1 月 6 日，在 TOP100 寰球软件案例钻研峰会上，ONES 联结创始人兼 CTO 冯斌作了题为《大型团队高效治理的机械化原理》的演讲。
以下是冯斌当天分享的次要内容。
大型团队的技术治理问题
咱们先来看大型团队在技术治理上面临的问题。
首先，咱们有没有一个方法能够低成本地做出足够正确的决策？因为在研发场景下，特地是技术管理者，天天都须要做决策。这个决策可能是无关招聘，包含决定用哪个人，决定降职哪位共事；也可能和性能或某个需要相干，包含是否须要抉择某个客户，进入某个市场等。
其次，在上百人的研发团队中，所有人的工作品质如何依照预期进行上来？在大中型团队里，技术管理者的上级有经理，经理上级有一线工程师，彼此存在肯定的层级关系。作为最顶层的技术管理者，没有方法间接晓得每人每天的工作状况如何。
其次，如果咱们定义了一些规范，但培训完当前，大家还没齐全了解或者执行起来的时候不习惯，这些规范怎样才能疾速落地？
最初，当咱们有规范的时候，怎么让大家在工作的时候尽可能遵循规范，同时又不死板，有肯定的灵活性？
在这里，我要先抛出论断：咱们要基于结构化的规范和流程来做「机械化」的执行。这里的「机械化」并非贬义，而是一个中性词。
结构化规范
如何进一步了解「机械化」，咱们要从专家系统和结构化规范之间的区别动手。
何谓专家系统？以招聘为例，在决定是否要录取某个研发候选人时，公司的工程师、技术负责人、HR，甚至管理层都会畅所欲言，从不同的角度来表白本人的认识，看谁压服谁，最初得出一个论断——这种决策办法就叫做专家系统。
但咱们发现，专家系统存在不少问题：行为经济学的不少实践证明，专家系统作出判断和决策的成功率并没有特地高，同时，专家系统常常会比拟含糊，这种模糊性会让整个团队感觉不够清晰，甚至可能对有些共事来说不够偏心。
相对而言，结构化规范对决策有更好的成果。
结构化量化形式，指的是咱们在做决策之前，应该要先对相干事件做一些维度的合成，而后对它进行打分，通过各种伎俩对须要决策的对象进行量化，量化完后分高的咱们能够优先选择。
这种量化的规范更容易被执行，因为咱们一旦能把这些货色量化，最初甚至能够用机器去算分。一个后果化的、清晰的规范，更能产生一个偏心的成果，也能为团队带来安全感，而安全感能产生多团队的驱动力。
如果咱们有方法用结构化的规范去判断一个事物的方方面面，那么它会更容易被咱们的数字化工具落地，一旦能落地，咱们就能够很不便地去做统计、剖析和预判。
决策的结构化规范
既然「机械化」执行的要害是结构化规范，那么，咱们应该遵循哪些准则？
从技术治理的角度，结构化规范能够分成两类，一类是对于决策的，另外一类是对于执行的。
那么，对于决策的结构化规范是怎么的？咱们在做结构化规范的时候，会列出判断一个事物的各个维度，例如画成一张雷达图，这些维度是应该要满足的一些准则。
第一个是 MECE 法令。它强调每个维度应该是互相独立的，不反复的，尽可能笼罩咱们想要判断的问题。
MECE 法令，是麦肯锡征询参谋芭芭拉·明托在《金字塔原理》中提出的一个思考工具，意思是「互相独立，齐全穷尽」，也常被称为「不重叠，不脱漏」。形象地看，就像是拼图游戏，用一张张碎片拼出残缺的图，如果拼得正确，最初肯定是一张不多，一张不少。
MECE 法令是「结构化思维」的基本功。应用 MECE 法令时，要留神三点：谨记合成目标、防止档次混同、借鉴成熟模型。
第二个是聚焦准则。咱们到底如何落地一个好的规范？而这个规范为什么能低成本地落地？这时要思考到「聚焦」。
「聚焦」指的是，当咱们判断一个事物的时候，不要求要有十分多的维度。最要害的四到六个维度，个别就足以让咱们对一个事物做出一个比拟精确的判断，一旦咱们求大或求全，就非常容易导致老本高、不好执行、不好培训等问题。
在很多时候，咱们定了一些结构化的规范，最初却没有用。回头去看，是因为这个规范里须要判断的维度可能有二三十项，例如，在招聘过程中，咱们可能要判断候选人的技术能力、沟通能力、价值观，等等，而技术能力外面又细分出很多子类别，从计算机根底，到他的业余的技术栈——这些繁冗的维度让执行变得很艰难。
第三个是量化准则。当咱们有了维度当前还不够，还要对每个维度进行量化，而量化就会波及到每一个维度的打分，它的打分规范能够依据不同的状况有所区别，然而有一些方向是须要把握住的：区分度要高，要清晰，要容易掂量。
举个反例，当咱们形容某人能力的时候，有时候咱们会评估为良好、优良、卓越，等等，其实，这些词都是「水平词」，无论是确定规范的人，还是执行规范的人，在这里都很难做判断，因为这些词十分含糊，每个人可能都有不一样的了解。
