Search
  • Mercy Shao

人機協作的必殺技:商務運算思維



幾個月前,麻省理工學院和一家獨角獸企業舉行了一場黑客松。這場活動的目的是要解決該企業高階經理人所面臨的商業問題,而參加者必須用AI和機器學習技術解決問題。整場活動是允許高管親自參與和動手實作的,時間只有24小時,現場氣氛非常的緊張,大家輪流睡覺和coding。其實參與黑客松的高管們完全沒有coding經驗,但很快的,這群高管的思維開始與工程師同步,並產生了認同意識,他們開始使用工程師的邏輯在思考。然後每個團隊真的在現場寫了些程式碼、建構了應用程序。


就像所有解決方案一樣,整個思考架構為「輸入→流程→輸出」。我們要思考的是「具體要輸入什麼」,而「操作流程」和「產出東西」基本由系統支援。這群參與活動的人員,在活動後被分派到指定的部門去,對該部門進行解構與改變。由於他們歷經賦權與賦能,他們獲得了更多的自信與能力,因此創造了令組織滿意的轉型績效。這當中成功的關鍵就是「運算思維(Algorithmic Thinking)」。

運算思維─非電腦科學專業的人必須懂的技巧

計算機思維(computational Thinking)代表了一個機會,將計算機科學轉化為實際的業務;而運算思維(Algorithmic Thinking)則是一態度和技能,不需要實際了解每個辛苦coding的過程或複雜的演算法的步驟,我們可以將一個大型又複雜的問題系統化,分離關注點、適當的表述問題、用可行的方式解決問題。

這不只適用於提高效率或單純讓工作變簡單,這是對組織的防護,能夠幫助組織在最壞的情況下恢復、遏制錯誤繼續擴大、幫助決策者擺脫不確定性、幫助團隊擺脫癱瘓。運算思維是關於框架、領導力和管理,以便團隊用思維串聯所有的數據和科技,幫助組織在機器學習、AI、生物化學等科技領域中獲益。

商務運算思維四基石:DPAA

計算思維基本由四個區塊組成:分解(Decomposition)、模式識別(Pattern recognition)、模糊化(Abstraction)、演算法(Algorithms)。

分解的意義在於將複雜的問題或系統縮小,讓問題變得更容易解決。縮小問題的過程會進行多次的分解,直到我們找出可以處理的大小,接著逐個擊破,然後再重組。以我自身的經驗而言,在組織轉型及系統開發工作當中,常常會發現傳統業務模式會無法崁入科技應用、破壞數據蒐集流程、員工抗拒轉變…等各種問題,所有的問題環環相扣,盤點到最後,形成複雜又難以處理的大型災難現場。曾經一位策略長建議我,將商務流程圖畫出來後,再將每個階段分解、按邏輯細胞化,問題就變得相當清晰和單純。當然,業務流程要用哪種維度為主軸、後續要有多少職能的人參與問題解決…等又是另一門學問。

模式識別是在分解後的問題內或問題和問題之間尋找相似之處。舉例而言,各事業單位(Business Unit)或是每個部門之間,可能共同存有溝通問題、技術能力不足問題等等。以溝通問題而言,可以將需求表單格式並線上話,以引入Goal-plan-action理論、SPIN架構等。當然,生成問題背後的原因也可能五花八門,若意識到這點,可能可以再回到上個步驟進行再次分解或往下個步驟進行模糊化。

第三個步驟是專注於真正重要的關鍵問題,忽略對解決問題無關的細節。因此被模糊掉的是旁支末微、對解決問題沒有幫助的細節,以便於讓關鍵問題的輪廓更為鮮明。我有位朋友經營自己的影音平台,在他開站前有一位合夥人,針對各種的細節猶豫不決,於是我朋友只好一直不斷不斷的提案。在聊天的時候,我問他,現在能推動事情前進的關鍵下一步是什麼?有這位合夥人的差別和沒有這位合夥人的差別在哪裡?和對方合夥到好處以及拆夥的風險為何?再隔兩天,他就告訴我他要自己獨立創作了。能夠面面俱到、事事周全固然很好,但面對複雜又大型的難題,需要更聚焦在關鍵問題上。這種取捨相當考驗決策者的智慧、眼光與勇氣。

最後一步,就是針對上述的問題,創建解決問題的步驟,最好是一個 step-by-step solution,然後制定原則。這個流程被麻省理工學院定義為演算法,並非需要決策者或策略人員使用機器學習或數據分析的電腦技術,而是像個工程師或數學家一樣,使用邏輯力制定解決問題的步驟與原則。

人機協作,讓組織再進化


在數位經濟時代裡,好的人機協作才能協助組織發現並獲取更多的機會。工程師或機器訓練師是透過演算法連接數位世界和物理世界,在系統開發或數據建模的過程中,必定經歷過分解、模糊化、演算法最後達成一致性(consilience),以協助機器根據一致的規則處理資訊。在商務實作上,用一樣的邏輯與流程進行數位轉型,就能在管理和流程上達到高度的人機協作。如此,在數位經濟時代中,就更能夠訪問外界的開放資源,以另一種競合策略發現或開創新商機。