从绩效管理发展四个历程,看OKR的价值

绩效管理经历了从考勤、绩效考核、绩效管理到绩效使能的四大历程。随着时代发展,从泰勒的科学管理到德鲁克的目标管理,再到现代的OKR,强调从结果考核转向激发内在动机。OKR注重员工的自我驱动和创造性工作,成为绩效管理的新趋势。

7513bcca0342f301bcdbd973ae4015e4.png

绩效考核只是绩效管理的其中一步,那绩效管理怎么做?市场上有两种做法,一种是OKR,一种是KPI。从绩效管理发展的三个阶段,研究一下绩效管理发展的趋势。

自第一次工业革命以来,人类社会经历了蒸汽时代、电气时代、信息时代、人工智能时代。绩效管理大致也经历了四大历程:考勤——绩效考核——绩效管理——绩效使能

bd489ae4bcb7c4e248c49f87721b6c57.png

一、绩效管理0.0——考勤(蒸汽时代)

蒸汽时代,蒸汽机首次替代了手工业,实现了对农民的方方面面的改造。把农民变成了工人,改变了农民慢节奏的工作方式,要求所有人必须按时到工厂上班,不得迟到和早退。

以劳动投入时间作为衡量工人产出的主要标准,出勤天数就是工人的绩效


二、绩效管理1.0——绩效考核(电气时代)

经过蒸汽时代的洗礼,塑造了大批职业工人,一时间各地工厂林立,竞争加剧,摆在工厂主们面前的一个现实问题是:如何最大限度提高人们的工作效率,以赚取更大的价值?

这期间出现了一位影响至今的伟大人物,即科学管理之父泰勒

泰勒在管理钢铁公司时发现,搬运工一次可铲起1.6千克煤粉,而铲铁矿石则可一次铲起17千克,但优秀的搬运工一般不愿意使用公司发放的铁锹。为了获得一天最大的搬运量,泰勒找了两名优秀的搬运工,用不同大小的铁锹做实验,每次都是用秒表记录时间,最后发现:一铁锹取量为10千克时,一天的材料搬运量最大,而且,在搬运铁矿石和煤粉时,最好使用不同的铁锹。因此后来,泰勒就给工人们准备了不同的铲子,每种铲子只铲特定的物料,这就使工人的每铲都达到了10千克的最优值。

同样的方法,泰勒找到工厂里原材料搬运绩效最优的员工,通过长时间观察实验后,找到最合适的工作评价标准,并把劳动时间和休息时间很好地搭配起来,而工人每天的工作量从原来的13吨提升到47吨,同时并不会感到太疲惫。他设定了一天的标准工作量,对超过标准的员工,给予薪资以外的补贴,达不到标准的员工,则要进行作业分析,指导他们进行作业改进,使他们也能达到标准,多次不达标者将被调离。

在大工业时代,绩效管理就是将工作进行标准化,把复杂的生产制造工作分解成若干细分的、简单的、重复的单项工作。每个工作可以设定相应的高绩效标准、一般绩效标准和低绩效标准。对于企业而言,只需考核工人的生产结果即可,不需要过程管理。期初,主管和员工签订一个绩效目标,到了期末,主管考核员工的目标达成情况。

泰勒实验的巨大成功,激发了其他企业的争相效仿,也直接促进了生产线的建立,奠定了日后绩效考核体系的雏形。


三、绩效管理2.0——绩效管理(信息时代)

20世纪50年代,进入信息时代以后,工作的技术含量进一步提高,出现了大量以“知识”生产为主的脑力工作者,企业主发现,越来越难以衡量这类知识型工作者。换言之,基于结果的绩效考核在这类工人身上变得越来越无效。

彼得·德鲁克于1954年《管理的实践》中首次提出“目标管理”的概念。德鲁克认为,企业以目标为导向,同时充分授权管理者行动的自由,让他们有充分的自主行事的“自我控制”权,可以达到传统模式下更好的组织绩效。目标管理加上自我控制,是德鲁克目标管理理论的核心。

在电气时代,绩效管理等于绩效考核,到了信息时代,由于结果更加难以衡量,所以,企业基本认同了目标比指标更重要的观点,强调目标的牵引作用。但这并不是说企业就不考核了,企业仍然要考核,考核员工目标的完成率。

