Правильность измерений это: Что Такое Правильность Измерений? – Метрологический надзор

3.4 Результат измерений и показатели качества измерений

Результат измерений – значение величины, полученное путем ее измерений. Результат измерений бывает неисправленный, исправленный и усредненный. Неисправленный результат измерений – значение ФВ, полученное при измерении до введения в него поправок, учитывающих систематическую погрешность. Значение ФВ, полученное при измерении и уточненное введением в него необходимых поправок на действие систематических погрешностей называется исправленным результатом измерений.

Среднее взвешенное значение величины – среднее значение величины из ряда неравноточных измерений, определенное с учетом веса каждого единичного измерения, т.е. положительного числа (р), которое служит оценкой доверия к тому или иному отдельному результату измерения, входящему в ряд неравноточных измерений. Обычно результату с большей погрешностью приписывают вес, равный 1 , а остальные веса находят по отношению к нему:

, (3. 2)

где a_i – значение величины, полученное из i-го измерений, p_i – вес i-го измерения входящего в ряд.

Под качеством измерений понимают совокупность свойств, обусловливающих получение результатов с требуемыми точностными характеристиками, в необходимом виде и в установленные сроки. Качество измерений характеризуются такими показателями, как точность, правильность, достоверность, сходимость и воспроизводимость результата.

Точность измерений — это близость резуль­татов измерений к истинному значению измеряемой величины. Правильность измерений определяется близостью к нулю сис­тематической погрешности. Достоверность измерения — это близость к нулю случайной (или неисключенной) систематической погрешности. Достоверность измерений зависит от степени доверия к резуль­тату и характеризуется вероятностью того, что истинное значение измеряемой величины лежит в указанных окрестностях действи­тельного значения.

Наряду с точность, и правильностью измерений, качества измерений характеризуется сходимостью и воспроизводимостью результатов.

Сходимость результата измерений – близость друг к другу результатов измерений одной и той же величины, выполненных повторно одним и тем же СИ, одним и тем же методом в одних и тех же условиях и с одинаковой тщательностью. Например, при определении массовой доли воды методом высушивания при температуре 105 ^оС методикой регламентируется сходимость между параллельными определениями 0,5 %.

Воспроизводимость результата измерений – близость друг к другу результатов измерений одной и той же величины, полученных разными СИ, разными методами, в разных местах, разными операторами, в разное время.

В настоящее время введен термин промежуточная прецизионность это составляющая случайной погрешности, характеризующая результаты полученные, полученные в одной лаборатории в разных условиях (в зависимости от времени, калибровки, оператора, оборудования).

Качество измерений

В соответствии с положениями теоретической метрологии измерение может выполняться с использованием шкалы порядка (уровней), шкалы интервалов и шкалы отношений.

Во втором и третьем случаях результат измерения является случайной величиной и может записываться выражением:

где X – показание средства измерения;
– поправка.

Величина Х характеризует правильность показаний, а поправка – точность измерений. По этим параметрам измерительная техника разделяется на классы точности в соответствии с допускаемой погрешностью измерений.

Приведенная погрешность измеряется в процентах от верхнего предела измерений, относительная погрешность – то результата самого показания.

Используется ряд классов точности, в том числе: 0.1, 0.2, 0.5, 1.0, 1.5, 2.5, 4.0. Характеристикой класса является относительная погрешность, указываемая в процентах: 0. 1, 0.5, 4.0.

Правильность результата измерения обеспечивается совпадением среднего значения измерений со значением измеряемой величины.

Значение Х – величина случайная, поправка не является случайной, она характеризует относительную погрешность измерения.

На рис. 1 показано распределение плотности вероятности при точных измерениях (1) и менее точных (2).

Рис.1 Распределение плотности вероятности при двух классах точности измерений

Если значение поправки с течением времени не меняется, то при многократном измерении постоянного размера одним и тем же средством измерений (в одинаковых условиях) получим:

где – средний арифметический результат измерений;
n – количество измерений; 

– среднее значение показания при измерении;
– значение поправки;
= const.

