fem samtal i timmen komprimeras kvaliteten på varje samtal. Mindre information samlas in och färre frågor tas upp. Uppringare är inte nöjda med det första samtalet, så de ringer en andra eller tredje gång, vilket ökar dina samtal ytterligare, men tar extra tid och tar inte upp orsakerna till att samtalet kommer i första hand. Kanske samtal som varar en minut längre men mer adekvat adresserar uppringarens frågor slutar att förhindra upprepade samtal, vilket gör den mer-lika-bättre-tankegången inte bara fel, utan bakåt.
Det är också viktigt att inse att många mätvärden, när de räknas som absoluta siffror, inte är särskilt användbara. Utan sammanhang är ett nummer mer eller mindre meningslöst. Varje teller förtjänar en nämnare, och rena siffror bör representeras som en procentandel av det totala. Att till exempel flytta 1 000 hemlösa individer från gatan och till tillfälliga bostäder är lovvärt. Men om målet är att skapa bostäder för 20 000 hemlösa, är det viktigt att inse att du bara är 5% av vägen dit.
Fel nr 4: Låt siffrorna tala för sig själva
Det är farligt att anta att siffror berättar hela historien. Det är bättre att tänka på data inte som en rökpistol, utan som en spår av brödsmulor. Metrics kan peka dig mot problemområden eller varna dig för ett potentiellt problem som du kanske inte har lagt märke till. Men tills du gräver in med bara händer är siffrorna bara det - siffror. Att avslöja roten till ett problem innebär ofta att intervjua de människor som arbetar nära det aktuella ämnet, iakttagande och förståelse för kvalitativa data. Statistiken återspeglar ett resultat, men inte en grundorsak.
Du kanske upptäcker att tiden för att slutföra en anmälningsprocess har ökat med fem dagar. Men antar inte automatiskt att kontorister spenderar hela dagen på att skjuta upp BuzzFeed . Några enkla frågor kan avslöja att en nyligen genomförd marknadsföring med 20% ökade ansökningar, eller nyligen lagstiftade ändringar lägger till ett steg i processen. Låt dina siffror leda dig till att fokusera på frågeformer, snarare än att ta dem som svaret själva.
Fel nr 5: Om det är en bra metrisk nu, kommer det att vara en bra metrika senare
Problem förändras och förändras, liksom mål. Kanske har en första uppsättning mätvärden gjort det möjligt att ta itu med försenade väntetider på upphandlande pappersarbete. När detta problem är löst är det dock viktigt att du inte vilar på dina lagrar. Chansen är stor att metriken kan förbättras ytterligare, eller att det finns ett helt annat problemområde som ber om uppmärksamhet.
Var noga med att gå igenom dina statistik var tredje till sex månad för att se till att de fortfarande är vettiga i det nuvarande sammanhanget. Du kommer troligtvis upptäcka att vissa har blivit föråldrade, och andra behöver justera. Men var försiktig när du beslutar att ändra en metrisk. Att ändra sättet du mäter en viss data kan göra historiska data mindre användbara och avbryta kontinuiteten i de data du samlar in. Detta betyder inte att mätvärden inte bör anpassas när tiden går, bara att beslutet inte bör fattas lätt.
Data är en vetenskap och förtjänar att behandlas som sådana. När du tar dig tid att närma dig statistik från en betraktad plats kan du ständigt utvärdera dina ansträngningar och genomföra meningsfulla förbättringar.
