写点什么

面对大量指标、模型,如何在研发度量中兼顾易用性?

  • 2025-02-14
    北京
  • 本文字数:1138 字

    阅读完需:约 4 分钟

面对大量指标、模型,如何在研发度量中兼顾易用性?

在数据度量体系的建设进程里,完成数据治理、获取基础数据后,不少企业容易陷入一个误区:盲目大量计算指标,满心期待能从堆积如山的指标和复杂模型中挖掘出有价值的洞察。就拿我们自身产品早期的经历来说,团队花费大量时间和精力计算各类指标,生成形形色色的图表。咨询师们每天忙于向客户阐释这些指标和图表,详细解读图表所反映的问题。从单一的数据分析流程来看,这并没有错,解读数据本就是释放数据价值的常规操作。但从整个度量体系建设的宏观视角审视,这一过程极易出现本末倒置的情况,前期过于关注指标和图表,却忽略了数据度量的根本目的。


相较于上述做法,业界经过多年实践验证,更推崇 GQM(目标 - 问题 - 指标)方法。它的核心在于转换思路,从目标开启数据度量之旅。以一家电商企业为例,其目标设定为提升用户复购率。首先,企业内部需达成一致,明确这个目标的重要性和具体方向。接着,围绕目标进行拆解,思考需要解答哪些问题才能实现目标。比如,要了解用户的购买周期是怎样的,不同年龄段用户的复购情况如何,以及用户对不同品类产品的复购偏好等。针对这些问题,设计相应的指标,像平均购买周期、各年龄段用户复购率、不同品类产品复购率等。通过这样的流程,当计算得出指标后,便能精准回答预先设定的问题,进而助力企业达成提升用户复购率的目标,形成一个完整且高效的闭环,确保数据度量始终朝着正确方向推进。


GQM 方法论起源于美国,凭借其科学严谨性和卓越成效,被誉为 “研发效能度量的事实标准”。若想深入了解 GQM,推荐阅读我们的博客《GQM 从入门到精通》(https://meri.co/gqm),这是目前国内对 GQM 方法最为全面且深入的中文资料,还融入了我们结合国内实际情况和用户理解习惯所做的优化与调整。


解决了指标计算的方向问题后,指标定义细节的统一也不容忽视。建立 “研发指标中台” 是目前的最佳实践。各业务团队以指标中台为依托,结合自身业务中涉及的对象、维度、周期等特定需求,生成专属的指标视图。比如,销售团队依据销售周期、不同区域市场等维度,从指标中台获取基础指标,生成销售业绩分析视图;产品研发团队按照产品迭代周期、不同功能模块等维度,构建产品研发进度指标视图。


如此一来,既避免了各团队重复建设指标体系,杜绝了资源浪费,又防止了因指标定义差异导致的数据不一致问题。同时,业务团队无需耗费精力去了解底层数据处理和指标计算的复杂过程,大大减轻了工作负担,提升了工作效率。


不过,任何规范化举措在推行过程中都会遭遇挑战,建立研发指标中台也不例外,组织问题尤为突出。这就要求组织领导者深刻认识到数据治理工作的复杂性和重要性,制定科学合理的协调机制,整合各方资源,推动研发指标中台的顺利建设与高效运行。


本文整理自《研发效能100问》,原作者:思码逸创始人兼 CEO 任晶磊

用户头像

数据分析驱动研发效能 2022-04-12 加入

思码逸研发效能分析平台,致力于帮助研发团队解决效率、质量和人才三大痛点,提升研发效率与软件工程质量,助力每一位开发者创造更多价值。

评论

发布
暂无评论
面对大量指标、模型,如何在研发度量中兼顾易用性?_研发管理_思码逸研发效能_InfoQ写作社区