必须100分？评价结果及其作为绩效标准的三个关键注意点
各地日益重视公众与服务对象的满意度，甚至以满意度作为工作考评的重要依据，作为长期推动公众需求驱动型服务机制的专业机构，零点有数对此当然是很支持的。但是公众与服务对象满意度一定是越高越好么？2016年四川成都公共服务综合满意度为81.18分；2017年中国国家顾客满意度指数得分为81.20分；2018年的全国快递公众满意度为81分；2018年广东省佛山市南海区行政服务满意度得分81.27分；2018年中国移动的用户综合满意度是81.20分；2018年家长对于中国教育的整体满意度为81.41分；2018年公众对杭州食品安全满意度得分为81分；2019年广州市公共服务质量满意度为81.89分；2019年上海消费者满意度得分为81.50分；2019年各地来的投资企业对于天津开发区营商环境的满意度为81分。如果按照朴素的观念，81分不算特别高，也不算很差，应该是良好的水准，但是考虑到服务是一对由服务者和服务对象组成的互动关系，同时大部分的服务是有限服务条件下的行动，因此我们必须要考虑到服务不是一项100%追求服务对象绝对满意的行动，而是符合性价比原则、合理投入产出原则与合理期望和表现平衡的工作。过度推崇服务者的感受，导致资源主导式的不友好行动机制；而过度推崇服务对象感受而不是服务者与服务对象双线满意度平衡，会导致服务者难以持续忠诚服务而形成服务质量的波动。
有国际上的研究显示，商业服务顾客满意度的81分平均分效应与员工的接近分值（比如也能接近81分上下）效应，最具有长期可持续性。即使全球顶级品牌，在持续的服务资源投入下，最典型的满意度波动在75-86分之间。某些领域过度追求过高的服务对象满意度（比如95分），那么不是不容易持续（因为员工满意度在70分以下或者更低将伴随更高的流动率与新员工带来的服务品质不稳定性），就是更容易导致数据真实性（某些考评对象致力于做数据而不是做服务）的问题。实际的双线满意度也会有波动，持续监测有助于我们发现波动的原因并采取相应的优化策略。
“我理解你说的道理，但是我们必须这样做，如果我是98分，都可能在全国垫底，所以我们必须尽一切努力把满意度的分数做到100分，因为考评涉及到我们的全国排行！”一位省级部门的领导这样跟我说。目前，在营商环境、服务质量、治理成效、需求评估等很多领域，发展出了不同层级的国评、省评、市评。当一项评价的结果对于机构绩效评价的作用权重很大，则被考评对象就会尽很大力量试图去影响评价结果，其典型的影响方式就是：直接用动员或者明示劝说暗示威胁的方式去改变测评样本和服务对象的意见；在能自己操作的情况下，直接在系统上改变测评结果，导致更多的100%和99.99%的好评现象；施加作用于第三方评价机构，利用各种合作利益诱因改变结果；透过人脉渠道，直接游说作用于考评机构的决策者。我们经历诸多考评，能充分体会到不能纳入绩效考评体系的测评往往不能产生评促改效应，但是纳入考评体系权重过大，会导致测评工作因压力机制过强而变形。因此，确定有限权重并分散各考评因素的作用系数，则使得相关考评在发挥作用的同时不致因压力过大而变形。
影响测评结果的最核心要素是参评技术还是受测内容？
体系化的评价涉及到指标体系、工作内容的具体点，测评的目的在于发现工作的长短板，因此不同的测评需要体会不同的测评要测的关键内容与测评想达到的最终目的为何。在服务对象满意度这类的测评工作中，测评对象看到测评及其结果，思考如何改进工作的时候，往往还是从自己的专业工作思路出发考虑问题，很容易忽略满意度中还有一部分因素是来自于群体心理、服务资源配置导致的群众有感效应差异及相应的印象分；在预算绩效评价这类工作中，预算执行部门很容易在自己的工作惯性中强调行为的合规性，而忽略民生实际受益情况与客观的建设成效才是关键；在营商环境评价中，不少被评单位强调自己在系统中的无力感，不善于寻找颗粒化行动的着力点。评价工作的关键点就是更多的评价对象在理解了这类评价的目标后，形成追求改变的规划、设计和行动，但还是有很多的公务部门站在自己不变或者很少作为的前提下，以为啥评价也就是一个走过程，还是可以通过所谓的“做工作”改变自己的表现分，而问题的实质面就较难改观。
当然基于系统平台、大数据、留痕与用痕、信息分析、多源资料分析，现在的测评的专业性与技术性有很大的提高与升级，因此要理解透指标的要求。汇集好数据，提供有力规范的佐证资料，确保自己管理的数据的可访问性、对复杂数据要求的模型分析与算法部署能力、多类数据的整合与协同、数据质量提升与低质数据的剔除与优化，这些工作告诉我们就参加测评本身而论也需要有适当的技能、知识和经验，要在梳理做法、学习标杆与接受专业训练的基础上，不断优化相应的迎评能力，提升迎评团队的能力。如果不把迎评当回事、以为老经验就够了、以不变应万变，恰会使得我们很多本已做好的事情没很好反映到测评结果上。
中国数据智能应用峰会
👇👇👇