نوشتن OKR با هوش مصنوعی؛ هدف و نتیجه کلیدی

نوشتن OKR با هوش مصنوعی با تعریف تغییر مطلوب و شاخص قابل اندازه‌گیری شروع می‌شود. یک هدف باید جهت بدهد و نتیجه‌های کلیدی باید نشان دهند چه تغییری در پایان دوره رخ داده است. مدل می‌تواند هدف‌های مبهم را نقد و گزینه پیشنهاد کند، اما مقدار پایه، هدف عددی و مالک سنجش باید از داده واقعی شما بیاید.

تفاوت هدف، نتیجه کلیدی و فعالیت#

«راه‌اندازی مرکز راهنما» فعالیت یا تحویل است. «کاربر بتواند مسئله ساده را بدون انتظار حل کند» هدف کیفی است. «کاهش سهم درخواست‌های تکراری از مقدار پایه به مقدار مصوب» نتیجه قابل سنجش است. اگر این سه را یکی بگیرید، ممکن است پروژه انجام شود ولی مشکل کاربر باقی بماند.

در این مقاله یک تیم پشتیبانی فرضی را بررسی می‌کنیم. اعداد فقط آموزشی‌اند و گزارش عملکرد هیچ کسب‌وکاری نیستند. ابتدا مسئله را چنین تعریف می‌کنیم: کاربران برای تنظیمات ابتدایی درخواست تکراری می‌فرستند و پیدا کردن راهنما دشوار است. این تعریف نیز در پروژه واقعی باید با شواهد تأیید شود.

قبل از تولید OKR چه داده‌ای لازم است؟#

بازه زمانی، مسئله اصلی، شاخص موجود و روش جمع‌آوری را بدهید. مشخص کنید چه تیمی می‌تواند بر شاخص اثر بگذارد و کدام عوامل بیرون اختیارش هستند. اگر داده پایه ندارید، اولین دوره می‌تواند برای تعریف و اندازه‌گیری شاخص باشد؛ مدل نباید درصد رشد را از هیچ بسازد.

منظور از «درخواست تکراری» را بنویسید. آیا یک کاربر درباره همان مسئله دوباره پیام داده یا هر پیام درباره موضوع پرتکرار شمارش شده است؟ مخرج نسبت نیز مهم است: همه درخواست‌ها، درخواست‌های کاربران تازه یا فقط مسائل ابتدایی؟ بدون تعریف ثابت، دو گزارش قابل مقایسه نیستند.

نمونه OKR با داده کاملاً فرضی#

هدف آموزشی: «کاربران تازه مسائل ابتدایی خود را راحت‌تر حل کنند.» دوره نمونه شش هفته است. فرض می‌کنیم طبقه‌بندی درخواست‌ها قبلاً تعریف و بررسی شده و شاخص رضایت از نمونه قابل مقایسه به دست می‌آید. مقدارهای زیر پیشنهاد آموزشی‌اند و باید در کاربرد واقعی با ظرفیت و خط مبنا جایگزین شوند.

کنار این نتایج، معیار محافظ قرار دهید: کیفیت حل مسئله و رضایت نباید به خاطر بستن عجولانه پرونده افت کند. آزمون ده‌نفره مثال کوچک آموزشی است؛ آن را درصد موفقیت کل مشتریان معرفی نکنید. تعداد نمونه، تعریف موفقیت و محدودیت نتیجه باید در گزارش باقی بماند.

پرامپت آماده برای نوشتن OKR#

مسئله تیم، دوره، شاخص‌ها و ظرفیت را می‌دهم. یک هدف کیفی روشن و حداکثر سه نتیجه کلیدی پیشنهاد کن. برای هر نتیجه، تعریف شاخص، مخرج، مقدار پایه، هدف پیشنهادی، منبع و مالک سنجش بنویس. عددی که نداده‌ام نساز؛ آن را نیازمند داده علامت بزن. فعالیت‌ها را از نتیجه‌ها جدا کن. دو روش سوءبرداشت یا بهبود ظاهری شاخص را پیدا کن و معیار محافظ پیشنهاد بده. هدف عددی تا تأیید تیم قطعی نیست.

اگر پاسخ فقط فهرست کار داد، بگویید: «برای هر فعالیت توضیح بده چه رفتار یا نتیجه‌ای باید تغییر کند و آن تغییر را چگونه مشاهده کنیم.» این دور دوم، رابطه کار و اثر را آشکار می‌کند. ممکن است بعضی فعالیت‌ها به نتیجه مورد نظر وصل نباشند و از برنامه خارج شوند.

فعالیت‌ها را بعد از نتیجه طراحی کنید#

برای نتیجه یافتن راهنما، فعالیت‌های احتمالی می‌تواند بازنویسی عنوان‌ها، ساخت مسیر شروع و اصلاح جست‌وجوی داخلی باشد. انجام همه آن‌ها الزاماً لازم نیست. ابتدا مشکل واقعی را بررسی کنید و آزمایش کوچک طراحی کنید. از مدل بخواهید برای هر فعالیت فرضیه اثر و شاهد لازم را بنویسد.

در راهنمای OKR گوگل re:Work، هدف‌گذاری و سنجش نتیجه توضیح داده می‌شود. قالب این مقاله یک پیشنهاد عملی برای تیم کوچک است و نسخه رسمی یا الزام سازمانی آن راهنما نیست. روش امتیازدهی باید با تعریف نتیجه و توافق تیم هماهنگ باشد.

بازبینی دوره‌ای بدون عددسازی#

در هر بازبینی مقدار تازه، تاریخ اندازه‌گیری و تغییر روش را ثبت کنید. اگر برچسب‌گذاری درخواست‌ها عوض شده، کاهش سهم تکرار ممکن است از تغییر تعریف باشد. دوره قبل و بعد را با قرارداد یکسان مقایسه کنید یا محدودیت مقایسه را روشن بنویسید. AI می‌تواند اختلاف گزارش‌ها را پیدا کند، ولی داده گمشده را نباید پر کند.

از مدل بخواهید گزارش کوتاه شامل «وضعیت مشاهده‌شده، علت‌های احتمالی و اقدام بعدی» بسازد. علت احتمالی را به‌عنوان علت قطعی منتشر نکنید. کاهش درخواست ممکن است به تغییر تعداد کاربران یا فصل کاری مربوط باشد. برای ادعای اثر یک فعالیت، شواهد مناسب‌تری لازم است.

پایان دوره چه تصمیمی بگیریم؟#

پرسش پایان دوره فقط «به عدد رسیدیم؟» نیست. ببینید مسئله کاربر کمتر شده، کیفیت حفظ شده و روش سنجش پایدار مانده است یا نه. نتیجه‌ای که با تغییر مخرج بهتر شده ولی تجربه کاربر بدتر است، نیازمند بازنگری خواهد بود. آموخته‌ها و محدودیت‌ها را همراه با عدد نگه دارید.

برای تبدیل فعالیت‌ها به زمان‌بندی، برنامه‌ریزی پروژه و برای طراحی پرسش‌های بازخورد، پرسشنامه مشتری را بخوانید. یک مسئله محدود با شاخص موجود انتخاب کنید و پرامپت را در GPT Plus امتحان کنید؛ نسخه نهایی را با مسئول داده و تیم صاحب هدف تصویب کنید.