收益：
- 能够在人工智能的支持下，了解好的KPI的特点和领先滞后指标的平衡情况，选择与业务相关的关键指标
- 能够区分偏差是正常波动（噪声）还是真实趋势（信号）并找出根本原因
- 能够预测 KPI 可能鼓励的不良行为并验证该领域的每个根本原因假设
在没有仪表的情况下经营企业就像驾驶一辆没有速度和燃油信息的汽车。 KPI（关键绩效指标）是业务的仪表板。营业额、利润率、客户满意度、员工流动率、交货时间……如果这些选择和监控正确，经理就会在问题爆发之前发现问题。但错误的 KPI 会导致错误的行为。在本单元中，我们将学习如何使用人工智能选择正确的 KPI、解释仪表板以及及早发现偏差。边界：AI计算指标并产生解释稿；经理决定哪个指标重要以及如何采取行动。
良好KPI的特征
并非每个数字都可以成为 KPI。一个好的KPI具有以下特点。可测量的：用明确的公式计算。业务相关：与业务的真正目标相关。行动导向：跌倒时，清楚该做什么。难以操纵：不容易被愚弄。糟糕的 KPI 的典型例子：“发送的电子邮件数量”对于销售团队来说是一个糟糕的 KPI，因为它很容易被夸大，并且不能衡量真正的结果（已完成的销售）。
领先指标和滞后指标之间也有区别。追踪指标讲述历史（本月的营业额——已完成的事情）。领先指标预示着未来（本周的报价数量 - 影响下个月的营业额）。一个好的仪表板包括两者：尾随指标提供分数，领先指标提供警报。当人工智能设计仪表板时，明确要求这种平衡。
提示：经理可以同时跟踪的 KPI 数量是有限的。 5-7个关键指标比30个分散指标更有力。通过告诉人工智能“选择 6 个最关键的 KPI 并解释为什么是它们”来提炼列表。
解释偏差：噪声还是信号？
每个 KPI 都会波动。一周下跌3%可能是正常波动（噪音）；它也可能是一个持续的趋势（信号）。新手经理会对每一次波动做出反应，这会让团队感到疲惫不堪；经验丰富的经理将信号与噪音分开。人工智能可以帮助区分：给出几个时期的数据并询问“这种变化是在正常波动范围内还是趋势？”问。但人工智能给出的是统计预测；最终解释应结合您的行业知识。
看到偏差之后，就要找到根本原因。 “5 个为什么”技术（一种通过在提出问题后连续问五次“为什么？”来找出根本原因的方法）在这里很有价值，而人工智能使这一切变得简单。但请记住：人工智能发现的根本原因是一个假设；必须在现场进行验证。
三个迷你箱子
案例 1 — 纠正错误的 KPI。呼叫中心将“每天接听的电话数量”作为关键绩效指标。代表们忙着召开会议来增加人数，而客户满意度却在下降。经理询问 AI“这个 KPI 鼓励了哪些不良行为？”他问道。人工智能展示了速度与质量的冲突。 KPI变更为“解决呼叫率+满意度得分”；三个月内满意度提高了 12%。
案例 2 — 将噪声与信号分离。在线商店的转化率在一周内从 2.4% 下降到 2.2%。经理没有惊慌，而是向人工智能提供了过去 12 周的匿名数据。 YZ显示，汇率通常在2.1-2.5区间波动，此次下降是在该区间内。避免了不必要的紧急干预。当三周后真正开始下跌时，这次它很快就被抓住了，因为它超出了区间。
案例 3 — 找到根本原因。某货运公司交货延误率上升。经理用人工智能实施“5个为什么”：为什么会延迟？ → 跳过仓库上传。为什么迟到？ → 缺少早班。为什么不见了？ → 两名员工离职且没有被替换。根本原因是人力资源缺口，而不是物流。干预是在正确的地方进行的。人工智能构建问题；现场数据证实了答案。
四个可复制模板
1）KPI选择与蒸馏：
您的角色：绩效管理顾问。我的工作：[工作描述]。我的目标：[主要目标]。建议我应该跟踪的 6 个最关键的 KPI。对于每个：公式，为什么它很重要，它是先驱还是后继，它可能鼓励哪些不良行为。避免使用容易被操纵的指标。
2）剪贴板解释：
对随附的匿名 KPI 仪表板进行评论（期间、指标、值、目标）。1) 标记未达到目标的指标。2) 显示每个指标的偏差幅度 (%)。3) 优先考虑 3 个最紧急的指标。只需使用我给出的数字即可；新的指示器/数字配件。
3）噪声或信号：
附上最近 12 个周期的以下 KPI 的匿名值。这是指标正常波动范围内的最新变化还是新趋势？显示正常带（大约最小-最大）并指示最后一个值在带中的位置。不要做出精确的预测；强调这是一个猜测。
4）根本原因（5个原因）：
帮我分析一下这个问题的根本原因：【问题】应用“5个为什么”技巧：重复“为什么？”每次回答后。问。在每一步都询问我更多信息，以便我们可以使用真实数据而不是假设进行处理。
弱提示/强提示
弱提示：
向我建议 KPI。
他的工作和目标都不明确。 AI列出适合每个人的陈词滥调指标（营业额、利润）；它不知道您业务的真正驱动因素。
强力提示：
您的角色：绩效顾问。我的工作：在一家拥有 15 名员工的软件公司中进行客户支持管理。我的目标是减少客户流失。向我建议与此目标相关的 6 个 KPI；其中至少有 2 个应该是领先指标。说明每个公式和操纵风险。
尺寸
糟糕的方法
强硬的做法
商业背景
无
网络（支持管理）
目标
不确定的
减少客户流失
领导者/追随者平衡
不请自来的
明确要求
操纵警告
无
是的
可用性
低
高
常见错误
- 跟踪太多 KPI。 30个指标分散注意力； 5-7个关键指标较强。
- 选择可操作的 KPI。 “通话次数”等容易夸大的指标会产生不正当行为。
- 只需查看跟踪指标即可。你衡量过去，却看不到未来；添加领先指标。
- 对每一次波动做出反应。将噪声与信号分离；否则你会让团队疲惫不堪。
- 没有验证根本原因。 AI找到的根本原因是一个假设；必须在现场进行测试。
注意：“你测量什么就得到什么”（古德哈特定律）。当 KPI 成为目标时，人们就会想方设法欺骗它。因此，在选择 KPI 之前，先问问 AI“这个指标会鼓励哪些不良行为？”一定要问清楚。
总之
KPI 是业务的仪表板；如果选择得当，就会及早发现问题，如果选择不正确，就会产生不良行为。好的 KPI 是可衡量的、与业务相关的、以行动为导向且不易操纵的。一起使用领先指标和尾随指标。重点关注5-7个关键指标。人工智能在KPI选择、仪表板解读、噪声信号辨别和根本原因分析等方面提供了强大的帮助；但对偏差和根本原因的每种解释都是假设，必须在现场进行验证。决定权在你。
应用任务
列出您当前跟踪的 KPI。使用上面的“KPI 选择和提炼”模板，获取 AI 为您自己的业务提供的 6 个关键指标建议，并将其与您现有的列表进行比较。那么对于每个现有的 KPI，“该指标可能会鼓励哪些不良行为？”询问人工智能并写下你将如何检测至少一个风险指标并修复它。
清单
- [ ] 我是否已将 KPI 提炼为 5-7 个关键指标？
- [ ] 我是否平衡了领先指标和尾随指标？
- [ ] 我是否质疑过每个 KPI 的操纵风险？
- [ ] 在解释偏差时我是否区分了噪声和信号？
- [ ] 我是否已在现场验证了根本原因？