正在阅读:

业务线与数据:数字变革的陷阱

扫一扫下载界面新闻APP

业务线与数据:数字变革的陷阱

在利用数据构思自身变革的任务面前,业务线无能为力,束手无策。

导言

数据大众化开辟了新的竞争领域,这既对企业造成了威胁,又为其提供了巨大的创新机会。然而,未将新的信息通信技术纳入核心业务的企业必须大刀阔斧进行改革,这样才能利用自身数据获得竞争优势。多年来,科学管理中心(Scientific Management Center)通过与各行业伙伴的合作,首先使用数据和人工智能确定了决定变革结果的关键因素(反复出现的问题、阻碍、风险等),其次提供了通过人工智能进行变革的方法论,以及整合、普及预测模型发展流程的方法。本文将大数据浪潮置于历史背景之下,与数字变革相关联,文章还将解释许多企业遇到困难的原因并提出潜在解决方案。

埃金·卡扎其 / 巴黎文理研究大学国立巴黎高等矿业学校管理科学中心,副教授

大数据的海啸席卷了各行各业。虽然这一概念(以及其他相关概念,如新人工智能、数据科学和预测分析等)一直让人又爱又怕,但越来越多的专家(以及非专业人士)笃定地认为,任何企业都无法避开这一场数据革命。

在这一点上,他们也许是对的,但这些预言家却说不出这场革命将会如何展开。就我所知,我们还没有任何关于企业在利用人工智能和数据进行变革过程中遇到的困难的优秀研究。让我们以近期引人关注的热门话题“预测性维护”为例。让我们想象一下,你手下工作表现平平的维护经理要应对这一数字变革。通常,他的工作职责包括制定维护计划、监管计划执行、管理干预与风险管控团队等。在众多行业与企业中,这确实是个费力不讨好的苦差,因为维护经理面对的是紧急事件与危险、人手不足、资源有限等挑战,使用的工具(如CMMS)早已过时,被简单的Excel表格或纸质解决方案取代了。

现在,这些经理发现自己身处变革浪潮的风口浪尖。他们参与各数据项目,咨询公司与初创企业对他们呼来唤去,他们每天都听到外来词汇“deeplearning”(深度学习),感到了失控的危险,他们因他人不了解自己的工作而困惑,又因自己都不知道未来将使用怎样的技术而沮丧。我们能指望他们高效、成功地推动这次变革吗?

实不相瞒,在近几年我参加的24个大数据项目中,失败率非常高。这些项目的主题各异,从行业维护到供应链,从保险到法律,从航空航天到交通再到流动性,但遭遇的困难都一样,并且与数据科学无关。既然所有这些项目唯一的共同点就是我,我想我们也许可以揣测,是我导致了这些失败。但接下来,我将试着提出另一种假设。

问题从何而来?

要探寻问题的本质,我们首先必须将大数据浪潮置于其历史背景中。

首先我们要明确,这并不是我们第一次遭遇这样的浪潮。

自上世纪五十年代至八十年代末期,人们目睹了以统计学和运营研究为基础的第一轮合理化浪潮,其后果与我们现在所看到的情况类似。因此,在《八十年代的管理》(Management inthe 80s)中,莱维特与惠斯勒(Leavitt and Whisler)就已经描述了管理的发展,即更进一步地采用“能处理大量信息的技术”,使用“统计学和数学方法”,以“利用计算机程序进行更高阶地思考”。这样的文字竟是在1959年写成的,真是令人惊叹!早在上世纪五十年代,他们就描绘了我们今天的理想:获取信息以改善运营决策,从而创造更好的管理方法。

当然,我们大可说今日已经时过境迁。现在,我们能更便捷地获得更多的数据,而优化的系统和算法也逐渐将局面提升到战略层面。例如,竞争必定会迫使管理人员全副武装应对挑战。然而,这些都只停留在表层。虽然这一现象的规模大幅增长,其本质却基本没有改变。因此,我们有必要回顾一下这些公司在多大程度上利用了这第一轮浪潮来提高自己的竞争力。

