Cara Menguraikan Setiap Metrik dengan Pertanyaan-Apa

Beranda » Ular sanca » Cara Menguraikan Setiap Metrik dengan Pertanyaan-Apa

Ketika sebuah metrik muncul di dasbor, seringkali metrik tersebut tampak seperti kebenaran mutlak, angka yang bersih yang tampak objektif dan tak perlu dipertanyakan.Namun di balik permukaan yang mengkilap itu terdapat pilihan pemodelan, filter data, gudang data dan danau dataDefinisi, rentang waktu, dan asumsi dapat sepenuhnya mengubah arti sebenarnya dari angka tersebut. Jika kita hanya menatap nilainya dan melanjutkan, pada dasarnya kita mempertaruhkan keputusan kita pada kotak hitam yang tidak sepenuhnya kita pahami.

Pendekatan yang jauh lebih kuat adalah mempelajari cara menguraikan metrik apa pun dengan mengajukan pertanyaan "apa" secara sistematis.Apa sebenarnya yang dihitung, apa yang diabaikan, transformasi apa yang diterapkan, skenario apa yang dipertimbangkan, pemangku kepentingan mana yang peduli dengan metrik tersebut, dan apa arti "kesuksesan" bagi mereka. Cara berpikir ini menghubungkan area yang sekilas tampak berjauhan: kecerdasan bisnis dan Agen AI, keamanan siber dan integritas data, eksekusi strategis, dekomposisi tujuan berbasis nilai, dan bahkan sesuatu yang "matematis" seperti faktorisasi prima.

Mengapa setiap metrik perlu diuraikan dengan pertanyaan "apa"?

Metrik menciptakan ilusi kepastian yang kuat.Tingkat konversi 3.7%, tingkat keberhasilan pelaksanaan strategi, "skor kesiapan" untuk risiko siber, indikator biaya energi, atau bahkan angka seperti 24 dalam latihan matematika, semuanya tampak pasti. Tetapi masing-masing menyembunyikan keputusan seperti:

• Populasi apa? Apa yang termasuk dan apa yang tidak termasuk.
• Peristiwa apa saja? dihitung sebagai keberhasilan, kegagalan, ancaman, atau insiden.
• Periode waktu apa? apa yang sedang diukur dan mengapa jendela itu.
• Transformasi apa saja? (Penggabungan, rata-rata, normalisasi) telah diterapkan.
• Asumsi apa saja? Informasi mengenai pemangku kepentingan dan nilai sudah terintegrasi dalam rumus tersebut.

Jika Anda tidak dapat menjawab pertanyaan-pertanyaan rinci tentang suatu metrik, Anda tidak boleh menggantungkan keputusan penting pada metrik tersebut.Angka tersebut mungkin masih berguna, tetapi belum dapat diandalkan. Dekomposisi adalah proses membuka kotak hitam dan mengubah indikator yang buram menjadi sesuatu yang transparan dan dapat ditindaklanjuti.

Dalam lingkungan yang kaya data, melakukan hal ini secara manual untuk setiap metrik dengan cepat menjadi tidak berkelanjutan.Di situlah platform intelijen bisnis (misalnya, Power BI yang terintegrasi dengan aplikasi khusus) dan agen AI lokal Hal ini menjadi sangat penting: mereka membantu menelusuri silsilah, mengungkap filter tersembunyi, mendeteksi anomali dan bias, dan bahkan menyarankan cara yang lebih baik untuk mendefinisikan dan melacak apa yang benar-benar penting bagi bisnis.

Kebiasaan inti: mengajukan pertanyaan "apa" secara sistematis.

