مقدمه:
در دنیای کنونی تکنولوژی، داده ها به عنوان یکی از دارایی های ارزشمند تلقی میشوند که میتوانند به سازمان ها در تصمیم گیری هایشان کمک کنند. برای بهبود، توسعه، مدیریت سازمان ها، ابزارهای زیادی وجود دارد که با اتکا به داده های موجود در سازمان ها، می توانند تصمیم گیرندگان کلیدی را نسبت به وضعیت سازمان شان آگاه سازند و راه های رسیدن به اهداف کلان شان را تسهیل نمایند.
یکی از ابزارهای مهم برای تعیین و مدیریت اهداف در سازمان ها، به خصوص سازمان های چابک، OKR یا اهداف و نتایج کلیدی است که وابستگی بالائی به داده های سازمان ها دارد.
در شرکت های رو به رشد و به خصوص فناوری محور نظیر استارتاپ ها، با توجه به سرعت سریع توسعه محصول، رقابت تنگاتنگ بازار، نوآوری ها و ایجاد ویژگی های جدید در محصول، و همچنین تلاش برای بالا بردن تجربه مشتری و کسب سهم بازار بیشتر، موجب شده تنوع تسک ها بسیار بالا باشد و لذا برای پیشبرد اهداف کلان خود، برنامه های کوتاه مدت و بلند مدتی را تدوین کنند. در اینجاست که نیاز به پیاده سازی OKR دیده میشود.
اما مشکلی که در بسیاری از سازمان ها برای پیاده سازی OKR و بررسی نتایج آن وجود دارد، عدم داده محور بودن آن است. بطوری که وزن KR ها، و نرخ پیشرفت و نهایتا رتبه ای که تعیین می کند که رشد OKR تا چه اندازه ای صورت گرفته، به خصوص در آن دسته از Objective هائی که شاخص های قابل نمایش و اندازه گیری نظیر KPI ها به خصوص معیارهای کیفی وجود ندارد، عموما بصورت دستی و غیر اتوماسیون، و وابسته به سلایق و نظر فرد یا افراد در درون واحدها صورت می گیرد، و متولیان ناظر بر OKR در شرکت ها نظیر تیم های استراتژی، سیستم ها و روش ها و یا کنترل فرایند، به اعداد و ارقام خود اظهاری دپارتمان ها اعتماد می کنند و نهایتا مستنداتی به ظاهر ملموس را بعنوان ادله می پذیرند، بدون آن که صحت سنجی آن بدرستی و مبتنی بر تحلیل عمیق صورت بگیرد. و گوئی تنها باید یک تسک بعنوان OKR یک واحد تعریف شود، و در پایان یک دوره سه ماهه، شش ماهه یا سالانه، وضعیت آن پرزنت شود و بر اساس مستنداتی که میتواند صحت هم نداشته باشد، از آن دفاع کند. این موضوع زمانی بیشتر نمود پیدا می کند که نتایج OKR به Performance واحدها و پاداش های پایان فصل یا دوره منتهی می گردد، لذا تلاش عمده پرسنل زیبا سازی نتایج OKR است تا هدف اصلی آن.
در نتیجه تمرکز مدیران واحدها فقط انتخاب یک Objective جدید بعنوان یک حرکت نوآورانه است، و واقعیت پیاده سازی و اثر گذاری آن بدلیل عدم تحلیل صحیح داده ها گم می شود. بر همین مبناست، علیرغم تمایل زیاد مدیران عالی در پیگری OKR سازمان ها و جلسات راهبری که برای رصد آن انجام می دهند، و علیرغم پیشبرد بسیاری از اهداف تعین شده، ولی تغییرات محسوسی در سازمان ایجاد نمی شود.
در این مقاله، سعی کردم تا به تحلیل استفاده از تکنیک های علم داده در تعیین ، مدیریت و رهبری OKR تحت عنوان Data-Driven OKR بپردازم.