4b6234b65a8dbbc0e1ea9a31400e8a54.png

1、在目标制定阶段,主管下发指标给员工,类似于目标承诺书,指明当期要做什么,以及做到什么程度。

2、目标制定后,进入实施环节,主管定期跟踪目标达成进展,并提供必要的辅导和资源支持,以帮助下属达成目标。

3、最后,一段时间后(通常是半年或者年度),评估下属目标达成情况,并给予相关的评级或打分,以对下属的贡献进行量化评估,作为日后晋升或薪酬激励的输入。

这三个环节环环相扣,共同构成了信息时代绩效管理的“三步曲”。引入目标控制和过程管理后,相当于把绩效管理变成了围绕绩效结果的全周期管理。但这一周期,绝大多数企业的重心仍然放在了绩效考核上,尤其以KPI为代表。


四、绩效管理3.0——绩效使能(人工智能时代)

随着技术的发展,混合现实、人工智能、量子计算将深刻影响未来人类的生活。技术的发展,很容易让只掌握低端技术的企业被外界环境所取代,因而,各个企业拼命往高端产业发展。英国曾做过一个国内不同类型就业人员占比趋势分析,如果将工作大致分为两类,一类是科学家型人才,包括中高层管理人员、高级专家及高级技术人员,另一类是低技术含量的非科学家型人才,包括行政及文职人员、一般技术人员、生产线工人、服务及运营人员,两者的变化趋势如下:

dd8ff2e97555988f4a046f3713aab93a.png

员工群体的这一变化,导致企业不可能再像信息时代管理技术工人那样去管理绩效。企业的科学家型人才不光工作结果难以衡量,连工作方向也很难确定下来。创造性和创新性工作不可能通过“管理”管出来。事实上,越是强调“管控”,员工的创新性就越受制约。这促成了企业的绩效管理转向了3.0时代,员工的绩效不再只关注“目标管理”和“结果考核”,而更加向前延伸,直指核心,更加关注如何激发这些“科学家型人才”的“内在动机”。让他们更专注于创造性工作,最终给企业带来更大的回报。

绩效管理3.0淡化了外在控制的手段,少了很多对冷冰冰数字的追逐,变得更加人性化,更加关注人的内在动机的激发。

5daad971380c40b4d966e223623062f9.png

绩效管理通常有两个职能,一个是裁判职能,负责评估员工的绩效表现,用以支撑薪酬、晋升、保留和解聘;另一个是教练职能,负责识别员工的优势与不足,提供针对性改进建议和培训培养,帮助其进步。裁判职能面向过去,重在评估;教练职能面向未来,重在发展。

在绩效管理1.0时代,绩效管理只有裁判职能,缺少了教练职能。

dffa4ad18918de7b9061973cccc7374d.png

到了绩效管理2.0时代,虽然加入了教练职能,但依然是小教练、大裁判模式,绩效管理的支点是以惩罚为导向。

e811cd0e3906c313538af227914c25bb.png

只有到了绩效管理3.0时代,绩效管理的天平才开始向教练职能倾斜,变成大教练、小裁判模式,重在辅导和发展员工,而非评估驱动。通过广泛而平等的社交化辅导和沟通,绩效管理3.0弱化了裁判面向过去的评估职能,强化了教练面向未来的发展职能。

e4b57cd3716d4ed1f3aec3bd0b5dc709.png

从绩效管理的四大历程可以看出,围绕考核为主的绩效管理模式已经越来越不适用未来的职场趋势,而OKR信奉内在动机的力量,重视让员工感到在工作中能掌控自己的命运,能从胜任岗位中得到乐趣,能从被他人赞赏和需要中得到满足。OKR认为内在动机能够激发员工持久的工作热情,尤其有利于创造性工作。

OKR是一套经过验证的、体系性的目标管理理论,从“工作动机”到“目标制定”到“过程管理”到“绩效评价”提供真正的全生命周期管理。值得国内企业借鉴、参考。

8b6927179bbdec823353ef6da5c2c94a.png



【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型与说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟不同类型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压和功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行与控制工作的科研人员和工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念与分析方法;②掌握利用Simulink进行电力系统建模与仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能与参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其核心在于利用SVM构建分类模型,同时借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界,以实现对样本数据的分类或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分类问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒子”,粒子群在解空间中协同搜索,通过不断迭代更新自身速度与位置,并参考个体历史最优解和群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C与核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开,从而定量验证PSO算法在提升SVM模型分类能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法与机器学习模型相结合,以解决模型参数选择这一关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值