Kako analizirati bilo koju metriku pomoću pitanja tipa "šta"

Početna » piton » Kako analizirati bilo koju metriku pomoću pitanja tipa "šta"

Kada se metrika pojavi na kontrolnoj tabli, često izgleda kao krajnja istina, čist broj koji djeluje objektivno i neupitno.Ali ispod te sjajne površine nalaze se izbori modeliranja, filteri podataka, skladišta podataka i jezera, definicije, vremenski prozori i pretpostavke koje mogu potpuno promijeniti šta taj broj zaista znači. Ako samo zurimo u vrijednost i idemo dalje, u osnovi se kladimo na svoje odluke na crnu kutiju koju ne razumijemo u potpunosti.

Mnogo robusniji pristup je naučiti kako raščlaniti bilo koju metriku sistematskim postavljanjem pitanja tipa "šta".Šta se tačno broji, šta se izostavlja, koje se transformacije primjenjuju, koji se scenariji razmatraju, koje zainteresovane strane zanimaju za tu metriku i šta za njih znači „uspjeh“. Ovaj način razmišljanja povezuje područja koja na prvi pogled izgledaju udaljena: poslovnu inteligenciju i AI agensi, sajber sigurnost i integritet podataka, strateško izvršenje, dekompozicija ciljeva zasnovana na vrijednosti, pa čak i nešto tako „matematičko“ kao što je faktorizacija prostih brojeva.

Zašto svaku metriku treba dekomponovati pomoću pitanja tipa "šta"

Metrike stvaraju snažnu iluziju sigurnostiStopa konverzije od 3.7%, stopa uspješnosti izvršenja strategije, „rezultat spremnosti“ za sajber rizik, pokazatelj troškova energije ili čak broj poput 24 u matematičkoj vježbi, sve to izgleda definitivno. Ali svako od njih krije odluke kao što su:

• Koja populacija je uključeno, a šta nije.
• Koji događaji računaju se kao uspjesi, neuspjesi, prijetnje ili incidenti.
• Koji vremenski period se mjeri i zašto taj prozor.
• Kakve transformacije (agregacije, prosjeci, normalizacije) su primijenjeni.
• Koje pretpostavke o zainteresovanim stranama i vrijednosti su ugrađeni u formulu.

Ako ne možete odgovoriti na detaljna pitanja tipa "šta" o metrici, ne biste trebali donositi važne odluke na osnovu nje.Broj možda i dalje bude koristan, ali još uvijek nije pouzdan. Dekompozicija je proces otvaranja crne kutije i pretvaranja neprozirnog indikatora u nešto transparentno i praktično.

U okruženjima bogatim podacima, ručno izvođenje ovoga za svaku metriku brzo postaje neodrživo.Tu se pojavljuju platforme za poslovnu inteligenciju (na primjer, Power BI integriran s prilagođenim aplikacijama) i lokalni agenti umjetne inteligencije postaju ključni: pomažu u praćenju porijekla, otkrivanju skrivenih filtera, otkrivanju anomalija i pristranosti, pa čak i predlažu bolje načine za definiranje i praćenje onoga što je zaista važno za poslovanje.

Osnovna navika: sistematsko postavljanje pitanja tipa „šta“

Dekompozicija bilo koje metrike počinje disciplinovanim nizom pitanja tipa "šta".Umjesto da pitate „Je li 80% dobro ili loše?“, pitate stvari poput:

• Šta se broji tačno? (događaji, korisnici, sesije, transakcije, incidenti…)
• Koja je jedinica mjerenja? (procenat, apsolutni broj, dolari, kWh, dani…)
• Šta je uključeno, a šta je eksplicitno isključeno iz ovog broja?
• Koji vremenski okvir Da li pokriva i zašto je taj prozor odabran.
• Kakve transformacije dogodilo se od sirovih podataka do kontrolne ploče (spajanja, filteri, segmentacije, pragovi).
• Koji zainteresovani subjekt smatra ovu metriku vrijednom i kakav ishod ona predstavlja za njih.
• Koje pretpostavke o riziku, vrijednosti, ponašanju ili okruženju su ugrađeni u izračun.