Menguraikan metrik apa pun dimulai dengan serangkaian pertanyaan "apa" yang terstruktur.Alih-alih bertanya “Apakah 80% itu baik atau buruk?”, Anda bisa mengajukan pertanyaan seperti:

• Apa yang sedang dihitung? Tepatnya? (peristiwa, pengguna, sesi, transaksi, insiden…)
• Apa satuannya? Satuan pengukuran? (persentase, jumlah absolut, dolar, kWh, hari…)
• Apa yang termasuk dan apa yang secara eksplisit dikecualikan dari hitungan ini?
• Jangka waktu berapa lama? Apakah jendela itu menutupi area tersebut dan mengapa jendela itu dipilih?
• Transformasi apa saja? Proses yang terjadi dari data mentah ke dasbor (penggabungan, filter, segmentasi, ambang batas).
• Pemangku kepentingan apa? menganggap metrik ini berharga dan hasil apa yang diwakilinya bagi mereka.
• Asumsi apa saja? Informasi mengenai risiko, nilai, perilaku, atau lingkungan tertanam dalam perhitungan tersebut.

Kebiasaan sederhana ini secara instan memisahkan sinyal dari kebisingan.Banyak metrik "kunci" ternyata merupakan pandangan parsial, tidak selaras dengan tujuan bisnis, atau sekadar artefak lama yang bertahan karena tidak ada yang mempertanyakannya. Metrik lainnya menjadi lebih jelas, lebih terdefinisi, dan lebih mudah ditingkatkan setelah struktur dasarnya dijelaskan secara eksplisit.

Platform BI modern membuat analisis "apa" ini jauh lebih mudah.Dengan model data yang dirancang dengan baik dan alat untuk penelusuran dan audit, Anda dapat mengklik metrik dan melihat tabel, filter, dan perhitungan apa yang ada di baliknya. Agen AI kemudian dapat memindai ketidakkonsistenan (misalnya, definisi "pelanggan" yang berbeda di dua dasbor) dan menandai potensi ketidaksesuaian dengan makna bisnis yang dimaksud, seringkali menggunakan analisis data waktu nyata untuk mendeteksi anomali.

Dari dasbor hingga pengambilan keputusan: BI, AI, dan perangkat lunak khusus

Visualisasi saja tidak cukup; pemahaman adalah tujuan akhirnya.Dasbor yang menarik di Power BI atau alat lainnya dapat terlihat mengesankan namun tetap dapat menyesatkan semua orang di ruangan jika pertanyaan mendasar tentang apa yang ingin disampaikan tidak jelas. Itulah mengapa organisasi yang matang beralih dari sekadar grafik di bagian depan dan berinvestasi dalam... praktik otomatisasi dan MLOps:

• Model data yang terkelola dengan baik di mana setiap metrik kunci memiliki definisi yang terdokumentasi dan silsilah yang jelas.
• Pemeriksaan otomatis untuk anomali, data pencilan, dan lonjakan mencurigakan, yang sering kali didukung oleh AI.
• Integrasi khusus antara alat BI dan sistem khusus, sehingga metrik dihitung di dekat tempat proses sebenarnya terjadi.
• Lapisan keamanan siber yang melindungi integritas dan kerahasiaan data sepanjang siklus hidupnya.

Menggabungkan platform cloud seperti AWS dan Azure dengan perangkat lunak yang disesuaikan akan membuka ekosistem yang sangat ampuh.Anda dapat mendesain alur kerja di mana setiap metrik terhubung ke sumber datanya, langkah-langkah transformasi, dan pemangku kepentingan, dan di mana pertanyaan-pertanyaan "apa" dapat dijawab sesuai permintaan: kueri apa yang menghasilkan KPI ini, filter apa yang aktif, model apa yang memprediksi perkiraan ini, data pelatihan apa yang mendukung model tersebut, ambang batas apa yang memicu peringatan ini. Arsitektur ini juga seharusnya membantu mendapatkan kembali kendali atas API dan integrasi.

