京公网安备 11010802034615号
经营许可证编号:京B2-20210330
麦肯锡一篇文章警示说:今天对于企业来说已经不是信息时代,而是敏捷时代;稀缺资源不再是信息,而是注意力。尤其对于决策层来说,注意力的碎片化,导致即使你的数据无可挑剔,决策也有可能延迟,甚至失误!幸运的是,《半条命》、《cs》缔造者Valve、英国最大制药公司GSK、世界第二大咖啡连锁零售商Costa,都运用一种新型的组织结构,在利用大数据与管理注意力中找到了平衡。本文旨在为大家介绍三家公司运用这种新型组织结构获得成功的案例,以及相关的数据解决方案。
麦肯锡早在2015年末就发现了这一点。它在《Adhocracy for Agile》一文中明确提出:今天对于企业来说已经不是信息时代,而是敏捷时代。稀缺资源不再是信息,而是注意力!
可能这话听起来有点耸人听闻。毕竟,在此之前,我们接触到的信息,都是大数据为企业带来的激动人心——美国著名赌场集团凯撒娱乐(Caesars Entertainment),利用无处不在的监测系统,搜集了每一位客户订房、用餐、娱乐、博彩等数据,并将它们整合起来,形成了完整的客户档案。在该档案的帮助下,集团不但可以针对客户精准投放优惠——比方说,客户喜欢哪家酒店,就送给该客户那家酒店、那个楼层、那个房间的免费住宿,以提升客户对品牌的终身价值;另外,还能防止集团75000个雇员过于慷慨地乱发福利,减少营销漏洞。
但是,学术研究显示,信息过载会引发个人注意力不集中、作出错误决定等负面影响。这些负面影响也同样存在于组织当中——麦肯锡的工作人员观察到,许多合作过的大型公司都存在着以下现象:
* 分析瘫痪——“人们搜集了越来越多的信息,但却仍旧做不出一个决定”* 无休止的争论* 相比直觉或经验,更倾向于理性、科学的证据
这些现象可能会有损企业的运营,它们会降低决策的速度与质量,甚至消灭创意与生产力。
但是,关于信息过载这事儿,信息本人可能会说——怪我咯?根据事物的发展规律,信息是一定会越来越多的。事实上,美国管理学家和社会科学家、经济组织决策管理大师赫伯特`西蒙早在40多年前就描绘过一个这样到处充满着信息的世界了。同时,他也明确指出:进入到这样一个时代后,稀缺资源就不再是信息,而是注意力了。尤其对于决策层来说,注意力的碎片化会导致如下结果——即使你的数据无可挑剔,决策也有可能延迟,甚至失误!
那么,如何在利用信息与保持专注之间找到平衡?灵活组织结构!
麦肯锡咨询公司建议,我们可以考虑新的企业架构形式——“灵活组织结构(下文以它的英文‘Adhocracy’来代替)”。它是继传统的“层级制组织结构(Bureaucracy)”与“精英制组织结构/能者上前(Meritocracy)”之后,出现的新型架构形式。这种组织结构以注意力的合理分配,杜绝了(信息过载带来的)分析瘫痪与无休止的争论;同时,还很好地将数据变成驱动决策的利器。
那么,究竟什么是Adhocracy呢?
顾名思义,Adhocracy强调的是灵活性,它围绕外部市场机会来协调各项活动,通过实验来做决策,通过成就和认可激励员工。
从结构上来说,我们可以举个简单的例子,假如一个公司有总裁,总裁下是几个副总裁,各副总裁下分别是CXO,CXO下面是各种经理,经理下面是资深业务人员,资深业务人员下面又有助理……这就是层级制组织结构,大部分企业都是这种结构,信息的上传下达都有非常漫长复杂的过程。
假如某公司没有那么多层级,职员被赋以重任凭借的是能力而非资历,就是精英制组织结构,一部分创新型企业采取了这种结构,但依旧还不够。
假如某公司除了一个(名义上的)CEO之外,就是一个个的小组,每个小组负责自己的项目,从创意到验收都独立完成,那么这种架构就叫做Adhocracy。
三种架构形式的区别主要有以下几点:
其中要明确一点:Adhocracy尽管通篇没有一个字眼跟数据有关,但这是应大数据的变动而生的架构,对数据的应用是贯彻始终的。尤其在“实验”这个环节,数据发挥了重要的作用——对于该结构来说,实验分为四个环节:
尝试活动——收到反馈——作出改变——回顾进程
其中,在最开始的“尝试活动”环节就有一个原则——无论采取任何活动,所使用的方法最好都能满足两个条件:
* 让结果可预测和估量* 让结果可供分析
也就是说,从尝试活动到回顾进程,整个“实验”过程都是由数据驱动的。但看到这里,也许你依旧不是很明白,为什么麦肯锡会把Adhocracy与“信息过载解决方案”联系起来,那么,以下三个运用了Adhocracy的企业成功案例,可以帮助我们更好地理解Adhocracy的魅力。
整个公司没有一个经理——Valve Company
