I dati mancanti non sono scarsa performance

Prima di chiedere a un team di ingegneria di spiegare un punteggio basso, verifica se la scorecard disponeva di evidenze sufficienti per valutare il suo lavoro. Un risultato complessivo può sembrare autorevole anche quando mancano parti importanti del quadro. Se queste lacune vengono conteggiate come scarsa performance, il team finisce per rispondere dei limiti della misurazione.

Un risultato basso supportato da buone evidenze può giustificare un'analisi più approfondita di come sta lavorando il team. L'assenza di evidenze richiede un passo successivo diverso: comprendere la lacuna prima di trarre una conclusione sulla performance. Questa distinzione dovrebbe essere visibile prima che il punteggio raggiunga una riunione di leadership.

Parti da ciò che è effettivamente noto

Considera un team ipotetico la cui scorecard include delivery, qualità e ripristino da incidenti. Ci sono evidenze utili su delivery e qualità, ma nessun dato utilizzabile sul ripristino per il periodo. Forse la fonte degli incidenti non è stata collegata. Forse il team non ha avuto incidenti qualificanti. Queste situazioni richiedono spiegazioni diverse, e nessuna delle due ci fornisce un tempo di ripristino misurato.

Se la scorecard inserisce uno zero per il ripristino, il risultato complessivo del team scende a causa di qualcosa che non siamo riusciti a valutare. Un leader potrebbe chiedere al team di migliorare il suo processo di ripristino senza prima stabilire che ci sia effettivamente un problema. La dashboard ha trasformato una lacuna nelle proprie evidenze in lavoro per qualcun altro.

Escludere la dimensione non disponibile evita questo particolare errore. Ma il punteggio rimanente ha comunque bisogno di contesto. Descrive le dimensioni che siamo riusciti a valutare. Se le evidenze sul ripristino diventano disponibili il mese successivo, il punteggio complessivo potrebbe cambiare in parte perché la valutazione ora copre una porzione maggiore del lavoro del team. Leggere quel movimento come miglioramento o declino senza verificare la copertura creerebbe un'altra conclusione fuorviante.

La copertura appartiene accanto al risultato

Una scorecard utile dovrebbe rendere i propri limiti facili da vedere. La copertura ci dice quali dimensioni, team e periodi sono rappresentati. La confidenza ci aiuta a giudicare quanto peso dare alla valutazione. La forza delle evidenze dovrebbe influenzare la forza della conclusione.

Ciò significa rendere visibili le dimensioni non disponibili come non disponibili, spiegando il perché dove possibile, e mostrando abbastanza contesto per comprendere cosa è confluito nel risultato complessivo. Il lettore non dovrebbe dover ricostruire la metodologia per scoprire questi limiti.

Significa anche essere cauti con i confronti. Due team possono avere lo stesso risultato complessivo pur avendo evidenze molto diverse a supporto. Uno può avere un'ampia copertura attraverso la valutazione. Un altro può avere una visione utile della delivery e pochissima visibilità altrove. Una classifica nasconde questa differenza e incoraggia un livello di certezza che le evidenze non supportano.

Riporta il punteggio al team

Quando rivedi il risultato con il team, lascia spazio affinché possano spiegare il lavoro che rappresenta.

Alcune domande utili sono dirette: Questo riflette il lavoro che stavate cercando di portare a termine? Quale lavoro importante manca? È cambiato qualcosa nel modo in cui i dati vengono acquisiti? Ci sono abbastanza evidenze qui per scegliere un miglioramento, o dobbiamo prima indagare?

Le risposte possono cambiare il passo successivo. Un team può identificare un problema reale nel modo in cui il lavoro passa attraverso la revisione, o spiegare che una parte importante del lavoro si trova al di fuori delle fonti collegate. Questo contesto aiuta il leader a capire se c'è un miglioramento da apportare, piuttosto che rimanere bloccato in una discussione sul fatto che il numero sembri giusto o meno.

C'è ancora accountability in questo approccio. Dove le evidenze supportano una preoccupazione, concordate sul problema, scegliete un'azione e decidete come rivedere il risultato. Dove la copertura è debole, decidete se colmare la lacuna migliorerebbe una decisione effettiva. Raccogliere più dati ha un costo, e una dashboard più completa non vale automaticamente quel costo.

Mantieni chiaro lo scopo della scorecard

Questo fa parte del ragionamento dietro Simyl Flow. Le dimensioni con dati assenti o con confidenza zero sono escluse dal calcolo dell'efficacia a livello organizzativo, piuttosto che essere conteggiate come zero. Le dimensioni disponibili contribuiscono al risultato. Questo impedisce che evidenze mancanti abbassino meccanicamente il punteggio di un'organizzazione, lasciando al contempo un'importante responsabilità a chiunque lo interpreti: comprendere cosa rappresenta il risultato.

Lo scopo è aiutare i team a migliorare i risultati e aiutare i leader ad avere conversazioni di coaching migliori. L'attività può fornire contesto, ma un conteggio di commit, ticket o commenti non può stabilire da solo se un team ha raggiunto ciò che contava. Trasformare segnali incompleti in una classifica di dipendenti porta la valutazione oltre quanto le evidenze possano supportare.

Una scorecard utile dovrebbe aiutare il team a concordare sul prossimo passo. Quando le evidenze sono incomplete, comprendere la lacuna può essere il giusto primo passo. Mantenere visibile questa incertezza rende più facile agire sui risultati abbastanza solidi da supportare una decisione.