这是关于在业务中实现数据驱动的系列文章的第一部分。

主要观点：Goodhart 法则虽有名，但不如想象中有用，组织层面已有解决其问题的工作。Donald Wheeler 对 Goodhart 法则的更可行表述为当人们受目标值压力时会有三种行为：改善系统、扭曲系统或扭曲数据。解决 Goodhart 法则需防止数据和系统扭曲，给人们改进系统的空间，要先倾听“过程之声”，找出影响输出指标的输入指标及因果关系，而非只盯着目标。

关键信息：

• Goodhart 法则案例，如英国政府为减少德里的眼镜蛇提供赏金，却导致人们开始养殖眼镜蛇。
• 解决 Goodhart 法则的工作多出自 W. Edwards Deming 及其同事的“统计过程控制”或“持续改进”领域。
• David Manheim 和 Scott Garrabrant 对 Goodhart 法则的分类及部分解决方案。
• Donald Wheeler 关于受目标值压力时人们行为的观点及相关例子。
• Amazon 的 Weekly Business Review（WBR）过程，通过将指标分为可控输入指标和输出指标，重点讨论可控输入指标的异常和趋势，不断试验和辩论以找到正确的指标，防止选择错误的可控输入指标导致 Goodhart 法则现象，且 WBR 是公司领导团队的每周同步机制，Finance 部门负责管理 WBR 并确保数据真实，各指标所有者和 Finance 团队成员需进行审计。

重要细节：

• 介绍 WBR 会议的基本情况，如每周三早上举行，领导团队在 60 - 90 分钟内审查 400 - 500 个指标等。
• 以 Amazon 从图书扩展到其他品类时选择错误可控输入指标为例，说明其如何通过 WBR 过程调整指标。
• 强调 Finance 部门在 WBR 中的重要作用，包括认证数据、调查和深入研究指标等。
• 提及 Goodhart 法则在运营中使用数据时会引发阻力，而数据驱动决策如核动力，用对威力大，用错易出事。

总结：通过介绍 Goodhart 法则及 Amazon 的 WBR 过程，阐述了在组织层面可解决 Goodhart 法则，实现数据驱动，避免不良后果。