اهمیت استفاده از علم داده در تحلیل OKR :
استفاده از تکنیک های علم داده در تحلیل OKR این امکان را فراهم میکند تا داده های عملکرد سازمان به بهترین شکل ممکن تحلیل شوند و تصمیماتی بر اساس اطلاعات دقیق تر و موثرتر گرفته شود. از سوئی امکان رتبه گذاری، پیشرفت روند اجرای OKR بصورت دستی و توصیفی بطور چشم گیری کاهش می یابد و مقادیر قابل اعتماد تر و معتبر تری در مانیتور کردن وضعیت OKR واحدهای سازمان فراهم می سازد. در بسیاری از موارد، یافتن یک Objective مناسب و Key Result های وابسته و تاثیر گذار نیز می تواند دشوار باشد، و به همان نسبت نیز رصد تغییرات، رشد و پیشرفت KR ها هم بسیار دشوار می باشد. از سوئی در بعضی از KR های انتخاب شده، مقیاس هائی نظیر تغییرات و نرخ رشد KPI ها هم ذکر شده است، و رصد آن با ابزارهای ساده نظیر اکسل امکان پذیر نمی باشد. یکی دیگر از فواید استفاده از علم داده در پیاده سازی و تحلیل OKR ، شناخت مرز بین تسک ها، پروژه ها و اهداف کلیدی در راستای ماموریت های بلند مدت و کوتاه مدت سازمان است. بطوری که کارهای جاری و وظایف روزمره، اصلی و کلیدی واحدها، بعنوان شاخص کلیدی در KR ها ذکر نشود و مستقیما به نتایج OKR جهت ندهد، بلکه با اکتشاف الگوهای اثر گذار پنهان در درون داده های سازمان، می توان KR های موثر تری را جهت سو گیری هدف های کلیدی پیدا کرد.
مساله دیگری که در OKR وجود دارد، و طبق مشاهداتی که خودم در شرکت هائی داشتم، وابستگی Objective ها و KR های واحدهای مختلف یک سازمان با هم است و در مواردی این وابستگی بسیار و واضح زیاد است، ولی در موارد پنهان می باشد. بعنوان مثال KR واحد امور مشتریان می تواند بر روی Objective کلیدی واحد تجربه مشتری اثر گذار باشد و این موضوع بسیار بدیهی است. ولی ایجاد یک تغییر در بهبود پاسخگوئی به مشتریان ممکن است به اقدامی از تیم محصول نیازمند باشد که شاید در نگاه اول این همبستگی دیده نشود و یا بطو کامل پنهان باشد. در اینجاست که اکتشاف این شاخص های تاثیر گذار از طریق تکنیک های علم داده واضح و تشرح می گردد. و در زمان تبیین OKR های فصلی و جلسات تصویب آن، سر گروه های ناظر واحدهای وابسته را ملزم به پذیرش شاخص های وابسته می کنند، و از این طریق احتمال موفقیت آن Objective را قوی تر می کند.
دقت داشته باشید، ثبت اطلاعات در ابزارهائی نظیر اتوماسیون ها، و نرم افزارهای مدیریت تسک ها؛ پروژها و ابزارهائی نظیر آن، از بدیهی هات شرکت های چابک و فناوری محور است، و منظور در اینجا تحلیل داده های ثبت شده در پایگاه داده این ابزار هاست.
در ذیل بعضی از ابزارها ،نرم افزارها و اپلیکیشن ها برای ثبت، رصد، مانیتورینگ و ترغیب که در پیشبرد OKR نقش دارند را ذکر می کنم :
اپلیکیشن ها و نرم افزارهای مدیریت هدف: این نرم افزارها به سازمانها کمک میکنند تا هدفها و نتایج خود را مدیریت کنند و پیشرفت را رصد کنند. به عنوان مثال، Asana، Trello، Jira، وغیره.
نرم افزارهای تجاری مدیریت عملکرد: این نوع نرم افزارها به سازمانها کمک میکنند تا عملکرد و پیشرفت کارکنان را ارزیابی و رصد کنند. برخی از نمونه ها شامل BetterWorks، 15Five، Lattice، و یا نرم افزارهائی که بصورت درون سازمانی نوشته و توسعه داده میشود.
صفحات گزارش دهی و داشبوردهای مدیریتی : این ابزارها به سازمان ها کمک می کنند تا داده های مربوط به هدفها و نتایج را جمع آوری، تجزیه و تحلیل کرده و به صورت گزارش های قابل فهم و داشبوردهای مدیریتی نمایش دهند. برخی از این ابزارها شامل Google Data Studio، Microsoft Power BI، Tableau، Grafana وغیره میشوند.
ابزارهای ترمیمی و انگیزشی: برای افزایش انگیزه و مشارکت در مدیریت OKR، تکنیک ها و ابزارهایی مانند Gamification و Recognition Platforms نیز مورد استفاده قرار میگیرند.
