پیمایش در دنیای ردیابی عملکرد نیازمند درک کاملی از شاخصهای پیشرو و پسرو است. در حالی که شاخصهای پسرو آنچه را که قبلاً اتفاق افتاده است، مانند درآمد کل، تأیید میکنند، شاخصهای پیشرو به عنوان سیگنالهای پیشبینیکننده عمل میکنند که به تیمها کمک میکنند تا استراتژی خود را در زمان واقعی تنظیم کنند تا به اهداف بلندپروازانه برسند.
معیارهای پیشگیرانهای که موفقیت آینده را نشان میدهند و در محدودهی تأثیر فوری یک تیم قرار دارند.
معیارهای خروجیمحور که نتایج نهایی اقدامات و استراتژیهای گذشته را اندازهگیری میکنند.
| ویژگی | شاخصهای پیشرو | شاخصهای عقبمانده |
|---|---|---|
| طبیعت | پیشبینانه و پیشگیرانه | خروجیگرا و واکنشگرا |
| سهولت اندازهگیری | ردیابی دقیق دشوارتر است | تعیین مقدار بسیار آسان |
| نفوذ | کنترل مستقیم بالا | کنترل مستقیم کم |
| افق زمانی | کوتاه مدت / بلادرنگ | بلندمدت / تاریخی |
| هدف | تنظیم استراتژی | ارزیابی عملکرد |
| قابلیت مشاهده | سیگنال اولیه | نتیجه نهایی |
تفاوت اصلی در زمانی است که دادهها در دسترس تیم قرار میگیرند. شاخصهای پیشرو بازخورد فوری ارائه میدهند و به مدیر اجازه میدهند تا ببیند که کاهش رزروهای نسخه آزمایشی هفتگی احتمالاً به فروش ماه آینده آسیب میرساند. شاخصهای پسرو فقط به شما میگویند که پس از پایان ماه، به هدف فروش خود نرسیدهاید.
تیمها عموماً از شاخصهای پیشرو، قدرت نفوذ بسیار بالاتری دارند، زیرا به رفتارهای خاصی وابسته هستند. شما میتوانید تصمیم بگیرید که حجم اطلاعرسانی روزانه خود را امروز افزایش دهید، اما نمیتوانید به سادگی «تصمیم» بگیرید که درآمد سهماهه خود را در روز پایانی دوره افزایش دهید. این امر، معیارهای پیشرو را برای انگیزه روزانه ضروری میکند.
اندازهگیری یک شاخص پسرو مانند «تعداد کل مشتریان» ساده است و معمولاً توسط نرمافزارهای حسابداری ساده انجام میشود. در مقابل، شاخصهای پیشرو اغلب نیاز به ردیابی پیچیدهای دارند تا از اعتبار همبستگی اطمینان حاصل شود. به عنوان مثال، ردیابی «میزان مشارکت در ویژگیها» نیاز به تجزیه و تحلیل عمیق محصول دارد تا اطمینان حاصل شود که در واقع منجر به حفظ بیشتر مشتری میشود.
در یک مجموعه OKR سالم، نتایج کلیدی اغلب ترکیبی از هر دو نوع هستند. در حالی که هدف ممکن است یک وضعیت عقبمانده مانند «رهبری بازار» باشد، نتایج کلیدی باید شامل شاخصهای پیشرو باشد که مسیر رسیدن به آن را نشان میدهد. این تعادل تضمین میکند که تیم فقط به تابلوی امتیازات خیره نشده است، بلکه به طور فعال در حال انجام بازی است.
شاخصهای پیشرو همیشه بهتر از شاخصهای عقبمانده هستند.
هر دو برای یک تصویر کامل ضروری هستند. بدون شاخصهای تأخیری، ممکن است به تمام اهداف «فعالیتی» خود برسید، اما متوجه نشوید که آنها در واقع به ارزش تجاری تبدیل نمیشوند.
درآمد، شاخصی پیشرو برای رشد است.
درآمد در واقع یک شاخص کلاسیک با تأخیر است. این شاخص بر اساس تلاشهای فروش و بازاریابی که هفتهها یا ماهها قبل انجام شده است، به شما میگوید که در گذشته چه اتفاقی افتاده است.