Ova jednostavna navika trenutno odvaja signal od šumaMnogi „ključni“ pokazatelji ispostave se kao djelomični pogledi, neusklađeni s poslovnim ciljevima ili jednostavno naslijeđeni artefakti koji opstaju jer ih niko nije dovodio u pitanje. Drugi postaju jasniji, bolje definirani i lakši za poboljšanje kada je osnovna struktura „šta“ eksplicitna.

Moderni BI stekovi drastično olakšavaju ovu analizu "šta".S dobro dizajniranim modelima podataka i alatima za porijeklo i reviziju, možete kliknuti na metriku i vidjeti koje tabele, filteri i proračuni stoje iza nje. Agenti umjetne inteligencije zatim mogu skenirati nedosljednosti (na primjer, definiciju "kupca" koja se razlikuje na dvije kontrolne ploče) i označiti potencijalno neusklađenost s namjeravanim poslovnim značenjem, često koristeći analiza podataka u stvarnom vremenu za otkrivanje anomalija.

Od kontrolnih ploča do odluka: BI, AI i prilagođeni softver

Sama vizualizacija nije dovoljna; razumijevanje je krajnji ciljSjajna kontrolna tabla u Power BI-u ili bilo kojem drugom alatu može izgledati impresivno, a ipak zavarati sve u prostoriji ako osnovna pitanja nisu jasna. Zato zrele organizacije prelaze okvire front-end grafikona i ulažu u... automatizacija i MLOps prakse:

• Dobro upravljani modeli podataka gdje svaka ključna metrika ima dokumentovanu definiciju i jasno porijeklo.
• Automatske provjere za anomalije, izuzetke i sumnjive skokove, često pokretane umjetnom inteligencijom.
• Prilagođene integracije između BI alata i prilagođenih sistema, tako da se metrike izračunavaju blizu mjesta gdje se procesi zapravo odvijaju.
• Slojevi kibernetičke sigurnosti koji štite integritet i povjerljivost podataka tokom cijelog njihovog životnog ciklusa.

Kombiniranje cloud platformi poput AWS-a i Azurea s prilagođenim softverom otključava moćan ekosistemMožete dizajnirati cjevovode gdje je svaka metrika povezana sa svojim izvorom podataka, koracima transformacije i zainteresovanom stranom, i gdje se na pitanja tipa "koja" može odgovoriti na zahtjev: koji upit je generirao ovaj KPI, koji su filteri bili aktivni, koji je model predvidio ovu prognozu, koji su podaci za obuku pokretali taj model, koji je prag pokrenuo ovo upozorenje. Ove arhitekture bi također trebale pomoći povratiti kontrolu nad API-jima i integracije.

Vještačka inteligencija za poslovanje dodaje dodatnu dimenziju: obrasce i predviđanjaNakon što se uspostave osnove kvaliteta podataka i sljedivosti, vještačka inteligencija može obogatiti vaša „šta“ pitanja uvidima usmjerenim na budućnost: koji će kupci vjerovatno odustati, koji će projekti vjerovatno biti prekoračeni, koje stavke troškova imaju rastući trend, koji scenariji prijetnji dobijaju na vjerovatnoći. Pitanja ostaju ukorijenjena u „čemu“, ali odgovori sada uključuju trendove i vjerovatnoće, a ne samo statične snimke; usvajanje AIOps prakse mogu operacionalizirati ove uvide.

Sve ovo funkcioniše samo ako organizacija ulaže i u jasne definicije i zajednički jezik.Inženjering podataka, umjetna inteligencija, poslovno informiranje, kibernetička sigurnost i vlasnici preduzeća moraju se složiti oko toga šta znače "prihod", "prijetnja", "spreman", "uspjeh" ili "vrijednost" u svakom kontekstu. Bez toga, tehnološki paket jednostavno automatizira konfuziju.