AI untuk bisnis menambahkan dimensi ekstra: pola dan prediksi.Setelah dasar-dasar kualitas dan ketertelusuran data terpenuhi, AI dapat memperkaya pertanyaan "apa" Anda dengan wawasan yang berorientasi ke masa depan: pelanggan mana yang kemungkinan akan berhenti berlangganan, proyek mana yang kemungkinan akan mengalami pembengkakan biaya, item biaya mana yang trennya meningkat, skenario ancaman mana yang probabilitasnya meningkat. Pertanyaan tetap berakar pada "apa", tetapi jawabannya sekarang menggabungkan tren dan probabilitas daripada hanya gambaran statis; dengan mengadopsi Praktik AIOps dapat mengoperasionalkan wawasan ini.

Semua ini hanya akan berhasil jika organisasi tersebut juga berinvestasi dalam definisi yang jelas dan bahasa yang dipahami bersama.Para ahli rekayasa data, AI, BI, keamanan siber, dan pemilik bisnis harus sepakat tentang apa arti "pendapatan", "ancaman", "kesiapan", "kesuksesan", atau "nilai" dalam setiap konteks. Tanpa itu, tumpukan teknologi hanya akan mengotomatiskan kebingungan.

Mengapa strategi gagal: tujuan yang tidak jelas dan metrik keberhasilan yang menyesatkan

Ada klaim populer di internet bahwa antara 63% dan 87% strategi gagal.Angka-angka yang menarik perhatian ini berasal dari studi lama di mana perusahaan melaporkan kekecewaan terhadap hasil keuangan atau kegagalan memenuhi janji strategis. Jika dilihat lebih dekat, datanya tidak lengkap dan kesimpulannya dilebih-lebihkan: kita sama sekali tidak memiliki tingkat kegagalan yang tepat dan berbasis ilmiah untuk pelaksanaan strategi.

Yang kita ketahui adalah banyak organisasi yang tidak puas dengan bagaimana strategi mereka diterjemahkan menjadi hasil.Sebagian besar ketidakpuasan tersebut dapat ditelusuri kembali ke tujuan yang dirumuskan dengan buruk dan metrik yang berfokus sempit pada angka keuangan, sambil mengabaikan nilai pemangku kepentingan dan kejelasan maksud. Dalam beberapa survei, sekitar setengah dari "kegagalan" yang dilaporkan disalahkan langsung pada tujuan yang samar atau ambigu.

Strategi yang dijelaskan dengan buruk juga sangat sulit untuk dikomunikasikan.Penelitian yang terkait dengan kerangka kerja Balanced Scorecard menunjukkan bahwa di banyak perusahaan, hingga 95% karyawan tidak dapat menyatakan atau tidak memahami strategi. Jika orang tidak tahu apa yang mereka tuju, hampir tidak mungkin untuk mendefinisikan metrik yang baik, apalagi menguraikannya dengan pertanyaan-pertanyaan mendasar.

Kerangka strategi seperti Balanced Scorecard membantu menyusun pemikiran seputar tiga pilar utama.:

• berakhir: tujuan, sasaran, hasil yang diinginkan.
• Cara: inisiatif, proyek, rencana aksi.
• Kuantifikasi: metrik, KPI, dan indikator.

Kualitas eksekusi strategis bergantung pada seberapa jelas Anda dapat memisahkan dan kemudian menghubungkan kembali ketiga blok tersebut.Tujuan menyatakan nilai apa yang ingin Anda ciptakan untuk para pemangku kepentingan, cara menjelaskan bagaimana Anda akan mencoba melakukannya, dan metrik mengukur seberapa baik kinerja Anda. Ketika tujuan tidak jelas, atau ketika cara sudah tersirat dalam rumusan tujuan, dekomposisi menjadi berantakan dan metrik menyimpang dari nilai sebenarnya.

Dekomposisi berbasis nilai dari tujuan yang ambigu

Untuk memperbaiki strategi yang ambigu, Anda perlu menguraikannya di sekitar satu ide sentral: nilai bagi para pemangku kepentingan.Alih-alih memperlakukan tujuan sebagai slogan, Anda memecahnya menjadi sub-tujuan yang lebih kecil dan independen yang masing-masing terkait dengan pemangku kepentingan konkret dan gagasan nilai yang jelas yang dapat dikuantifikasi.

