การติดตาม KPI และแดชบอร์ด

กำไร:

• ความสามารถในการเข้าใจคุณลักษณะของ KPI ที่ดีและความสมดุลของตัวบ่งชี้ที่ล้าหลัง และเลือกตัวบ่งชี้สำคัญที่เกี่ยวข้องกับธุรกิจด้วยการสนับสนุนของปัญญาประดิษฐ์
• ความสามารถในการแยกแยะว่าการเบี่ยงเบนนั้นเป็นความผันผวนปกติ (สัญญาณรบกวน) หรือแนวโน้มที่แท้จริง (สัญญาณ) และทราบสาเหตุที่แท้จริง
• ความสามารถในการคาดการณ์พฤติกรรมไม่พึงประสงค์ที่ KPI อาจสนับสนุนและตรวจสอบสมมติฐานสาเหตุที่แท้จริงแต่ละข้อในสนาม

การดำเนินธุรกิจโดยไม่มีมาตรวัดก็เหมือนกับการขับรถโดยไม่มีข้อมูลความเร็วและน้ำมันเชื้อเพลิง KPI (Key Performance Indicator) คือแดชบอร์ดของธุรกิจ การหมุนเวียน อัตรากำไร ความพึงพอใจของลูกค้า อัตราการลาออกของพนักงาน เวลาการส่งมอบ... หากเลือกและตรวจสอบอย่างถูกต้อง ผู้จัดการจะเห็นปัญหาก่อนที่จะระเบิด แต่ KPI ที่ผิดนำไปสู่พฤติกรรมที่ผิด ในหน่วยนี้ เราจะได้เรียนรู้วิธีใช้ AI ในการเลือก KPI ที่เหมาะสม การตีความแดชบอร์ด และการตรวจจับความเบี่ยงเบนตั้งแต่เนิ่นๆ ขอบเขต: AI คำนวณตัวบ่งชี้และสร้างร่างการตีความ ผู้จัดการเป็นผู้ตัดสินใจว่าตัวบ่งชี้ใดมีความสำคัญและควรดำเนินการอย่างไร

ลักษณะของ KPI ที่ดี

ไม่ใช่ทุกตัวเลขที่สามารถเป็น KPI ได้ KPI ที่ดีมีคุณสมบัติดังต่อไปนี้ วัดได้: คำนวณด้วยสูตรที่ชัดเจน เกี่ยวข้องกับธุรกิจ: เกี่ยวข้องกับเป้าหมายที่แท้จริงของธุรกิจ มุ่งเน้นการดำเนินการ: เมื่อล้มก็ชัดเจนว่าต้องทำอย่างไร ยากต่อการบงการ: ไม่หลอกง่าย ตัวอย่างคลาสสิกของ KPI ที่ไม่ดี: “จำนวนอีเมลที่ส่ง” เป็น KPI ที่ไม่ดีสำหรับทีมขาย เนื่องจากเกินจริงได้ง่ายและไม่ได้วัดผลลัพธ์ที่แท้จริง (ปิดการขาย)

นอกจากนี้ยังมีความแตกต่างระหว่างตัวบ่งชี้ชั้นนำและตัวบ่งชี้ที่ล้าหลัง ตัวบ่งชี้ต่อท้ายจะบอกประวัติ (มูลค่าการซื้อขายของเดือนนี้ — ทำอะไรเสร็จแล้ว) ตัวบ่งชี้ชั้นนำทำนายอนาคต (จำนวนข้อเสนอในสัปดาห์นี้ — ส่งผลต่อผลประกอบการของเดือนหน้า) แดชบอร์ดที่ดีประกอบด้วยทั้งสองอย่าง: ตัวบ่งชี้ต่อท้ายให้คะแนน ตัวบ่งชี้หลักจะให้การแจ้งเตือน ขอความสมดุลนี้อย่างชัดเจนเมื่อมี AI ออกแบบแดชบอร์ด

เคล็ดลับ: มีการจำกัดจำนวน KPI ที่ผู้จัดการสามารถติดตามได้ในเวลาเดียวกัน ตัวบ่งชี้หลัก 5-7 ตัวมีประสิทธิภาพมากกว่าตัวบ่งชี้ที่กระจัดกระจาย 30 ตัว กลั่นกรองรายการโดยบอกให้ AI “เลือก KPI ที่สำคัญที่สุด 6 ข้อ แล้วอธิบายว่าเหตุใดจึงเป็น KPI”

การตีความส่วนเบี่ยงเบน: สัญญาณรบกวนหรือสัญญาณ?