Zašto strategije ne uspijevaju: neuredni ciljevi i obmanjujuće metrike uspjeha

Na internetu postoji popularna tvrdnja da između 63% i 87% strategija ne uspijeva.Ovi upečatljivi brojevi potiču iz starih studija u kojima su kompanije izvještavale o razočaranju finansijskim rezultatima ili neispunjavanju strateških obećanja. Kada se pažljivo pogleda, podaci su neujednačeni, a zaključci pretjerani: jednostavno nemamo preciznu, naučno utemeljenu stopu neuspjeha u izvršenju strategije.

Ono što znamo jeste da su mnoge organizacije nezadovoljne načinom na koji se njihove strategije prevode u rezultate.Veliki dio tog nezadovoljstva pripisuje se loše formuliranim ciljevima i metrikama koje se usko fokusiraju na finansijske brojke, a zanemaruju vrijednost dionika i jasnoću namjere. U nekim anketama, oko polovina prijavljenih „neuspjeha“ direktno se pripisuje nejasnim ili dvosmislenim ciljevima.

Loše opisane strategije je također izuzetno teško komuniciratiIstraživanja povezana s okvirom uravnotežene kartice rezultata (Balanced Scorecard) pokazuju da u mnogim kompanijama čak 95% zaposlenih ne može navesti ili ne razumije strategiju. Ako ljudi ne znaju čemu teže, gotovo je nemoguće definirati dobre metrike, a kamoli ih razložiti pitanjima tipa "šta".

Strateški okviri poput Uravnotežene kartice rezultata pomažu u strukturiranju razmišljanja oko tri velika gradivna bloka:

• Završava: ciljevi, zadaci, željeni rezultati.
• Značiinicijative, projekti, akcioni planovi.
• Kvantifikacijemetrike, ključni pokazatelji uspješnosti (KPI) i indikatori.

Kvalitet strateškog izvršenja zavisi od toga koliko jasno možete odvojiti, a zatim ponovo povezati ta tri bloka.Ciljevi pokazuju koju vrijednost želite stvoriti za zainteresovane strane, sredstva opisuju kako ćete pokušati to postići, a metrike kvantificiraju koliko dobro radite. Kada su ciljevi nejasni ili kada su sredstva ugrađena u formulaciju ciljeva, dekompozicija postaje nered, a metrike se udaljavaju od stvarne vrijednosti.

Dekompozicija dvosmislenih ciljeva zasnovana na vrijednosti

Da biste riješili dvosmislene strategije, potrebno ih je razložiti oko jedne centralne ideje: vrijednosti za zainteresovane strane.Umjesto da ciljeve tretirate kao slogane, razbijate ih na manje, nezavisne podciljeve koji su svaki vezani za konkretnog zainteresovanog učesnika i jasnu ideju vrijednosti koja se može kvantificirati.

Jedna praktična definicija dekompozicije strategije je sljedeća: razlaganje visokonivojskih, nejasnih ciljeva na male, nezavisne podciljeve koji se eksplicitno mjere vrijednošću koju stvaraju za određene zainteresovane strane. Ovo nije mehanička vježba; to je pola analitička, pola kreativna, slično ravnoteži između planiranja i istinskog strateškog razmišljanja koju je opisao Henry Mintzberg.

Za pripremu dekompozicije zasnovane na vrijednosti, neophodna su tri koraka:

• Odvojeni ciljevi, sredstva i metrike Dakle, ne miješate težnje, akcije i mjere u jednoj rečenici.
• Razumjeti zainteresovane strane i njihove potrebe (kupci, zaposlenici, menadžment, regulatori, partneri itd.).
• Pojednostavite jezik i definirajte pojmove tako da svi dijele isto razumijevanje ključnih koncepata.