回顾历史我们看到,学术界开展了规模巨大的研究项目,企业则迅速成立了内部的数据与运营研究部,招聘当时最优秀的专业人才。然而,虽然科学技术整体有了长足进展,我们却清楚地看到,在过去的30年中,大多数运营研究项目并没有获得预期成效。在1979年的一份文本中(尚未等到可以检验莱维特与惠斯勒关于八十年代管理理想的时期),阿科夫(Ackoff)就宣称“运营研究已死,只是还没来得及埋葬”。同样研究八十年代运营研究危机的文章还有许多。在他的论文中,阿科夫列举了几大根本原因。其中最重要的一点在今天的大数据项目中清晰可见:OR(算法、技术性能标准等)的技术实质和这些工具的融入、组织化使用的背景之间的深刻矛盾。在阿科夫的年代,就像现在一样,大数据专家虽然受雇于企业,也干预其行为,却往往不了解企业的情况,而企业也缺乏必要的知识,无法让这些工具融入到日常运营中。

这样的矛盾往往导致双方在沟通时白费口舌——他们既不明白对方的话语,也不了解对方的关切与目标。

关于企业更新的问题

传统行业里,数据产生于企业运营过程。

企业如果想确定与利用数据相关的因素,就必须先了解企业价值主张与能产生的数据之间关联的本质。事实上,对于谷歌、苹果、脸书、亚马逊这样的企业,数据占据了价值定位的核心:公司的之所以存在,正是由于他们有能力开发出利用数据的技术与方法。与其说这些企业被卷入数字变革,不如说他们从诞生之初就带着数字的本质。而另外的企业——传统的、本质上不具有信息技术元素的企业——则在价值主张中更侧重实体要素(产品、基础设施等)。具体而言,这意味着数据和数据处理并非他们的产品或关键技术的核心。数据至多是存在于他们的支线而非主线产品中,因而通常没有加以利用。对他们而言,数据是鸡肋一般的副产品,判断企业价值与竞争力时,也不会将其纳入考虑。

数据被遗弃,这意味着数据专家无法独立于该企业开展即刻有效的工作。他们并不具备判断这些数据价值(即数据带来的预测结果与收益)的知识技能。在这个过程中,他们顶多扮演配角,不会是主角。要想知道谁占据主导地位,我们只需提一个问题:谁拥有产生数据的过程?

答案显而易见又毫无疑问:企业。

“工作工具”与“运营过程”的双重性

为了越过这个人们五十多年来早已熟知的陷阱继续前进,我们首先要扩大由“大数据”这一概念带来的限制性框架,转而以“数字革命”作为关键概念。

从有着最复杂基础架构和算法的大数据到最简单的纸质资源的电子化,需求都是一样的,而且70年来都未改变:更新并管理信息系统,同时考虑“工具”与“工作”的根本双重性。根本上而言,没有工具就无法工作,工作的重组需要重新设计工具。要想对企业(流程、绩效指标、方法等)进行反思与改革,就必须先对其基本工具进行反思与改革。这一双重性在管理学科领域早为人熟知,现却在当下变得尤为根本,因为大数据使得创新的焦点逐渐从产品转向流程。

在利用数据构思自身变革的任务面前,业务线无能为力,束手无策。

只有企业线能够掌控工作流程与工作工具的紧密双重性,也只有企业线能构思自身的变革。这是一个超越了数据和人工智能问题的观点。但是,正如我们所见,在几十年时间里,我们已经掌握合理化的形式模型(人工智能、运营研究等),以及从更广的意义上来说,我们已经掌握新的信息通讯技术了。我们也许可以期待,企业已经习惯了这一切,并且已经掌握了变革的关键(方式方法、经验、最佳实践、文化等)。

现实中,正是企业线对此无能为力。它越来越不了解自己数据的价值,越来越无法实施策略来设计合适的、能够获得价值的工具与系统,越来越无法管理客户-供应商关系以使用这些工具。这是因为它既不能制定,也不能设计这些工具的使用规则。总而言之,企业已经输在了起跑线上,因为他们根本无法设想自身工作流程与工具的变革。

(文中图片来自网络,版权归原作者所有)

埃金·卡扎其

埃金·卡扎其在巴黎文理研究大学国立巴黎高等矿业学校管理科学中心任副教授,研究重点为创新及技术管理,且在设计理论和人工智能领域都有较深的技术造诣。他的早期研究关注设计理论的逻辑和数学基础,近期,他的研究主题为深度学习模型和设计论证与创新的计算机模拟的生产潜力。自2013年起,他与行业合作开展了一项调查研究,关注人工智能给企业带来的变革以及对企业数据进行估值的科学方法论。

版权:创瞰巴黎 2017

本机构原创内容版权遵循 Creative Commons 协议。

可免费拷贝、分享、散发,但须注明作者与来源,不得改写,不得用于商业用途。

本文图片来源于网络,版权归原作者所有。

本文为转载内容,授权事宜请联系原著作权人。

评论

暂无评论哦,快来评价一下吧!

