Medir lo que importa en producción

En mi trabajo diario, el flujo de producción genera todo tipo de datos: cuánto tarda cada entrega, cuántos errores aparecen en QA, cuántos proyectos se aprueban a la primera.

El problema no es la falta de datos, es que rara vez se convierten en algo que se pueda mirar de un vistazo y usar para tomar decisiones.

Quise armar una herramienta simple, sin depender de ningún software de reporting, que cualquier persona en un flujo de DTP o localización pudiera usar para trackear su propio trabajo: cargar los datos de cada proyecto y ver automáticamente cómo evoluciona mes a mes.

Elegir los KPI correctos, no todos los posibles. Podría haber trackeado docenas de métricas. Elegí cuatro que respondieran preguntas distintas y complementarias entre sí: velocidad (turnaround), cumplimiento (entregas a tiempo), calidad (tasa de error) y eficiencia de revisión (aprobación en primera instancia). Cualquier otro KPI que se me ocurrió terminaba siendo una variación de estos cuatro.

Datos de ejemplo ilustrativos, iguales a los que trae la plantilla descargable.

Normalizar para que los números se puedan comparar. Contar errores en bruto no dice nada si un mes tuviste el doble de volumen que otro. Por eso la tasa de error se calcula por cada 100 páginas, no como número absoluto, para que un mes de mucho trabajo no se vea artificialmente peor que uno tranquilo.

Separar la carga de datos del análisis. El archivo tiene una hoja donde se cargan los proyectos uno por uno, y otra hoja de dashboard que se calcula sola a partir de esos datos. Así la persona que lo usa no tiene que tocar ni entender las fórmulas, solo cargar lo que entregó.

Pensarlo para que lo use otra persona, no solo yo. Igual que con la plantilla de estandarización, el objetivo era que alguien que nunca lo vio antes pudiera abrirlo, entender qué celdas completar (marcadas en azul) y empezar a usarlo sin que yo tuviera que explicarlo.

• Cuatro KPI, no veinte. Más métricas no es más información útil si nadie las mira.
• Normalizar por volumen. Sin eso, comparar meses distintos no tiene sentido.
• Separar carga de datos y visualización. Reduce el margen de error de quien lo usa y evita que alguien rompa una fórmula sin querer.
• Compartirlo como toolkit gratuito, no solo como caso de estudio. Quería que fuera algo que alguien pudiera descargar y usar de verdad, no solo leer sobre el proceso.

Armar esta herramienta me hizo pensar distinto sobre mi propio trabajo: no alcanza con hacer bien las cosas, hay que poder mostrar que se hacen bien, con datos, y de una forma que cualquier persona del equipo (o del proceso de selección) pueda entender en segundos.

Un buen sistema de métricas se define tanto por lo que mide como por lo que decide ignorar.