KPI แต่ละตัวมีความผันผวน การลดลงร้อยละ 3 ในหนึ่งสัปดาห์อาจเป็นความผันผวนตามปกติ (เสียงรบกวน) มันอาจเป็นแนวโน้มต่อเนื่อง (สัญญาณ) ผู้จัดการมือใหม่จะตอบสนองต่อทุกความผันผวนและทำให้ทีมเหนื่อยล้า ผู้จัดการที่มีประสบการณ์จะแยกสัญญาณออกจากเสียงรบกวน AI สามารถช่วยแยกแยะความแตกต่างนี้ได้ โดยให้ข้อมูลช่วงหนึ่งแล้วถามว่า "การเปลี่ยนแปลงนี้อยู่ในช่วงความผันผวนปกติหรือเป็นแนวโน้ม" ถาม. แต่ AI ให้การคาดการณ์ทางสถิติ การตีความขั้นสุดท้ายควรผสมผสานกับความรู้ในอุตสาหกรรมของคุณ

เมื่อเห็นความเบี่ยงเบนแล้วก็ต้องไปหาสาเหตุ เทคนิค "5 Whys" (วิธีการเข้าถึงต้นตอด้วยการถาม "ทำไม" ห้าครั้งติดต่อกันหลังจากถามคำถาม) มีประโยชน์ที่นี่ และ AI ทำให้มันง่าย แต่จำไว้ว่าสาเหตุที่แท้จริงที่ AI พบนั้นเป็นเพียงสมมติฐาน จะต้องได้รับการตรวจสอบในสนาม

มินิเคสสามอัน

กรณีที่ 1 — แก้ไข KPI ที่ไม่ถูกต้อง ศูนย์บริการทางโทรศัพท์ได้กำหนด "จำนวนสายที่รับสายต่อวัน" เป็น KPI ตัวแทนกำลังเร่งประชุมเพื่อเพิ่มจำนวน และความพึงพอใจของลูกค้าก็ลดลง ผู้จัดการถาม AI “KPI นี้ส่งเสริมพฤติกรรมไม่พึงประสงค์อะไรบ้าง” เขาถาม AI แสดงให้เห็นถึงความขัดแย้งด้านคุณภาพความเร็ว KPI เปลี่ยนเป็น “อัตราการโทรที่แก้ไขแล้ว + คะแนนความพึงพอใจ”; ความพึงพอใจเพิ่มขึ้น 12 เปอร์เซ็นต์ในสามเดือน

กรณีที่ 2 — การแยกสัญญาณรบกวนออกจากสัญญาณ อัตราคอนเวอร์ชันสำหรับร้านค้าออนไลน์ลดลงจาก 2.4 เปอร์เซ็นต์เป็น 2.2 เปอร์เซ็นต์ในหนึ่งสัปดาห์ แทนที่จะตื่นตระหนก ผู้จัดการให้ข้อมูลที่ไม่เปิดเผยตัวตนในช่วง 12 สัปดาห์ที่ผ่านมาแก่ AI YZ แสดงว่าอัตราปกติผันผวนในแถบ 2.1-2.5 การลดลงนี้อยู่ในแถบ มีการป้องกันการแทรกแซงฉุกเฉินโดยไม่จำเป็น เมื่อความตกต่ำที่แท้จริงเริ่มต้นขึ้นในสามสัปดาห์ต่อมา คราวนี้มันถูกจับได้อย่างรวดเร็วเพราะมันออกจากวง

กรณีที่ 3 — เข้าถึงสาเหตุที่แท้จริง อัตราความล่าช้าในการจัดส่งเพิ่มขึ้นในบริษัทขนส่งสินค้า ผู้จัดการใช้งาน "5 Whys" กับ AI: เหตุใดจึงล่าช้า → ข้ามการอัปโหลดในคลังสินค้า ทำไมช้า? → กะเช้าหายไป ทำไมมันถึงหายไป? → มีพนักงานสองคนลาออกและไม่ได้ถูกแทนที่ สาเหตุที่แท้จริงคือช่องว่างด้านทรัพยากรบุคคล ไม่ใช่ด้านโลจิสติกส์ การแทรกแซงเกิดขึ้นในสถานที่ที่ถูกต้อง AI ได้จัดโครงสร้างคำถาม ข้อมูลภาคสนามยืนยันคำตอบ

