企业对销售人员的管理一直是一大难点，为此，很多企业都制定了形形色色的销售奖惩制度。但是，这些制度真的有效吗？运用统计学中画控制图的方法，就能帮我们找到问题的答案。


按照统计学理论，所有的数据都处于随机变动的状况，在一个稳定流程中，各个数据点的变化是基于大量随机因素而变化的，每一个特定因素只起了微不足道的作用。由于销售员整天与人打交道，工作中会出现很多的“利益攸关者”，也就有更多的不确定性和随机性。因此，销售经理如果纠结于“为什么这一周的销售额这么低”，或“为什么那一周的销售额可以做到那么高”这样的问题上，不仅劳民伤财，而且根本改善不了销售人员的销售业绩。也就是说，销售经理要想提高销售人员的业绩，就不应该考核他们为何每周或每月的销售额不同，而是要帮助他们提高“平均销售额”。

由此推及到管理者在做决定或制订行动计划时，不要基于单一的结果，或只是对两个结果进行简单比较，又或者只是简单询问为何两个结果不同；而要将结果数据放入控制图中加以分析——当控制图显示流程有改变时，找出引起改变的根本原因，而当流程稳定时，打消想问“为什么两个数字不同”的念头。

每个企业都会定义很多的关键绩效指标(KPI)来考评个人、部门或企业整体的业绩表现。 而企业通常都会在年尾对这些KPI进行评估并对下一年提出新的改进目标。在对KPI做改进的过程中，很多企业会采用很多的管理工具，如六西格玛， 精益（Lean）管理，SPC， 等等，这其中会用到很多的统计学原理来作为工具，但这不是本文要讨论的重点， 这里就不赘述了。笔者想从另外的一个角度来讨论在对KPI做改进的过程中往往会碰到的一些问题。


企业定义的KPI， 有些是非常显而易见的，如财务报表中的销售数字或利润数字。但有些改进指标如产品的合格率，客户服务的达标率，成本节约等等，就不是那么一目了然了。对这些指标负责的相关部门有否完成任务往往会引起企业内部的歧义，因为很多时候这会牵涉到奖金的分配。

比如有的企业为了节约成本，在年初成立了若干项目小组，分别对生产的各个环节进行成本的改进行动，并设立了目标。这本来是一个非常好的管理执行计划。到了年底总结的时候，每个小组会报告他们的成果。笔者曾经看到有个公司，如果把他们所有小组的成果（所节约的成本）相加，得到的金额已经大于或非常接近于公司的总毛利，这显然是不可能的。更让人抓瞎的是，有个公司每个分项指标都完成了，可整个公司的盈利指标却远未达标。

这并不是说这些项目小组在做“假账”，其实发生这样的状况是很普遍的。有时是项目的KPI范围没定义好，有时是局部的“改进”假象掩盖了整体性的问题。比如，一个项目小组是负责从上一财年的基础上降低设备的维修成本。

假如从公司的整体角度来说希望降低的是“绝对维修成本”： 即如上年维修成本是五百万，今年希望做到四百五十万，也据此编制了预算。但由于种种原因，项目小组的精力都集中在降低那些分项成本上， 如他们做到了提高维修效率（减低了维修的人工成本），从供应商处谈判得到了更低的配件价格（减低了采购成本），等等，而且他们也达标了。但是年底的账上显示全年的维修成本是五百六十万元，从预算的角度来说就是没达标。可能的原因是为了减低人工维修成本，从外面请来了顾问公司来做培训，而培训价格是个“天价”；配件价格是低了，但代价是必须一次性多买，于是有超过实际需要的备件躺在仓库里! 再比如一个项目小组负责降低质量成本，质量成本包括了检验成本，返工成本，报废成本， 客户退货成本， 等等。经过他们的努力，到年底，质量成本比上一财年降低了10%。虽然这个小组值得庆贺， 但如仔细分析他们为了降低质量成本所采取的行动就会发现，他们增加了不少组装的工序和辅助材料，而这部分的增加超过了质量成本的减少，只是这部分成本记录在了生产成本中而不在质量成本中了！

如果说上述例子还比较容易理解的话， 下面这个案例就不是那么显而易见了。

有家公司对他们的每一批次的产品都进行了合格率的检测。根据对上两个财年成百上千批次合格率的统计，他们的合格率的平均值是70.30%。公司领导显然对这样的成品率不满意， 于是投入了人力物力进行了改进成品率的工作。在所有的行动计划都完成后，第一批成品的合格率测试结果显示是71.23%，似乎真有提高。但他们的成品率真的提高了吗？你可能会说， 原来的70.30%是两年所有产品的平均合格率， 而现在只是一批，还很难下结论。

