Bandingkan kinerja metrik dari waktu ke waktu. Dukung keputusan berbasis data dengan analisis tren, varians, korelasi, dan tolok ukur.
Dalam perencanaan strategis, kita mengkuantifikasi tujuan agar lebih spesifik. Nilai absolut dari suatu metrik biasanya memberikan informasi terbatas. Untuk keputusan berbasis data, kumpulkan data untuk metrik tersebut dan gunakan alat seperti:
- Deteksi tren dan anomali
- Analisis varians
- Analisis periode komparatif
- Analisis korelasi
- Tolok ukur internal dan eksternal
Dalam artikel ini, kami akan membahas praktik terbaik untuk menggunakan alat analitis ini dan membagikan beberapa contoh untuk pengguna perangkat lunak BSC Designer.
Lacak Data Historis untuk Memungkinkan Analisis Tren dan Deteksi Anomali
Titik awal untuk analisis metrik adalah mengumpulkan data dari waktu ke waktu. Untuk memastikan pengukuran yang konsisten:
- Tentukan interval aktualisasi
- Tentukan metode pengukuran
- Tugaskan orang yang bertanggung jawab untuk merevisi indikator
Jika data sudah tersedia dalam sistem TI, pertimbangkan untuk mengatur pembaruan otomatis.
Saat mengumpulkan data historis, pastikan orang yang bertanggung jawab dapat mencatat komentar dan wawasan yang relevan, seperti: “Penjualan rendah bulan ini karena kantor terkena dampak cuaca ekstrem.”
Ketersediaan data historis memungkinkan penggunaan alat analisis lainnya seperti:
- Analisis tren
- Deteksi anomali
- Benchmarking
Ini juga merupakan prasyarat untuk analisis berbasis AI apa pun.
Dalam BSC Designer:
- Tugaskan orang yang bertanggung jawab melalui kolom Pemilik
- Tetapkan interval pembaruan untuk indikator melalui Editor Nilai
- Masukkan data secara manual atau otomatis
Metric Analytics: Practical Examples. - Visualisasikan data historis pada dasbor sebagai tabel data atau grafik waktu
- Aktifkan garis tren untuk visualisasi pada grafik
Metric Analytics: Practical Examples. Analisis Varian (Realisasi vs. Harapan)
Dalam perencanaan strategis, kita biasanya fokus pada tujuan peningkatan. Dari perspektif pengukuran kinerja, kita mengharapkan kondisi saat ini dari sebuah metrik untuk berubah, idealnya mencerminkan peningkatan.
Untuk menerapkannya, kita mendefinisikan garis dasar dan target untuk metrik tersebut, menciptakan skala pengukuran kinerja. Nilai saat ini kemudian dianalisis pada skala ini, yang juga disebut sebagai normalisasi.
Setelah semua metrik pada kartu skor dinormalisasi, mereka menjadi dapat dibandingkan. Misalnya, angka penjualan absolut dari kantor regional kecil dan kantor yang berbasis di pusat keuangan mungkin tidak dapat dibandingkan, tetapi dengan menormalkan data penjualan menggunakan target yang ditetapkan untuk setiap kantor, kita membuat mereka dapat dibandingkan. Kita akan menggunakan normalisasi nanti saat membahas analisis benchmarking.
Dalam BSC Designer:
- Masukkan nilai saat ini, garis dasar, dan target pada tab Data
- Tentukan rumus optimasi pada tab Kinerja
Analitik Metrik: Contoh Praktis. Alat ini akan menghitung kemajuan untuk indikator tersebut.
Dalam beberapa kasus, dua skala untuk normalisasi diperlukan. Dalam BSC Designer, beralihlah ke tab Data dan nonaktifkan “Mode Sederhana” untuk mengaktifkan tambahan bidang “Min” dan “Max”. Ini memberikan dua skala untuk normalisasi: min-maks dan garis dasar-target. Alat ini akan menghitung baik “kinerja” maupun “kemajuan.”