เทมเพลตที่สามารถคัดลอกได้สี่แบบ

1) การเลือก KPI และการกลั่น:

บทบาทของคุณ: ที่ปรึกษาด้านการจัดการผลการปฏิบัติงาน งานของฉัน: [รายละเอียดงาน] เป้าหมายของฉัน: [เป้าหมายหลัก] แนะนำ KPI ที่สำคัญที่สุด 6 ข้อที่ฉันควรติดตาม สำหรับแต่ละสูตร: เหตุใดจึงสำคัญ มันเป็นสารตั้งต้นหรือผู้สืบทอด พฤติกรรมที่ไม่พึงประสงค์ที่อาจกระตุ้นให้เกิด หลีกเลี่ยงตัวชี้วัดที่ถูกจัดการได้ง่าย

2) การตีความคลิปบอร์ด:

แสดงความคิดเห็นบนแดชบอร์ด KPI ที่ไม่เปิดเผยตัวตนที่แนบมาด้วย (ช่วงเวลา ตัวบ่งชี้ ค่า เป้าหมาย)1) ทำเครื่องหมายตัวบ่งชี้ที่ไม่ตรงตามเป้าหมาย2) แสดงขนาดของส่วนเบี่ยงเบน (%) สำหรับแต่ละตัวบ่งชี้3) จัดลำดับความสำคัญของตัวบ่งชี้เร่งด่วนที่สุด 3 ตัว เพียงใช้ตัวเลขที่ฉันให้ไป การปรับตัวบ่งชี้/หมายเลขใหม่

3) สัญญาณรบกวนหรือสัญญาณ:

มีการแนบค่าที่ไม่ระบุตัวตนของ KPI ต่อไปนี้สำหรับ 12 งวดล่าสุด นี่เป็นการเปลี่ยนแปลงล่าสุดภายในช่วงความผันผวนปกติของตัวบ่งชี้หรือเป็นเทรนด์ใหม่หรือไม่? แสดงแถบปกติ (ประมาณต่ำสุด-สูงสุด) และระบุตำแหน่งที่ค่าสุดท้ายอยู่ในแถบ อย่าคาดเดาอย่างแม่นยำ ย้ำว่านี่คือการเดา

4) สาเหตุที่แท้จริง (5 เหตุผล):

ช่วยฉันวิเคราะห์ปัญหานี้ถึงต้นตอ: [ปัญหา] ใช้เทคนิค "5 Whys": ทำซ้ำ "ทำไม" หลังจากแต่ละคำตอบ ถาม. ขอข้อมูลเพิ่มเติมทุกขั้นตอนเพื่อที่เราจะได้ดำเนินการกับข้อมูลจริง ไม่ใช่สมมติฐาน

พรอมต์อ่อน / พรอมต์แรง

พรอมต์ที่อ่อนแอ:

ช่วยแนะนำ KPI ให้ฉันหน่อย

ทั้งงานและเป้าหมายของเขาไม่ชัดเจน AI แสดงรายการตัวบ่งชี้โบราณ (มูลค่าการซื้อขาย กำไร) ที่เหมาะกับทุกคน มันไม่รู้ว่าตัวขับเคลื่อนที่แท้จริงของธุรกิจของคุณ

พรอมต์อันทรงพลัง:

บทบาทของคุณ: ที่ปรึกษาด้านประสิทธิภาพ งานของฉัน: การจัดการสนับสนุนลูกค้าในบริษัทซอฟต์แวร์องค์กรที่มีพนักงาน 15 คน เป้าหมายของฉันคือลดการปั่นป่วนของลูกค้า แนะนำ KPI 6 ข้อที่เกี่ยวข้องกับเป้าหมายนี้ให้ฉัน ควรมีอย่างน้อย 2 ตัวเป็นตัวชี้วัดนำ ระบุสูตรและความเสี่ยงของการบิดเบือนสำหรับแต่ละรายการ

ขนาด

วิธีการที่ไม่ดี

แนวทางที่แข็งแกร่ง

บริบททางธุรกิจ

ไม่มี

สุทธิ (การจัดการการสนับสนุน)

