后疫情时代，数字化转型路在何方？

作者|丁少华来源|管理的常识(ID：Guanlidechangshi)

近些年来，数字技术正以惊人的速度改变我们的工作和生活方式，疫情的到来更是加速了这一进程，倒逼中国企业纷纷拥抱数字化，将数字化转型上升为必须落地的战略之一。

但这其中绝大部分企业，都对于如何打造数字时代组织能力缺乏必要的认知，总是陷入混乱和迷茫，怎么办？

本文作者提供的“数字化之法”为大家提供一个清晰的数字化转型路径。以下，Enjoy：

（图片来源：摄图网）

数字化之法，即“1024”之法：

“1”是一个共同的目标，是企业数字化转型过程中的目标管理方法OKR（Object and Key Result）；

“0”是“精益”企业数字化转型，即转型过程中的零浪费；

“2”是企业数字化转型的日常工作常用到的两种方法论持续迭代交付和创新设计思维；

“4”是企业数字化转型工作的“四步曲”业务处理流程化，流程管理数字化，流程执行自动化和业务决策智能化。

共同目标

企业的数字化转型是个长期过程，期间还可能有很多反复。这个过程要想有效推进，既要在企业内建立广泛的共识，也要平衡好中长期战略目标和短期经营效果，OKR是比较符合上述要求的目标管理方法。

OKR，即目标和关键结果管理，是目标管理（Management By Objective，MBO）的改进版。

与传统的目标管理相比，OKR有以下几个特点：

1.愿景和目标导向

OKR中的“O”指的是企业的经营目标，“O”必须是一个方向性、全局性的经营目标设定，要能对业务价值进行精准、简单、易懂的目标化描述。

2.符合SMART原则

目标要能可管理，就要符合SMART（特定（Specific）、可衡量（Measurable）、可达成（Attainable）、相关（Relevant）和明确完成时间（Time-bound））原则。OKR在SMART方面的要求主要通过关键结果（KR）的设定来体现。

3.共识性原则

OKR必须是团队全体成员共同讨论而确定的。这里的全体成员包括客户、管理者和一线员工。

4.目标对齐

OKR还必须具有层次和逻辑上的相互关联和支撑。员工个人的OKR是从团队整体的OKR中衍生出来的，团队所有成员的OKR总体形成具有严密逻辑关系的OKR地图。

OKR的推行还必须符合持续迭代的原则，每一次OKR的推行是一个经营周期，这个周期一般以月度或季度为单位。在每一个OKR周期中，包括创建、精炼、对齐、定稿、发布、执行、复盘7个环节。

共同目标OKR

精益转型

所谓精益转型，就是精益思想在企业数字化转型中的应用。

在企业的精益化转型过程中，需要关注和落实好以下几个方面的要求：

1.团队合作

打造团队精神，提升管理者的个人领导力，为团队建立一个共同的愿景和目标，促进学习、分享和主人翁意识，消除团队认知中的模糊地带，提高团队的协作质量。

2.数据驱动

一切以数据说话，数据是设计客户互动活动和指导业务决策的基础。企业的数字化过程要注重数据收集、分析、学习、计划，实施和重新分析，并基于数据洞察为消费者创造最好的体验。

