有意義な学習メトリックに取り組みを整合させる方法How can we align efforts to meaningful learning metrics?

ビジネス上の成果の概要に関するページでは、変換がビジネスに及ぼす影響を測定し通信する方法について説明しました。The business outcomes overview discussed ways to measure and communicate the impact a transformation will have on the business. 残念ながら、こうした成果の一部が測定可能な結果を生み出すまでに何年もかかかることがあります。Unfortunately, it can take years for some of those outcomes to produce measurable results. 役員会や経営幹部は、長期間にわたる 0% デルタを示すレポートでは満足できません。The board and C-suite are unhappy with reports that show a 0% delta for long periods of time.

学習メトリックは、長期的なビジネスの成果へと環流できる、中期的な、より短い期間のメトリックです。Learning metrics are interim, shorter-term metrics that can be tied back to longer-term business outcomes. これらのメトリックは、成長の思考様式と適切に整合し、回復性が高まるようにカルチャを位置付けるのに役立ちます。These metrics align well with a growth mindset and help position the culture to become more resilient. 学習メトリックは、長期的なビジネス目標に対して予想される進展不足ではなく、成功の早期メトリックを浮き彫りにするものです。Rather than highlighting the anticipated lack of progress toward a long-term business goal, learning metrics highlight early indicators of success. このメトリックは、失敗の早期メトリックも浮き彫りにします。これにより、プランについて学び、それを調整する絶好の機会が得られる可能性が高くなります。The metrics also highlight early indicators of failure, which are likely to produce the greatest opportunity for you to learn and adjust the plan.

このフレームワークにおける素材の多くと同様に、望ましいビジネス上の成果に最も適合する変革の過程に読者が精通していることが前提となっています。As with much of the material in this framework, we assume you're familiar with the transformation journey that best aligns with your desired business outcomes. この記事では、変換の過程ごとのいくつかの学習メトリックの概要を示し、概念について説明します。This article will outline a few learning metrics for each transformation journey to illustrate the concept.

クラウド移行Cloud migration

この変革では、IT 運用に重点を置きながら、コスト、複雑さ、および効率に焦点を当てます。This transformation focuses on cost, complexity, and efficiency, with an emphasis on IT operations. この変換の背後にある最も簡単に測定されるデータが、クラウドへの資産の移動です。The most easily measured data behind this transformation is the movement of assets to the cloud. この種類の変革では、デジタル資産は、仮想マシン (VM)、これらの VM をホストするラックまたはクラスター、データセンター運用コスト、システムを維持するための必要な資本コスト、および時間の経過に伴うこれらの資産の減価償却に基づいて測定されます。In this kind of transformation, the digital estate is measured by virtual machines (VMs), racks or clusters that host those VMs, datacenter operational costs, required capital expenses to maintain systems, and depreciation of those assets over time.

VM がクラウドに移動されるにつれて、従来のオンプレミスの資産への依存は軽減されます。As VMs are moved to the cloud, dependence on on-premises legacy assets is reduced. 資産の保守のコストも軽減します。The cost of asset maintenance is also reduced. 残念ながら、企業は、クラスターがプロビジョニング解除され、データセンターのリースの有効期限が切れるまでコスト削減を実現できません。Unfortunately, businesses can't realize the cost reduction until clusters are deprovisioned and datacenter leases expire. 多くの場合、減価償却サイクルが完了するまで、取り組みのすべての価値は実現されません。In many cases, the full value of the effort isn't realized until the depreciation cycles are complete.

財務諸表を作成する前に、必ず CFO または財務部門と足並みをそろえてください。Always align with the CFO or finance office before making financial statements. ただし、IT チームは一般に、消費される CPU、メモリ、ストレージに基づいて、各 VM の現在の金銭的コスト値と将来の金銭的コスト値を見積もることができます。However, IT teams can generally estimate current monetary cost and future monetary cost values for each VM based on CPU, memory, and storage consumed. 続いて、移行される各 VM にこの値を適用して、取り組みによる直近のコスト節約と将来の金銭的価値を見積もることができます。You can then apply that value to each migrated VM to estimate the immediate cost savings and future monetary value of the effort.

