员力觉醒：数据分析与智能机器学习的结合

结构决定功能，因此要理解一个系统，往往只需要知道其结构就可以了。智慧企业的系统结构对应于在企业组织结构之上所构建的流程。组织是静态的，运营是动态的，连接组织与运营的便是流程了。因此流程不仅是传统意义上创造价值的过程，也是运营作用在静态组织之上，为企业构建出的一种内部关系，即企业这个系统的系统结构，系统结构为适应系统环境而生。

在过去，对于大多数管理者来说，对企业结构的描述似乎就等同于画出一幅层级形式的组织结构图，并且标明了所有职能部门的名字，故而简单地认为，基于组织结构图便可以明确各部门的职责以及层级间的关系。这种思维的根本出发点是方便管理，即能够清晰地描绘出谁是领导、谁向谁报告，而并非流程这一真正创造价值的企业活动。所以长期以来组织是死板的、流程是固定的，导致运营面对多变的环境必然盲目。企业运营管理的根本目的是通过高绩效的流程来满足用户的需求，但静态的组织结构直接忽视了最重要的内容——用户，更不必说企业运营过程中的其他利益相关者了，因此运营难以与组织结构相匹配，这是运营管理失效的最重要原因。

分析系统结构是企业多脑协同运转的动态活动，若要使动态的运营与企业静态的组织结构相匹配，打造高绩效的流程，必须使多脑协同组织全员参与到“分析”这一过程中来。分析是“一切从数据中来，一切到数据中去”这一过程的真正体现。数字化能力是企业的五官和神经，实时流淌着的数据使得企业能够实时参与感知，单元脑、中心脑和企业脑随即“分析结构”，分析这一过程，只有拥有多脑协同的层次结构才能与被分析的结构相匹配。

从前，数据是散的，零碎的数据很难发挥出真正的价值，这也是企业在拥有大量数据的同时对数据的需求却难以满足的原因。分析数据必须将数据放到一个有效的框架中，才能发挥整体的价值，这个框架与企业多脑协同的组织结构是对应的，同时也与流程作为“系统结构”的角色相匹配。这意味着分析的过程并不是简单的数据决策支持，那种基于商务智能而自动生成报表、分析数据以供各级业务决策者参考的模式已经过时了，取而代之的是上一小节所描述的人机结合的模式参与到企业运营管理中。

我们可以这样理解，过去的数据是没有层次的，我们只能采取上卷或下钻的方式满足不同层面的数据需求，根本原因在于企业只有一个决策的“脑”。多脑协同的组织必须由人机结合来打造的关键点在于，机器所装备的智能算法使得数据具有了层次，或者说使得各级的决策者手中用来支持决策的资源不是一纸相同的数据，而是直接面向该层级的结果信息。我们可以这样形象地理解：这些信息好比为企业构建起有效流程的砖块，有打地基的砖、有堆围墙的砖，也有建房顶的砖。你只要堆积足够多的砖块，然后退后几步，就能看到一座完整的房子。

若要看到这座完整的房子，多脑协同的全员参与是必要的。全员参与的优势在于，使得企业运营管理能够站在整体的视角去看待流程。过去企业执着于改进流程，实际上也只停留在“单元脑”的层面去解决企业从生产到销售过程中某一局部的问题。于是，自下而上的汇报与自上而下的命令成为企业运营管理的常态，却也是企业运营效率低下的根本所在。系统论强调，部分只能影响结构，只有整体才能决定结果。因此，调动起“三脑”协同运转，是运营管理的基本要求。(www.xing528.com)

多脑协同分析是系统论思想在运营管理过程的核心体现，并且直面运营管理面对复杂多变环境的失效问题。

一方面，不同层次分析流程能够覆盖企业这个整体：如果感知对象是企业内部发生的问题，那么在单元脑层次发生的问题同时也被中心脑和企业脑尽收眼底。企业最基层的业务单元不会显得支离破碎，在某个环节发生的局部问题可以在局部（单元脑）被解决，也可以在更高层次（中心脑和企业脑）被解决。这取决于运营管理问题的复杂性和发生的频繁性。越是复杂、频繁发生的问题，越发需要高层次的分析能力。如果感知对象是企业的终端用户，那么每一个脑都会分析用户的变化，进而从不同层面改变流程以适应变化。这取决于企业感知的用户的变化程度，越剧烈的变化越需要高层次的分析能力。

另一方面，随着企业的运营网络越发复杂，企业的环境变化却越发迅速，这就要求企业能够针对内部问题或者用户变化来快速解决问题，就好比我们在大数据时代强调，问题的原因可能并不重要，找出相关关系来解决问题即可。多脑协同所呈现的层次感使得企业能够从不同的视野解读数据，快速找出相关关系的关联所在，进而能够快速更新，打造高绩效的流程。

从宏观的角度来看“分析”这一过程，单元脑层面的分析最为简单，或者说最为频繁，最容易沉淀出知识资本，进而被“信任流”指导实现自动化；而企业脑层面是企业运营管理的最高层次，一定程度上统领企业运营管理的过程，或许是企业管理中最后实现自动化的过程。但在尚未实现自动化的阶段，并不意味着企业没有“智慧”的能力。人机结合的组合，使企业在不确定性面前有了空前的自信，这是一个日益智能化的过程——智能算法会将机器的思维训练得越发与最精英的运营管理者思维相似，甚至超越——即使在很长一段时间内，机器没有从信息中沉淀出知识的能力，但依旧能够将流程的数据分析为代表企业增值能力的价值信息，将用户的新需求分析为代表结果的预判信息，并呈现在管理者面前，管理者只需做最后的适应性分析，画龙点睛。而这一画龙点睛的过程反过来亦被智能的机器学习，它们会不断地尝试进行适应性分析并将结果呈现给管理者。我们相信，管理者终将“信任”它们。