核心观点与关键数据
- 效能度量悖论：不能度量就不能管理、改进，但有了度量并不等于就能管理、改进。古德哈特定律指出，当一个度量成为目标，它就不再是一个好的度量。
- DIKW模型：数据（Data）是基础事实，信息（Information）赋予数据意义，知识（Knowledge）组织信息回答核心问题，智慧（Wisdom）指导行动改变未来。
- 质量保障与改进：质量保障监控过程质量，保障交付；质量改进分析当前质量水平，寻找根本原因并指导改进行动。
效能度量失败原因
- 缺乏有效数字化支撑：数据不可靠或不可用。
- 脱离场景目标和问题：制定复杂的度量指标体系。
- 将度量本身当目的：而非引导有效的改进行动。
如何避免效能度量失败
- 数字化先于数据化：
- 梳理并设计数字化模型，持续完善产品研发的数字化。
- 构建数据体系，基于当前数字化能力。
- 明确场景目标设计度量体系：
- 明确目标，回答核心问题。
- 基于可靠数据，组织信息回答场景下的核心问题。
- 数据引导和赋能改进行动：
- 区分业务结果、效能目标，以及内部的行为和能力指标。
- 引导团队改进行为和能力，提高研发效能，赋能业务创新和发展。
实践方法支撑
- 系统度量：支持落地实施和持续改进，业务驱动的协作模式。
- 产品导向交付模式：基于目标分析设计业务流程，适配业务要求的交付和发布能力。
- 领域驱动架构和实现：业务引领的领域建模，领域驱动的微服务架构。
- 聚合和管理研发资产和流程：以应用为核心聚合研发资产，定义和管理应用的研发流程。
研究结论
通过梳理数字化模型、明确场景目标设计度量体系、以及数据引导和赋能改进行动，可以有效避免效能度量失败，从而支撑协作、工程和数字业务的创新和发展，最终加速业务发展并引领业务创新。