下载界面新闻

微信公众号

微博

业务线与数据:数字变革的陷阱

在利用数据构思自身变革的任务面前,业务线无能为力,束手无策。

导言

数据大众化开辟了新的竞争领域,这既对企业造成了威胁,又为其提供了巨大的创新机会。然而,未将新的信息通信技术纳入核心业务的企业必须大刀阔斧进行改革,这样才能利用自身数据获得竞争优势。多年来,科学管理中心(Scientific Management Center)通过与各行业伙伴的合作,首先使用数据和人工智能确定了决定变革结果的关键因素(反复出现的问题、阻碍、风险等),其次提供了通过人工智能进行变革的方法论,以及整合、普及预测模型发展流程的方法。本文将大数据浪潮置于历史背景之下,与数字变革相关联,文章还将解释许多企业遇到困难的原因并提出潜在解决方案。

埃金·卡扎其 / 巴黎文理研究大学国立巴黎高等矿业学校管理科学中心,副教授

大数据的海啸席卷了各行各业。虽然这一概念(以及其他相关概念,如新人工智能、数据科学和预测分析等)一直让人又爱又怕,但越来越多的专家(以及非专业人士)笃定地认为,任何企业都无法避开这一场数据革命。

在这一点上,他们也许是对的,但这些预言家却说不出这场革命将会如何展开。就我所知,我们还没有任何关于企业在利用人工智能和数据进行变革过程中遇到的困难的优秀研究。让我们以近期引人关注的热门话题“预测性维护”为例。让我们想象一下,你手下工作表现平平的维护经理要应对这一数字变革。通常,他的工作职责包括制定维护计划、监管计划执行、管理干预与风险管控团队等。在众多行业与企业中,这确实是个费力不讨好的苦差,因为维护经理面对的是紧急事件与危险、人手不足、资源有限等挑战,使用的工具(如CMMS)早已过时,被简单的Excel表格或纸质解决方案取代了。

现在,这些经理发现自己身处变革浪潮的风口浪尖。他们参与各数据项目,咨询公司与初创企业对他们呼来唤去,他们每天都听到外来词汇“deeplearning”(深度学习),感到了失控的危险,他们因他人不了解自己的工作而困惑,又因自己都不知道未来将使用怎样的技术而沮丧。我们能指望他们高效、成功地推动这次变革吗?

实不相瞒,在近几年我参加的24个大数据项目中,失败率非常高。这些项目的主题各异,从行业维护到供应链,从保险到法律,从航空航天到交通再到流动性,但遭遇的困难都一样,并且与数据科学无关。既然所有这些项目唯一的共同点就是我,我想我们也许可以揣测,是我导致了这些失败。但接下来,我将试着提出另一种假设。

问题从何而来?

要探寻问题的本质,我们首先必须将大数据浪潮置于其历史背景中。

首先我们要明确,这并不是我们第一次遭遇这样的浪潮。

自上世纪五十年代至八十年代末期,人们目睹了以统计学和运营研究为基础的第一轮合理化浪潮,其后果与我们现在所看到的情况类似。因此,在《八十年代的管理》(Management inthe 80s)中,莱维特与惠斯勒(Leavitt and Whisler)就已经描述了管理的发展,即更进一步地采用“能处理大量信息的技术”,使用“统计学和数学方法”,以“利用计算机程序进行更高阶地思考”。这样的文字竟是在1959年写成的,真是令人惊叹!早在上世纪五十年代,他们就描绘了我们今天的理想:获取信息以改善运营决策,从而创造更好的管理方法。

当然,我们大可说今日已经时过境迁。现在,我们能更便捷地获得更多的数据,而优化的系统和算法也逐渐将局面提升到战略层面。例如,竞争必定会迫使管理人员全副武装应对挑战。然而,这些都只停留在表层。虽然这一现象的规模大幅增长,其本质却基本没有改变。因此,我们有必要回顾一下这些公司在多大程度上利用了这第一轮浪潮来提高自己的竞争力。

