Skip to main content

ఫలితాలను కొలవడానికి సరైన (మరియు తప్పు) మార్గం

Anonim

ప్రతి రోజు మీరు సేవలందించే కస్టమర్ల సంఖ్యను పెంచడమే మీ లక్ష్యం అని చెప్పండి. బహుశా మీరు సిటీ ఆఫీస్ ప్రాసెసింగ్ ఫుడ్ స్టాంప్ అనువర్తనాలను నడుపుతున్నారు లేదా మీ కంపెనీ ఉత్పత్తికి సాంకేతిక సహాయాన్ని అందిస్తున్నారు. మీరు ఆన్‌లైన్‌లో, వ్యక్తిగతంగా మరియు ఫోన్‌లో ఎంత మంది వినియోగదారులకు సేవలు అందిస్తున్నారు? ఈ ప్రతి ఛానెల్‌లో సమస్యను పరిష్కరించడానికి సగటు సమయం ఎంత? ఏ రకమైన కస్టమర్ అభ్యర్థనలు ఎక్కువ సమయం తీసుకుంటాయి మరియు వీటిని త్వరగా నిర్వహించగలవు?

మీరు ఈ ప్రశ్నలకు సమాధానం ఇవ్వలేకపోతే, మీరు ప్రయత్నించడానికి ముందే మీరు మీరే వైఫల్యానికి లోనవుతున్నారు.

సిటీ హాల్ నుండి కార్పొరేట్ బోర్డ్‌రూమ్ వరకు ఈ రోజుల్లో డేటా ఆధారిత నిర్ణయం తీసుకోవడం ఒక జీవన విధానం. చర్య యొక్క కోర్సును నిర్దేశించడానికి మీకు సంఖ్యలు ఉంటే, ఆలోచన వెళుతుంది, మీరు మీ హృదయాన్ని లేదా మీ మనస్సును ఎందుకు ఉపయోగిస్తారు? చల్లని, కఠినమైన డేటాతో ప్రతి కదలికను బ్యాకప్ చేయాలనే తపనతో, ఉపయోగకరమైన సంఖ్యల కోసం ఏదైనా పాత సంఖ్యలను పొరపాటు చేయడం సులభం. అన్ని డేటా సమానంగా సృష్టించబడదు మరియు మీరు సరైన డేటాను సేకరిస్తారని నిర్ధారించడానికి ఉత్తమ మార్గం సరైన పనితీరు కొలమానాలను అభివృద్ధి చేయడం.

ఏ కొలమానాలు మీకు సహాయపడతాయో మరియు కేంద్ర సమస్యల నుండి మిమ్మల్ని మరల్చగలదో మీరు ఎలా నిర్ణయిస్తారు? డేటాతో వ్యవహరించేటప్పుడు ప్రజలు చేసే ఐదు సాధారణ తప్పులు మరియు వాటిని నివారించడానికి కొన్ని చిట్కాలు ఇక్కడ ఉన్నాయి.

తప్పు # 1: కేవలం కొలతలు కలిగి ఉంటే సరిపోతుంది

ఏమీ కొలవడం కంటే కొంచెం కొలవడం మంచిది అని నిజం. కానీ చాలా మంది ప్రజలు “మెట్రిక్స్” అనే పదాన్ని సూపర్‌వైజర్‌కు పలికినందుకు సంతృప్తి చెందుతారు, మరియు చాలా మంది సూపర్‌వైజర్లు తమ బృందం ఏదైనా లెక్కించినట్లయితే, వారు తప్పక ఏదో ఒక పని చేస్తారని అనుకుంటారు.

పనితీరు నాణ్యతను కొలవడానికి మరియు నిర్వహించడానికి డేటా మిమ్మల్ని అనుమతించినట్లయితే మాత్రమే డేటా ఉపయోగపడుతుంది. దీని అర్థం, భవనాల విభాగం ఎన్ని భవనాలు తనిఖీలో ఉత్తీర్ణత సాధించాయో లెక్కించాల్సిన అవసరం లేదు, ఎందుకంటే అవి విఫలమయ్యే కారణాల రకాలు, ప్రతి ఇన్స్పెక్టర్ ఒక రోజులో పూర్తి చేసిన తనిఖీల సంఖ్య మరియు ప్రాధమిక తనిఖీ చేసిన ఒకటి లేదా రెండు నెలల్లో ఎన్ని భవనాలు వాటి ఉల్లంఘనలను సరిచేశాయి. ఈ ధనిక డేటా తనిఖీ ప్రక్రియలో అసమర్థతలను తెలుపుతుంది మరియు మెరుగైన భద్రతా ప్రమాణాల కోసం పని చేయడానికి విభాగాన్ని అనుమతిస్తుంది.