Это выражение показывает, что точность многократного измерения выше, но правильность такая же, как и при однократном измерении.

Пример 1. При метрологической аттестации вольтметра в нормальных условиях выполнено 100 измерений образцового напряжения в различных точках шкалы. Установлено, что распределение вероятности с дисперсией напряжение равно 1,5В. Смещение среднеарифметического значения в сторону меньших значений с вероятностью 0,95 достигает 0,3В. Необходимо сравнить качество однократных и многократных измерений.

Решение. Из результатов аттестации следует, что в показания вольтметра нужно вносить поправку +0,3В.

Стандартная ошибка (среднеквадратическое отклонение) составляет:

Если показания вольтметра U = 20В, то результат измерения можно записать в виде:

Результат измерения: U = 17,74 . .. 22,86 В

Точность многократного измерения выше, и соответствующие показатели качества измерения при девяти отсчетах составят:

Допустим, вольтметр дал девять показаний: 20; 21; 20,5; 21; 20,5; 21,5; 20,5; 20,5; 21,2. Тогда

Результат измерения можно записать следующим образом:

U = 20,188 … 21,892.

Погрешность составляет

При одновременном измерении одного и того же размера (параметра) разными средствами нужно верно квалифицировать исходную информацию.

Допустим, что точность и правильность однократных измерений отдельными средствами измерений известны, но в паспортных данных приборов приводится значение поправки, которую нужно ввести в показание. Результат измерения можно рассматривать как сумму двух случайных величин:

где m – число измерений.

Если X

и подчиняется нормальному закону распределения, то точность и правильность определяют с использованием формул:

В рассматриваемом случае поправка рассматривается как случайная величина. Такая процедура называется рандомизацией. Приведенные формулы показывают, что рандомизация результата измерения одного и того же параметра улучшается и по точности и по правильности.

Пример 2. В табл. 1 приведены числовые значения одиннадцати измерений одного и того же параметра разными средствами измерений. Даны поправки , заимствованные из паспортных данных. Вычислим средние значения измеренного параметра и поправок приборов:

После этого определим, в каких пределах находится измеряемое значение и каковы показатели качества результата измерения.

Номер прибора	Xi	Qi
1	48,3	0,3
2	48,5	-0,1
3	48,2
4	48,5	-0,5
5	48,4	0,2
6	48,6	-0,3
7	48,5	0,1
8	48,4
9	48,6	-0,4
10	48,0	0,5
11	48,4	-0,1

Таблица 1. Результаты измерений одного и того же параметра

Решение

1. Среднее значение показания и поправки:

2. Определим дисперсию

3. Результат измерения:

4. Дисперсия результата измерения:

5. С вероятностью, равной 0,95, можно утверждать, что значение (результат) не отличается от результата измерения больше, чем на поэтому измеряемое значение:

Погрешность

В начало

Содержание портала

Почему точность измерения сложна (и очень важна)! | Брэдли Арсено

Часть 1. Почему важна правильная оценка.

Bradley Arsenault

·

Читать

Опубликовано в

·

10 минут чтения

·

20 марта, 2 019

Мы начинаем новую серию статей блога о точности измерений. Нужно осветить много контента — когда я впервые начал писать эту статью, она быстро превратилась в 12 часов стука по клавиатуре и 20 страниц мыслей и заметок. Поэтому мы разобьем его на 4 отдельные статьи:

1. Обзор проблемы точности измерения, почему это важно и почему это сложно
2. Подробное описание большинства основных проблем, связанных с точностью измерения
3. Подробное описание некоторых наиболее необычных и интересных ситуаций, которые у нас есть точность измерения
4. Что мы можем с этим поделать — как лучше измерить точность

Почему сложно измерить точность модели машинного обучения? Казалось бы, многие модели машинного обучения имеют очень простое определение точности.