Salah satu definisi praktis dari dekomposisi strategi adalah sebagai berikut:: Memecah tujuan tingkat tinggi yang samar menjadi sub-tujuan kecil dan independen yang secara eksplisit diukur berdasarkan nilai yang mereka ciptakan untuk pemangku kepentingan tertentu. Ini bukan latihan mekanis; ini setengah analitis, setengah kreatif, seperti keseimbangan antara perencanaan dan pemikiran strategis sejati yang dijelaskan oleh Henry Mintzberg.

Untuk mempersiapkan dekomposisi berbasis nilai, tiga langkah penting perlu dilakukan.:

• Pisahkan tujuan, sarana, dan metrik. Jadi, Anda tidak mencampuradukkan aspirasi, tindakan, dan ukuran dalam satu kalimat.
• Memahami para pemangku kepentingan dan kebutuhan mereka (pelanggan, karyawan, manajemen, regulator, mitra, dll.).
• Sederhanakan bahasa dan definisikan istilah. sehingga semua orang memiliki pemahaman yang sama tentang konsep-konsep kunci.

Pertimbangkan contoh tujuan strategis yang berantakan.“Memanfaatkan keahlian teknis untuk meningkatkan kesiapan organisasi dalam menghadapi ancaman prioritas tinggi sebesar 20% dalam waktu 1 tahun.” Sekilas, kedengarannya serius dan terukur. Namun, jika diuraikan lebih lanjut, Anda akan menemukan bahwa sebenarnya hal ini mencakup:

• Akhirnya: meningkatkan kesiapan organisasi dalam menghadapi ancaman.
• Sebuah target: Peningkatan 20%.
• Kerangka waktu: dalam waktu satu tahun.
• Suatu cara: memanfaatkan keahlian teknis (salah satu pendekatan yang mungkin di antara banyak pendekatan lainnya).

Hal ini bermasalah karena beberapa alasan.Angka 20% biasanya hanyalah sebuah aspirasi, bukan berdasarkan analisis tentang apa yang layak atau berharga bagi para pemangku kepentingan. Jangka waktu satu tahun sering kali didorong oleh siklus anggaran, bukan oleh dinamika risiko. Penyertaan sarana ("memanfaatkan keahlian teknis") dalam tujuan tersebut menutup kemungkinan pendekatan alternatif yang berpotensi lebih baik.

Tujuan yang lebih bersih setelah dekomposisi mungkin hanyalah“Meningkatkan kesiapan organisasi dalam menghadapi ancaman.” Pertanyaan-pertanyaan selanjutnya adalah: apa arti “kesiapan”, jenis ancaman apa yang penting, pemangku kepentingan mana yang paling peduli, metrik apa yang dapat kita gunakan untuk mengukur kesiapan, dan sub-tujuan apa yang dibutuhkan untuk meningkatkan metrik tersebut.

Mengklarifikasi para pemangku kepentingan, istilah, dan bahasa.

Setelah Anda menghilangkan hal-hal yang tidak perlu dari tujuan tingkat tinggi, langkah selanjutnya adalah menjadi lebih tepat tentang siapa dan apa yang kita bicarakan.Untuk contoh kesiapan kita, pemangku kepentingan yang relevan dapat mencakup (dan dapat diukur menggunakan analisis data dengan SQL):

• Tim kepemimpinan, khawatir tentang dampak strategis dan finansial.
• Karyawan, seperti tim IT, SDM, hukum, dan karyawan baru yang dihadapkan pada model kerja baru.
• pelanggan, rentan terhadap gangguan layanan atau pelanggaran data.
• Regulator, berfokus pada kepatuhan dan manajemen risiko.

