2️⃣ Потом сделали тестовый запуск на одну группу аналитиков: дали системе поработать, посмотрели, где формула ведёт себя странно, и пофиксили явные перегибы

3️⃣ Третьим шагом был полноценный запуск сразу на всех аналитиков, снова с обязательным сбором обратной связи — не по гипотетике, а по реальным цифрам в дашборде за месяц

Сопротивление и негатив, конечно, были. Часть аналитиков не хотела, чтобы за их показателями следили так подробно, кто-то воспринимал KPI как инструмент давления. Показательно, что те, кто больше всех возмущался, по результатам первого месяца получили самый низкий KPI и самую низкую зарплату; те, кто помогал собирать систему, давал конструктивный фидбэк и честно работали, оказались в верхней части таблицы и получили максимум.

ПЕРВЫЙ МЕСЯЦ РАБОТЫ: ЦИФРЫ И ПОВЕДЕНИЕ

За первый месяц система показала ровно то, ради чего её запускали. По внутренним данным стало видно, что качество заметно выросло при умеренном росте затрат: контроль ошибок стал жёстче, кейсы стали проверяться аккуратнее, а зарплатные выплаты не улетели в космос

По оперативным цифрам: 📉 количество ошибок упало с 129 до 64 за месяц 📈 объём проверок вырос

Люди начали иначе относиться к своему потоку проверок: стали аккуратнее в проверках сложных кейсов и быстрее в типовых

Появилось и новое поведение. Аналитики стали чаще заранее уточнять сложные кейсы у супервайзера, чтобы не получить ошибку и не потерять деньги из-за штрафного веса в KPI. Ошибка перестала быть чем-то абстрактным — она превратилась в конкретный минус к собственной ставке

Влияние на внешние бизнес-метрики (конверсию, потери от фрода, нагрузку на поддержку) мы пока честно считаем рамочным: один месяц — слишком маленький горизонт, но внутренняя динамика в качестве и объёме уже положительная

KPI ВНУТРИ КОМАНДЫ: СТАВКИ, ГРЕЙДЫ И РИСКИ

Технически KPI живёт внутри нашего собственного дашборда: это не вендор и не стандартная БД, а самописная панель, заточенная под потоки антифрода.

Аналитик в дашборде видит: • все свои метрики по проверкам • свой процент KPI в реальном времени • ориентировочную зарплату на текущий месяц

У нас почасовая ставка: есть фиксированная часть, а остальное добирается KPI. Условно — 500 рублей в час по умолчанию, до 700 рублей при 100% KPI и до 800 рублей при 120%

Это очень быстро убирает абстрактность: человек видит, как его ошибки и скорость работы конвертируются в реальные деньги

В отчётности для руководства мы отдельно показываем влияние KPI на качество и фонд оплаты труда: где мы переплачиваем сильным людям, а где экономим на тех, кто системно недобирает до базового уровня

При низком KPI у нас предусмотрены понятные санкции: понижение грейда, испытательный срок и, при стабильно плохих результатах, увольнение. Это не жёсткий автоматический триггер, но честная рамка, о которой люди знают с первого дня работы по новой системе

ЧТО МЫ УСПЕЛИ СКОРРЕКТИРОВАТЬ И ЧТО БУДЕМ ДЕЛАТЬ ДАЛЬШЕ

Система пока отработала один полный месяц, поэтому больших изменений мы пока не делали: сначала нужно увидеть устойчивые паттерны, а не реагировать на дневной шум

Тем не менее кое-что уже поправили:

регулировали веса штрафных коэффициентов, чтобы таблица KPI не превращала одну мелкую ошибку в проблему, но и не оставляла десятки мелких промахов без последствий

в отделе появились временные метрики — AHT, AFRT, TTR — и очевидно, что они лягут в следующую версию KPI: время обработки — это и про нагрузку на команду, и про клиентский опыт, и про личную эффективность

Процесс добавления новой метрики мы тоже описали просто:

Сначала гипотеза: например, время проверки влияет на качество и удовлетворённость клиента

Потом метрика добавляется в систему, но без отображения аналитикам, работает фоном N времени, чтобы мы увидели её реальное поведение

Если метрика даёт результат и соответствует гипотезе — добавляем её в итоговый KPI. Если нет — не вводим, не пытаясь оправдать её наличие только потому, что кто-то когда-то её придумал

ЗАЧЕМ ВСЁ ЭТО И ЧТО НАМ ДАЛА СИСТЕМА