Давайте рассмотрим простой пример — алгоритм, определяющий диабет. Алгоритм сообщает, что у человека действительно есть диабет. Этот прогноз либо верен (у человека действительно был диабет), либо ошибочен (у человека не было диабета). Казалось бы, точность определяется довольно простым вопросом: сколько предсказаний было на самом деле верным. Казалось бы, измерение точности модели должно быть простым.

При более внимательном рассмотрении вопроса и того, как алгоритм используется в производстве, мы получим более детальный ответ. Типичный алгоритм прогнозирования заболевания не дает предсказания заболевания ИСТИНА против ЛОЖЬ, без какой-либо другой информации. Даже самые простые реализации будут, по крайней мере, обеспечивать показатель достоверности, варьирующийся от 0% до 100%. Алгоритм может предсказать 73% достоверность диабета и 27% достоверность отсутствия диабета. Затем врач может использовать эти сведения в сочетании со своими знаниями и анализом, чтобы принять решение. Но что такое точность тогда? Ожидается ли, что алгоритм будет точен на 73%, если он сообщает о достоверности 73%?

Что означает точность в этой ситуации? Означает ли точность количество правильных ответов с вероятностью более 50%? Является ли 50% правильным порогом? Как считать нулевые ответы? Что, если и да, и нет имеют меньше требуемой уверенности? Как это считается? Затем немного более тонкий и опытный специалист по данным придет к кривой приемник-рабочая характеристика или кривой ROC. ROC больше не является одним числом, а представляет собой кривую, представляющую компромиссы между ложными срабатываниями и истинными срабатываниями, которые возникают, когда вы устанавливаете порог в разных точках. Он показывает, что при определенном уровне уверенности, сколько ошибок будет по сравнению с правдой. Вот пример кривой ROC для чат-бота. Это очень хорошо:

Вот еще один, взятый с веб-сайта Scikit-learn, который, вероятно, более реалистичен для медицинского классификатора:

Итак, теперь у нас не просто одно число для точности. У нас есть .. наш выбор различной точности. Теперь я должен упомянуть, что кривые ROC имеют связанную метрику с одним числом, AUC или Area-Under-Curve, которая буквально представляет собой площадь под кривой ROC. AUC — надежный и очень полезный показатель. Но AUC — непростая метрика для объяснения заинтересованным сторонам, и у нас нет простой интерпретации для понимания. Может быть, тогда мы прибегаем к использованию точности и отзыва? Мы находим приемлемую точку на ROC-кривой, устанавливаем порог для этой точки и используем эти два новых числа для описания ее выходных данных. Но это быстро усложняется, когда у вас есть несколько классов в ваших выходных данных — теперь у нас есть целая серия точности и отзывов — и быстро становится непонятно, как пытаться объяснить, как модель ведет себя и работает.

На измерение точности может повлиять даже грубая математика, из-за которой улучшение может выглядеть хуже. Этот пример пришел мне в голову, когда я читал статью в блоге Google AI об алгоритме обнаружения диабета: http://ai.googleblog.com/2018/12/improving-efficientness-of-diabetic.html изменили свой алгоритм с бинарной классификации (диабетик/не диабетик) на 5-балльную шкалу тяжести. Анализируемые данные были одинаковыми — изменились только результаты. Но теперь подумайте об этом: в бинарной классификации система может угадывать совершенно случайно и имеет 50–50 шансов получить правильный ответ. При 5-балльной системе оценок у системы есть только 20% шансов получить правильный ответ, когда она угадывает случайным образом.

Итак, теперь представьте, что вы переключаетесь с 2-балльной на 5-балльную систему оценивания, чтобы дать вашей модели больше информации для обучения. Однако, если вы измерите необработанную точность, вы можете заметить, что ваш переключатель снизил точность. В 5-балльной системе оценок у системы гораздо меньше шансов получить правильный ответ случайно. Авторы статьи обходят это, используя показатель Каппа, а не просто ванильную точность (которая корректирует вероятность случайного правильного ответа). Но основная проблема доходит до сути моей темы в этой статье.

