时间: 2021-07-30 10:48:14 人气: 7 评论: 0
编辑导语:在日常工作中,OKR工作方法是许多互联网公司都在使用的一项方法之一,OKR工作法如何实现数据驱动业务的呢?作者从五个方面与我们一同探讨,我们一起来看下吧。
OKR工作法是很多互联网企业在使用的方法。
但陈老师不这么认为。在深度参与十几个客户的OKR工作进展以后,我看到了数据驱动业务的新模式,这可能是未来的一个发展方向。
为啥?听我娓娓道来。
绩效考核,KPI挂帅,已经在国内企业正式执行了**过30年。领导定指标,下属追指标,数据化管理绩效,是个很常见的事(如下图)。
但是,这背后隐藏着很深的问题。
反问一句:你参与过多少次KPI制定?大部分时候,KPI目标都是凭领导个人喜好或者个人意志而定。具体数字,经常是拍胸脯出,尤其喜欢找一个整数(比如100万,1个亿,100天完工)或者一个很吉利的数字。
对高层管理而言,这么做很有可能迷失战略方向,盲目地追求短期收入。因为长期的、基础的、深入的建设,都是很难在短期数字量化的。
2020年疫情让大量企业措手不及,拼命恶补数字化的短板,试问早干什么去了?
都在追业绩KPI呢。温水煮青蛙,就是这个感觉。
大部分企业的KPI都是从收入角度制定的。然后各个部门认领指标。如果是传统企业,经常是各条销售业务线认领指标。
如果是互联网企业,经常是拉新、促活、留存部门分别认领指标(如下图)。
这就导致了一个问题:如果只盯着收入指标,业务部门经常不计成本地冲刺任务。
在互联网企业尤甚。各种补贴大战,我们已经见得太多太多了,以至于在国内,互联网的代名词是“烧钱”,不是高科技。
如果连带考核成本,倒腾数据的手段就开始变得丰富。一个数据考核的基本规律,就是:考核公式越复杂,造假手段越丰富(如下图)。
在传统KPI导向下,中后台支撑部门,比如品牌推广、产品研发、客服、供应链、以及数据分析,坐冷板凳是常见的事。
因为这些部门不能直接产生收入,就备受冷落。对于中后台部门,无论是考核还是不考核收入,都**产生问题(如下图)。
综上,可见所谓的KPI法,并不是真正的数据驱动。KPI法,充其量叫数据驱赶:老板定个数,驱赶大家去做。
再本质地看这个问题。其根源在于:商业成功,并不等于单一的收入增加。
而OKR方法,正好应对以上需求而生。可以说,理解了KPI的弊病之处,就能看出OKR改进的思路。
OKR方法中的O(Objective)不是一个指标,不是一个指标,不是一个指标(重要的事说三遍),OKR方法中的O是一个具体的商业成功的标志。
正如《OKR工作法》一书中举例的,一个良好的O是:
这些是真正符合企业发展需要的目标,并非一个数值。通过区分商业成功目标与数值,让公司上下从眼前短期纠结中解放出来,思考真正能达成目标的动作。
并且这些目标是有时间限制的,最好是季度为单位,连年度目标都算是战略目标(并非定KPI的时候,动不动5-10的计划)。
比如O是:向用户证明我司产品质量很好。那么“质量好”,应该在产品体验、功能设计、用户口碑、销售表现各方面都有体现,这样就衍生出数个关键要素。
通过拆解关键要素,每个部门都能找到自己的小O,从而让绩效与每个部门都有关系。
落实到部门的小O以后,可以为小O设定具体的KR(Key Result)指标。KR指标类似传统的KPI是可量化,可改进的。
同时,KR是进取型指标,设定得比自然达成略高,杜绝使用消极型指标,这样才能激励各个部门努力上进,而不是消极怠工或者保守避战。
除了KR指标外,在OKR方法中还**设定状态指标。状态指标用于监控商业成功的保障性条件,诸如市场口碑、政策风向、用户满意度、系统稳定性等等。
这些状态指标只要不挂红灯即可,不需要像KR指标一样苛求做到100%达标。
这样区分,能为日常工作兜底。通过区分KR指标与状态指标,能把中后台部门从繁琐的日常工作中解放出来(如下图)。
有了清晰的KR指标以后,可以制定具体工作计划。挑选最核心的本周工作,排列后续计划,整个OKR工作表如下图。
可以看出,其实OKR工作法对KPI方法的最大改进,产生于制定目标的过程。
通过一层层的分解,让组织上下关注真正驱动商业成功的目标,试图用这种方法,避免过去经常出现的“大象转身难”“业绩很好,企业照倒”的问题。
特别是在数字化转型大时代,继续抱着过去的做法,不说对抗新业态的竞争了,就单单疫情带来的线下流量减少,都能打死一**老企业。
看到OKR的做法以后,熟悉数据分析的同学们,第一时间就**意识到:这对数据分析能力的要求更高了!
以前做KPI拆解,只要拿出一条过去的收入趋势线,然后按月度做个权重,拆分一下即可(如下图)。
用OKR方法,就不能简单拆解,而需要大量的数据分析支持。
O是对商业成功方向的判断,如何论证这个方向能成功,需要大量分析。
O是个定性描述,如何把O落地成KR,需要具体分析。
KR指标与状态指标,包含了大量行为指标、体验指标,数据采集的难度更高。
综上问题,可以归纳成:
整个OKR的运作,是建立在有以下四方面能力的基础上的:
这其中包含了大量的非结构化数据采集、内部行为监控、关键要素拆解分析等工作组,绝非以前单一追一个结果那么简单。
用OKR方法,就意味着,要把以前潜伏在业绩指标背后的各种关键要素拆解出来,量化管理。这是过去做深入的专题分析才**做的事。
在OKR的要求下,几乎每个月要**新一次研究成果,每周要更新一次数据,因此对数据分析而言,挑战巨大。
可以说,OKR才是真正在做数据驱动。数据能力不足,是阻挡很多企业实现OKR的关键原因,常见的问题,比如:l不注意采集用户体验、市场态势、内部流程的数据。
这些流于表面的分析工作,都**导致OKR方法无米下炊,最后又沦落回各个部门各自认领KPI的老路上。
那么,讲了这么多OKR的方法,目前在国内实施现状如何?从陈老师实践经历来看,当然是:参差不齐,整体落后了。
从本质上看,大量的职业经理人,还停留在传统的定KPI,追KPI阶段。毕竟这样干省事,且已经有一整套搞数据、出业绩的操作手法。比起学习新概念,要轻车熟路得多。
但这种僵化的体制,不能适应数字化时代的变革,已经是板上钉钉的事实。
数字化时代,新商业模式、新技术应用,都需要大量技术手段运营,需要试点,不再是拉横幅、喊口号、打鸡血能解决问题的了。
因此可以期待,在未来,OKR方法能更深入地使用,能真正带来数据驱动。
接地气的陈老师,微信公众号:接地气学堂,人人都是产品经理专栏作家。资深咨询顾问,在互联网,金融,快消,零售,耐用,美容等15个行业有丰富数据相关经验。
本文原创发布于人人都是产品经理。未经许可,禁止转载
题图来自Unsplash,基于CC0协议。