తప్పు # 2: మరింత కొలమానాలు, మంచివి

ఒక సాధారణ దురభిప్రాయం ఏమిటంటే, ఏదైనా లెక్కించగలిగితే, దానిని లెక్కించాలి. స్ప్రెడ్‌షీట్‌లో ట్యాబ్‌లు మరియు మెట్రిక్‌ల ట్యాబ్‌లను వేయడంలో నేను పొరపాటు చేశాను, డేటాను సేకరించడానికి అవసరమైన ప్రయత్నం నా సమయాన్ని మాత్రమే కాకుండా, నిర్వహించడానికి కేటాయించిన వ్యక్తుల సమయాన్ని కూడా తగ్గిస్తుంది. మేము కొలవడానికి ప్రయత్నిస్తున్న పని.

మీ పనితీరు పర్యవేక్షణ చాలా భారంగా ఉండాలని మీరు ఎప్పటికీ కోరుకోరు, అది వాస్తవానికి పనితీరును అడ్డుకుంటుంది. కొలమానాల సమితితో వస్తున్నప్పుడు, మీరు కొలవగల ప్రతిదానిని కలవరపరిచేటప్పుడు ప్రారంభించడానికి ఇది సహాయపడుతుంది, ఆపై మీ ప్రోగ్రామ్ గురించి అత్యంత క్లిష్టమైన సమాచారాన్ని అందించే టాప్ 10 సూచికలకు ప్రాధాన్యత ఇస్తుంది. నిర్వహించదగిన లోడ్‌తో ప్రారంభించండి మరియు క్రమంగా ఎక్కువ జోడించండి the డేటాను సేకరించడానికి అవసరమైన ప్రయత్నం ఉపయోగకరమైన పరిశీలనలు మరియు మెరుగుదల అవకాశాలలో చెల్లించబడుతుంది.

తప్పు # 3: విలువ తీర్పులు వాల్యూమ్‌లకు కేటాయించబడాలి

ఉపరితలంపై, తక్కువ కాల్‌లకు సమాధానం ఇవ్వడం కంటే ఎక్కువ కాల్‌లకు సమాధానం ఇవ్వడం మంచిది అని అనిపించవచ్చు. కానీ గంటకు ఐదు కాల్స్ అదనంగా పిండడానికి, ప్రతి కాల్ యొక్క నాణ్యత రాజీ పడుతుందని imagine హించుకోండి. తక్కువ సమాచారం సేకరించబడుతుంది మరియు తక్కువ సమస్యలు పరిష్కరించబడతాయి. కాలర్‌లు మొదటి కాల్‌తో సంతృప్తి చెందలేదు, కాబట్టి వారు రెండవ లేదా మూడవ సారి కాల్ చేస్తారు, మీ కాల్ నంబర్‌లను మరింత పెంచుతారు కాని అదనపు సమయం తీసుకుంటారు మరియు కాల్‌లు మొదటి స్థానంలో రావడానికి గల కారణాలను పరిష్కరించడంలో విఫలమవుతారు. ఒక నిమిషం ఎక్కువసేపు ఉండే కాల్‌లు, కానీ తగినంతగా పరిష్కరించేవారు కాలర్ యొక్క ప్రశ్నలను పునరావృతం చేసే కాల్‌లను నిరోధించడంతో ముగుస్తుంది, తద్వారా పొరపాటుగా కాకుండా వెనుకకు కాకుండా మరింత సమానమైన-మంచి ఆలోచనా విధానాన్ని అందిస్తుంది.

అనేక కొలమానాలు, సంపూర్ణ సంఖ్యలుగా లెక్కించబడినప్పుడు, ముఖ్యంగా సహాయపడవు అని గ్రహించడం కూడా చాలా ముఖ్యం. సందర్భం లేకుండా, సంఖ్య ఎక్కువ లేదా తక్కువ అర్థరహితం. ఏదైనా లెక్కింపు ఒక హారంకు అర్హమైనది, మరియు స్వచ్ఛమైన సంఖ్యలను మొత్తం శాతంగా సూచించాలి. ఉదాహరణకు, నిరాశ్రయులైన 1, 000 మంది వ్యక్తులను వీధికి దూరంగా మరియు తాత్కాలిక గృహాలకు తరలించడం ప్రశంసనీయం. 20, 000 మంది నిరాశ్రయులకు గృహనిర్మాణం చేయడమే లక్ష్యం అయితే, మీరు అక్కడ 5% మాత్రమే ఉన్నారని గుర్తించడం చాలా ముఖ్యం.

