Başka bir yerde metrik programınızı semantikte topraklamanın değeri hakkında yazdım.1 Bu makale bunun çok ötesine geçiyor. Siloların veri merkezli bir bilgi grafiğine çökerek, belki de teşvik edildiği gibi görünen bir evrim modeli görmeye yeni başlıyoruz. Hala ilk günler, ancak semantik sanatları mümkün olan için bir vitrin haline getirmek için müşteri çalışmalarımızdan ve iç projemizden kalıplar ortaya çıkmaya başlıyor. Serendipity momenti, aktif olarak geliştiğimiz bir metrikte bir dış sunum gördüğümde meydana geldi (Alacak Alacak Yaşlanma).
Makalenin planı ilk olarak işletmelerimizde neden metriklerimiz olduğunu yeniden inceliyor. Oradan metrikler için evrimsel bir ilerleme sağladık. Son olarak, Bölüm 2'de, Alacak Alacakları'na dayanan ayrıntılı bir vaka çalışması ile sonuçlanıyoruz.
Neden işletmelerimizde metriklerimiz var
Çoğu işletmenin, genellikle bu alıntıdan doğrudan veya dolaylı olarak sürülen şeyleri ölçmek için kuduz bir hayranlık vardır.
“Eğer ölçemezsen, yönetemezsiniz.”2
– Edward Deming'e yanlış gönderildi
John Hunter'ın buradaki dipnotta belirttiği gibi, Deming'in söylediği veya kastettiği bu değil. Deming, verilerin değerini kesinlikle anladı, ama aynı zamanda yönetmenin sadece ölçümden çok daha fazlası olduğunu da anladı. Ancak bu tutumla üzüldüğümüz bu tutum ve sonuç olarak, çoğu işletmenin çalışanlardan daha fazla metriği var.
Onları daha iyi yönetmeye çalışmak için işletmemizde metriklerimiz var. Biraz tekrar soyarsanız, “yönetim” in gerçekten davranışı etkilemekle ilgili olduğunu görürsünüz. Bazı metrikler çok fazla davranış toplar. En yaygın kullanılan metriklerden biri olan “Net gelir”, müşterilerin sadakatinden hammadde ikamesine kadar bir dizi davranışı kapsamaktadır. OKR (hedefler ve temel sonuçlar) hareketi, davranışları değiştirmek için (hedefin amacına doğru) temel sonuçları (metrikler) kullanmakla ilgilidir.
Bu yazıda, geleneksel işletme metriklerine bakacağız ve davranış değişikliği lensinin metriğin ve kullanımının nasıl geliştiğini nasıl etkileyebileceğini düşüneceğiz.
Metrikler için evrimsel bir ilerleme
Bu bölümde, çeşitli ortamlarda gördüğümüz bir ilerlemeyi özetliyoruz ve birkaç basit örnek veriyoruz. Bu, ayrıntılı vaka çalışması için kullanacağımız çerçeveyi oluşturmak içindir.
İlerleme:
- Ölçün ve yüzeysel temizleme
Ölçün ve yüzeysel temizleme
Çoğu metrik sadece zaten yaptığınız bir şeyi ölçmek istemekle başlar. Genellikle, sahip olduğunuzu düşündüğünüz verilerle başlarsınız. Belki müşteri edinme maliyetini veya metrekare başına satışları veya satış elemanına günde anlamlı etkileşim sayısını ölçmek istersiniz.
Kaçınılmaz olarak, ölçme eylemi ya yaptığınızı düşündüğünüz verilere sahip olmadığınız veya çoğunlukla saçmalık olması nedeniyle bir ışık tutar. Genellikle birkaç ay ve birkaç ay ve neden düşük veri kalitesine sahip olduğunuzun dibine ulaşmanın döngüsü vardır (en azından bu amaç için, metrik projesine başlamadan önce kalitenin iyi olduğunu düşündüğünüz).
