我们有时会认为数据科学、机器学习和人工智能是如此新的和复杂的技术，以至于它们不能用目前商业中的最佳实践来管理规划和目标设定。

我们经常从我们的人工智能研究人员和数据科学家那里听到以下说法：

1. “这是个创造性的项目，我们不能承诺什么，谁知道我们会发现什么。”
2. “人工智能是迭代的，我们需要使用为期两周的精益方法论。”
3. “人工智能不能急于求成，我们不能为交付设定一个任意的时间限制。”
4. “我正在做一些非常前沿的事情，我不能使用我的分析平台的工具。”

虽然这些评论有一定的合理性，而且人工智能和机器学习是新的和实验性的，但最好的团队已经学会了以下几点：

1. 虽然创建人工智能应用是一个创造性的和不可预测的过程，但仍然可以通过最佳实践来改进。
2. 由约翰-多尔（John Doerr）宣扬并由谷歌和许多其他高科技创业公司实施的目标和关键结果（OKR）实践是灵活的，可以适应AI和数据科学项目的可变性。
3. OKR 与精益开发实践配合得很好，有助于指导它们，而不是取代它们。
4. OKR 将人工智能和数据科学直接与公司的目标和目的联系起来，并使它们保持一致，从而使产生的产品受到高级管理层的重视。

MBO 和 OKR 简介

在20世纪50年代，彼得-德鲁克提出了 “目标管理 “或MBO的概念，MBO是一种简单的管理工具，用来解决美国公司自上而下的等级管理结构的一些缺陷，这种结构在制造业和流程驱动的行业中是非常成功的，它们提供了更多的灵活性，并在各级管理层和员工之间建立了一致性，在20世纪50年代，它们是一种突破。

到了1970年代，它们开始显示出它们的短板，MBO在那些因为技术而迅速变化的行业中并不那么有用。而且，对于需要不断变化的技能来参与这些行业的员工来说，它们的激励作用不大。

通过建立与报酬挂钩的具体目标，MBO变得风险很大，而且毫不奇怪，员工往往会给自己的目标打折扣，员工们会设定较低的目标，这样他们就可以确保达到他们的奖金，而经理们知道这一点，就会推动设定更难的目标，这将导致目标变得不切实际和令人沮丧，目标也会变得如此具体和可衡量，以至于它们变得很脆，没有生命力，没有激励性。

MBO也可能鼓励非常糟糕的行为，例如，在20世纪70年代，当福特公司的工程师为Pinto汽车优化重量和燃油效率而不是安全性时，结果是一辆廉价的、经济的汽车，其油箱可能在轻微的追尾碰撞中爆炸。最近，富国银行激励银行家为每个客户开设尽可能多的账户，因为奖金与这一目标挂钩，银行家们的反应是在未经客户允许的情况下开设新的账户， 目标被 “实现 “了，但行为被激励到了不利于企业成功的方向。

OKR 的诞生

20世纪70年代，时任英特尔公司首席执行官的安迪-格鲁夫（Andy Grove）开始对MBO概念进行调整，并开发了一种他称之为OKRs的技术–目标和关键结果。它与MBO过程中设定的目标相似，但它有几个重大改进：

1. 它们是鼓舞人心的：OKRs将 “目标 “与 “关键结果 “分开，后者是非常具体和可衡量的，这使得员工在对可衡量的结果负责的同时，可以有更大的梦想。
2. 他们鼓励成就感而不是完美：与MBO不同的是，OKRs要么实现，要么失败，当它们只完成了70%时，就被认为是成功的。 100%完成OKR可能意味着该OKR没有被定义为足够的挑战。
3. 他们是透明的：员工们将他们的OKR打印出来并张贴在办公室的门上，或者以电子方式分享。这使员工了解到他们的老板和老板的老板以及他们的同僚所关心的事情。这有助于使公司保持一致。
4. 他们鼓励团队工作：OKRs不直接与报酬挂钩，所以员工感到更有权力和动力去承担经过计算的风险，并与其他人合作，帮助他们实现OKRs。实现你的OKRs是高风险的，但是为了个人的骄傲和团队的成功，而不仅仅是为了个人的荣誉或报酬。
5. 他们是灵活和敏捷的：OKRs每个季度都会被设定和评估，这使得他们可以随着业务和市场的变化而迅速修改。

用于人工智能和数据科学的 OKR 的一个例子

作为一个用于人工智能和数据科学的 OKR 的案例，假设你有一个分析小组，该小组刚刚开始生产模型，有五个高级分析研究员。你，作为团队领导，可能会提出这样一个OKR：