Penyederhanaan bahasa membantu menghilangkan jargon perusahaan yang ambigu.Kata-kata seperti "pengungkit" biasanya dapat diganti dengan "penggunaan"; "keahlian teknis" harus didefinisikan (keterampilan keamanan, pengetahuan infrastruktur, pengetahuan kepatuhan, dll.); "ancaman prioritas tinggi" memerlukan skala penilaian risiko yang jelas atau daftar jenis ancaman yang tepat.

Kemudian, kami menjawab pertanyaan-pertanyaan konkret tentang istilah-istilah kunci kami.:

• Apa sebenarnya yang kita maksud dengan "kesiapan" dari sudut pandang masing-masing pemangku kepentingan?
• Ancaman apa saja yang sebenarnya kita pedulikan dan bagaimana kita mengklasifikasikannya?

Salah satu kemungkinan definisi kesiapan yang dapat digunakan adalah serangkaian hal seperti ini:: {analisis ancaman dilakukan, rencana pencegahan diterapkan, rencana respons didokumentasikan, rencana pemulihan diuji}. Ancaman dapat dikategorikan sebagai {terkait iklim, keamanan siber, perubahan sosial (seperti kerja jarak jauh), terkait energi}. Definisi ini dapat disematkan langsung ke dalam peta strategi atau kartu skor Anda, atau dijelaskan lebih formal dengan notasi perencanaan seperti Planguage jika Anda lebih menyukai spesifikasi yang ketat.

Setelah pembersihan ini, tujuan awal dirumuskan kembali. menjadi tujuan yang lebih sederhana, yaitu “Meningkatkan kesiapan organisasi dalam menghadapi ancaman”, dengan “kesiapan” dan “ancaman” didefinisikan secara jelas. Dari situ, Anda dapat mulai menguraikan tujuan berdasarkan nilai pemangku kepentingan, bukan berdasarkan jargon.

Dekomposisi berbasis nilai vs dekomposisi berbasis proses

Banyak organisasi secara naluriah menguraikan tujuan berdasarkan proses, bukan berdasarkan nilai.Bayangkan belajar bahasa asing di sistem sekolah tradisional: Anda mempelajari bab-bab tata bahasa, daftar kosakata, dan latihan terstruktur. Nilai bagi siswa (kemampuan untuk menangani situasi kehidupan nyata) seringkali baru diuji jauh kemudian, dalam ujian yang tidak sepenuhnya mencerminkan percakapan nyata.

Dekomposisi berbasis nilai membalikkan logika ini.Alih-alih memulai dari proses (“mempelajari tata bahasa, kemudian kosakata, lalu praktik”), Anda mulai dari situasi konkret yang paling penting bagi siswa: memesan makanan, menangani masalah perjalanan, bersosialisasi, bekerja menggunakan bahasa tersebut. Kemudian Anda memasukkan tata bahasa dan kosakata hanya jika diperlukan untuk mendukung skenario-skenario bernilai tersebut.

Prinsip yang sama berlaku untuk strategi bisnis.Penguraian berdasarkan nilai berarti:

• Memberikan nilai lebih cepat, karena sub-tujuan terkait dengan kebutuhan pemangku kepentingan yang sebenarnya.
• Memperoleh kendali sumber daya yang lebih baik, karena anggaran dan upaya diselaraskan dengan inisiatif penciptaan nilai tertentu.
• Mempersingkat siklus pembelajaran, karena setiap sub-tujuan kecil memberikan umpan balik cepat tentang apakah asumsi tentang nilai sudah tepat.

Proses pembusukan berhenti ketika dua kondisi terpenuhi.Anda telah mencapai tahap tugas yang dapat ditindaklanjuti, dan Anda dapat mengukur nilainya bagi pemangku kepentingan terkait dengan metrik yang bermakna. Sebelum itu, Anda terus memecah tujuan tingkat tinggi menjadi bagian-bagian yang lebih kecil dan independen.

