数据指标/表现度量系统(Performance Measurement System)综述

表现度量系统

传统的定量管理学中,一直是采用单个混合指标或者财务指标(financial index,大多数称为财务度量,financial measurement)做决策,但主要的缺点就是滞后性以及无法管理细节被人诟病1

而真正的转变则是在1994年之后2,甚至,Neely等2等认为,商业表现度量已经称为一个价值百万的工业。这期间,很多表现度量系统(Performance Measurement System,PMS)被设计出来,其中最著名的就是平衡分数卡(Balanced Scorecard,BSC)。

BSC模型

BSC主要由Kaplan和Norton最早提出3,是现在被实践和讨论的最常见的PMS之一。其主要理念,是通过整合/削减指标最后成少数几个,来衡量几个维度的公司指标。

BSC主要讨论的四个维度的内容:

  1. 财务:对于股东而言我们运作地如何?

  2. 用户:是否满足内外部用户的需求?

  3. 内部商务过程:我们在关键的内部商务(亚)过程中表现如何?

  4. 学习和成长:我们是否有持续的创新、改变和提高?

四者的关系展示如下1

数据指标/表现度量系统(Performance Measurement System)综述_第1张图片

将这四个类别逐个形成「分数卡」后,标记每一个维度需要的目标,以及衡量是否达成的结果。一个简单的如下:

数据指标/表现度量系统(Performance Measurement System)综述_第2张图片

BSC的主要批评理由是4

  1. 人、供货商、竞争者并未纳入其中

  2. 学习和增长的指标长久以来被看做是最弱的

  3. 环境、社区、社会影响没有考虑

  4. 其中建立的推理并没有效果

  5. BSC似乎是一种静态指标

  6. 没有证据证明BSC可以提高表现

策略地图

策略地图(Strategy maps,SM)事实上是用Kaplan等用来将BSC转化成具体策略的工具4。事实上,SM是用图式方式表现指标和策略之间的关系。SM通常基于以下规则:

  1. 策略之间必须相互平衡;

  2. 策略需要有基本值组成;

  3. 价值必须又内部过程计算而来;

  4. 策略必须互相解释;

  5. 策略的合并必须决定无形资产;

无形资产可以划分成:人力资产、信息资产和组织资产。以下是一个简单的模板:

数据指标/表现度量系统(Performance Measurement System)综述_第3张图片

一个常见的策略地图的制定步骤为5

  1. 选择最重要的对象;

  2. 选择合适的命题;

  3. 决定以此而来的大体上的财务策略;

  4. 决定用户为主的目标;

  5. 决定哪些内部过程适合这些策略;

  6. 解释雇员和领导所需要的能力和技能去实现目标。

IC模型

智力资本模型(Intellectual Capital Model, IC)是第二代PMS模型的代表之一6,其考虑问题的是全球化经济增长中高科技公司对于PMS管理的需求。Jin Chen等援引子Bontis的观点认为,现在一共有四个度量系统实践较为活跃7

  • 人力资源核算(Human Resource Accounting,HRA)。HRA事实上是将「组织人员的经济价值核算在内」,现有的研究HRA的度量模型有:成本模型、HR价值模型、货币重点模型(monetary emphasis models)。但HRA的局限在于,该模型值探讨员工的个人价值,没有核算其和顾客、内部架构、合作文化和创新之类的内容。

  • 经济附加值(Economic value added,EVA)。EVA更类似于一个财务度量,其计算内容为「EVA = 净销售额 - 运营成本 - 税 - 资产值」。但EVA的缺点是显而易见的,它没有很清晰地展现IC的具体值。

  • BSC。之前介绍,在此不赘述。

  • IC-Navigator。

IC模型的特点是同时包含财务和非财务度量。基本思路是用分类方式来衡量公司的无形资产。一个综合的模型如下:

数据指标/表现度量系统(Performance Measurement System)综述_第4张图片

最近,Wen-Ying Wang等8对台湾IT行业的研究表明,这些资产之间的作用关系如下:

数据指标/表现度量系统(Performance Measurement System)综述_第5张图片

数据指标/表现度量系统(Performance Measurement System)综述_第6张图片

数据指标/表现度量系统(Performance Measurement System)综述_第7张图片

优秀的指标系统的标准

Paul等9认为好的指标系统包括以下24个原则:

  1. 和公司的目标、行为、人员、关键成功因子(Key Success Factor)相一致;

  2. 与战略相关且可以执行;

  3. 容易解释;

  4. 不复杂;

  5. 客户驱动;

  6. 职能部门(functional departments)来整合;

  7. 适合组织的级别(适合运营的非财务指标和适合决策的财务指标);

  8. 适合外部环境(特别强调在复杂、非确定和竞争性领域对非财务指标的运用和在简单、稳定和弱竞争性环境下对财务指标的运用);

  9. 对组织水平和垂直合作的促进;

  10. 可计算性;

  11. 通过整合top-down和bottom-up两种模式的促进;

  12. 和组织各部们协商过;

  13. 可理解;

  14. (组织)认同;

  15. 现实;

  16. 和因子直接相关;

  17. 和行动直接相关,有因果推理;

  18. 关注管理资源和输入,不仅仅关注成本;

  19. 提供实时反馈;

  20. 提供行动相关的反馈;

  21. 不必增加的指标;

  22. 对个体和组织的学习有支持;

  23. 可以持续更新迭代;

  24. 当发现新的相关指标,可以替换。

参考文献


  1. Franceschini, F., Galetto, M., & Maisano, D. (2008). Management by Measurement (pp. 1–253). Springer. ↩
  2. Neely, A. D., Adams, C., & Kennerley, M. (2002). The performance prism: The scorecard for measuring and managing business success. ↩
  3. Kaplan, R. S., & Norton, D. P. (1996). The Balanced Scorecard. Havard Business Press. ↩
  4. Wu, H.-Y. (2012). Constructing a strategy map for banking institutions with key performance indicators of the balanced scorecard. Evaluation and Program Planning, 35(3), 303–320. http://doi.org/10.1016/j.eval... ↩
  5. Scholey, C. (2013). Strategy maps: a step‐by‐step guide to measuring, managing and communicating the plan. Journal of Business Strategy, 26(3), 12–19. http://doi.org/10.1108/027566... ↩
  6. Paranjape, B., Rossiter, M., & Pantano, V. (2013). Performance measurement systems: successes, failures and future – a review. Measuring Business Excellence, 10(3), 4–14. http://doi.org/10.1108/136830... ↩
  7. Chen, J., Zhu, Z., & Xie, H. Y. (2013). Measuring intellectual capital: a new model and empirical study. Journal of Intellectual Capital, 5(1), 195–212. http://doi.org/10.1108/146919... ↩
  8. Bontis, N., Wu, S., & Wang, W. Y. (2005). Intellectual capital and performance in causal models: Evidence from the information technology industry in Taiwan. Journal of Intellectual. ↩
  9. McMann, P., & Alfred, J. J. (1994). Is your company really measuring performance? Management Accounting, 76(5). ↩

你可能感兴趣的:(大数据,数据分析,数据)