Resmi anlambilim
Bir noktada, veriler en azından paylaşmak için utanç verici olmayacak kadar temiz. Bu noktada, insanlar genellikle verilerin gerçekte ne anlama geldiği ve nereden geldiği hakkında daha zor sorular sormaya başlarlar. Bu özellikle yüzlerce veya bazı durumlarda iş metrikleri ve gösterge panolarına paralel çalışan binlerce analistin olabileceği büyük BI (iş zekası) kuruluşlarında geçerlidir. Kaçınılmaz olarak, bu, metrikleri karşılaştırmak ve elmaları portakallarla karşılaştırdıklarını fark eden farklı bölümlerdeki yöneticilere yol açar.
Bu, resmi anlambilim ve sözde “başsız bi” çok yardımcı olabilir. Metriğin tanımını grafik aracından çıkararak ve paylaşılan bir yere koyarak, paylaşılabilir ve karşılaştırılabilir metriklerle sonuçlanırsınız. Optimize edilmeden önce hala bir yolları var, ama en azından karşılaştırılabilirler.
Kalibrasyon
Bu noktaya kadar, veriler sadece “temiz” ve karşılaştırılabilir. Garip görünüyor, ancak insanların doğru olup olmadığını veya mantıklı olup olmadığını veya ölçmeyi umduğumuzu ölçüp ölçmediğini sormaya başlaması biraz zaman alır.
Son metriklerimizden biri gelecekteki nakit tahminlerdi. Muhasebe sisteminizin bu konuda iyi olacağını düşünebilirsiniz, ancak çoğu değil. Bu tahminin önemli girdilerinin çoğu başka yerdedir. Önümüzdeki altı aylık aktivitemiz hakkında bildiğimizi düşündüğümüz her şeyi (doğal olarak bir elektronik tabloya) topladık ve bu numarayı rapor etmeye başladık.
Bu noktada “kalibrasyon aşaması” dediğimiz şeye girdik. Bankada bir milyon dolarınız olduğunda, projeksiyonlarınız yüz binlerce dolar kadar kapalı olabilir ve yine de 400 bin dolarlık bir bordro yapabilirsiniz. Ama her zaman bu sifon olmayacağımızı fark ettik, nakit akışı gelip gidiyor gibi görünüyor. Bu noktada, seyir yüksekliğinde olduğunuzda bir altimetrenin yüzlerce feet olabileceği gözlemini yaptık ve kimse fark etmeyecek, ancak en iyi yüzlerce metre kapalı olursa, çok sert bir iniş yapacaksınız.
Bu noktada üzerinde çalıştığımız kalibrasyon aktivitesinin bir kısmı şunlardı:
- Tahminlerin gerçekçi – İlk projeksiyonlarımızdan biri çılgınca endişe verici tahminler içeriyordu. Bunu nominal değerinde kabul edebilirdik (ve ya kredi hattını genişletebilir ya da büyük işten çıkarmalar başlatabilirdik), ancak bunun yerine önlemin doğruluğunu sorgulamayı seçtik. (Görünüşe göre, varsayımlar ve mantıkla ilgili birçok sistemik sorun vardı.)
- Yanlış pozitifler ve yanlış negatifler arıyor – Bu durumda, yanlış bir negatif, ölçümde ortaya çıkması gereken bir şeydir, ancak yapmamıştır. Yanlış pozitif, altta yatan bir nedeni olmayan bir sinyaldir. Birincisi sistemin dışına bakmanızı gerektirir. Dünyada var olan şeyleri arayın, bu bir sinyal atmalı ve sonra sinyali aramalıdır. Orada değilse, yanlış bir negatifiniz var. Yanlış pozitif biraz daha kolaydır, çünkü onları bulmak için sistemden çıkmak zorunda kalmazsınız, ancak yanlış alarmın neye neden olduğunu bulmak için sistemin dışına çıkmanız gerekebilir. Yanlış pozitif ve yanlış negatifleri yönetilebilir bir seviyeye indirmek genellikle çok fazla döngü alır.