同时，分值不应该太多，分值如果太多的话，也会导致区分度不够高，并且大家须要思考十分多，咱们个别都会采纳五分制或者非常制的形式。
执行的结构化规范
说完了决策方面结构化规范的准则，咱们再来看执行层面上的结构化规范是如何具体实现的。
通过 ONES 的实际，咱们发现：把相干的结构化规范在工具上数字化，那么在实际应用中的效率会十分高。
首先，如果咱们要真正促使行为变动，就必须内化本人的整个习惯。例如，在一个软件团队项目管理的场景中，如果咱们要标准化本人的工作形式和流程，养成习惯最好的方法就是让大家在一个工具里工作，让工具通知大家，当需要合成完当前，下一步是什么，将一系列的流程固化在整个零碎外面。
其次，如果大家能够在一个数字化工具里工作，无论是做决策还是在执行流程，都能够利用工具去收集到相干的数据，并且造成一些新的论断和口头。
最初，这会是一个更公开更通明的场景，使得大家能更好地工作，因为它更有安全感。
我举个经典的例子，让大家能够更好地了解如何执行结构化规范。
「阿普加评分（Apgar Score）」，是麻醉学家阿普加 1953 年设计的一个判断新生儿是否衰弱的模型。他一共思考了五个指标，别离是：肤色、心率、表情反馈、肌肉张力、呼吸。
第二步，打分。给每个指标设定一个整数分数区间。比方阿普加评分中每个指标能够打 0、1 或者 2 分。像肤色，全身粉红色就是 2 分；四肢是青紫色就是 1 分；如果全身青紫就是 0 分。
第三步，计算总分。也不必加权均匀了，简略相加就行。阿普加评分的满分是 10 分。那么这个判断零碎规定，总分在 7 分以上就是衰弱；4 到 6 分就不太衰弱；0 到 3 分就是须要立刻采取急救措施。
这是就是一种「简单易行」的结构化规范。当初医学界的很多诊断，比方一些癌症的筛查，都是应用相似的打分零碎。这个办法把简单的决定分解成了几个维度上的简略判断。它容易操作，不怎么受医生教训和程度的影响，而且因为大大减少了噪声，准确性很高。
数字化工具内嵌规范
对于用数字化工具内嵌规范，我介绍一下 ONES 的具体做法。
在 ONES Project 里，咱们能够设置工作流引擎。就是当咱们要去解决一个 bug 或需要的时候，到底走的是一个怎么的流程。这里咱们看到有七个步骤，这七个步骤如果要人齐全记下来，老本太高了。所以，咱们能够通过一个数据化工具内嵌整个流程，并且在流程执行的时候用工具来揭示大家每一步须要做的事件。这样，咱们的培训老本甚至是文档，都能够大大减少。
例如，在 ONES 新建工作时有很多自定义属性，它是必填的，咱们能够把一些工作结构化地治理起来。
对于 ONES Wiki 的性能，这里有一个对于故障剖析的模板，它比文档、比培训更加间接。数字化工具能间接给咱们提供一个预置好的规范，大家在这个规范之内去工作，疾速地去实现一些必要的事件。
当规范真的能够跑起来当前，咱们肯定要定期复盘，因为简略的规范才好执行，实质上它是在简略和无效之间做取舍，随着工夫的推移和外部环境的变动，它是会有局限性的。
除此之外，我也分享一下 ONES 做技术招聘的模型，咱们的模型会分成四个方面，第一个方面是业余能力，也就是技术能力。第二个方面是学习能力，第三个是思维表达能力，咱们认为一个人的表达能力反映了他的思维能力是否结构化，是否够分明，是否能聚焦到指标，第四个是思维档次，次要判断一位候选人的驱动力的起源是内部还是外部。
拿学习这个方面来讲，咱们会分成 0-5 六个分值，以判断一个候选人有没有被动的学习行为，他的被动学习行为是不是碎片化的，绝对于咱们刚刚说的被动、动摇、优良、良好这些词语来说，它更能通过一个特点、一个行为辨别出不同的分值，在这个状况下，打分会更加简略和精准。
保障决策足够正确
最初总结一下，在大型团队的技术治理当中，咱们常常要做很多决策，同时咱们要保障这些决策足够正确。
其实咱们不须要百分百正确，咱们只须要足够正确，并且让大家在工作中能够依照一个规范来工作，保障肯定的品质。
首先，机械化的规范以及流程是更无效的，运行老本是更低的。
结构化的规范和流程都应该是聚焦、清晰、简略的。当咱们有这样的一些规范和流程当前，就能够很好地用数字化工具去做治理。
当每个人回到数字化的环境上来工作，天然就会 follow 咱们之前定过的一些结构化规范，确保执行到位。同时，咱们只须要在零碎上点几个按钮，就能汇总出想要的数据，高效实现量化，这对于咱们复盘改良都十分有帮忙。