Analisis Periode Komparatif: Bulan-ke-Bulan, Tahun-ke-Tahun
Pendekatan lain untuk menganalisis data historis adalah analisis periode komparatif, yang membantu untuk:
- Mendeteksi tren
- Melacak tingkat perubahan
- Memahami efek musiman
Alih-alih melihat catatan data diskrit, kelompokkan data berdasarkan periode, seperti bulan, kuartal, atau tahun, untuk melacak perubahan dari waktu ke waktu.
Sebagai contoh, ketika menganalisis lalu lintas situs web bulan-demi-bulan, tren mungkin tidak terlihat, tetapi mengelompokkan data berdasarkan tahun dapat mengungkapkan tren positif atau negatif.
Metode pengelompokan data tergantung pada sifat data dan konteks pengukuran:
- Metrik seperti “tingkat kepuasan pelanggan” perlu dirata-ratakan
- Metrik seperti “penjualan bulanan” perlu diringkas
Jika Anda tertarik mendeteksi anomali, metode pengelompokan mungkin diubah menjadi:
- Nilai minimum, atau
- Nilai maksimum
Dalam BSC Designer:
- Atur tipe pengelompokan indikator melalui kontrol “kelompokkan menurut” di Editor Nilai
- Tampilkan kolom “Dinamis” dalam tabel KPI, laporan, atau pada peta strategi
- Gunakan kontrol “kelompokkan menurut” pada tab KPI, tab Dasbor, dan dalam dialog Laporan untuk mengubah periode pengelompokan untuk data yang divisualisasikan
Analitik Metrik: Contoh Praktis. Analisis Korelasi dengan AI
Setelah Anda memiliki data historis untuk berbagai indikator, Anda dapat melanjutkan ke analisis korelasi. Ini dapat dilakukan secara manual dengan meninjau data atau menggunakan AI untuk mengidentifikasi kemungkinan korelasi antara indikator.
Untuk analisis manual, visualisasikan dua atau lebih metrik pada grafik yang sama. Dalam BSC Designer, Anda dapat melakukannya dengan memilih beberapa indikator sebagai sumber data.
Analitik Metrik: Contoh Praktis. Untuk analisis yang didukung AI, berikan AI informasi kontekstual dan data untuk metrik, dan minta untuk mengidentifikasi kemungkinan korelasi.
Pastikan untuk menerapkan pemikiran kritis terhadap hasil analisis ini, karena korelasi tidak berarti kausalitas.
Untuk menggunakan analisis korelasi dalam BSC Designer:
- Beralih ke tab AI
- Mulai obrolan baru dengan memberikan data kinerja ke AI
- Minta untuk menemukan KPI yang mungkin berkorelasi
Berikut adalah contoh permintaan untuk AI:
Anda adalah analis data AI yang ditugaskan untuk melakukan analisis korelasi komprehensif pada Kartu Skor Berimbang yang mengandung berbagai indikator kinerja utama (KPI) di berbagai perspektif. Tujuannya adalah untuk memahami hubungan antara indikator ini guna menginformasikan pengambilan keputusan strategis.
Instruksi:
– Fokus pada rentang data tahun lalu
– Hitung koefisien korelasi Pearson untuk setiap pasangan metrik.
– Jika data tidak terdistribusi normal, gunakan koefisien korelasi peringkat Spearman.
– Tentukan signifikansi statistik dari setiap koefisien korelasi.
– Gunakan tingkat signifikansi 0,05 (interval kepercayaan 95%)
– Soroti pasangan indikator dengan koefisien korelasi di atas 0,7 atau di bawah -0,7
– Berikan interpretasi mendetail dari korelasi signifikan yang diidentifikasi dan alasan kemungkinan untuk hubungan ini berdasarkan konteks bisnis.
– Ajukan hipotesis yang dapat diuji dengan analisis atau eksperimen lebih lanjut.