说起Adhocracy,就不得不说Valve。Valve可以称得上是世界上最伟大的游戏公司了,即使是从来没有听说过Valve的人,总也听说过《CS》与《半条命》。而这两个风靡世界的游戏,就是由Valve公司推出的。
Valve公司曾经在自己的新员工手册中这么说道:“等级制度有利于维持一家企业的可预见性和可重复性。
它能简化计划流程,并使得管理一大群人变得更轻松,这就是为什么军队会如此重视和强调这一制度。但如果你是一家花了整整10多年来寻觅世界上最聪明、最具有创造力和才华的人的娱乐公司,却让这些人坐在办公桌前对你言听计从,那就等同于抹去了他们百分之九十九的价值。我们需要的是革新者,因此就要为他们创造发展的舞台。”
Valve整个公司就没有设置“经理”这一职位,鼓励员工创建新的项目,或是自由选择项目来入伙。所谓“集团”,就是多部门协同的项目小组。它们存在的主要目的是输出产品,每个人的参与都源于自己对任务重要性的认可。
由于这种灵活的临时小组制度,许多项目都得到了立即的试行,其中诞生了不少伟大的创意,令消费者一玩钟情。Valve的员工Michael Arash曾经在博客中写过:“在游戏行业,最具价值的就是最初的创造性行为……成为市场中的第一个,并且步步为营,让产品保持正反馈才是关键……等级制度并不能提供任何帮助。“显而易见,精英制度由于会产生大量的讨论与争辩,也同样不适用于争分夺秒的游戏行业。
这并不是说Valve公司只看重创造性或直觉,它只是在快速反应与数据价值中找到了平衡点。事实上,Adhocracy中关于“实验”的两个原则(让结果可预测和估量;让结果可分析)就是由Valve创造并写进了其员工手册的。Valve公司的各项目小组也是这样做的,比如在《反恐精英:全球攻势》的发售过程中,小组搜集了个人玩家、专业战队、甚至在线观众们的各种数据,用来调整游戏中的地图、枪支、武器价格、武力值等等,让战争变得更加精彩。有时候,甚至因为某款新型武器在推出后太受欢迎,使得其它武器都黯然失色,而被开发人员故意调“坏”。
但是,由于Valve并不是秉承着“越多越好”的原则,漫无目的、广撒网式地搜集数据,而是在Adhocracy的指导下,永远将“客户反馈”作为决策依据,所以并没有深陷数据沼泽,做到了对客户保持敏锐洞察,对客户的需求保持快速响应。这或许就是《CS》与《半条命》直到今天还拥有诸多粉丝的缘故吧。
百年企业活的像个初创公司——GlaxoSmithKline
提起GlaxoSmithKline,可能知道的人不多,但史克肠虫清、康泰克、百多邦,哪个没有参与过我们的生活呢?也许我们对GSK的中文译名“葛兰素史克”更为熟悉,它是由英国两家超过百年的公司合并而成的,不仅是英国最大的医药公司,也是世界最大的医药公司之一。
然而,这样一个公司,却一点也没有百年传统企业的样子——在GSK,没有过多的层级,所有的科学家都分散在40个独立的“新药发现小组”(DPUs)中,就像一家初创企业一样,各小组独立研发,并且彼此竞争。
这是因为,GSK意识到,如果在一个巨大的公司结构当中,想要创新是非常困难的。而DPUs则更加小型、灵活,它们或生或死,由科学家们的创造来决定。
每隔三年,各DPU还要重新争取一次预算,所以客户反馈对于DPU的生死非常重要。GSK的CRM顾问James Parker说:“我们不仅监控提及我们某款产品的客户,还会跟踪他们在公开场合所谈论的一切,以建立客户档案。“也许这个客户数据搜集计划看起来非常疯狂,但由于GSK将注意力分配到了正确的领域,使得整个企业的速度并没有被数据拖慢,而是有力地驱策了各DPU的研发。
仅用了一年的时间,GSK就推出了四款新药,这个速度是相当了不起的——许多公司很可能将近10年都没有任何产出。
决策的速度比制作一杯咖啡更快——Costa Coffee
2012年,Costa咖啡决定启动一项叫做“Project Marlow“的计划,在全球范围内推行一种新型的咖啡售卖形态:创造一台可以从视觉、嗅觉、听觉、味觉、触觉全方位模拟咖啡馆的自助咖啡机,从五重感官上吸引并满足全世界的咖啡爱好者。
机器被命名为Marlow 200,视觉方面由意大利著名设计公司宾尼法利纳操刀;听觉方面,则由曾为U2、杀手乐队混音的eMixpro首创,使每一台机器都能再现一家繁华咖啡馆的声音;视觉方面,由英特尔、微软技术以及游戏专家Atomhawk合作,实现丰富、直观的用户交互体验;嗅觉则交给奇华顿与Scentys共同打造——我们现在所闻到的各种香水背后都有奇华顿的影子,从奇华顿走出的调香大师包括爱马仕的JCE;味觉方面,由Costa独家负责,提供250多种意式饮品,并且支持个性化定制。