- Tahminlerimizi kontrol etmek – Çoğu tahmin sistemleri zaman içinde noktadır. Bu, önümüzdeki üç ay boyunca her hafta nakit seviyeleri tahmininizdir. Üç ay içinde, önümüzdeki üç ay için yeni bir tahmininiz olacak. Bunu planlamadığınız sürece sahip olmayacağınız şey, tahmininizin iyi olup olmadığı konusunda geri bildirimdir. Bunun etkili olması için tahminlerinizi bir yerde tutmalısınız. Tahmininizi kontrol etmek için en iyi zaman, son gerçekliğin geldiği zamandır. 12. Hafta nihayet geldiğinde, tam olarak ne kadar nakit olduğunu bileceksiniz. Tahmininizi geliştirecek şey, 1-11 haftalarının her birinde on iki hafta için nakit tahmininizin ne olduğuna bakmaktır.
- 0'da kalibre et – Envanter döngüsü sayaçları hepimizden öğrenebileceğimiz bir şey bilir: 0'da olduklarında işler daha kolaydır ve uzlaştırmak daha kolaydır. Envanter sistemi size 2 öğenin olduğunu söylediğinde, ancak çöp kutusuna gittiğinizi ve hiçbiri yok, bir sorununuz olduğunu biliyorsunuz. Bu yukarıdan yanlış bir pozitiftir; Sistem, sahip olmadığınız envanteriniz olduğunu düşünüyor. Not, sistem elinizde 30 olduğunu düşünüyorsa, ancak gerçekten sadece 28'iniz varsa, fark etme olasılığınız çok daha düşüktür. Tersine, sistem sinyalleri 0'a kadar gittiğinde, saymak için iyi bir zaman. Herhangi bir şey bulursanız, sistemik bir sorununuz var. Altimetre benzetmemizle ilişkiye dikkat edin.
Bu tüm kalibrasyon aşaması, metriğin yaşam döngüsünde en önemli aşamalardan biridir ve genellikle en uzun sürer. Sık sık bunun bizi semantik tanıma geri gönderdiğini görüyoruz (metriğin girdilerinde net olduğumuzu düşündük, ancak çoğu zaman gerçeklik bize aksini söyler).
Kalibrasyonun gücü sizi hazırladığı şeydir. Oldukça kalibre edilmiş bir metriğiniz olana kadar, isteksiz ve harekete geçmek için yavaşsınız. Geleneksel metrikler çoğunlukla analistler tarafından tüketilmektedir. Metrik kalibre edildiğinde, onları ön hat aktörlerine çevirmeye hazırız.
Kuralcı eylem
Metriği hemen harekete geçirmek için kullanıyoruz. Metrik sistemleriniz her zaman yanlış alarm atıyorsanız, gerçekten bildirimleri ve özellikle otomatik eylemleri dağıtmamalısınız. Sağlık sistemleri kullanıcıları “uyanık yorgunluk” konusunda çok aşinadır. EMR'ler (elektronik tıbbi kayıt sistemleri) genellikle sağlayıcıların onları görmezden gelmeyi öğrendiği birçok yanlış pozitif atar (bu, amaçlanan davranış değildir).
Sinyal güçlü ise, az sayıda yanlış pozitif ve az sayıda yanlış negatif ile, bildirim ve eylem için iyi bir adaydır.
Şu anda yanlış kullanıcıya sahip olabileceğimizin farkına varmaya başlıyoruz. Bu noktaya kadar, kullanıcı genellikle bir tür analistti. Analistler kötü verilere toleranslıdır, çünkü araştırma yapıyorlar ve gerçekte neler olup bittiğini anlıyorlar. Bildirimlerimiz için hedef kullanıcıyı değiştirdiğimizde, bazen metriği tekrar değiştirmemiz gerekiyor. Vaka çalışmasında tarif edeceğimiz gibi, bazen bu noktada, değiştirmek istediğimiz farklı bir davranış olduğunu anlıyoruz ve metriğin bazı ayrıntılarını tekrar değiştirebilir.
Ana neden
Eylem moduna geçmek bize yeni bir ikilem verir. Bu sinyali harekete geçirmek için kullanmak istiyoruz, ama hangi eylem? Genellikle, eylem sinyalin temel nedenine bağlı olarak farklıdır. Ancak sinyalde genellikle kök nedeni öneren hiçbir şey yoktur.