حال برای درک بیشتر مفاهیم گفته شده در فوق، بگذارید دو مثال ساده بزنم تا کمی این موضوع شفاف تر شود :
استفاده از الگوریتم های تشخیص پتانسیل ها در سازمان: فرض کنید یک شرکت فناوری در حال تعیین OKR برای ارتقاء خدمات ابری خود است. با استفاده از الگوریتم های تشخیص پتانسیل ها، میتوان ریسک هایی مانند حملات سایبری، نقص امنیتی، یا مشکلات سیستمی را شناسایی کرد. سپس با تحلیل داده های مربوطه و ارزیابی پتانسیل تأثیر آنها بر دستیابی به اهداف، اقدامات مناسبی برای مقابله با این ریسک ها اتخاذ میشود.
استفاده از الگوریتم های آنالیز پیشرفته داده: فرض کنید یک موسسه مالی در حال تعیین OKR برای افزایش سطح رضایت مشتریان خود است. با استفاده از الگوریتم های آنالیز پیشرفته داده مانند شبکه های عصبی، میتوان الگوهای پنهان در فرایندهای مشتری و عواملی که بیشترین تأثیر را بر رضایت مشتری دارند را شناسایی کرد. این اطلاعات میتواند به مدیران کمک کند تا تصمیماتی برای بهبود فرایندها و خدمات مشتری محورتر اتخاذ کنند.
برای تحلیل هر چه بهتر OKR از چه تکنیک هائی استفاده می شود :
استفاده از تکنیک های علم داده نظیر یادگیری ماشین و هوش مصنوعی در تحلیل OKR :
یادگیری ماشین و هوش مصنوعی به عنوان یکی از پرکاربردترین تکنیک های علم داده، میتواند در تحلیل OKR نقش مهمی ایفا کند. به عنوان مثال، فرض کنید یک سازمان دارای مجموعه های از OKR است که داده های عملکرد آنها را در طول زمان جمع آوری میکند. با استفاده از الگوریتم های یادگیری ماشینی مانند الگوریتم خوشه بندی، میتوان الگوهایی که در داده های عملکرد مخفی هستند را شناسایی کرده و بهبودهای لازم را پیشنهاد داد. برای مثال، با اجرای یک الگوریتم خوشه بندی بر روی داده های عملکرد سازمان، ممکن است الگوهایی در رفتارهای موفقیت آمیز و ناموفقیت آمیز در دستیابی به اهداف مشخص شود. این اطلاعات به مدیران کمک میکند تا تصمیمات بهینه تری در مورد تغییرات و بهبودهای لازم برای بهبود عملکرد OKR بگیرند
استفاده از یادگیری آماری در تحلیل OKR :
تکنیک های ساده تر و پر کاربرد دیگری مانند یادگیری آماری نیز میتوانند در تحلیل OKR مورد استفاده قرار گیرند. به عنوان مثال، با استفاده از تحلیل رگرسیون، میتوان رابطه بین اهداف مختلف و نتایج کلیدی را بررسی کرد و تاثیر آنها بر عملکرد کل سازمان را ارزیابی کرد.
فواید استفاده از علم داده در تحلیل Data-Driven OKR :
پیشبینی عملکرد و موفقیت:
با استفاده از الگوریتم های پیش بینی یادگیری ماشینی، می توان پیش بینی کرد که کدام اهداف و نتایج کلیدی با احتمال بالاتری موفقیت خواهند داشت. به طور مثال، میتوان با تحلیل داده های سابق و عوامل مختلف موفقیت یا شکست در دستیابی به اهداف، پیشبینی کرد که کدام OKRها احتمالاً با موفقیت بیشتری به انجام خواهند رسید.
شناسایی الگوها و روندها:
با استفاده از تحلیل داده و یادگیری ماشین، میتوان الگوهای مختلف رفتاری و عملکردی را در دادههای مربوط به OKR شناسایی کرد. این الگوها میتوانند اطلاعات مفیدی درباره روندهای موفقیت یا شکست و عوامل مؤثر در دستیابی به اهداف فراهم کنند.
تشخیص ریسکها و فرصتها:
با تحلیل داده و استفاده از الگوریتم های تشخیص پتانسیل ها، میتوان ریسک های مختلفی که ممکن است دستیابی به اهداف را تهدید کنند، شناسایی کرد. این شناسایی میتواند به مدیران کمک کند تا برنامه های مناسبی برای کاهش ریسک ها و بهره برداری از فرصت ها طراحی کنند.