回顾历史我们看到,学术界开展了规模巨大的研究项目,企业则迅速成立了内部的数据与运营研究部,招聘当时最优秀的专业人才。然而,虽然科学技术整体有了长足进展,我们却清楚地看到,在过去的30年中,大多数运营研究项目并没有获得预期成效。在1979年的一份文本中(尚未等到可以检验莱维特与惠斯勒关于八十年代管理理想的时期),阿科夫(Ackoff)就宣称“运营研究已死,只是还没来得及埋葬”。同样研究八十年代运营研究危机的文章还有许多。在他的论文中,阿科夫列举了几大根本原因。其中最重要的一点在今天的大数据项目中清晰可见:OR(算法、技术性能标准等)的技术实质和这些工具的融入、组织化使用的背景之间的深刻矛盾。在阿科夫的年代,就像现在一样,大数据专家虽然受雇于企业,也干预其行为,却往往不了解企业的情况,而企业也缺乏必要的知识,无法让这些工具融入到日常运营中。

这样的矛盾往往导致双方在沟通时白费口舌——他们既不明白对方的话语,也不了解对方的关切与目标。

关于企业更新的问题

传统行业里,数据产生于企业运营过程。

企业如果想确定与利用数据相关的因素,就必须先了解企业价值主张与能产生的数据之间关联的本质。事实上,对于谷歌、苹果、脸书、亚马逊这样的企业,数据占据了价值定位的核心:公司的之所以存在,正是由于他们有能力开发出利用数据的技术与方法。与其说这些企业被卷入数字变革,不如说他们从诞生之初就带着数字的本质。而另外的企业——传统的、本质上不具有信息技术元素的企业——则在价值主张中更侧重实体要素(产品、基础设施等)。具体而言,这意味着数据和数据处理并非他们的产品或关键技术的核心。数据至多是存在于他们的支线而非主线产品中,因而通常没有加以利用。对他们而言,数据是鸡肋一般的副产品,判断企业价值与竞争力时,也不会将其纳入考虑。

数据被遗弃,这意味着数据专家无法独立于该企业开展即刻有效的工作。他们并不具备判断这些数据价值(即数据带来的预测结果与收益)的知识技能。在这个过程中,他们顶多扮演配角,不会是主角。要想知道谁占据主导地位,我们只需提一个问题:谁拥有产生数据的过程?

答案显而易见又毫无疑问:企业。

“工作工具”与“运营过程”的双重性

为了越过这个人们五十多年来早已熟知的陷阱继续前进,我们首先要扩大由“大数据”这一概念带来的限制性框架,转而以“数字革命”作为关键概念。

从有着最复杂基础架构和算法的大数据到最简单的纸质资源的电子化,需求都是一样的,而且70年来都未改变:更新并管理信息系统,同时考虑“工具”与“工作”的根本双重性。根本上而言,没有工具就无法工作,工作的重组需要重新设计工具。要想对企业(流程、绩效指标、方法等)进行反思与改革,就必须先对其基本工具进行反思与改革。这一双重性在管理学科领域早为人熟知,现却在当下变得尤为根本,因为大数据使得创新的焦点逐渐从产品转向流程。

在利用数据构思自身变革的任务面前,业务线无能为力,束手无策。

只有企业线能够掌控工作流程与工作工具的紧密双重性,也只有企业线能构思自身的变革。这是一个超越了数据和人工智能问题的观点。但是,正如我们所见,在几十年时间里,我们已经掌握合理化的形式模型(人工智能、运营研究等),以及从更广的意义上来说,我们已经掌握新的信息通讯技术了。我们也许可以期待,企业已经习惯了这一切,并且已经掌握了变革的关键(方式方法、经验、最佳实践、文化等)。

现实中,正是企业线对此无能为力。它越来越不了解自己数据的价值,越来越无法实施策略来设计合适的、能够获得价值的工具与系统,越来越无法管理客户-供应商关系以使用这些工具。这是因为它既不能制定,也不能设计这些工具的使用规则。总而言之,企业已经输在了起跑线上,因为他们根本无法设想自身工作流程与工具的变革。

(文中图片来自网络,版权归原作者所有)

埃金·卡扎其

埃金·卡扎其在巴黎文理研究大学国立巴黎高等矿业学校管理科学中心任副教授,研究重点为创新及技术管理,且在设计理论和人工智能领域都有较深的技术造诣。他的早期研究关注设计理论的逻辑和数学基础,近期,他的研究主题为深度学习模型和设计论证与创新的计算机模拟的生产潜力。自2013年起,他与行业合作开展了一项调查研究,关注人工智能给企业带来的变革以及对企业数据进行估值的科学方法论。

版权:创瞰巴黎 2017

本机构原创内容版权遵循 Creative Commons 协议。

可免费拷贝、分享、散发,但须注明作者与来源,不得改写,不得用于商业用途。

本文图片来源于网络,版权归原作者所有。

本文为转载内容,授权事宜请联系原著作权人。