在研发效能度量中，如何避免过度投入？

在当今数据驱动的时代，度量成为了许多企业和组织解决问题、优化决策的重要手段。然而，我们必须清醒地认识到，度量是有成本的。

首先，收集数据这件事本身就蕴含着不可忽视的成本。当我们投入大量的时间、人力和资源去收集大量数据，并期望通过这些数据分析和改善问题时，需要谨慎权衡成本与收益。如果收集数据的成本已经远远高于通过改善问题所能带来的收益，那么这种度量无疑是得不偿失的。

就像我以前看过的一部周星驰的电影，里面有一个人能通过把耳朵贴到地上知晓战场前发生的情况。他宣称即将有三匹战马来袭，可一抬头，马已经站在他面前了。这便是一个典型的得不偿失的例子。在现实生活中，我们进行度量的目的是为了解决问题，度量本身如果不能产生实际的价值，那便毫无意义。只有当度量能够切实解决问题时，它才具有真正的意义。所以，在很多情境下，我们没必要去构建大而全的度量数据中台。因为度量数据的收集、计算、分析和挖掘都需要耗费巨大的成本，小公司可能根本无法承担这样的负担。

更落地的一个平衡成本的做法，是直接基于我们通过眼睛和直觉发现的问题设计度量指标，而不是去进行广泛的、大而全的数据收集。这就如同射箭要有的放矢，而不是广撒网。我们应该聚焦于具体的问题，有针对性地设计度量指标，这样既能降低成本，又能提高度量的有效性。例如，在一个软件开发项目中，如果我们发现某个功能模块的用户反馈较多，我们可以针对这个模块设计特定的度量指标，如用户满意度、使用频率等，而不是去收集整个软件系统的所有数据。

其次，关于度量数据本身，不能依赖人去提交。当这些数据依靠人来收集、计算和分析时，成本必然很高。一方面，人力成本不可忽视，需要投入大量的时间和精力。另一方面，人为因素会导致数据严重失真。大家都喜欢报喜不报忧，在层层上报的过程中，数据很容易被扭曲和美化。最后，老板看到的可能是一个很乐观的数字，但实际上下面的问题已经非常严重了。

所以，为了使度量数据变得有意义，能够真正指导工作实践，度量数据的自动获取是我们在做度量实践时一定要具备的能力。也就是说，不管获取的数据是什么，获取数据本身对工程师来说必须是零投入和零感知的。通过自动化的手段获取度量数据，可以大大提高数据的准确性和及时性，降低成本。例如，利用软件工具自动收集用户行为数据、系统性能数据等，不仅可以减少人为错误，还可以实时监测和分析数据，为决策提供更可靠的依据。

本文整理自：《研发效能100问》，作者茹炳晟