بهبود پیشرفت و تنظیم مسیر:
با تحلیل داده های عملکرد سازمان و OKRها، میتوان الگوها و مشکلات موجود را شناسایی کرده و بهبودهای لازم را اعمال کرد. این به مدیران کمک میکند تا مسیر درستی را برای دستیابی به اهداف مشخص کنند و بهبودهای مورد نیاز را در سیستم OKR ایجاد کنند.
سرعت در تصمیم گیری:
با استفاده از تکنیک های علم داده، مدیران میتوانند با سرعت بیشتری تصمیم گیری کنند. به عنوان مثال، با استفاده از الگوریتم های یادگیری ماشینی، می توان به طور خودکار تحلیل داده های عملکرد و پیشنهادهای مناسب برای بهبود عملکرد OKR ارائه داد.
مثالهایی از الگوریتم هایی که در تحلیل و بهبود OKRها می توانیم استفاده کنیم:
در ذیل مثال هائی از تکنیک های نسبتا ساده از الگوریتم های علم داده آورده شده تا برای علاقه مندان در این حوزه بینش اولیه را ایجاد نماید :
استفاده از الگوریتم خوشه بندی: در تحلیل OKR، الگوریتم های خوشه بندی مانند K-Means میتوانند به شناسایی الگوهای مختلف عملکرد و رفتار در میان KRها کمک کنند. این الگوریتم ها میتوانند کمک کنند تا گروه بندی های مشابه در OKRهای سازمان شناسایی شوند و راهکارهای بهبودی برای هر گروه ارایه شود.
استفاده از روش های طبقه بندی: با استفاده از الگوریتم های طبقه بندی مانند Decision Trees و Random Forests، میتوان OKR ها را بر اساس مشخصه های مختلفی مانند موفقیت یا شکست طبقه بندی کرد. این طبقه بندی ها میتوانند به مدیران کمک کنند تا الگوهای موفقیت یا ناموفقیت در OKRها را درک کنند و اقدامات مناسبی را برای بهبود انجام دهند.
استفاده از تکنیک های مدلسازی پیشبینی: با استفاده از تکنیکهای مدلسازی پیشبینی مانند Regression و Time Series Analysis، میتوان به پیشبینی عملکرد و نتایج آینده OKRها پرداخت. این تکنیک ها میتوانند به مدیران اطلاعات دقیق تری را درباره ترندها و روندهای مرتبط با OKRها ارایه دهند و به تصمیم گیری های بهتری کمک کنند.
استفاده از شبکه های عصبی: شبکه های عصبی میتوانند در تحلیل و بهبود OKRها به شکل موثری مورد استفاده قرار گیرند. این شبکه ها میتوانند الگوهای پیچیده تری را در داده های مربوط به OKRها شناسایی کرده و به تصمیم گیران کمک کنند تا به تصمیمات مناسب تری برسند.
استفاده از روش های تقویتی: روشهای تقویتی مانند Reinforcement Learning میتوانند در بهبود عملکرد OKRها کمک کنند. این روش ها میتوانند به سازمان ها کمک کنند تا با ارایه پاداش و مجازات موثر، رفتار و عملکرد مرتبط با OKRها را بهبود دهند
نتیجه گیری :
بنابراین، استفاده از تکنیک های پیشرفته علم داده در پیشبرد OKR ، از جمله یادگیری ماشین، هوش مصنوعی، به سازمان ها این امکان را می دهد که از داده های خود به بهترین شکل ممکن بهره ببرند، اهداف خود را به درستی تعیین کنند، و تصمیماتی هوشمندانه تر و موثرتر را اتخاذ کنند. این رویکردها نه تنها به تحلیل و پیشبینی عملکرد آینده کمک می کنند، بلکه به شناسایی الگوها، روندها، ریسک ها و فرصت ها، و در نتیجه به بهبود پیشرفت و تنظیم مسیر برای دستیابی به اهداف مساعدتر نیز کمک میکنند.
استفاده از الگوریتم های پیشرفته در علم داده به سازمان ها امکان میدهد تا به دقت بیشتری داده های خود را تحلیل کرده و الگوها و روندهای پنهان در داده ها را شناسایی کنند. و با تولید داده های مصنوعی و آزمون سناریوهای مختلف و با ترکیب این روش ها و رویکردهای مختلف، سازمان ها می توانند بهبودی چشمگیر در عملکرد و مدیریت OKRها را تجربه کنند و در نهایت به دستیابی به اهداف و نتایج مورد نظر خود کمک شایانی نمایند.
محسن مهدی نیا