Измерить точность не так просто, как может показаться. И то, как мы измеряем точность, повлияет на то, какие изменения мы вносим в нашу модель, чтобы улучшить ее, насколько мы доверяем модели и, что наиболее важно, как заинтересованные стороны, такие как деловые люди, инженеры, правительство, здравоохранение или организации социальных служб, принимают, интегрируют и используют. эти алгоритмы.

Зачем измерять точность? Может показаться, что на этот вопрос легко ответить. Без измерения точности невозможно узнать, работает ли ваша модель или нет. В отличие от обычного кода, который можно протестировать с предварительным предположением о том, что он работает идеально, в 100% случаев, как задумано, ожидается, что код машинного обучения даст сбой на некотором количестве образцов. Таким образом, измерение точного количества сбоев является ключом к тестированию системы машинного обучения.

Но я хочу воспользоваться моментом, чтобы коснуться некоторых причин, по которым мы измеряем точность, и почему важно делать это правильно.

Улучшение вашей модели

Первая и самая простая для понимания причина, по которой вы измеряете точность модели, заключается в том, что вы можете улучшить ее точность. Когда вы пытаетесь повысить точность, можно использовать почти любую метрику точности. Пока эта метрика имеет четко определенное значение лучше или хуже, точное значение метрики не имеет значения. Что вас волнует, так это то, улучшается или ухудшается метрика. Так что же может пойти не так?

Что ж, если вы неправильно измерите точность своей модели, вы можете на самом деле изменить свою модель таким образом, что это ухудшит вашу реальную производительность, в то время как они улучшат вашу метрику. Возьмем, к примеру, проблему обобщения и переобучения.

Если вы измеряете свою точность неправильно, вы можете вносить изменения, которые, как кажется, улучшают вашу метрику, но вместо этого они просто заставляют вашу модель лучше соответствовать данным, по которым вы измеряете метрику.

Стандартный способ решения этой проблемы — разбить ваши данные 80/20 на обучение/тестирование. Но это также чревато трудностями, поскольку мы иногда используем измерения точности, чтобы делать такие вещи, как ранняя остановка или установка доверительных порогов, так что сами данные тестирования становятся частью вашего тренировочного процесса. Возможно, вы преувеличиваете свои пороги уверенности. Затем вы решаете разбить свои данные тремя способами, 70/20/10, с дополнительным набором проверки, с помощью которого вы можете измерить свою точность в конце. Но что делать, если размер вашего набора данных относительно невелик или он не совсем репрезентативен для данных реального мира, с которыми ему приходится работать.

Теперь вам нужно беспокоиться о другом типе переоснащения, которое я называю архитектурным переоснащением, когда дизайн и параметры вашей модели становятся слишком идеальными для набора данных и не обобщаются на новые образцы или не очень хорошо их изучают, когда они добавлен в набор данных. Это может произойти, например, если вы подготовите множество пользовательских функций на основе вашего набора данных только для того, чтобы обнаружить, что они не применяются, когда набор данных со временем увеличивается, значительно изменяется или объединяется с каким-либо другим набором данных. Вы получили отличную подготовку, тестирование и точность проверки. Но вы все еще переоснащаете набор данных.

Что делать, если в вашем наборе данных есть шум? Что делать, если в данных есть постоянные ошибки? Вы можете подумать, что ваша модель потрясающая — и вы обнаружите, что это действительно так, она прекрасно изучила последовательные закономерности ошибок в наборе данных. Вы радостно вставляете модель в следующий продукт только для того, чтобы получить свою задницу, когда продукт будет запущен. Кажется, ваша модель не так хорошо работает в реальном мире. «Это было совершенно точно при тестировании», — можете подумать вы. — Что могло пойти не так?