Kaçırma burada devreye giriyor. Uzaylı kaçırmada olduğu gibi değil, üçüncüsü de indüksiyon, kesinti ve kaçırma üçlüsünde olduğu gibi. Tümdengelim akıl yürütme, iyi kabul edilen kurallarla başladığımız ve yeni sonuçlara ulaşmak için örnekleri uyguladığımız yerdir. Anlamsal çıkarım tümdengelimdir. İndüksiyon, kuralların büyük bir örneklerden geldiği yerdir. Çoğu bilim endüktif, araştırmalar toplanıyor ve sonuçlar alınıyor. Tümevarımsal akıl yürütmenin amacı, sonuçların istatistiksel olarak geçerli olduğu için yeterli sayıda örneğe sahip olmaktır.
İstatistiksel olarak geçerli bir sonuca varmak için çok sayıda örnek verimiz olmadığında, kısaltıcı akıl yürütme devreye girer, ancak yine de devam etmeliyiz. Keskin akıl yürütme genellikle bilişsel bir sıçrama alıyor ve gözlemin olası bir nedeni öneriyor (bizim durumumuzda sinyal). Çok iyi bir kaçırıcı hipotez test edilebilir.
Vaka çalışmamızda göreceğimiz gibi, sinyalimizi almak ve daha sonra sinyalin nedeni için test edilebilir bir hipotez önermek için genellikle az miktarda bağlamsal bilgi uygulamak istiyoruz. Kolayca test edilebilirse, test etmeliyiz. Bu geri bildirim döngüsünü çalıştırarak, abdüktif kaslarımız güçlenir.
Daha iyi metrikler
Son olarak, güçlü sinyaller ve iyi abdüktif postülalar devralmaya başladıkça, sık sık devam ettiğimizi ve izlemesi daha mantıklı olan daha üst düzey bir metrik olduğunu görüyoruz. Bir noktada, bu “meta metrikler” olarak adlandıracağız çünkü daha yüksek bir seviyede çalışıyorlar gibi görünüyorlar, ancak bunun meta verilerle kolayca sınırlanacağını fark ettik, bu yüzden onlara “daha iyi metrikler” diyelim.
Klasik olarak, nakit akışı yönetimi, küçük şirketlerin mali durumlarını yönetmesinin bir yoluydu. Yukarıdaki örneğimizde olduğu gibi, nakit yönetimi asla ortadan kalkmaz, ancak çoğu firma firmayı tahakkuk temelinde yönetmenin günlük yönetim için daha eyleme geçilebilir olduğunu ve nakit planlamasının ikincil bir endişe olduğunu düşünmektedir.
Bu, birçok senaryoda gördüğümüz bir evrimin genelleştirilmesiydi. Biraz soyut olduğunu anlıyoruz. Detaylar üzerinde kendi örneklerinizle çalışmanız gerekecektir. Bölüm 2, birçok okuyucuya aşina olabilecek ortak bir vaka çalışmasında altı aşamada çalışır: Alacak Yaşlanma Hesapları.
Özet
Bir işletmedeki metriklerin daha fazla veri merkezli hale gelebileceğini ve çoğu zaman geliştiğini düşündüğümüz bir ilerlemeyi ortaya koyduk ve firma daha fazla veri merkezli hale geldiğinden ve metriğe yanıtı, metriğin etkilemeye çalıştığı davranış değişikliğini etkileyebilecek bir analistten daha yakın bir analistten kaydırabildik.
Bir sonraki taksitte, bu dizi üzerinde tek bir vaka çalışmasında, Alacakların Yaşlanma Hesaplarının Evrimi'nde çalışacağız.
[1] Veri merkezli devrim: Başsız BI ve Metrik katmanı https://tdan.com/the-data-centric-revolution-headless-bi-and-the-the–trics-laner/29533
[2] https://deming.org/myth-if-you-cant-murease-it-tou-cant-anage-it/
Bir yanıt yazın