如何能保证公平客观，我们大多数想到的一个词一定是：数据。毕竟数据是肯定不会说谎的。
数据确实不会撒谎，但认知可以被操纵，情绪可以被左右，后者为因为里而前者不过是表象结果，无论我们选择抽象还是具体，我们都无非是相信我们所相信，佐证我们所期待的罢了。
这也是为什么大家最容易被统计学家欺骗了，因为无论他怎么说，我们都无法否认，毕竟有数据在那里，统计学家知道如何利用数据进行专空子，知道为回答你这个问题能够提供哪些维度的数据进行佐证。
在企业里面也一样，很多时候我自己在为团队制定指标的时候，都过于相信数据了，导致大家只关注结果，为了让数据好看而去花费大量的精力，而不是去关注最初这样做的目的，不去关注过程。
举几个我最近听地一本书里的几个例子吧。
举例1：
首先来看一个著名的例子。英国人殖民印度时，在印度首都德里遇到了一个麻烦：眼镜蛇。这座城市里栖息着大量的毒蛇，给殖民政府和当地居民带来了危险。殖民政府提出了一个解决办法：悬赏捕蛇。每当当地居民交出一条死眼镜蛇，他们就会得到一笔奖金。这个计划似乎相当成功，许多蛇被杀死，政府也支付了奖金。然而，殖民政府很快发现了这个计划的弊端：当地居民开始饲养蛇，然后将死蛇卖给政府！英国人意识到印度人在利用这个政策，于是取消了捕蛇奖金。由于眼镜蛇变得毫无价值，那些养蛇的人就将蛇放生。结果，城市中的眼镜蛇数量增加了一个数量级。英国人试图控制城市中的眼镜蛇数量，结果却让情况变得更糟。德国经济学家霍斯特·西伯特将这种现象称为“眼镜蛇效应”。
举例2：
发生在20世纪90年代的美国纽约州和宾夕法尼亚州。这些州开始公布医院和外科医生的患者死亡率数据，目的是建立医疗保健领域的问责制度。这个想法本来是为了让患者能够选择表现更好的医院或外科医生，同时激励医生和医疗管理人员改善医疗服务。然而，结果却相反，外科医生为了提高治愈成功率，开始拒绝接收病情复杂的患者。
举例3：
警务系统也有类似的例子。比如，英国伦敦市给警察局下达了“犯罪率降低20%”的绩效指标。警察们发现这个指标很好完成，只需要把立案率减少20%就行了。也就是说，对很多轻型犯罪的报案不予立案，同时，把抢劫、强奸等重型暴力犯罪降级为轻型犯罪。这样一来，数据立刻好看多了。
后来，市政府发现了这个漏洞，把考核指标从“降低犯罪率”变成“增加逮捕数量”。这时候，警察局的反应就更有意思了：警察们不会花几年时间、劳神费力地去逮捕一个大毒枭，而是每天逮捕5个在街头贩毒的小马仔。警察们知道，这些小毒贩被逮捕之后，很快就有一茬又一茬的新人顶替上来，根本不愁完不成逮捕数量指标。
我的感悟是：
指标具备一定局限性，不可能衡量的了所有事物，因为世界往往比这个要复杂的多，但他仍然具有一定的客观性，可以在海量数据里简化它的复杂度，寻找到北极星指标。我们要做的是定量指标和定性指标进行结合，必须保留一些“人治”的成分所在。
例如：组员的一次思维的改变，一次情绪控制的转变，一次挑战导致的能力提升，一次负责任的态度，这些价值无法完全通过数字化进行衡量。或者他是做的很好，但是无下限的宣导负能量，只要和他合作的人情绪都会不好，导致效率低下。但ta仍然只顾数字很好看等等。都是我们需要考虑的。
网友评论