Что делать, если само измерение точности имеет шум? Допустим, у вас есть разброс точности в 1–3% при нескольких прогонах. Теперь это затрудняет внесение дополнительных улучшений. Каждое улучшение должно быть больше 2-3%, чтобы вы могли надежно подтвердить его одним прогоном. Либо вы тратите больше ресурсов процессора, чтобы получить четкие ответы, используя средние значения, либо вы рискуете крутиться по кругу, ища только крупные выигрыши и отказываясь от постепенных улучшений.

Более точное измерение точности означает, что когда вы вносите изменения в свою модель, вы можете быть уверены в том, что эти изменения приводят к улучшению модели нужным вам образом. Когда вы неправильно измеряете свою точность, вы можете в конечном итоге разорвать изменения или вернуться к чертежной доске, потому что модель, которую вы «думали», была 9Точность 9,9% на самом деле не работает даже близко к тому, что в продакшене. Лучшее измерение точности означает более быстрые исследования, лучшие продукты и больше похвал для вас. Это может даже спасти жизнь.

Общение с заинтересованными сторонами, которые используют наши модели

Еще одна причина, по которой мы измеряем точность модели, заключается в том, что мы можем общаться с заинтересованными сторонами, и они могут использовать наши модели. Модели никогда не бывают просто кусками математики и кода — они должны находиться и работать в реальном мире, оказывая реальное влияние на жизнь реальных людей.

Если врач собирается использовать алгоритм для принятия медицинских решений, ему важно знать, что алгоритм может ошибаться и как часто это происходит. Если компания собирается заменить группу людей, вводящих данные, компьютером, им важно знать, как часто они могут совершать ошибки, потому что это может повлиять на процессы компании. Если мы утверждаем, что модель допускает ошибки только в 3% случаев, но на самом деле ошибается в 5%, мы можем отмахнуться от этого как от небольшой разницы. Но это может означать увеличение на 60% количества звонков в службу поддержки со стороны всех людей, пострадавших от ошибок алгоритмов. Такое значительное увеличение стоимости может полностью свести на нет любые преимущества реализации алгоритма.

Заинтересованные стороны должны понимать точность алгоритма и его типичные случаи отказа, потому что точность имеет последствия для реального мира. Точность может повлиять на бюджеты и балансы, жизни и здоровье реальных людей и даже на результаты нашей демократии (когда дело доходит до алгоритмов проверки фактов, используемых сейчас журналистами). Это может создать или сломать новые продукты ИИ и создать реальный разрыв между инженерами, создающими технологию, и потребителями, которые ее используют. Ошибки в измерении точности вполне могут означать потерю жизней и отказ новых продуктов.

Так что же такого сложного в измерении точности? Почему, казалось бы, простой вопрос стал таким трудным?

Во второй части этой серии мы рассмотрим некоторые распространенные проблемы, связанные с точностью измерения:

• Данные, на которых вы обучаете алгоритм, не совпадают с данными, с которыми он должен работать в производственной среде
• Вы заботитесь об определенных типах отказов больше, чем о других типах
• Ваша модель, набор данных или измерение могут быть зашумленными или стохастическими
• В вашем конвейере может быть несколько различных точек, в которых может быть измерена точность
• В вашей модели может быть несколько разных показателей с разным уровнем детализации
• У вас могут быть достоверные данные только для промежуточного этапа в системе, но не окончательный результат
• Ваш набор данных может быть разбит на разные категории с совершенно разной производительностью между ними

В части 3 этой серии мы рассмотрим некоторые из наиболее сложных и интересных проблем, с которыми мы сталкиваемся при измерении точности:

• У вас может не быть достоверных данных для вашей модели
• Может не быть готовой метрики, которая измеряет точность для вашей модели
• Может не быть четкого способа определения точности для вашей модели
• Результат, о котором вы действительно заботитесь, не может быть легко измерен
• Эффективное измерение точности требует слишком больших вычислительных ресурсов
• Ваш алгоритм может работать в тандеме с людьми
• Ваш набор данных может меняться и развиваться, например, если он активно растет группа аннотации данных
• Область вашей проблемы может постоянно меняться с течением времени

В свете всех этих потенциальных проблем с точностью измерения, я пришел к выводу, что есть основная мудрость: независимо от того, как вы ее измеряете или чем измеряете. использования, мы обычно можем договориться о том, что выглядит совершенно правильным и совершенно неправильным. Важно все, что между ними.