Analitik Metrik: Contoh Praktis. Benchmarking atau Analisis Kinerja Relatif
Benchmarking berguna ketika metrik yang sama digunakan di seluruh domain bisnis. Mungkin ada:
- Standar industri atau metrik praktik terbaik (misalnya, “Margin laba kotor” atau “Skor Promotor Bersih”)
- Metrik yang digunakan untuk mengevaluasi persaingan (misalnya, “Pangsa pasar” atau “Lalu lintas situs web”)
- Metrik internal yang digunakan di seluruh departemen (misalnya, metrik dalam evaluasi atau kartu skor vendor)
Dari sudut pandang pengukuran, faktor kunci keberhasilan dalam analisis kinerja relatif adalah mendefinisikan dan menjaga standar pengukuran. Sementara itu realistis untuk metrik internal, untuk metrik eksternal kita perlu menerima margin kesalahan yang lebih tinggi. Bahkan metrik klasik seperti “% pelanggan yang merekomendasikan produk kami” dapat bervariasi secara signifikan di seluruh perusahaan tergantung pada konteks pertanyaan.
Dalam BSC Designer:
- Buat satu set template KPI atau kriteria evaluasi
- Propagasi (salin dan tempel) KPI untuk mewakili berbagai departemen internal atau pesaing
- Gunakan grafik “Seri” pada dasbor untuk memvisualisasikan data berdasarkan kriteria evaluasi dan membandingkan kinerja total setiap tolok ukur
Analitik Metrik: Contoh Praktis. Kami telah membahas contoh yang lebih spesifik dan praktik terbaik untuk mengukur seri data dalam diskusi kami tentang evaluasi kartu skor.
Merumuskan Wawasan yang Dapat Ditindaklanjuti
Tujuan utama dari analisis data kinerja adalah untuk menemukan wawasan yang dapat digunakan untuk merumuskan hipotesis strategis yang lebih baik.
Prinsip umum untuk merumuskan wawasan ini:
- Rujuk pada data yang memicu wawasan
- Verifikasi sumber dan analisis konteksnya, karena data apa pun dapat secara tidak sengaja bias
- Lakukan analisis akar penyebab untuk lebih memahami wawasan
- Selaraskan wawasan dengan strategi yang ada untuk mendukung tujuan, memenuhi kebutuhan pemangku kepentingan, mengurangi risiko, dan lainnya.
- Ingat, wawasan adalah hipotesis yang perlu divalidasi sebelum ditingkatkan. Perlakukan sesuai dengan mengidentifikasi metrik terkemuka dan tertinggal yang relevan dan menetapkan eksperimen.
Dalam BSC Designer:
- Pada tahap awal, catat wawasan sebagai komentar untuk tanggal tertentu dari KPI yang dipilih
- Pada tahap selanjutnya, pindahkan wawasan ke dalam kartu skor fungsional atau strategi untuk mengembangkannya lebih lanjut
Metric Analytics: Practical Examples. Ringkasan Analisis Kinerja dalam Perencanaan Strategis
- Mendefinisikan metrik kinerja dalam konteks strategi yang dirumuskan dan kebutuhan pemangku kepentingan.
- Melacak data kinerja untuk indikator dari waktu ke waktu.
- Menggunakan alat analisis yang dibahas di atas untuk menghasilkan wawasan.
- Merumuskan hipotesis baru dan wawasan yang dapat ditindaklanjuti.
- Memvalidasi hipotesis dalam praktik; memperbarui strategi dengan masukan baru.
Alexis Savkin adalah seorang Arsitek Strategi dan pendiri BSC Designer, sebuah platform perangkat lunak pelaksanaan strategi dengan Kartu Skor Berimbang sebagai inti utamanya. Ia membantu organisasi menerjemahkan strategi menjadi tujuan yang terukur, KPI, dan inisiatif. Alexis adalah pencipta Kanvas Pelaksanaan Strategi, penulis lebih dari 100 artikel tentang strategi dan pengukuran kinerja, serta pembicara tetap.