ONES CTO 冯斌|如何低成本地做出高质量决策

万事ONES
English

1 月 6 日,在 TOP100 全球软件案例研究峰会上,ONES 联合创始人兼 CTO 冯斌作了题为《大型团队高效管理的机械化原理》的演讲。

以下是冯斌当天分享的主要内容。

大型团队的技术管理问题

我们先来看大型团队在技术管理上面临的问题。

首先,我们有没有一个办法可以低成本地做出足够正确的决策?因为在研发场景下,特别是技术管理者,天天都需要做决策。这个决策可能是有关招聘,包括决定用哪个人,决定晋升哪位同事;也可能和功能或某个需求相关,包括是否需要选择某个客户,进入某个市场等。

其次,在上百人的研发团队中,所有人的工作质量如何按照预期进行下去?在大中型团队里,技术管理者的下级有经理,经理下级有一线工程师,彼此存在一定的层级关系。作为最顶层的技术管理者,没有办法直接知道每人每天的工作情况如何。

其次,如果我们定义了一些标准,但培训完以后,大家还没完全理解或者执行起来的时候不习惯,这些标准怎样才能快速落地?

最后,当我们有标准的时候,怎么让大家在工作的时候尽可能遵循标准,同时又不死板,有一定的灵活性?

在这里,我要先抛出结论:我们要基于结构化的标准和流程来做「机械化」的执行。这里的「机械化」并非贬义,而是一个中性词。

结构化标准

如何进一步理解「机械化」,我们要从专家系统和结构化标准之间的区别入手。

何谓专家系统?以招聘为例,在决定是否要录取某个研发候选人时,公司的工程师、技术负责人、HR,甚至管理层都会各抒己见,从不同的角度来表达自己的看法,看谁说服谁,最后得出一个结论——这种决策方法就叫做专家系统。

但我们发现,专家系统存在不少问题:行为经济学的不少实践证明,专家系统作出判断和决策的成功率并没有特别高,同时,专家系统经常会比较模糊,这种模糊性会让整个团队觉得不够清晰,甚至可能对有些同事来说不够公平。

相对而言,结构化标准对决策有更好的效果。

结构化量化方式,指的是我们在做决策之前,应该要先对相关事情做一些维度的分解,然后对它进行打分,通过各种手段对需要决策的对象进行量化,量化完后分高的我们可以优先选择。

这种量化的标准更容易被执行,因为我们一旦能把这些东西量化,最后甚至可以用机器去算分。一个结果化的、清晰的标准,更能产生一个公平的效果,也能为团队带来安全感,而安全感能产生多团队的驱动力。

如果我们有办法用结构化的标准去判断一个事物的方方面面,那么它会更容易被我们的数字化工具落地,一旦能落地,我们就可以很方便地去做统计、分析和预判。

决策的结构化标准

既然「机械化」执行的关键是结构化标准,那么,我们应该遵循哪些原则?

从技术管理的角度,结构化标准可以分成两类,一类是关于决策的,另外一类是关于执行的。

那么,关于决策的结构化标准是怎样的?我们在做结构化标准的时候,会列出判断一个事物的各个维度,例如画成一张雷达图,这些维度是应该要满足的一些原则。

第一个是 MECE 法则。它强调每个维度应该是相互独立的,不重复的,尽可能覆盖我们想要判断的问题。

MECE 法则,是麦肯锡咨询顾问芭芭拉·明托在《金字塔原理》中提出的一个思考工具,意思是「相互独立,完全穷尽」,也常被称为「不重叠,不遗漏」。形象地看,就像是拼图游戏,用一张张碎片拼出完整的图,如果拼得正确,最后一定是一张不多,一张不少。

MECE 法则是「结构化思维」的基本功。使用 MECE 法则时,要注意三点:谨记分解目的、避免层次混淆、借鉴成熟模型。

第二个是聚焦原则。我们到底如何落地一个好的标准?而这个标准为什么能低成本地落地?这时要考虑到「聚焦」。

「聚焦」指的是,当我们判断一个事物的时候,不要求要有非常多的维度。最关键的四到六个维度,一般就足以让我们对一个事物做出一个比较准确的判断,一旦我们求大或求全,就非常容易导致成本高、不好执行、不好培训等问题。

在很多时候,我们定了一些结构化的标准,最后却没有用。回头去看,是因为这个标准里需要判断的维度可能有二三十项,例如,在招聘过程中,我们可能要判断候选人的技术能力、沟通能力、价值观,等等,而技术能力里面又细分出很多子类别,从计算机基础,到他的专业的技术栈——这些繁杂的维度让执行变得很困难。

第三个是量化原则。当我们有了维度以后还不够,还要对每个维度进行量化,而量化就会涉及到每一个维度的打分,它的打分标准可以根据不同的情况有所区别,但是有一些方向是需要把握住的:区分度要高,要清晰,要容易衡量。

举个反例,当我们描述某人能力的时候,有时候我们会评价为良好、优秀、卓越,等等,其实,这些词都是「程度词」,无论是确定标准的人,还是执行标准的人,在这里都很难做判断,因为这些词非常模糊,每个人可能都有不一样的理解。