Razmotrite tipičan neuredan strateški cilj: „Iskoristite tehničku stručnost kako biste poboljšali spremnost organizacije za prijetnje visokog prioriteta za 20% u roku od 1 godine.“ Na prvi pogled zvuči ozbiljno i mjerljivo. Nakon dekompozicije, otkrivate da se to zapravo objedinjuje:

• Krajpoboljšanje organizacijske spremnosti za prijetnje.
• MetaPoboljšanje od 20%.
• Vremenski okvir: u roku od jedne godine.
• Sredstvoiskorištavanje tehničke stručnosti (jedan od mnogih mogućih pristupa).

Ovo je problematično iz nekoliko razloga20% je obično težnja, koja nije utemeljena na analizi onoga što je izvodljivo ili vrijedno za zainteresirane strane. Jednogodišnji okvir često je vođen budžetskim ciklusima, a ne dinamikom rizika. Uključivanje sredstava („iskoristiti tehničku stručnost“) unutar cilja isključuje alternativne, potencijalno bolje pristupe.

Čistiji cilj nakon dekompozicije mogao bi biti jednostavno: „Poboljšati spremnost organizacije za prijetnje.“ Pitanja koja se onda postavljaju kao: šta znači „spremnost“, koje vrste prijetnji su važne, šta je najvažnije za zainteresovane strane, koje metrike možemo koristiti za kvantifikaciju spremnosti i koji su podciljevi potrebni za pomjeranje tih metrika.

Pojašnjenje zainteresovanih strana, termina i jezika

Nakon što uklonite sve suvišne detalje iz ciljeva visokog nivoa, sljedeći korak je preciznost u vezi s tim o kome i o čemu govorimo.Za naš primjer spremnosti, relevantne zainteresovane strane mogle bi uključivati ​​(i biti mjerene korištenjem analiza podataka pomoću SQL-a):

• Liderski tim, zabrinut zbog strateškog i finansijskog uticaja.
• Zaposleni, kao što su IT, HR, pravni timovi i novozaposleni koji su izloženi novim modelima rada.
• Kupci, izloženi prekidima u pružanju usluga ili povredama podataka.
• regulatori, fokusiran na usklađenost i upravljanje rizicima.

Pojednostavljenje jezika pomaže u eliminaciji nejasnog korporativnog žargonaRiječi poput „poluga“ obično se mogu zamijeniti sa „korištenje“; „tehnička stručnost“ treba biti definirana (sigurnosne vještine, znanje o infrastrukturi, znanje o usklađenosti itd.); „prijetnje visokog prioriteta“ zahtijevaju ili jasnu skalu ocjenjivanja rizika ili preciznu listu vrsta prijetnji.

Zatim odgovaramo na konkretna pitanja tipa "šta" o našim ključnim pojmovima:

• Šta tačno podrazumijevamo pod pojmom „pripremljenost“ iz perspektive svake zainteresovane strane?
• Koje prijetnje nas zapravo zanimaju i kako ih klasifikujemo?

Jedna moguća radna definicija spremnosti mogla bi biti skup poput: {provedena analiza prijetnji, uspostavljen plan prevencije, dokumentiran plan odgovora, testiran plan oporavka}. Prijetnje se mogu kategorizirati kao {povezane s klimom, kibernetičkom sigurnošću, društvenim promjenama (kao što je rad na daljinu), energetskim prijetnjama}. Ove definicije mogu se direktno ugraditi u vašu stratešku mapu ili bodovnu karticu ili formalnije opisati pomoću planskih notacija poput Planguagea ako preferirate rigoroznu specifikaciju.

Nakon ovog čišćenja, prvobitni cilj se preformuliše do jednostavnijeg "Poboljšati spremnost organizacije za prijetnje", s jasno definiranim "spremnošću" i "prijetnjama". Odatle možete početi raščlanjivati ​​cilj prema vrijednosti dionika, a ne prema popularnim frazama.