Скоро выйдет вторая часть этой серии!

Первоначально опубликовано в www.electricbrain.io .

В чем разница между точностью и прецизионностью? [2022] • Asana

Резюме

Точность и аккуратность — два способа измерения результатов. Точность измеряет, насколько результаты близки к истинному или известному значению. Точность, с другой стороны, измеряет, насколько результаты близки друг к другу. Оба они являются полезными способами отслеживания и составления отчетов о результатах проекта.

Точность и аккуратность часто используются как синонимы в обычной жизни. Но как условия измерения они определяются по-разному. То, что измерение точное, не означает, что оно точное, и наоборот.

И аккуратность, и аккуратность являются важными аспектами выполнения работы высокого уровня, но что они собой представляют? Давайте посмотрим на разницу и как и когда вы должны использовать каждый из них.

В чем разница между точностью и точностью?

Точность и прецизионность — это формы измерения, которые определяют, насколько вы близки к попаданию в цель или достижению цели. Точность оценивает, насколько вы близки к истинному значению измерения, а точность показывает, насколько близки измеренные значения друг к другу.

Попробуйте Asana для управления работой

Точность и точность: пример в яблочко

Пример в яблочко — наиболее распространенный способ показать разницу между точностью и точностью. Подумайте о метании дротиков в яблочко. Цель состоит в том, чтобы быть точным и точным. Другими словами, как можно чаще попадать в яблочко. Если вы просто точны, это означает, что вы бросаете дротики, которые приземляются близко к яблочку, но вы не попадаете в яблочко каждый раз. Если вы просто точны, это означает, что ваши дротики приземляются близко друг к другу, но не обязательно близко к яблочку. Но когда ты точен и точны, ваши дротики каждый раз попадут в яблочко — в лучшем случае.

Что такое точность?

Точность измеряет, насколько результат близок к фактическому значению, которого вы пытались достичь. Другими словами, насколько близко вы подходите к тому, к чему стремитесь. Будь то стратегическая цель или личная победа, высокая точность — это когда вы попадаете прямо в целевую ценность. Низкая точность — это когда вы далеко от цели. Вы можете определить точность после одного события, хотя повторяемость будет иметь решающее значение для определения того, можно ли поддерживать это как долгосрочный успех.

Давайте рассмотрим пример. Вы установили KPI, чтобы снизить показатель отказов вашего сайта на 12% в предстоящем финансовом году. Если ваши точные измерения показывают, что вы достигли приемлемого значения — ровно 12 % к концу финансового года — вы достигли 100 % точности в установке и достижении целевого KPI.

Что такое точность?

Точность измеряет, насколько ваши результаты близки друг к другу. Хотя точность можно использовать в одном случае, точность будет измеряться с течением времени. Это связано с тем, что точность требует повторяемости для определения степени близости между каждым набором измерений. Высокая точность — это когда ваши результаты похожи друг на друга, а низкая точность — это когда они разбросаны по всей карте. Точность измерения полезна в двух случаях:

1. Когда вы пытаетесь избежать той же ошибки

2. Когда вы добиваетесь успешных результатов и хотите наладить воспроизводимый процесс

Используя приведенный выше пример, скажем, отказ всех ваших страниц ставки были снижены на тот же процент. Таким образом, показатель отказов на каждой странице вашего сайта снизился на одно и то же число, будь то 6% или 20%. Это очень точно, хотя и не точно.

Как вы отслеживаете и измеряете точность и прецизионность?