3.基于“最小可行性产品”来做快速迭代。

快速尝试，将失败提前到早期，在失败中学习。

4.快速交付更多的价值

通过多个快速交付周期和不断学习，使用指标管理来建立高绩效团队。快速让企业更具备竞争力，并有机会赢得比赛，还能激发创新思维。

5.客户至上

以客户体验为中心，了解目标人群和客户体验旅程，识别对其有价值的东西并设法满足其需求，始终如一地提供完整的用户体验。

企业数字化转型

用到的两种方法论

1.持续迭代交付

假设人们去一家酒店吃饭，点了8个菜。大体上，酒店有两种上菜方法：

方法一，先在厨房分别把那8个菜全烧好，然后一行性端到饭桌上；

方法二，在厨房里挑一两个烧起来比较快的菜，烧好后就端到饭桌，以后每烧好一个菜就马上端到饭桌上。

从方法论的角度看，前一种上菜方法叫“瀑布法”，后一种上菜方法叫“敏捷法”。

采用“瀑布法”上菜，酒店的管理比较简单，店小二也不用频繁来往于大堂和厨房之间，但是吃客要等很长时间才能吃上菜。

采用“敏捷法”上菜，酒店方的工作量自然是加大了，但是吃客可以马上吃上菜，酒店方还可以及时咨询吃客对菜品的评价，以了解吃客的口味和偏好，供厨房在烧后续的菜时参考。

企业的数字化转型工作需要的是“敏捷法”，即持续迭代式交付转型成果。

持续迭代交付

在敏捷式数字化转型中，企业把数字化转型的愿景分成多个迭代周期的周期性小目标。在每一个迭代周期内，又分为现状评估、需求分析、方案设计、开发测试和部署反馈等几个阶段。

在每一个迭代周期的初期，先回顾上一周期的效果和不足，再在本周期内进行进一步完善。

2.创新设计思维

企业转型不是一个一蹴而就的过程，同样，创新思维也不是简单的“灵光乍现”或“第六感”。如果想将创新思维变成一种规模化、群体性、可重复的工作，还需要有创新思维方法论的支持。

在快速变化的数字化时代，这个创新思维方法论应该具备以下几个原则：

1）以人为本，从消费者心理、动机或痛点出发；

2）支持跨组织、跨职能的团队协同；

3）快速迭代，尽早、尽快失败，在失败中获得真知；

4）精益，通过最小可行性产品，以最小的代价获得真知。

为此，很多教育、咨询或服务机构开发了各种创新思维方法论，比如SAP公司开发的创新思维方法论，该方法论由3个阶段、9个步骤组成。

三个阶段，依次是：

“发现阶段”，包含理解、观察、共识3步骤；

“设计阶段”，包含构思、原型、验证3个步骤；

“交付阶段”，包含开发、测试、部署3个步骤。

3个阶段、9个步骤可以来回重复进行，如在验证步骤中发现有错误或遗漏，将可能需要回到“发现阶段”。

SAP公司的创新思维方法论

在上述方法论中，要求当事人用同理心（Empathy）去理解和观察消费者的行为，以从中识别出动机或痛点。

在“发现阶段”，当事人一定不能有成见或“夹带私货”，不能“师心自用”，有点类似于乔布斯倡导的“Stay Hungry，Stay Foolish”。

在“好为人师”的成功商业人士那里，这其实是很难的。

四步曲

企业数字化的目的是赢得更多的市场机会和提高运营效率，其四步曲是：

业务处理流程化

流程管理数字化

流程执行自动化

业务决策智能化

把数据当成企业的战略性资产的指导思想贯穿业务的始终，同样也遵循信息生命周期管理的规律，即从业务到数据，从数据到信息，从信息到知识，从知识到洞察，从洞察到决策，从决策到行动的数据管理PDCA循环。

业务智能化与数据全生命周期管理

数据的生命周期是企业行为的表征，企业从业务执行中获取数据，然后再转化为信息、知识、洞察和决策，进而指导企业经营目标的设定和达成计划的制订，并全程作为组织沟通和协调的主要形式。

数据全生命周期的实现和应用水平如何，可以在一定程度上揭示企业信息化建设水平或成效的高低。

1.数据

将业务执行的情况予以数据化，以便于后续的处理和加工，这是数据生命周期的第一阶段。人们通常用准确性、完整性、及时性维度来评价业务数据化的程度。

准确、完整、及时，这6个字，看似简单，却能凭其立刻判断出企业信息化水平的高低。

有的企业，业务数据的采集主要由人工录入来完成，其所能采集的数据量非常有限，采集的数据恐怕连业务的1%都不到，怎能反映业务运行的全貌？

有的企业，库存收发数据的录入要次日才能完成，其及时性怎能满足计划和调度的要求？

有的企业，财务月结和报表要次月底才能出具，谈何支持企业决策？更不要说“garbage in，garbage out”之类有关数据准确性的老生常谈。

如此种种，都与业务数据的准确性、完整性和及时性等数据质量问题息息相关。

物联网、人工智能、大数据等技术的成熟应用，可以帮助企业大大提高数据在准确性、完整性和及时性方面的质量问题。

物联网可以实时、自动地采集产品使用、设备运行、环境状态、物料位置等数据，人工智能可以识别语音、图形、影像等数据，网络爬虫、文本挖掘可以大大提高企业对非结构化数据的采集和加工的效率。

