Sử dụng các phương pháp phân tích sai khiến chúng ta hiểu sai tín hiệu KPI và dẫn đến đưa ra những quyết định sai lầm.
Giới hạn điểm so sánh khiến chúng ta đưa ra kết luận sai từ các thước đo KPI này.
Giới hạn điểm so sánh không phải là tín hiệu vì chúng dựa trên các giả định không đúng sự thật. Khi giới hạn điểm so sánh, chúng gây ra nhiều lãng phí trong quá trình ra quyết định bằng cách phản ứng với những thay đổi không có hoặc bỏ lỡ thay đổi, về cơ bản là bởi chúng ta đang bỏ qua biến thiên tự nhiên tự nhiên mà mỗi thước đo KPI đều có.
Mỗi thước đo KPI đều có sự biến thiên tự nhiên của riêng nó. Giảm sự thay đổi không mong muốn hầu như luôn là cách tốt nhất để cải thiện hiệu suất. Nhưng sự biến thiên sẽ luôn ở đó và chúng ta cần học cách phát hiện những thay đổi thực sự trong hiệu suất, bất chấp có sự biến thiên này.
Các so sánh giới hạn phổ biến nhất mà chúng ta thực hiện khi sử dụng KPI là:
- Tính toán chênh lệch giữa tháng so với sang tháng khác.
- Tập trung vào một đường xu hướng tuyến tính.
- Đừng làm trơn tru dữ liệu
- Chỉ sử dụng dữ liệu của năm hiện tại.
- Thiết lập giới hạn dung sai.
Bạn có đang thực hiện một trong số những điều này?
Đừng so sánh tháng này với tháng khác
Hay so sánh tháng này với cùng tháng này nhưng của năm ngoái. Hoặc tháng này với một mục tiêu hoặc một hạn ngạch. Tất cả các so sánh điểm – với – điểm này giả định rằng hai điểm dữ liệu là đủ để kết luận rằng có một sự thay đổi xảy ra.
Hai điểm không đủ để kết luận một sự thay đổi đã xảy ra. Bởi mọi thước đo KPI đều có một lượng biến thiên tự nhiên riêng. Biến thiên tự nhiên đơn giản là kết quả của sự phức tạp trong môi trường kinh doanh.
Điều gì ảnh hưởng đến cân nặng hàng ngày của bạn? Nó có thể là lượng thức ăn bạn ăn hôm qua, lượng nước bạn đã uống, lượng mỡ đốt cháy trong cơ thể bạn, lượng mồ hôi trong buổi tập luyện buổi sáng. Bạn sẽ không thể biết thực sự cân nặng có thay đổi không trừ khi bạn tìm ra sự biến thiên cân nặng bình thường của mình và tìm kiếm mô hình thay đổi nhất quán trong thời gian trên một tuần hoặc hơn.
Thay vì so sánh giữa tháng này sang tháng khác, hãy cảm nhận về mức độ biến đổi bình thường trong KPI. Chúng ta cảm nhận được nó bằng cách sử dụng ít nhất 5 điểm dữ liệu, nhưng lý tưởng nhất là khoảng 20 giá trị lịch sử trong chuỗi thời gian KPI. Xem xét chuyển động lên xuống của KPI theo thời gian. Chúng ta không nên phản ứng với sự thay đổi tự nhiên đó, chúng ta chỉ nên phản ứng với những thay đổi thực sự trong hiệu suất. Và chúng ta sẽ thấy bất kỳ thay đổi nào khi sử dụng nhiều dữ liệu lịch sự, bởi chúng ta sẽ thấy được sự thay đổi trong mô hình biến thể (như trong ví dụ này)
Đừng tập trung vào xu hướng tuyến tính.
Chỉ vì Excel có thể tính toán một đường xu hướng trong chuỗi thời gian KPI, không có nghĩa là có một xu hướng. Đường xu hướng giả định một tỷ lệ thay đổi dần dần, nhất quán. Nhưng hầu hết các KPI đều không vận hành theo cách đó.
Thực tế, KPI không có sự thay đổi trong một khoảng thời gian, sau đó là một sự thay đổi đột ngột, sau đó là trạng thái ổn định hơn và có thể là một sự thay đổi nhỏ hơn, sau đó sang một trạng thái ổn định mới.Chỉ cần nghĩ về những thay đổi không thể đoán trước trong thị trường hoặc nền kinh tế, thực thi các sáng kiến thay đổi khác nhau và mức độ tài nguyên khác nhau mà chúng ta có sẵn. Tất cả những điều này có thể gây ra những thay đổi phi tuyến tính trong KPI.
Đường xu hướng không thể giải thích những thay đổi rời rạc này trong mô hình biến đổi của thước đo hiệu suất. Nhưng những thay đổi khác nhau này thực sự cần được giải thích. Chúng ta muốn biết nền kinh tế có thể tác động tới điều gì. Chúng ta muốn biết liệu sáng kiến có hiệu quả. Chúng ta muốn biết liệu có cần thay đổi kế hoạch nguồn lực. Đó là tất cả về quản lý hiệu suất.
Đừng làm trơn tru dữ liệu
Phạm vi di chuyển trung bình là khi mỗi giá trị chúng ta vẽ trên chuỗi thời gian là trung bình của X giá trị trước đó của KPI. Ví dụ: X sẽ là 12 với trung bình 12 tháng. Và nói chung, ảnh hưởng là những lùm xùm trong dữ liệu chúng ta – có thể là theo mùa hoặc hỗn loạn – đã được làm mịn ra khỏi chuỗi thời gian KPI.