Чтобы узнать, насколько вы точны или точны, вам необходимо отслеживать и измерять свои результаты. Точность и прецизионность измеряются по-разному:

1. Измерение точности: Как ваш результат сравнивается с целевым значением. Чем ближе вы находитесь, тем точнее вы. Чтобы определить точность, вам нужно иметь четко определенные цели или показатели успеха, которых вы пытаетесь достичь.

2. Точность измерения: Насколько близки измерения друг к другу. Чтобы проверить точность, вам необходимо разработать систему отслеживания, которая показывает, как несколько результатов или точек данных сравниваются друг с другом с течением времени.

Когда речь идет об измерительной системе, вам понадобится что-то простое в управлении и точное. Программное обеспечение для управления проектами с универсальной отчетностью поможет вам отслеживать результаты и реагировать на них в режиме реального времени. Например, если вы заметили, что стабильные результаты (точные) отдаляются от вашей целевой цели (неточные), у вас может быть систематическая ошибка, которую необходимо исправить.

Попробуйте Asana для управления работой

Примеры точности и точности

Почти все, что вы читаете о точности и точности, даст вам приведенный выше пример в яблочко. Но давайте рассмотрим еще несколько практических примеров того, как вы могли бы использовать аккуратность и аккуратность в повседневной жизни.

Пример 1. Создание общей базы данных

Вот сценарий: недавно ваша команда чувствовала себя разбросанной, поэтому вы решили создать общую базу данных, в которой каждый имеет доступ к данным и отчетам в одном централизованном пространстве. Вы надеетесь, что если они будут подключены ко всей информации в режиме реального времени, это улучшит сотрудничество в долгосрочной перспективе.

Вот четыре сценария того, как это будет происходить, в зависимости от того, насколько точна и точна ваша база данных:

1. Точность: 90 190 Если вы очень точны, но не так точны, вы создадите базу данных, но вы можете увидеть увеличение совместной работы только в одном или двух проектах.

2. Точно: Если быть точным, то можно добавить в базу данных много похожих элементов, но они могут быть не теми, которые нужны вашей команде для совместной работы.

3. Ни тот, ни другой: Вы пытаетесь создать базу данных, но вы единственный, кто имеет к ней доступ, что не способствует сотрудничеству.

4. Точность и точность: Вы создаете общую базу данных с множеством проектов, над которыми легко работать в команде. Используемая вами система повторяема, поэтому вы можете продолжать сотрудничать в новых проектах по мере их появления.

Пример 2. Повышение скорости ответа

Ваша команда ставит перед собой цель отвечать на заявки клиентов в течение 48 часов.

Сценарии могут быть следующими:

1. Точно: На некоторые тикеты отвечают в течение 48 часов, а на некоторые нет.

2. Точно: На все заявки отвечают в течение одного и того же времени, но не 48 часов.

3. Точность и точность: Ответы на все заявки принимаются в течение 48 часов.

4. Ни то, ни другое: Нет улучшений или время выдачи билетов сокращается.

Пример 3. Одежда для работы

Давайте рассмотрим более простой повседневный пример. Как вы одеваетесь на работу?

Для начала вы просматриваете отчет о погоде накануне вечером, чтобы разложить одежду. Ожидается дождь, поэтому вы решаете надеть непромокаемые ботинки и плащ, а также взять с собой зонт. Если идет дождь, бум — это ваша проверка. Ваш наряд был точным. Если не идет дождь, наряд по-прежнему точен — все эти предметы связаны друг с другом, — но они неточны. Вместо этого вы потеете в своей слишком тяжелой одежде и таскаете с собой ненужный зонтик.

Что важнее точность или аккуратность?

Итак, что вам нужно больше, точность или аккуратность? Как и многие вещи в управлении проектами, ответ таков: «это зависит».

Для реализации стратегических инициатив вам понадобится и то, и другое. Но если у вас ограниченные ресурсы или время, вы не сможете гарантировать, что всегда будете получать точные и точные результаты. В этом случае сначала сосредоточьтесь на точности измерения.