Pola pikir ini terlihat bahkan dalam upaya rekayasa yang sangat kompleks.Ketika Elon Musk menggambarkan pembangunan kota di Mars, ia memecah tujuan tersebut menjadi sub-tujuan yang lebih kecil: jalur tercepat menuju roket yang sepenuhnya dapat digunakan kembali, kemudian jalur tercepat menuju orbit, lalu menuju manufaktur yang andal, dan seterusnya. Desain Starship sendiri membagi masalah propulsi yang besar menjadi banyak mesin yang lebih kecil, bukan satu mesin raksasa. Logika yang sama seharusnya memandu bagaimana Anda memecah tujuan yang samar-samar "meningkatkan kesiapan menghadapi ancaman" menjadi bagian-bagian yang dapat dikelola.

Contoh konkret: menguraikan kesiapan menjadi sub-tujuan kecil yang terukur.

Bayangkan Anda ingin meningkatkan kesiapan menghadapi ancaman sosial yang terkait dengan kerja jarak jauh., termasuk risiko dari ekstensi IDE yang disusupi seperti yang dijelaskan untuk lingkungan pengembang; tinjauan keamanan dan rencana mitigasi yang terfokus dapat menjadi salah satu cabang dekomposisi (ekstensi IDE yang disusupi).

Pada level ini, Anda dapat merumuskan pernyataan risiko dan inisiatif yang lebih konkret.Sebagai contoh, salah satu risiko spesifik mungkin adalah “risiko hukum dari pekerjaan jarak jauh lintas batas”. Inisiatif yang berorientasi pada nilai dapat berupa “memperbarui kontrak kerja untuk memasukkan klausul pengalihan kekayaan intelektual bagi karyawan jarak jauh di berbagai yurisdiksi”.

Inisiatif-inisiatif ini bersifat jangka pendek, spesifik, dan dapat diwujudkan.Hal ini tidak menyelesaikan semua risiko kerja jarak jauh sekaligus, tetapi hal ini memberikan dampak positif pada bagian kesiapan yang benar-benar dipedulikan oleh tim hukum dan pimpinan. Perhatikan bagaimana dekomposisi telah mengubah aspirasi yang samar menjadi langkah nyata yang dapat diuji.

Penguraian berdasarkan nilai juga memungkinkan kemajuan independen di berbagai bidang.Cabang lain dari pohon kesiapan dapat berfokus pada ancaman terkait energi, seperti fluktuasi harga energi. Sub-tujuan di sana bisa berupa "kesiapan menghadapi biaya energi", dengan inisiatif praktis seperti "mengembangkan rencana untuk memasang kapasitas fotovoltaik".

Selama sub-tujuan tersebut sebagian besar bersifat independen, tim yang berbeda dapat mengerjakannya secara paralel.Bagian SDM dan hukum dapat menangani perubahan kontrak untuk pekerja jarak jauh, sementara bagian fasilitas dan keuangan mengeksplorasi kelayakan energi surya, masing-masing dipandu oleh serangkaian pertanyaan dan metriknya sendiri yang terkait dengan nilai pemangku kepentingan.

Mengukur nilai: dari tujuan tingkat tinggi hingga metrik konkret

Dekomposisi belum lengkap sampai nilai dapat diukur dengan cara yang bermakna.Itu tidak berarti Anda membutuhkan metrik yang sempurna, tetapi Anda membutuhkan indikator dan untuk Optimalkan kueri untuk kinerja. yang mencerminkan apa yang sebenarnya dipedulikan oleh para pemangku kepentingan, tanpa harus terlalu mahal untuk diukur atau sulit untuk diinterpretasikan.

Ambil contoh sebelumnya tentang “kesiapan untuk bekerja jarak jauh”Bagi tim kepemimpinan, salah satu metrik hasil yang bermakna mungkin adalah "waktu yang dibutuhkan untuk mencapai kinerja penuh bagi karyawan baru", terutama bagi mereka yang bekerja jarak jauh. Waktu persiapan yang lebih singkat menandakan bahwa organisasi lebih siap untuk melakukan orientasi dan mengintegrasikan talenta jarak jauh.