即使有这些技术做支撑，业务的数据化，以及数据的准确、完整和及时是企业信息化建设中永远走不完的“长征”。

2.信息

数据的信息化，就是在一定的时间和空间下，将数据与企业中的业务对象，比如客户、渠道、产品、流程、组织、人员、设备等，进行关联，换句话说，特性背景下具有相关性内涵的数据就是信息。

数据+关系（Relationship/Relevance）=信息

在数据转化为信息的过程中，如何识别强相关性，如何排除数据中的“噪声”，是非常重要的，否则信息的质量就将大打折扣。

举例来说，如果要评价一个企业的销售业绩，单看其销量增长是不够的，更要看其市场占有率的增长。

如果一家企业的当月销量比上个月增长了10%，这似乎是不错的，但如果全行业当月销量的平均增长在15%，那其实这家企业的销售业绩是比较差的。

其背后的原因就是，相比销量增长，市场占有率的增长与销售业绩的相关性更高。

由于采取相关性不强的信息，很有可能导致企业做出错误的推测和决策。

21世纪初，美国的次债危机就是因为采用了相关性不强的信息来做金融决策所导致的后果。

为此，纳特·西尔弗（Nate Silver）写了一本专著《信号与噪声》，来描述采取质量或相关性低下的信息来做决策所导致的灾难，这就牵涉对数据的下一个生命周期阶段知识的理解和掌握，因为对信息的掌握还不足以支持企业的决策行为。

3.知识

信息的知识化，即如何识别信息背后的范式或规律（Pattern），这种范式主要指的是事物之间的因果关系。

在实际工作中，笔者经常被问起类似这样的问题：如何对业务数据或报表进行深入的分析？

就属性而言，信息大概有两类，一类是表示原因的，另一类是表示结果的。

信息的知识化，就是要将信息进行分类，并进而在“原因类”信息和“结果类”信息之间找到或建立因果的逻辑关系，这就需要用到两种分析技术：

描述性分析（Descriptive Analytic）

诊断性分析（Diagnostic Analytic）

尤其是后者。

描述性分析内容包括噪声监测、数据簇或样式划分、数据分布、均值和标准差分析等，这需要有大量的统计学知识做支撑。

诊断性分析则是描述性分析的进一步深化，它探求的是事情是怎么发生的，为什么会这样发生，亚里士多德的“四因说（形式因、质料因、动力因、目的因）”可以援为理论指导，鱼骨图分析则可以作为一个工具支持。

描述性分析关注的是事物的What、Who、When、Where和How Many/Much，诊断性分析则还进一步关注事物的Why和How。

由下图可知，信息向知识的转化，其实就是描述性分析进而诊断性分析的应用过程。非常可惜的是，很多企业对数据的应用，至多到描述性分析阶段后就没有深入下去或深入不下去了，其信息化建设的成效也就可想而知了。

诊断性分析

4.洞察

如果说从数据到信息，从信息到知识，其关注的是过去，是企业中已经发生的事情；而从知识到洞察，则是关注企业的未来，即企业即将可能发生的事情，或者说是对未来的预测和判断，其主要应用形式是：

预测性分析（Predictive Analytic）

规则性分析（Prescriptive Analytic）

预测性分析是根据过去的情形和趋势来推测未来变化，其理论和技术支撑是统计性推理和线性回归等统计学模型。

随着机器学习和人工智能技术的发展，除了统计性推理模型外，决策树（Decision Tree）、支持向量机（Support Vector Machine）、神经网络（Neurol Network）、随机森林（Random Forest）等新兴计算模型的应用日益广泛，并催生了预测性设备维护、预测性质量控制、预测性安全管理等业务应用场景。