1. 问题
我们首先要提出一个观点，在企业工作中，不以“效益”为目标的工作都是耍流氓。不论是日常工作安排，还是长远的技术规划布局，不论是产品的生产，还是人员的培训，在企业里其最终落脚点都应是“效益”。而效益，则必须以量化的方法加以度量，否则就无法客观准确衡量其价值。
如何量化工作，在现今的企业中是实际存在的问题，很多企业和企业中的管理者包括基层员工，都不具备量化思想和思路。这导致我们经常在工作中能看到一些令人啼笑皆非的现象。
- 在企业绩效管理中，我们经常发现自己被不断的“定性评价”。比如一个绩效指标是工作完成情况。那么工作完成得好还是不好？如果“完成得好”应该如何定义？
- 在技术应用的领域中，很多项目只是出于追赶潮流的目的而进行技术升级，然而却缺乏有效的手段去衡量技术所带来的价值。
- 在个人工作范畴内，如何向领导展示自己的工作业绩和成果？我们的个人汇报常常流于“记流水账”，缺乏亮点，也缺乏说服力。
如果一件工作你永远都找不到一个量化它产生价值的方法，那我们可以说这件工作没有什么价值。有些人可能会质疑这种观点，他们经常会举例说司机、清洁工或者是厨师，他们的工作怎么量化，我就问他们，那他们工作主要目的是什么?你会说：提供服务啊!那就对了。既然是提供服务是他们的主要工作目标，那就可以用满意度指标来度量，这样不就是量化了吗?
对于软件测试工作来说也存在着难以量化的问题，测试最直观的量化数据是测试执行量和缺陷数量。这两个数据能够体现出一定的价值，但又不能客观的反映出所有的测试工作量和价值。但是测试工作应该被量化，如果无法直接量化，则应该采取间接量化，指标转换的方法来实现量化度量。
2. 指导思想
我们将SMART原则做为指导我们量化工作的思想。
SMART原则：
Specific-明确的
事务目标必须明确，不能过于笼统。
如：加强内部培训，提高团队水平？如何加强？如何提高？
Measurable-可衡量
应该有一组明确的数据，作为衡量是否达成目标的依据。
如果制定的目标没有办法衡量，就无法判断这个目标是否实现。
如：通过内部培训，使人员技能水平得到提升？
Attainable-可达成
目标是要能够被执行人所接受的，当前组织技术水平可达到的。
Relevant-相关的
目标的相关性是指实现此目标与其他目标的关联情况。
如果实现了这个目标，但对其他的目标完全不相关，或者相关度很低，那这个目标即使被达到了，意义也不是很大。
Time-Bounded-有时限的
目标特性的时限性就是指目标是有时间限制的。
- 可以看到，遵循SMART原则，可以让我们的事务组织，工作规划更为明确，可度量。从而避免事务交代模糊，结果流于定性判断。
3. 案例
案例1：量化目标管理
企业中流行着一种事务管理办法，OKR法。
OKR工作法意为 Objective, Key Result，被广泛应用谷歌、领英等顶级公司，既适用于大型公司，也适用于小团队。
通过阶段性明确工作目标（O-Object），并使用关键性度量来衡量结果（KR-Key Result）。其中的关键就在于KR的可量化衡量，否则目标管理就是一句空话。
我们来对比一下量化之前和之后的OKR：
定性目标：
O：高效的完成测试工作
KR：测试工作按计划完成，工作成果得到领导认可
定量目标：
O：高效的完成测试工作
KR1：A模块测试用例200条全部执行完成
KR2：缺陷泄漏量为0
KR3：工作进度偏离低于10%
案例2：量化的技术效益
我们以自动化测试技术的应用为例。
大家都在谈论测试自动化技术如何能提升测试团队效率，解决难点问题，解放测试人员。然而，如何去判断测试自动化技术能否真的实现这些目标？
我们可以用量化的公式来衡量自动化测试的效益：
- 自动化收益=全手工测试成本–自动化首次成本–自动化维护成本
- 全手工测试成本=分析成本+设计成本+测试次数X执行成本
- 自动化首次成本=分析成本+设计成本+自动化搭建成本+编写成本+执行成本
- 自动化维护成本=维护次数X单次维护成本
解读：
- 所需测试次数越多，自动化收益越高
- 重复测试的需求越低，自动化收益越低，并且可以为负值
- 自动化维护次数越多，自动化收益越低
所以自动化测试能否节约成本，需要充分调研，用数据说话。
案例3：个人简历量化体现
很多人的个人简历缺乏亮点，难以获得用人单位的青睐。特别是对于资深的工程师，自动化测试工程师，管理人员而言。如何让简历能够从众多求职者中脱颖而出？
量化！就是非常好的方法。
我们可以采用STAR（Situation, Task, Action, Result）的方法来重新组织个人简历。如下所示：
其中在Result部分的数据，就是这段项目经验的最大亮点。
综上，量化的思想应该贯穿于我们的工作当中，成果可量化，过程可量化，才能更好的规划自己的工作，并且体现个人业绩和价值。
欢迎来到testingpai.com！
注册 关于