Bagi departemen SDM dan karyawan baru, indikator operasional yang lebih banyak mungkin lebih penting.. Contohnya:

• Tingkat adopsi alat eksekusi strategi oleh karyawan baru, %.
• Persentase tim yang menggunakan ukuran kinerja berbasis hasil, %.

Masing-masing metrik ini terkait dengan inisiatif spesifik atau serangkaian inisiatif.Persentase pengukuran kinerja berbasis hasil mungkin dikaitkan dengan sesuatu seperti "menetapkan satu sumber kebenaran untuk kinerja proyek dan strategi" dan melatih para manajer untuk menggunakannya.

Untuk “kesiapan menghadapi biaya energi”, berlaku seperangkat metrik yang berbeda.Setelah analisis awal, Anda mungkin akan melacak:

• Permintaan energi saat ini, dalam kWh.
• Perkiraan keluaran energi dari instalasi fotovoltaik yang direncanakan selama bulan-bulan musim dingin.
• Persentase permintaan yang dipenuhi oleh kapasitas PV.
• Penghematan biaya, dalam satuan moneter, dibandingkan dengan harga dasar.

Terkadang indikator nilai yang paling praktis adalah perbandingan kompleksitas.Pertimbangkan seorang pemilik rumah yang memutuskan apakah akan memasang kamera keamanan. Mereka mungkin tidak membuat model risiko yang lengkap, tetapi mereka masih dapat mempertimbangkan hal-hal berikut: kompleksitas pemasangan kamera dan pengecekan peringatan sesekali lebih rendah daripada kompleksitas mempekerjakan seseorang untuk memantau properti secara fisik. Ketika peristiwa cuaca ekstrem benar-benar terjadi, dan kamera menunjukkan perabotan tertiup angin ke jalan umum, nilai dari keputusan itu tiba-tiba menjadi sangat nyata.

Menggunakan siklus pembelajaran untuk menyempurnakan metrik dan tujuan yang telah diuraikan.

Dekomposisi bukanlah tugas desain sekali jadi; ini adalah bagian dari siklus pembelajaran yang berkelanjutan.Setelah sub-tujuan dan metrik ditetapkan, Anda memantau kesenjangan antara hasil yang diharapkan dan hasil aktual, serta menyempurnakan tujuan dan pengukuran berdasarkan bukti yang ada.

Siklus pembelajaran praktis seputar tujuan yang terurai sering kali mencakup::

• Meninjau perbedaan antara hasil yang diharapkan dan hasil yang dicapai untuk setiap sub-tujuan.
• Mengidentifikasi akar penyebab daripada hanya berhenti pada penjelasan permukaan.
• Menyesuaikan metrik jika metrik tersebut mendorong perilaku yang salah atau tidak mencerminkan nilai pemangku kepentingan.
• Menambahkan sub-tujuan atau cabang baru ketika Anda menemukan faktor-faktor yang sebelumnya tersembunyi.
• Meninjau kembali tujuan tingkat atas jika bukti menunjukkan bahwa tujuan tersebut dirumuskan berdasarkan masalah yang salah.

Sepanjang siklus ini, disiplin mengajukan pertanyaan "apa" akan membuat Anda tetap jujur.Apa yang berubah di lingkungan sekitar? Asumsi apa yang ternyata salah? Data baru apa yang kita miliki? Bagian mana dari struktur yang terurai yang tidak lagi valid? Dengan mengajukan dan menjawab pertanyaan-pertanyaan ini secara sistematis, tim dapat menghindari sikap keras kepala dalam berpegang pada dekomposisi yang elegan tetapi tidak efektif.

Dukungan perangkat lunak dapat membuat penyempurnaan berulang ini jauh lebih efisien.Alat seperti BSC Designer atau platform manajemen strategi serupa memungkinkan Anda untuk memelihara struktur hierarki tujuan, metrik, inisiatif, risiko, dan hipotesis. Anda dapat menetapkan bobot pada sub-tujuan yang mewakili kepentingan relatifnya bagi para pemangku kepentingan, dan menyesuaikan bobot tersebut seiring Anda mempelajari lebih lanjut dari data.