Dekompozicija zasnovana na vrijednostima u odnosu na dekompoziciju zasnovanu na procesu

Mnoge organizacije instinktivno razlažu ciljeve po procesu, a ne po vrijednostiZamislite učenje stranog jezika u tradicionalnom školskom sistemu: prolazite kroz gramatička poglavlja, liste vokabulara i strukturirane vježbe. Vrijednost za učenike (sposobnost snalaženja u stvarnim životnim situacijama) često se testira mnogo kasnije, na ispitima koji ne odražavaju u potpunosti stvarni razgovor.

Dekompozicija zasnovana na vrijednostima preokreće ovu logikuUmjesto da počinjete od procesa („učite gramatiku, zatim vokabular, pa vježbajte“), počinjete od konkretnih situacija koje su najvažnije za učenike: naručivanje hrane, rješavanje problema s putovanjem, druženje, rad na jeziku. Zatim uvodite gramatiku i vokabular samo po potrebi kako biste podržali te vrijednosne scenarije.

Isti princip važi i za poslovnu strategijuDekompozicija po vrijednosti znači:

• Brže pružanje vrijednosti, jer su podciljevi povezani sa stvarnim potrebama zainteresovanih strana.
• Ostvarivanje bolje kontrole resursa, budući da su budžet i napor usklađeni sa specifičnim inicijativama za stvaranje vrijednosti.
• Skraćivanje ciklusa učenja, jer svaki mali podcilj pruža brzu povratnu informaciju o tome da li su pretpostavke o vrijednosti bile ispravne.

Prestajete s raspadanjem kada su ispunjena dva uvjetaDostigli ste nivo izvodljivih zadataka i možete kvantificirati vrijednost za relevantne zainteresovane strane pomoću značajnih metrika. Prije toga, nastavljate dijeliti cilj visokog nivoa na manje, nezavisne dijelove.

Ovaj način razmišljanja vidljiv je čak i u veoma složenim inženjerskim poduhvatima.Kada Elon Musk opisuje izgradnju grada na Marsu, on taj cilj rastavlja na manje podciljeve: najbrži put do potpuno višekratne rakete, zatim najbrži put do orbite, zatim do pouzdane proizvodnje i tako dalje. Sam dizajn Starshipa dijeli ogroman problem pogona na mnogo manjih motora umjesto na jedan gigantski. Ista logika bi trebala voditi i prilikom rastavljanja nejasnog "poboljšanja spremnosti za prijetnje" na izvodljive dijelove.

Konkretni primjeri: raščlanjivanje spremnosti na male, mjerljive podciljeve

Zamislite da želite poboljšati spremnost na društvene prijetnje povezane s radom na daljinu, uključujući rizike od kompromitovanih IDE ekstenzija kao što su one opisane za razvojna okruženja; fokusirani pregled sigurnosti i plan ublažavanja mogu biti jedna grana dekompozicije (kompromitirana IDE proširenja).

Na ovom nivou možete formulisati konkretnije izjave o rizicima i inicijativama.Na primjer, jedan specifičan rizik mogu biti „pravni rizici prekograničnog rada na daljinu“. Inicijativa usmjerena na vrijednost mogla bi biti „ažuriranje ugovora o radu kako bi se uključila klauzula o prijenosu intelektualnog vlasništva za zaposlenike na daljinu u različitim jurisdikcijama“.

Ove inicijative su kratkoročne, specifične i ostvariveOni ne rješavaju sve rizike rada na daljinu odjednom, ali pomjeraju stvari prema naprijed u dijelu spremnosti koji je pravnim timovima i rukovodstvu zaista važan. Primijetite kako je dekompozicija transformirala nejasnu težnju u opipljiv, provjerljiv korak.

Dekompozicija po vrijednosti također omogućava nezavisan napredak na različitim frontovimaDruga grana stabla spremnosti mogla bi se fokusirati na prijetnje povezane s energijom, kao što su nestabilne cijene energije. Podcilj bi mogla biti „spremnost za troškove energije“, s praktičnom inicijativom poput „razvoja plana za instaliranje fotonaponskih kapaciteta“.

