目标总是完不成?那是你的KPI定错了

1693 篇文章 22 订阅
1690 篇文章 36 订阅
KPI应当聚焦于客户导向,而非仅仅基于员工职责和历史指标。有效的KPI应能传递经营压力,如华为通过有偿培训实现结果导向的KPI,确保培训质量。KPI解码的本质是下级对上级目标的承诺,通过自下而上的承诺过程确保目标的实现和责任落实。过多的KPI会分散资源,每个部门或岗位的结果导向KPI以不超过3个为宜。
摘要由CSDN通过智能技术生成


KPI对于企业来说,并不是多多益善,更多的KPI反而会起到相反的作用。当然绩效考核机制也是很重要的,有时候不能没有,更不能流于形式。企业到底如何设置KPI?有什么技巧?这篇文章将会给大家有一个更加专业的讲解。

作者:胡赛雄,内容编自《华为增长法》,中信出版社出版

来源:华夏基石e洞察

KPI 也叫关键绩效指标,它是衡量企业战略实施效果的关键性指标,可以将企业战略转化为具体可执行的活动,是一种持续增强企业核心竞争力和取得高效益的机制。

01

KPI 要能够传递经营压力

每到年初时,很多企业的人力资源部门都会制定下一年的KPI 指标,以求提高组织和员工的业绩,为公司创造更多的价值。

但是,不少企业在制定KPI时存在着一些误区,比如脱离了客户需求,只根据员工的岗位职责和历史指标来制定,结果使KPI 完全成了一种自娱自乐。

员工的岗位职责要求是企业对员工最基本的要求,而历史的指标又是静态的,用静态的指标来管理公司动态的绩效,显然不合理,弄不好公司的客户就会被竞争对手抢走。

有句话叫“皮之不存,毛将焉附”,企业为什么能生存?因为有客户。

客户都流失了,KPI 也就完全沦为企业的自娱自乐,甚至给企业的生存带来风险。企业生存都出了问题,人力资源部的存在还有什么意义呢?

所以归根到底,企业KPI 的制定一定要以客户这个结果为导向,并且还要根据企业战略和客户需求随时进行调整,从而有效地帮助企业传递分解压力,聚焦企业的目标。

当然,这个过程是比较艰难的。

以华为大学高管培训为例,到底什么样的指标才能够传递培训压力,体现出培训的有效性呢?有人说是培训满意度,有人说是学员培训后的升职率,等等,这些其实都不是结果导向的KPI,因为培训满意度可以通过人为操纵,或者增加一些培训投入来实现。

培训如果是福利,不管培训效果如何,学员的满意度一般都差不到哪儿去,尤其是那些在海外工作的高管,好歹还可以借机回国一趟。

学员升职率和培训的关系那就离得太远了,几乎关系不大。那华为是如何给华为大学传递培训压力的呢?

答案是有偿培训,即高管培训部门是SBU,必须以盈亏平衡为目标。一个高管参加为期一周左右的培训,学费、差旅费和扣除的工资加起来费用不菲,它们就构成了华为大学的收入来源。

那么,学员为什么都愿意缴费参加培训呢?

华为为此出台了一个规定,即一定级别的干部,在升职后必须参加高管培训。

理论依据是:知识是劳动的准备过程,浇水要浇对对象,升职的干部就是重点浇水对象。

学员缴了这么多学费,培训效果如果不好,学员肯定不满意,不满意就会投诉;投诉多了,华为大学的日子就不好过,所以华为大学也必须绞尽脑汁地提升培训效果。这样一来,华为大学就通过市场机制传递了培训压力,盈亏平衡就是结果导向的KPI。

结果导向的KPI 不同于一般的KPI,它代表的是可分配的价值。收入、利润、回款是结果导向的KPI,华为把它们称为“三足鼎立”指标。

像订货、客户项目概算利润率这样的指标,反映的都是企业未来获利的可能性,不能算作结果导向的KPI。E/R、E/M、资金周转率等效率指标,才是结果导向的KPI;成本率或费用率指标最终体现在利润变化上,也是结果导向的KPI。

现在很多企业把市场占有率作为结果导向的KPI,这其实是有问题的。市场占有率高不代表企业高效,因为还可能是通过增加投入、牺牲利润等方式低效达成的。

只有能在财务层面带来公司价值增加的KPI,才属于结果导向的KPI,这样的KPI也才能有效传递企业的经营压力。

一般来说,一个部门或一个岗位结果导向的KPI 指标不宜太多,原则上以不超过3 个为宜,特殊情况下最多不要超过5 个。

KPI 多了,就会分散资源,反而不利于目标的达成。有的企业各部门KPI 指标动辄几十个,这就完全丧失了KPI 的牵引作用。

就像在行军打仗中,主帅喊一声“兄弟们,冲啊”,可大家一看眼前有几十个山头,自然就不知道该往哪儿冲了,这显然就会影响部队的战斗力。

02

KPI 解码的本质是下级对上级的目标承诺

KPI 通常由企业战略解码而来,首先要确定企业级的KPI,然后再一步步解码部门KPI 和岗位KPI。然而,在所谓的目标解码过程中,恰恰容易出现一些问题。

从理论上说,目标解码需要遵循“层层连接,环环相扣”的原则,只有公司、部门、岗位三者相互依托、相互支撑,岗位和部门KPI 达成后,企业的KPI 自然也就达成了。

但事实上,很多企业出现了“企业目标天上飞,岗位行为地下爬”的现象。上级管理者认为我的分解工作已经完成了,接下来就是下级的事情了,跟自己没关系;而下级的态度却是“你制定你的,我该干啥干啥”,企业KPI 跟我有什么关系。

结果,上级的目标看似分解了,下级的责任却无法落实到位,企业上下级之间根本无法形成真正的有效连接,企业KPI 自然也无法完成。

事实上,出现以上状况,是因为很多人把解码理解成了分解,而这样的理解恰恰是错误的。KPI 的分解是自上而下的,但解码却是自下而上的,两种路径完全相反。

目标管理的本质是自我管理、自动自发,如果目标是上级分解的,上级怎么可能比下级更清楚业务情况呢?这样的分解岂不成了拍脑袋决定一切?而拍脑袋产生的目标显然是不能促使下级自我管理、自动自发的。

所以,目标分解基本上就是一种数字游戏。而解码则不同,解码是上级先根据组织内外部环境确定一个自己的目标。

为了确保目标的达成,上级就会要求下级对上级的目标做出承诺;而下级基于上级的目标要求,就会努力在自己的业务范围内寻找支撑上级目标的机会点,然后确定自己的目标,以此来支撑上级的目标。

上级如果不认可,可以对下级的目标进行否决,直到下级对上级的目标有足够的支撑。只有这样,各个层级之间才能形成有效连接,并且每个层级的目标才有可能一一实现,最终使企业级的KPI 得以实现。

因此我们也可以说,KPI 解码本质上就是下级对上级进行的目标承诺。

而华为在这一点上做得非常到位。从每年的10月到第二年的2月,华为都会进行战略解码形成目标和指标集。在4 月前完成这一工作后,公司会要求全员签署个人绩效承诺(Personal Business Commitment,PBC),这样就确保了目标解码和任务设置,并形成了书面承诺,将企业职责分担到每个人的肩上,再附加以高薪、股权及其他各种奖励措施等,激发员工的内驱力,从而实现企业各个岗位上的业绩管理,使员工劲儿往一处使,最终推动企业朝着一个更好的方向发展。(本文完)

项目管理学习资料合集需要的同学可以留言哦

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值