Đó là lý do tại sao làm trơn tru rất phổ biến, ngay cả với dữ liệu KHÔNG theo mùa hoặc chu kỳ. Mọi người về cơ bản không hiểu biến thiên trong thống kê. Họ cho rằng biến thể quá lộn xộn không giúp ích gì cho việc diễn giải KPI. Chúng ta muốn làm trơn tru biến thể đó để có thể thấy xu hướng trong dữ liệu theo thời gian. Nhưng, giống như đường xu hướng, nó giả định rằng sự thay đổi theo thời gian là trơn tru. Và nó thường không như vậy.
Với KPI theo mùa, có nhiều cách tốt hơn để loại bỏ biến đổi theo chu kỳ khỏi KPI, khiến cho tín hiệu thay đổi theo thời gian dễ dàng phát hiện hơn, thay vì ẩn tất cả các tín hiệu. Chúng ta có thể thấy các tín hiệu thay đổi thực sự khi thấy được sự thay đổi trong mô hình biến thiên. Vì vậy, làm nó trơn tru không giúp được gì.
Đừng chỉ tập trung vào năm hiện tại
Vào đầu mỗi năm tài chính hoặc năm mới, nhiều người bỏ dữ liệu năm trước và chỉ bắt đầu báo cáo năm hiện tại, khi nó tiến triển. Lý do là năm hiện tại là năm họ đang quản lý, vì vậy họ chỉ cần dữ liệu của năm hiện tại.
Lỗ hổng trong suy nghĩ này là vì họ giả định rằng hiệu suất năm trước không ảnh hưởng tới năm nay. Thế giới không bắt đầu một lần nữa mỗi năm. Và dữ liệu của năm ngoái (và có thể là năm trước đó) đưa ra bối cảnh diễn giải những điều xảy ra hiện tại.
Một phần là bởi một hoặc 2 hoặc 3 điểm dữ liệu không đủ để hiểu hiệu suất. Một vài tháng đầu tiên của KPI trong năm mới không cho chúng ta bất kỳ cái nhìn sâu sắc nào cả. Chúng ta cần ít nhất 5 điểm dữ liệu và thường khá nhiều điểm trong chuỗi thời gian KPI trước khi tìm ra bất kỳ tín hiệu thay đổi đáng tin cậy nào. Chúng ta sẽ có được thông tin chi tiết nhanh hơn nếu sử dụng dữ liệu KPI lịch sự, thiết lập đường cơ sở so sánh
Đừng sử dụng giới hạn dung sai
Khi so sánh giá trị KPI tháng này với giới hạn hoặc vùng dung sai, chúng ta không thể làm tốt hơn so với so sánh giới hạn đầu tiên khi so sánh giữa tháng này với tháng khác. Chúng ta vẫn giả định rằng 2 điểm dữ liệu là đủ để kết luận có sự thay đổi đã xảy ra. Trong trường hợp này, hai điểm dữ liệu là giá trị thực tế tháng này và giá trị dung sai.
Nó chỉ là một chuyến tàu lượn siêu tốc giải thích sự thay đổi giữa điểm với điểm. Chúng ta tập trung vào sự khác biệt giữa hai giá trị và sau đó gắn nhãn cho sự khác biệt này là tốt hay xấu. Và sau đó chúng ta thiết lập tín hiệu đèn giao thông một cách ngớ ngẩn, cảnh báo chúng ta tìm kiếm nguyên nhân hoặc lời giải thích. Nhưng nếu sự thay đổi tự nhiên trong thước đo lớn hơn dung sai chúng ta thiết lập, chúng ta sẽ lãng phí tài nguyên để tìm kiếm một nguyên nhân không tồn tại. Biến thiên tự nhiên thường là sản phẩm của sự ngẫu nhiên, không phải là nguyên nhân gốc rễ của vấn đề.
Và điều đáng ngạc nhiên là nếu sự biến thiên tự nhiên của KPI khá nhỏ so với dung sai. Một sự thay đổi thực sự có thể xảy ra với mô hình thay đổi, nhưng trong giới hạn dung sai. Vì vậy, nó không được chú ý.
Khi sử dụng so sánh giới hạn, chúng ta phạm phải 2 sai lầm lớn.
Hai sai lầm cơ bản mà chúng ta mắc phải khi so sánh giới hạn với KPI khiến chúng ta đưa ra quyết định sai từ thông tin hiệu suất hầu hết thời gian. Nhà thống kê và chuyên gia về sự biến đổi, Donald Wheeler, mô tả hai sai lầm này là:
- chúng ta bỏ lỡ một tín hiệu rằng quá trình đã thay đổi
- chúng ta giải thích tiếng ồn là một tín hiệu
Và những sai lầm này xảy ra bởi chúng ta đã bỏ qua sự biến thiên tự nhiên mà mọi thước đo đều có. Ngừng ngay việc so sánh giới hạn. Thay vào đó, hãy tập trung vào hai so sánh quan trọng nhất với việc giám sát hiệu suất một cách định lượng:
- Làm thế nào so sánh Hiệu suất hiện tại với quá khứ?
- Làm thế nào so sánh Hiệu suất hiện tại với nơi chúng ta muốn tới?
Và cách duy nhất để làm điều này một cách đáng tin cậy, dễ dàng và nhất quán là biểu đồ XmR.
Sử dụng phương pháp phân tích sai, như sự thay đổi tháng này qua tháng khác, đường xu hướng và di chuyển trung bình, bạn sẽ giải thích sai tín hiệu KPI.