Sve dok su podciljevi uglavnom nezavisni, različiti timovi mogu raditi na njima paralelno.Odjel za ljudske resurse i pravni sektor mogu se baviti izmjenama ugovora za radnike na daljinu dok odjel za objekte i financije istražuju izvodljivost solarne energije, svaki vođen vlastitim skupom pitanja i metrika povezanih s vrijednošću za dionike.

Kvantifikacija vrijednosti: od ciljeva visokog nivoa do konkretnih metrika

Dekompozicija nije završena sve dok se vrijednost ne može izmjeriti na smislen način.To ne znači da su vam potrebni savršeni pokazatelji, ali su vam potrebni indikatori i optimizirajte upite za performanse koji obuhvataju ono što je zainteresovanim stranama zaista važno, a da pritom nisu apsurdno skupi za mjerenje ili nemogući za interpretaciju.

Uzmimo raniji primjer „spremnosti za rad na daljinu“Za rukovodeći tim, jedna značajna metrika ishoda može biti „vrijeme do punog učinka za nove zaposlenike“, posebno za one koji rade na daljinu. Kraće vrijeme uključivanja signalizira da je organizacija bolje pripremljena za uključivanje i integraciju talenata koji rade na daljinu.

Za ljudske resurse i nove zaposlenike, više operativnih pokazatelja moglo bi biti važnije. Na primjer:

• Stopa usvajanja alata za izvršenje strategije od strane novozaposlenih, %.
• Udio timova koji koriste mjere učinka zasnovane na rezultatima, %.

Svaka od ovih metrika vezana je za određenu inicijativu ili skup inicijativa.Procenat mjerenja učinka zasnovanog na ishodima mogao bi biti povezan sa nečim poput „uspostavljanja jedinstvenog izvora istine za učinak projekta i strategije“ i obukom menadžera da ga koriste.

Za „spremnost za troškove energije“ primjenjuje se drugačiji skup metrikaNakon početne analize, možete pratiti:

• Trenutna potražnja za energijom, u kWh.
• Očekivana energetska proizvodnja planirane fotonaponske instalacije tokom zimskih mjeseci.
• Procenat potražnje pokriven PV kapacitetom.
• Izbjegnuti troškovi, u monetarnim jedinicama, u poređenju sa osnovnim cijenama.

Ponekad je najpraktičniji pokazatelj vrijednosti poređenje složenostiZamislite vlasnika kuće koji odlučuje hoće li instalirati sigurnosne kamere. Možda neće izgraditi potpuni model rizika, ali i dalje mogu razmišljati o tome - zašto: složenost instaliranja kamera i povremene provjere upozorenja je manja od složenosti angažovanja nekoga da fizički nadgleda nekretninu. Kada se dogodi ekstremni vremenski događaj, a kamera otkrije da namještaj vjetar baca na javni put, vrijednost te odluke odjednom postaje vrlo opipljiva.

Korištenje ciklusa učenja za usavršavanje dekomponovanih metrika i ciljeva

Dekompozicija nije jednokratni dizajnerski zadatak; ona je dio kontinuiranog ciklusa učenja.Nakon što su podciljevi i metrike postavljeni, pratite jaz između očekivanih i stvarnih rezultata i precizirate i ciljeve i mjerenja u svjetlu dokaza.

Praktična petlja učenja oko dekomponovanih ciljeva često uključuje:

• Pregled razlika između očekivanih i postignutih ishoda za svaki podcilj.
• Identifikacija uzroka umjesto zaustavljanja na površnim objašnjenjima.
• Prilagođavanje metrika ako potiču pogrešno ponašanje ili ne obuhvataju vrijednost za zainteresovane strane.
• Dodavanje novih podciljeva ili grana kada otkrijete prethodno skrivene faktore.
• Ponovno razmatranje cilja najvišeg nivoa ako dokazi ukazuju na to da je bio formulisan oko pogrešnog problema.