这其实很对。那假如他们是做了六批， 其平均值是71.23%，你的结论又会如何呢？假如测得的六批合格率的值是这样的：

72.1   69.0   74.3  71.2   70.1   70.7

虽然平均值是比原来高了，但你也许还是对宣布成品率提高行动有成果而感到“底气不足”。但假如那六批合格率的值是这样的：

71.3   70.7   71.6  72.0   71.1   70.7

现在，你是否会觉得“底气”足很多呢？因为同样的平均值71.23%， 但每批都高于原来的平均值。其实统计学上针对这样的问题有很完整的理论和计算，要得出合格率是否有改善，确实不能靠比较新做六批的平均值和原来的平均值来得出结论，还要看这六批合格率数值间的偏差的大小。一般需要至少做50批以上，再通过计算它们的平均值、偏差值等来证明出行动确实有成果。也就是统计学中的充分性证明。

在中国的传统文化中，常常会提到阴阳平衡。其实，在现代管理中， 我们处处会看到平衡的重要性。因为许许多多上文提到的KPI都是象天敌般“相克”的，比如要想大幅提高销售额，如果那产品对价格是很敏感的，就可以通过降价来到达目的， 但如此一来，毛利率就会下降；再比如，要想降低库存，就有可能会影响给客户的及时交货而降低客户满意度。所以上文中提到我们在对KPI的改善行动中不能顾此失彼，要同时兼顾到这些“天敌”间的平衡。 下表是一些KPI间的关系， 供参考。



要避免本文开头所述的那些问题，我们在选择改善KPI的行动方案时，要注意以下几个方面：

1．  对改进项目的范围有清楚明确的定义，范围既不可太大，也不能太小。

2．  针对局部改进的项目必须有整体的观念，就像打仗一样， 不能赢了一场战争而输了整个战役。

3．  对KPI做改善的时候，要制定详细的行动计划。这行动计划不仅要对该KPI有及时的测量，还要对会受到该KPI变化影响而有可能变化的其他参数进行测量，发现有异动，就要及时采取纠偏行动。

4．  对上述的测量结果，如发现有差于计划的现象，就要及时加以分析，找出根本原因，采取行动。

5．  用统计的方法对取得的结果进行充分性证明，以确保该KPI真正得到了改善。

6．  对被证明了的行之有效的改善行为要及时补充到流程文件中，使得今后这KPI不会又回到老路上，并能持续改善。

统计学是一门研究数据的科学，任务是如何有效地收集、整理和分析数据，探索数据内在的数量规律性，对所观察的现象做出推断或预测，直到为采取决策提供依据。对职业经理人来说，如果谈到统计学的概念，他往往会想到宏观经济学中的很多统计数字，如GDP、CPI等，但是能够真正自觉运用统计学的原理来做日常管理的，实践中却不多见。我们常常说要“透过现象看本质”，其实统计学的很多原理就是帮助我们“看本质”的有效工具。


笔者无意在这里引入深奥的数学统计模式，或是做统计学的培训，而是尽量用通俗的语言文字，用案例分析的方法来说明在管理中用数字说话的重要性，希望对管理者和被管理者都有启发：被管理者不要成为喊“狼来了”的那个孩子，而管理者能够在听到“狼来了”时分清真假。

其实如果注意一下，我们不难发现生活中处处有统计学。网上看到这样一个段子，大意是说，我有2万元，我邻居有100万，我们人均有51万；我住10平米，我邻居住400平米，我们户均居住面积达210平米。这虽然表达的是社会草根的一种“被平均”的调侃和无奈，却也表达了一个统计学的基本概念：平均值。

再举个例子，最近不同的调查机构出台了中国各大城市上下班来回出行时间的数字。以北京为例，笔者就看到了45分钟、52分钟、1.32小时等多种版本。且不论哪个版本最权威、最准确，网上的评论是一片负面的指责，批评统计不准确甚至说是“造假”。因为那些网友都是从自身的实际出发来评价的，很多人说他们的上班时间要超过3个小时，甚至更长。其实我们的相关部门如果能在公布这些数字的同时，同时公布他们的统计方法，就能很大程度上避免公众的质疑，这也就是我们常常说的管理透明化的重要性所在。因为这里就有统计学的另外一个重要概念：取样的样本。由于人口基数庞大，我们不可能去统计全北京所有上班族的上下班用时，而只能抽样。由于历史的原因，北京的许多单位，比如：大学、研究院等以前都建有宿舍，那些职工都住在单位附近，甚至就在一个大院里，如果我们在统计时大量从这样的目标人群中取样，显然是不能代表今天北京的实际情况的。而如果我们的决策层基于这样的结果去制定城市规划，其结果之糟糕也就可想而知了。

再拿上面的例子来说，在这里被统计的对象是“人”，那就会更增加了一个不确定因素。如果我们是在工厂里测量元器件的尺寸，我们至少还可以在一定程度上保证测量的可靠性。而人是“活”的，我们通常朋友聊天时说的上下班时间都是一个“大概”值，如“大约1小时”，至于是52分钟还是67分钟，就不会有什么区别了。再者，假如我们是通过随机在路上访问路人的方式来统计上下班的通勤时间，有时可能就会碰到被访者心情不同而给出不同答案的情形。假如那天被访者所坐的地铁正好出了故障而造成他迟到被单位罚款，心有怨气的他可能就会将抱怨转成故意将通勤时间拉长。以后我们将讨论一些实际管理中的例子来进一步说明统计学在人员管理中的重要作用。

路过