Alat bantu praktis untuk dekomposisi tujuan dan metrik.

Perangkat lunak khusus untuk eksekusi strategi dan pembuatan kartu skor membantu mengoperasionalkan semua hal yang telah dijelaskan sejauh ini.Alih-alih menyimpan uraian Anda dalam slide atau spreadsheet, Anda mempertahankan struktur langsung yang menghubungkan tujuan, pemangku kepentingan, metrik, dan inisiatif.

Beberapa fitur praktis yang mendukung dekomposisi berbasis "apa" meliputi::

• Profil atau tampilan yang hanya menampilkan kolom-kolom penting untuk dekomposisi: nama tujuan, indikator, inisiatif, bidang pemangku kepentingan, satuan ukuran, dan bobot.
• Pembuatan tujuan dan sub-tujuan baru dengan cepat (misalnya, pintasan keyboard untuk menambahkan item pada level yang sama atau level berikutnya).
• Kolom khusus untuk inisiatif, risiko, dan hipotesis, dengan ikon atau penanda untuk membedakannya.
• Memberikan komentar pada setiap elemen untuk mendapatkan wawasan tentang asumsi, kendala, atau umpan balik dari pemangku kepentingan.
• Kolom bobot pada tab kinerja digunakan untuk mewakili kepentingan relatif dari sub-tujuan.

Pemberian bobot sangat berguna terutama ketika para pemangku kepentingan memiliki banyak kebutuhan yang saling bertentangan tetapi sumber daya yang terbatas.Setelah melakukan percobaan awal, Anda dapat menetapkan bobot intuitif atau yang diperoleh secara analitis pada sub-tujuan seperti "kesiapan menghadapi biaya energi" versus "kesiapan menghadapi keterbatasan penggunaan energi", yang mencerminkan kepentingan relatifnya bagi kepemimpinan pada saat itu.

Otomatisasi juga dapat membantu dalam menentukan prioritas.Setelah Anda memiliki metrik nilai dan bobot relatif, kerangka kerja prioritas sederhana atau model optimasi yang lebih canggih dapat membantu memutuskan ke mana harus mengalokasikan anggaran dan perhatian. Namun, kualitas keputusan ini bergantung pada seberapa baik dekomposisi Anda mencerminkan nilai pemangku kepentingan yang sebenarnya dan seberapa ketat Anda mempertahankan definisi dan pertanyaan-pertanyaan yang Anda ajukan.

Dalam semua hal ini, keamanan tidak boleh menjadi hal yang diabaikan.Saat Anda mengumpulkan, mengintegrasikan, dan mengukur informasi sensitif tentang operasi, risiko, dan kinerja, layanan keamanan siber harus melindungi integritas, ketersediaan, dan kerahasiaan data. Jika seseorang dapat mengubah data yang mendasarinya atau logika perhitungannya, semua metrik yang telah Anda uraikan dengan cermat menjadi tidak dapat diandalkan.

Pada akhirnya, kekuatan suatu keputusan tidak bergantung pada tampilan visual dasbor yang menarik, tetapi pada kemampuan Anda untuk menguraikan setiap metrik dan setiap tujuan menjadi komponen-komponen pentingnya.Ketika Anda dapat menjawab pertanyaan-pertanyaan spesifik tentang definisi, inklusi, eksklusi, transformasi, pemangku kepentingan, dan asumsi, Anda mengubah angka dari elemen dekoratif menjadi sinyal yang dapat dipercaya. Jika Anda tidak dapat melakukan itu untuk indikator tertentu, itu bukan alasan untuk menyerah; itu adalah isyarat bahwa metrik tersebut perlu didefinisikan ulang, direkonstruksi, atau bahkan dibuang agar benar-benar melayani tujuan nyata organisasi Anda.