数据建模

目标：制作一个人工智能应用程序或预测模型，为公司创造可识别的新收入

KR1：与5个产品部门的3名业务代表会面，了解他们的问题，并向他们介绍人工智能或预测模型可以为他们做什么。
KR2：在遵守现有隐私政策的前提下，获得用户角色定义的对所有相关内部数据集的访问。
KR3：按时向一个业务部门交付5个模型 这些模型是由业务部门要求的，其要求也是由业务部门批准的。

数据使用/访问

目标：我们让员工能够使用数据工作
KR1：X名员工了解了我们的数据结构和我们使用的可视化工具。
KR2：100%的关键业务指标都被记录在数据目录中。
KR3：所有开放的商业智能任务都被记录为用户故事，并根据业务需求进行优先排序。
KR4：非BI团队成员已经创建了X个报告

数据质量管理

目标：我们用最高质量的数据支持公司的发展
KR1：100%的ETL工作在失败时有积极的错误处理
KR2：X个业务关键用例有运行的数据测试模式
KR3：公司范围内的数据质量管理仪表盘已被部署

项目优先级

目标：我们通过使数据的可访问性来支持公司的经济杠杆
KR1：在每日/每小时/实时的基础上创建所有营销成本的透明度
KR2：报告发现了 XX 万元的新收入潜力

这些 OKR 不会捕捉到你的小组在某一季度完成的所有任务，但它确实代表了最重要的关键举措。

如果其他目标对公司至关重要，也可以添加进去，比如：”所有欺诈模型的假阴性率不超过0.1%”，但是，你不应该有超过5个目标或任何目标的超过5个关键结果。

我们做了这些OKR的例子来启发你，更多OKR案例，可以访问OKR知识社区的千套OKR案例库。你可以使用这些例子，并在此基础上创建你自己的，制作你自己的OKR，你可以设定更适合你需求的目标，目前的OKR例子可以帮助你避免公司最常犯的OKR错误。

寻找人工智能 OKR 的十个地方

当为你的数据科学或人工智能团队创建目标时，考虑选择其中的一些指标，并根据你的团队和业务对其进行调整：

• 自动化 – 部署一个模型的时间，更新一个模型的时间，创建和验证一个模型的时间，存在模型管理系统，模型更新的自动化
• 可解释性 – 批准用于业务的模型数量，实际部署用于业务的模型数量，满足GDPR对模型可解释性的要求，高级管理层可以解释模型的一些关键部分
• 数据访问 – 对数据湖的访问，对数据仓库的访问，隐私控制，安全控制，用户角色限制，新数据资产的目标和获取
• 数据质量 – 为检测、报告和跟踪数据缺陷建立的报告机制，数据科学团队检测到的数据缺陷的数量，质量反馈给数据组
• 数据理解 – 对数据意义的错误解释，数据管理员的培训，元数据和数据科学统计之间发现的不匹配
• 特征重用 – 寻找和评估重用模型的能力，多次使用的特征百分比
• 模型重用 – 寻找和评估重用模型的能力，被多次使用的模型的百分比
• 规模 – 审查平台，报告模型创建和模型部署的可扩展性，处理正常10倍的峰值负荷的能力
• 业务流程 – 提出并接受商业案例，详细说明预期价值/收入，预测预期成本
• 业务一致性 – 在内部使用净促进分数，看你自己的内部部门是否对你的 “产品 “满意并会向其他人推荐。企业实际部署的已完成模型的百分比

还有许多其他目标可以应用于人工智能、机器学习和数据科学，这将取决于你的团队的成熟度有多高（新生还是成熟？）以及你的组织的特定目标（你的任务是更多的研究还是纯粹的业务？关键是要开始行动。

通常情况下，OKR 作为一个概念被介绍给所有参与方，通过2个小时的演示，并制定了一个在本季度内测试的计划，在季度末，你可以决定是否要继续、取消或修改你的OKR流程，如果你继续的话，你在前几个季度的 OKR 将是将 OKR 过程本身正式化并加以改进。

OKR 是强大的管理工具

OKR 的实践是强大的，并且已经被5人以上的团队和超过6万名员工的公司反复证明，它们的力量在于其简单性和灵活性。随着你的数据科学和人工智能团队的成长，你会发现它们是使你的努力富有成效，并使你的团队专注于企业的整体目标并保持一致的好方法。

上千家企业使用 Tita 建立高绩效团队，改变他们的绩效、参与和发展方式，并取得业务成功！
2024精选上千套各行各业 《OKR案例库》 ，快速上手！
了解更多客户如何使用工具平台取得业绩增长,索取成功企业最佳落地一手资料，直观体验《新绩效一体化管理平台》，立即申请 《Tita 产品演示》 。