绩效管理与okr 集团HRD必看：研发OKR和销售KPI如何融合不打架？
诸多企业都在为一个问题而纠结, 研发借助OKR激发创新, 销售运用KPI锁定业绩, 两套工具放置于同一套绩效体系当中, 到底能不能兼容呢。这不仅仅是工具选择方面的问题, 更是对集团组织治理能力的一种考验。
业务适配优先于制度设计
集团绩效管理的起始点并非照搬工具, 而是首先判断业务适配关系, 由于是研发、产品、创新业务自身所产出具备高度不确定性, 一旦用量化指标以及闭合目标去进行约束, 那么只会压缩这其中的试错空间, 要是将销售式kpi直接套用于其中的研发任务, 管理者大概在短期内能够获取可控感, 然而却会牺牲掉长期性的创新质量。
先分辨不同业务单元的工作性质, 以及周期特征, 还有结果可归因程度, 之后再去决定采用KPI, 或者OKR, 又或者是两者的组合, 这才是正确的做法。只有业务逻辑清晰这个情况之下, 制度设计才能够发挥支撑作用, 而并非成为组织摩擦的来源。
共享目标打通跨条线协同
写销售KPI之事由销售去干, 写研发OKR之事交到研发那儿去处理，这两方都宣称是为客户提供服务, 然而却并未将目标予以共享并且协同权重也没有, 这实则是好多集团绩效失效的根本缘由所在。真正要达成协同就得从集团层面着手去构建共享目标池, 像新产品收入所占比例、产品上市所要用的周期、重点客户解决方案的转化率以及客户需求响应率等均属此类。
这些共享目标针对跨条线协同, 既纳入销售的KPI体系, 又充当研发的OKR关键结果。在创新成果、市场反馈、客户价值以及经营结果能够彼此识别时, 绩效管理才从部门考核转变为组织协同, 奖金、晋升还有资源配置才具备依据。
统一治理框架支撑多层模式
集团年度进行的战略, 常常会包含增长、利润、创新、客户、组织能力这类多个不同的维度, 要是直接把它下发至各业务条线, 各部门就会依据自身的职能去理解该战略, 目标自然而然地就会出现分裂。解决这个问题的办法是, 在业务单元这个层面尊重存在的差异, 在集团这个层面建立起统一的治理框架。
这表明制度能够去规定流程, 然而系统得判定目标能不能连接, 数据可不可以穿透, 结果是否能校准。不管KPI跟OKR在前端呈现方面怎样不一样, 后台都需归到统一的目标库、组织架构、人员主数据以及绩效周期当中。要是缺少系统承接, 三层架构与贡献矩阵极易停留在文件层面。
数据治理决定落地可行性
许多企业急匆匆想要引入繁杂的多模式绩效配置, 然而却忽视了前置的数据基础, 若企业的组织架构、岗位体系、指标字典以及数据接口还没有完成治理, 那么系统上线之后的维护成本将会远远超出预期, 甚至会致使实际运行泛起混乱, 正确的路径是先把基础夯实, 然后再去推进复杂的协同设计。
在察觉到某项共享目标未曾达成之际, 管理者得具备追踪根因的能力, 这根因究竟是研发出现了延期情况, 或是销售环节转化的程度不够, 亦或是客户需求发生了改变, 亦或者是资源的配置并不匹配呢。要是没有数据穿透方面的能力, 绩效复盘就只能停留在对表面原因的归结上, 没办法为真正能够产生实效的管理改进以及资源调整提供支持。
试点先行优于全面推广
尽管制度设计超级完善, 然而仍须借由试点展开验证。企业能够先行挑选一至两个具代表性的业务条线, 比如一个研发产品线以及一个销售区域, 围绕共享目标池、贡献矩阵、系统配置以及校准机制推进闭环验证。试点阶段不应孜孜以求制度完美, 而是要留意哪些规则会致使误解产生, 哪些数据难以开展采集。
在推广进程里要留有必备的解释余地, 以使管理者明白为何一些部门以OKR为主、一些以KPI为主, 以及为何协同贡献会对结果应用产生影响。要是某一个业务单元尚不存有目标管理基础, 或者管理者依旧将OKR视作考核表, 贸然推广只会事与愿违。
AI赋能绩效治理的未来
ai于绩效管理里的价值并非是去取代管理者进行打分, 而是起到辅助作用, 用于发现偏差, 用于识别风险, 用于提高目标设定的质量。在多模式体系状况下, 人工校面临着数据量庞大的情况, 面临着标准繁杂的情形, 面临着跨条线时可比性较弱的挑战, 而AI能够提供更为稳定的证据支持。比如说基于历史评分、目标之难度、部门分布以及文本评价来识别异常模式。
针对目标推荐这一范畴而言, 人工智能能够依据集团战略、过往目标、业务数据以及岗位职责给出设定方面的建议。在研发团队开展 OKR 设定工作之际, 系统能够针对此目标给出是否与集团重点产品线存在关联、关键结果能否进行验证的提示。对于面向未来的集团绩效管理来讲, 人工智能会成为具备多模式兼容特性的重要基础设施。
对于研发跟销售的绩效模式来讲, 能不能切实达成协同, 重点仰仗于你们企业有没有构建起共享目标池以及跨条线贡献识别机制。在你们当下的绩效体系里面, 有没有出现研发和销售目标相互脱离的状况, 又是怎样去解决的, 抑或是正面临着哪些难题呢?