شاخصهای پسرونده راحتتر تحت تأثیر قرار میگیرند.
در واقع برعکس است. شما با دستکاری شاخصهای پیشرو که به یک شاخص عقبمانده وارد میشوند، بر آن تأثیر میگذارید، دقیقاً مانند کاهش وزن که نیاز به مدیریت کالری دریافتی دارد.
هر OKR به تقسیم ۵۰/۵۰ این معیارها نیاز دارد.
این نسبت به هدف شما بستگی دارد. استارتاپهای نوپا ممکن است ۸۰٪ بر شاخصهای پیشرو برای یافتن تناسب محصول-بازار تمرکز کنند، در حالی که شرکتهای بالغ ممکن است بیشتر بر اهداف مالی عقبمانده تکیه کنند.
وقتی نیاز به هدایت رفتار و ایجاد تنظیمات تاکتیکی در طول یک چرخه دارید، شاخصهای پیشرو را انتخاب کنید. وقتی نیاز به گزارش نتایج نهایی به سرمایهگذاران یا ارزیابی موفقیت نهایی یک استراتژی بلندمدت دارید، به شاخصهای تأخیری تکیه کنید.
این مقایسه فنی، بدهبستانهای عملیاتی بین دادههای آزادی حرکت - که رفتارهای سیال و مهارنشده انسانی، دارایی یا مکانی را ثبت میکند - و محدودیتهای مجموعه دادههای ساختاریافته، طرحهای اعتبارسنجی سفت و سختی که برای اعمال ثبات پایگاه داده استفاده میشوند، را ارزیابی میکند. تصمیمگیری بین آنها مستلزم ایجاد تعادل بین پیشبینیپذیری ساختاری در برابر بینشهای غنی از فعالیت طبیعی و چندبعدی است.
انتخاب بین آزمایش آنلاین در مقیاس بزرگ و آزمایش مدل در مقیاس کوچک به معنای ایجاد تعادل بین اعتبارسنجی علّی خام در دنیای واقعی با تأیید الگوریتمی سریع و مقرون به صرفه است. در حالی که اجرای آزمایشهای زنده در میان پایگاههای کاربری عظیم، تأثیر واقعی کسب و کار و واقعیتهای رفتاری را آشکار میکند، آزمایش آفلاین در مقیاس کوچک، محیط کنترلشده و تکرارپذیر لازم برای تکرار سریع کد و دروازههای استقرار ایمن را فراهم میکند.
این مقایسه فنی، تفاوتهای عملیاتی بین آمارههای کافی و نمایش دادههای خام را تجزیه و تحلیل میکند. در حالی که دادههای خام هر نکته ظریف مشاهده شده را حفظ میکنند، آمارههای کافی آن مجموعه دادهها را به شکلی فشرده و بدون از دست دادن حتی یک ذره از اطلاعات مورد نیاز برای تخمین پارامترهای مدل شما، فشرده میکنند.
در دنیای تحلیلهای پرمخاطره، توانایی تشخیص الگوهای معنادار از نوسانات تصادفی، موفقیت را تعریف میکند. در حالی که استخراج سیگنال بر جداسازی بینشهای عملی با استفاده از فیلترهای ریاضی دقیق تمرکز دارد، تقویت نویز زمانی رخ میدهد که تحلیلگران واریانس تصادفی را با روندهای قابل توجه اشتباه میگیرند و اغلب منجر به خطاهای استراتژیک پرهزینه و مدلهای پیشبینی ناقص میشوند.
در حالی که فیلتر نویز، نوسانات تصادفی سطح پایین را حذف میکند تا روند اصلی مجموعه دادهها را روشن کند، استخراج سیگنال از دادههای پرت به طور فعال به دنبال نقاط دادهای شدید و ایزوله میگردد که ناهنجاریهای پنهان، خطاهای بحرانی سیستم یا پیشرفتهای ارزشمند را آشکار میکنند. دانستن زمان اعمال هر تکنیک، مانع از آن میشود که به طور تصادفی ارزشمندترین بینشهای دادهای خود را از دست بدهید.