తప్పు # 4: సంఖ్యలు వారి కోసం మాట్లాడనివ్వండి

సంఖ్యలు మొత్తం కథను చెబుతాయని అనుకోవడం ప్రమాదకరం. డేటాను ధూమపాన తుపాకీగా కాకుండా, బ్రెడ్‌క్రంబ్స్ యొక్క కాలిబాటగా భావించడం మంచిది. కొలతలు మిమ్మల్ని సమస్య ప్రాంతాల వైపు చూపించగలవు లేదా మీరు గమనించి ఉండకపోవచ్చు. కానీ మీరు మీ చేతులతో త్రవ్వే వరకు, సంఖ్యలు కేవలం - సంఖ్యలు. సమస్య యొక్క మూలాన్ని వెలికి తీయడం తరచుగా చేతిలో ఉన్న విషయానికి దగ్గరగా పనిచేసే వ్యక్తులను ఇంటర్వ్యూ చేయడం, గమనించడం మరియు గుణాత్మక డేటాను అర్ధం చేసుకోవడం. కొలతలు ఫలితాన్ని ప్రతిబింబిస్తాయి, కానీ మూల కారణం కాదు.

ఫైలింగ్ ప్రక్రియను పూర్తి చేయడానికి సమయం ఐదు రోజులు పెరిగిందని మీరు కనుగొనవచ్చు. కానీ గుమాస్తాలు రోజంతా బజ్‌ఫీడ్‌లో వాయిదా వేస్తున్నారని స్వయంచాలకంగా అనుకోకండి . ఇటీవలి మార్కెటింగ్ ప్రయత్నం అనువర్తనాల్లో 20% పెరుగుదలను విజయవంతంగా ఇచ్చిందని, లేదా కొత్తగా చట్టబద్దమైన మార్పులు ప్రక్రియకు ఒక దశను చేకూర్చాయని కొన్ని సాధారణ ప్రశ్నలు వెల్లడిస్తాయి. మీ సంఖ్యలు తమను తాము సమాధానాలుగా తీసుకోకుండా, ప్రశ్నించే రంగాలపై దృష్టి పెట్టడానికి మిమ్మల్ని అనుమతించండి.

తప్పు # 5: ఇది ఇప్పుడు మంచి మెట్రిక్ అయితే, ఇది తరువాత మంచి మెట్రిక్ అవుతుంది

లక్ష్యాలు వలె సమస్యలు మారతాయి మరియు మారుతాయి. కాంట్రాక్టు కాగితపు పనిలో వెనుకబడి ఉన్న సమయాన్ని పరిష్కరించడానికి ప్రారంభ కొలమానాల సమితి మిమ్మల్ని అనుమతించింది. ఆ సమస్య పరిష్కరించబడిన తర్వాత, మీ పురస్కారాలపై విశ్రాంతి తీసుకోకపోవడం ముఖ్యం. అవకాశాలు ఉన్నాయి, ఆ మెట్రిక్‌ను మరింత మెరుగుపరచవచ్చు లేదా శ్రద్ధ కోసం యాచించడం పూర్తిగా భిన్నమైన సమస్య ప్రాంతం.

మీ కొలమానాలను ప్రతి మూడు నుండి ఆరు నెలలకొకసారి పున iting సమీక్షించేటట్లు చేయండి, అవి ప్రస్తుత సందర్భంలో ఇప్పటికీ అర్ధమయ్యేలా చూసుకోండి. కొన్ని వాడుకలో లేవని మీరు కనుగొంటారు, మరికొందరికి ట్వీకింగ్ అవసరం. కానీ మెట్రిక్ మార్చాలని నిర్ణయించేటప్పుడు జాగ్రత్త వహించండి. మీరు ఒక నిర్దిష్ట డేటాను కొలిచే విధానాన్ని మార్చడం చారిత్రక డేటాను తక్కువ ఉపయోగకరంగా చేస్తుంది మరియు మీరు సేకరిస్తున్న డేటా యొక్క కొనసాగింపుకు అంతరాయం కలిగిస్తుంది. సమయం కొద్దీ కొలమానాలను స్వీకరించకూడదని ఇది కాదు, నిర్ణయం తేలికగా తీసుకోకూడదు.

డేటా ఒక శాస్త్రం మరియు అలా పరిగణించాల్సిన అవసరం ఉంది. పరిగణించబడిన ప్రదేశం నుండి కొలమానాలను సంప్రదించడానికి మీరు సమయం తీసుకున్నప్పుడు, మీరు మీ ప్రయత్నాలను నిరంతరం అంచనా వేయడానికి మరియు అర్ధవంతమైన మెరుగుదలలను అమలు చేసే స్థితిలో ఉంటారు.