Tokom ovog ciklusa, disciplina pitanja tipa „šta“ vas održava iskrenim.Šta se promijenilo u okruženju? Koje su se pretpostavke pokazale pogrešnim? Koje nove podatke imamo? Koji dio dekomponovane strukture više nije validan? Sistematskim postavljanjem i odgovaranjem na ova pitanja, timovi mogu izbjeći tvrdoglavo držanje elegantne, ali neefikasne dekompozicije.

Softverska podrška može učiniti ovo iterativno usavršavanje mnogo efikasnijimAlati poput BSC Designera ili sličnih platformi za upravljanje strategijom omogućavaju vam održavanje hijerarhijskog stabla ciljeva, metrika, inicijativa, rizika i hipoteza. Možete dodijeliti težine podciljevima koje predstavljaju njihovu relativnu važnost za zainteresovane strane i prilagođavati te težine kako saznajete više iz podataka.

Praktični alati za dekompoziciju ciljeva i metrika

Specijalizirani softver za izvršenje strategije i sistem bodovanja pomaže u operacionalizaciji svega što je do sada opisano.Umjesto da svoju dekompoziciju držite na slajdovima ili u tabelama, održavate aktivnu strukturu koja povezuje ciljeve, zainteresovane strane, metrike i inicijative.

Neke praktične karakteristike koje podržavaju dekompoziciju zasnovanu na šta uključuju:

• Profili ili prikazi koji prikazuju samo bitne kolone za dekompoziciju: nazive ciljeva, indikatore, inicijative, polja zainteresovanih strana, jedinice mjere i težine.
• Brzo kreiranje novih ciljeva i podciljeva (na primjer, prečice na tastaturi za dodavanje stavki na istom ili sljedećem nivou).
• Namjenska polja za inicijative, rizike i hipoteze, s ikonama ili oznakama za njihovo razlikovanje.
• Komentarisanje svakog elementa kako bi se dobili uvidi o pretpostavkama, ograničenjima ili povratnim informacijama zainteresovanih strana.
• Ponderirajte kolone na kartici performansi kako biste predstavili relativnu važnost podciljeva.

Ponderiranje je posebno korisno kada zainteresovane strane imaju mnogo konkurentnih potreba, ali ograničene resurse.Nakon početnog eksperimentiranja, možete dodijeliti intuitivne ili analitički izvedene težine podciljevima kao što su „spremnost za troškove energije“ naspram „spremnosti za ograničenja potrošnje energije“, odražavajući njihovu relativnu važnost za liderstvo u tom trenutku.

Automatizacija također može pomoći u određivanju prioritetaNakon što imate metrike vrijednosti i relativne težine, jednostavni okviri za određivanje prioriteta ili napredniji modeli optimizacije mogu vam pomoći u odlučivanju gdje alocirati budžet i pažnju. Ipak, kvalitet ovih odluka zavisi od toga koliko dobro vaša dekompozicija odražava stvarnu vrijednost zainteresovanih strana i koliko rigorozno održavate svoje definicije i pitanja tipa "šta".

U svemu ovome, sigurnost ne smije biti sporedna stvarDok prikupljate, integrišete i kvantifikujete osjetljive informacije o operacijama, rizicima i performansama, usluge sajber sigurnosti moraju zaštititi integritet, dostupnost i povjerljivost podataka. Ako neko može manipulisati osnovnim podacima ili logikom izračuna, sve vaše pažljivo dekomponovane metrike postaju nepouzdane.

U konačnici, snaga bilo koje odluke ne počiva na vizualnom sjaju kontrolne ploče, već na vašoj sposobnosti da svaku metriku i svaki cilj razložite na njihove bitne komponente.Kada možete odgovoriti na precizna pitanja tipa „šta“ o definicijama, uključivanjima, isključenjima, transformacijama, zainteresovanim stranama i pretpostavkama, transformišete brojeve iz dekorativnih elemenata u pouzdane signale. Ako to ne možete učiniti za dati indikator, to nije razlog za odustajanje; to je vaš znak da metriku treba redefinirati, rekonstruirati ili čak odbaciti kako bi zapravo služila pravim ciljevima vaše organizacije.