同时,分值不应该太多,分值如果太多的话,也会导致区分度不够高,并且大家需要思考非常多,我们一般都会采用五分制或者十分制的方式。

执行的结构化标准

说完了决策方面结构化标准的原则,我们再来看执行层面上的结构化标准是如何具体实现的。

经过 ONES 的实践,我们发现:把相关的结构化标准在工具上数字化,那么在实践使用中的效率会非常高。

首先,如果我们要真正促使行为变化,就必需内化自己的整个习惯。例如,在一个软件团队项目管理的场景中,如果我们要标准化自己的工作方式和流程,养成习惯最好的办法就是让大家在一个工具里工作,让工具告诉大家,当需求分解完以后,下一步是什么,将一系列的流程固化在整个系统里面。

其次,如果大家可以在一个数字化工具里工作,无论是做决策还是在执行流程,都可以利用工具去收集到相关的数据,并且形成一些新的结论和行动。

最后,这会是一个更公开更透明的场景,使得大家能更好地工作,因为它更有安全感。

我举个经典的例子,让大家可以更好地理解如何执行结构化标准。

「阿普加评分(Apgar Score)」,是麻醉学家阿普加 1953 年设计的一个判断新生儿是否健康的模型。他一共考虑了五个指标,分别是:肤色、心率、表情反应、肌肉张力、呼吸。

image.png

第二步,打分。给每个指标设定一个整数分数区间。比如阿普加评分中每个指标可以打 0、1 或者 2 分。像肤色,全身粉红色就是 2 分;四肢是青紫色就是 1 分;如果全身青紫就是 0 分。

第三步,计算总分。也不用加权平均了,简单相加就行。阿普加评分的满分是 10 分。那么这个判断系统规定,总分在 7 分以上就是健康;4 到 6 分就不太健康;0 到 3 分就是需要立即采取急救措施。

这是就是一种「简单易行」的结构化标准。现在医学界的很多诊断,比如一些癌症的筛查,都是使用类似的打分系统。这个方法把复杂的决定分解成了几个维度上的简单判断。它容易操作,不怎么受医生经验和水平的影响,而且因为大大减少了噪声,准确性很高。

数字化工具内嵌标准

关于用数字化工具内嵌标准,我介绍一下 ONES 的具体做法。

在 ONES Project 里,我们可以设置工作流引擎。就是当我们要去处理一个 bug 或需求的时候,到底走的是一个怎样的流程。这里我们看到有七个步骤,这七个步骤如果要人完全记下来,成本太高了。所以,我们可以通过一个数据化工具内嵌整个流程,并且在流程执行的时候用工具来提醒大家每一步需要做的事情。这样,我们的培训成本甚至是文档,都可以大大减少。

image.png

例如,在 ONES 新建任务时有很多自定义属性,它是必填的,我们可以把一些任务结构化地管理起来。

image.png

关于 ONES Wiki 的功能,这里有一个关于故障分析的模板,它比文档、比培训更加直接。数字化工具能直接给我们提供一个预置好的标准,大家在这个标准之内去工作,快速地去完成一些必要的事情。

image.png

当标准真的可以跑起来以后,我们一定要定期复盘,因为简单的标准才好执行,本质上它是在简单和有效之间做取舍,随着时间的推移和外部环境的变化,它是会有局限性的。

除此之外,我也分享一下 ONES 做技术招聘的模型,我们的模型会分成四个方面,第一个方面是专业能力,也就是技术能力。第二个方面是学习能力,第三个是思维表达能力,我们认为一个人的表达能力反映了他的思维能力是否结构化,是否够清楚,是否能聚焦到目标,第四个是思维层次,主要判断一位候选人的驱动力的来源是外部还是内部。

拿学习这个方面来讲,我们会分成 0-5 六个分值,以判断一个候选人有没有主动的学习行为,他的主动学习行为是不是碎片化的,相对于我们刚刚说的主动、坚定、优秀、良好这些词语来说,它更能通过一个特点、一个行为区分出不同的分值,在这个情况下,打分会更加简单和精准。

保证决策足够正确

最后总结一下,在大型团队的技术管理当中,我们经常要做很多决策,同时我们要保证这些决策足够正确。

其实我们不需要百分百正确,我们只需要足够正确,并且让大家在工作中可以按照一个标准来工作,保证一定的质量。

首先,机械化的标准以及流程是更有效的,运行成本是更低的。

结构化的标准和流程都应该是聚焦、清晰、简单的。当我们有这样的一些标准和流程以后,就可以很好地用数字化工具去做管理。

当每个人回到数字化的环境下去工作,自然就会 follow 我们之前定过的一些结构化标准,确保执行到位。同时,我们只需要在系统上点几个按钮,就能汇总出想要的数据,高效完成量化,这对于我们复盘改进都非常有帮助。

阅读 664

ONES专注于企业级研发管理工具及解决方案,产品矩阵贯穿整个研发流程,实践敏捷开发与持续交付,追踪项...

196 声望
361 粉丝
0 条评论

ONES专注于企业级研发管理工具及解决方案,产品矩阵贯穿整个研发流程,实践敏捷开发与持续交付,追踪项...

196 声望
361 粉丝
文章目录
宣传栏