アプリケーションの刷新Application innovation

クラウド対応アプリケーションの刷新は主に、カスタマー エクスペリエンスのほかに、企業から提供される製品やサービスを消費しようという顧客の意欲に重点を置いています。Cloud-enabled application innovation focuses largely on the customer experience and the customer's willingness to consume products and services provided by the company. 変更の増分がコンシューマーや顧客の購買行動に影響するまでには時間がかかります。It takes time for increments of change to affect consumer or customer buying behaviors. ただし、アプリケーションの刷新のサイクルは、他の形の変革よりも大幅に短い傾向があります。But application innovation cycles tend to be much shorter than they are in the other forms of transformation. 従来のアドバイスは、影響を与えたい特定の行動の理解から始め、それらの行動を学習メトリックとして使用するべきだということです。The traditional advice is that you should start with an understanding of the specific behaviors that you want to influence and use those behaviors as the learning metrics. たとえば、e コマース アプリケーションでは、購入合計や追加購入がターゲットの行動になります。For example, in an e-commerce application, total purchases or add-on purchases could be the target behavior. 動画の企業では、動画ストリームの視聴時間がターゲットになり得ます。For a video company, time watching video streams could be the target.

顧客の行動メトリックは、外部変数の影響を受けやすいため、多くの場合、学習メトリックに関連する統計情報を含めることが重要です。Customer behavior metrics can easily be influenced by outside variables, so it's often important to include related statistics with the learning metrics. 関連する統計情報として、リリースの周期、リリースごとの解決されたバグ、単体テストのコード カバレッジ、ページ ビュー数、ページのスループット、ページの読み込み時間、その他のアプリ パフォーマンス メトリックなどがあります。These related statistics can include release cadence, bugs resolved per release, code coverage of unit tests, number of page views, page throughput, page load time, and other application performance metrics. それぞれが、コード ベースとカスタマー エクスペリエンスに対するさまざまな変化とアクティビティを示し、上位の顧客行動パターンに関連付けることができます。Each can show different activities and changes to the code base and the customer experience to correlate with higher-level customer behavior patterns.

データの刷新Data innovation

業界の変化、市場の混乱、製品およびサービスの変革は、数年かかることがあります。Changing an industry, disrupting markets, or transforming products and services can take years. クラウド対応のデータ刷新の取り組みにおいて、実験が成功の判断にとって重要になります。In a cloud-enabled data innovation effort, experimentation is key to measuring success. パーセントによる確率、失敗した実験の数、トレーニング済みモデルの数などの予測メトリックを共有することによって、透明性を確保します。Be transparent by sharing prediction metrics like percent probability, number of failed experiments, and number of models trained. 失敗は成功よりも速く累積します。Failures will accumulate faster than successes. これらのメトリックが落胆したくなるような内容の場合もありますが、経営陣はこれらのメトリックを適切に使用するために必要な時間と投資を把握する必要があります。These metrics can be discouraging, and the executive team must understand the time and investment needed to use these metrics properly.

反対に、データ ドリブン学習には、いくつかの肯定的なメトリックが関連付けられることがよくあります (異種データ セットの集中化、データ イングレス、データの民主化)。On the other hand, some positive indicators are often associated with data-driven learning: centralization of heterogeneous data sets, data ingress, and democratization of data. チームが将来の顧客について学習している間、実際の結果は今日生成されます。While the team is learning about the customer of tomorrow, real results can be produced today. 利用できる学習メトリックには、次のようなものがあります。Supporting learning metrics could include:

  • 使用可能なモデルの数。Number of models available.
  • 使用されたパートナー データ ソースの数。Number of partner data sources consumed.
  • イングレス データを生成するデバイス。Devices producing ingress data.
  • イングレス データの量。Volume of ingress data.
  • データの種類。Types of data.

さらに価値のあるメトリックは、結合されたデータ ソースから作成されるダッシュボードの数です。An even more valuable metric is the number of dashboards created from combined data sources. この数は、新しいデータ ソースによって影響を受ける現在の状態のビジネス プロセスを反映しています。This number reflects the current-state business processes that are affected by new data sources. 新しいデータ ソースをオープンに共有することによって、企業は、Power BI などのレポート ツールを使用してデータを利用し、増分的分析情報を生成して、ビジネスの変化を推進できます。By sharing new data sources openly, your business can take advantage of the data by using reporting tools like Power BI to produce incremental insights and drive business change.

次のステップNext steps

学習メトリックの整合が済んだら、それらのメトリックに対して遂行するビジネス ケースの構築を開始できます。After learning metrics are aligned, you're ready to begin building the business case to deliver against those metrics.