เป้าหมาย

ไม่แน่นอน

ลดความปั่นป่วน

ความสมดุลของผู้นำ/ผู้ตาม

ไม่พึงประสงค์

ร้องขออย่างชัดแจ้ง

คำเตือนการจัดการ

ไม่มี

ใช่

ความพร้อมใช้งาน

ต่ำ

สูง

ข้อผิดพลาดทั่วไป

• ติดตาม KPI มากเกินไป ตัวชี้วัด 30 ตัวกำลังกวนใจ ตัวชี้วัดสำคัญ 5-7 ตัวแข็งแกร่งขึ้น
• การเลือก KPI ที่ปรับเปลี่ยนได้ ตัวบ่งชี้ที่สูงเกินจริงได้ง่าย เช่น “จำนวนการโทร” ทำให้เกิดพฤติกรรมที่เลวร้าย
• เพียงดูที่ตัวชี้วัดต่อท้าย คุณวัดอดีต แต่คุณไม่สามารถมองเห็นอนาคตได้ เพิ่มตัวบ่งชี้นำ
• ตอบสนองต่อทุกความผันผวน แยกสัญญาณรบกวนออกจากสัญญาณ ไม่งั้นคุณจะเบื่อทีม
• ไม่ตรวจสอบสาเหตุที่แท้จริง สาเหตุที่แท้จริงที่ AI พบนั้นเป็นเพียงสมมติฐาน จะต้องผ่านการทดสอบภาคสนาม

ข้อควรระวัง: "คุณจะได้สิ่งที่คุณวัดได้" (กฎของกู๊ดฮาร์ต) เมื่อ KPI กลายเป็นเป้าหมาย ผู้คนก็หาทางหลอกลวงได้ ดังนั้นก่อนที่จะเลือก KPI ให้ถาม AI ว่า “ตัวบ่งชี้นี้สามารถกระตุ้นให้เกิดพฤติกรรมแย่ๆ อะไรได้บ้าง” อย่าลืมถาม

โดยสรุป

KPI คือแดชบอร์ดของธุรกิจ ถ้าเลือกดีก็จะแสดงปัญหาตั้งแต่เนิ่นๆ ถ้าเลือกผิดก็ทำให้เกิดพฤติกรรมที่ไม่พึงประสงค์ KPI ที่ดีสามารถวัดผลได้ เกี่ยวข้องกับธุรกิจ มุ่งเน้นการดำเนินการ และทนทานต่อการบิดเบือน ใช้ตัวบ่งชี้นำหน้าและต่อท้ายร่วมกัน มุ่งเน้นไปที่ตัวชี้วัดหลัก 5-7 ตัว AI เป็นตัวช่วยที่มีประสิทธิภาพในการเลือก KPI การตีความแดชบอร์ด การเลือกปฏิบัติสัญญาณรบกวน และการวิเคราะห์สาเหตุที่แท้จริง แต่การตีความความเบี่ยงเบนและสาเหตุทุกอย่างเป็นเพียงสมมติฐานและต้องได้รับการตรวจสอบในภาคสนาม การตัดสินใจเป็นของคุณ

งานสมัคร

แสดงรายการ KPI ที่คุณกำลังติดตามอยู่ นำคำแนะนำตัวบ่งชี้หลัก 6 ข้อจาก AI สำหรับธุรกิจของคุณเองด้วยเทมเพลต “การเลือก KPI และการกลั่น” ด้านบน แล้วเปรียบเทียบกับรายการที่มีอยู่ของคุณ จากนั้นสำหรับ KPI ที่มีอยู่แต่ละรายการ “ตัวบ่งชี้นี้อาจกระตุ้นให้เกิดพฤติกรรมไม่พึงประสงค์อะไรบ้าง” ถาม AI และจดบันทึกว่าคุณจะตรวจจับตัวบ่งชี้ความเสี่ยงอย่างน้อยหนึ่งตัวและแก้ไขได้อย่างไร

รายการตรวจสอบ

• [ ] ฉันได้กลั่นกรอง KPI ของฉันออกเป็นตัวบ่งชี้หลัก 5-7 ตัวแล้วหรือยัง?
• [ ] ฉันได้ปรับสมดุลของตัวบ่งชี้ที่นำหน้าและต่อท้ายแล้วหรือยัง?
• [ ] ฉันเคยตั้งคำถามถึงความเสี่ยงในการบิดเบือนของ KPI แต่ละรายการหรือไม่
• [ ] ฉันแยกแยะระหว่างสัญญาณรบกวนและสัญญาณเมื่อตีความความเบี่ยงเบนหรือไม่?
• [ ] ฉันได้ตรวจสอบสาเหตุที่แท้จริงในภาคสนามแล้วหรือยัง?