讲这么多是想说明,Project Marlow合作伙伴众多,绝对是一项大型工程,然而它的团队却是精简的:最初只有20人;项目的推进速度更是飞快的:2012年1月,项目立项;同年4月19日,项目正式启动;同年9月20日,试用版准时推出。“工作节奏快到令人不适。“项目负责人Eric Achtmann是这么形容他们的工作状态的。
作为世界级咖啡品牌,Costa在全球拥有2700多家店铺,构建了自己的商业智能平台,也有自己的数据中心。但在Project Marlow这个项目中,他们达成以下共识:
* 放权给离行动最近的人* 利用数据迅速决策,不能超过24小时* 关注结果,而不是行动* 更喜欢寻求原谅,而不是许可
这样一来,就杜绝了在层级式制度中,信息上传下达所花费的海量时间;也避免了在精英制中,因为需要用数据说服同伴,而陷入无休止的讨论与争辩。
2016年,基于Marlow 200的自助式咖啡Bar——Costa Express获得了ISO14001 国际认证,Project Marlow也被伦敦商学院列为分享案例,证实了项目的成功。
与Valve彻底小组作战不同,Costa是在Project Marlow这一单个项目上运用了Adhocracy,但无论是哪种形式,它们的成功,都基于对组织架构与大数据的双重驾驭之上的。既利用了数据驱动了管理与决策,又利用了这一新型的组织架构解决了数据过载带来的瘫痪。麦肯锡公司认为,虽然大部分企业还在从传统的层级制像精英制转型,但或许,灵活组织结构才是我们应该到达的地方。
更加依赖技术?!
麦肯锡《Adhocracy for an Agile Age》一文发布后,关注agile的知名博客Cognitive Surplus发文回应了这片文章。作者Mike Nelson提到,Adhocracy也有自己的局限,会越来越依赖技术。
比方说,Project Marlow每一个决策都不超过24小时,换句话说,他们仅用不到1天的时间,就可以完成收到反馈-作出改变的过程,即便没有信息在各层领导间的上传下达,在传统BI中,这也是不可想象的事情:传统BI必须要设有专门的数据分析部门,以完成数据清洗、建模等过程,需要花费大量时间才能把数据变成报告。《财富》、《forbes》等媒体均认为,在数据增量惊人的今天,传统BI不但不能够帮助企业快速决策,反而会拖慢企业发展的速度。换句话说,为了跟“灵活型组织”匹配,或者,即使不变成“灵活性组织”,我们也需要更敏捷的商业智能!
灵活组织结构强调围绕市场建立项目,围绕客户反馈调整策略,从信息收集到形成决策都强调三个字:快!快!快!
敏捷BI也应当具备以下特点:
* 部署周期短,项目无需等待过长时间,立即可用;* 使用技能低,项目人人都是数据分析师,无需受制于IT部门排期,有能力第一时间针对手中的项目切片进行分析与决策;* 处理数据效率高,消除无意义的重复性工作,让项目保持高速运转。
GSK的CRM顾问James Parker就曾经畅想过未来企业对于数据的应用情境:“最终,企业内部必须要有数据处理能力,把信息整合在一起。企业内部必须要有足够的分析师,理解数据背后的意义。到那时,许多市场部门应该不会愿意花费金钱请外部的顾问或机构来做这件事了。”
从信息时代向敏捷时代转型,对于传统企业来说,无疑并不是一个特别舒适的过程。但唯有洞察趋势、响应趋势、走在趋势前端的人,才有机会成为未来的领军人物。工欲善其事,必先利其器。数据观,助力您全速拥抱敏捷的时代。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19在零售行业大数据分析与精细化运营领域,纸尿裤旁摆放啤酒是最经典、最具代表性的商业案例。两种看似毫无关联的商品,一个是婴幼 ...
2026-08-19 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-08-19在数据分析、业务监控、质量检测与风险管控工作中,数据波动性是衡量数据稳定性、业务健康度、结果可信度的核心依据。数据波动代 ...
2026-08-18很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当导致 ...
2026-08-18在数据分析、业务评价、产品评级、用户分层与综合决策场景中,单一指标往往无法全面、客观地评价事物整体水平。现实中的评价对象 ...
2026-08-18在数理统计、假设检验、数据分析与机器学习领域中,卡方分布(χ²分布)是继正态分布、t分布之后最重要的连续型概率分布之一。 ...
2026-08-17在Python数据清洗、文本校验、账号密码规则校验、脏数据过滤、字符串规整化处理中,正则表达式是最高效、最常用的文本匹配工具。 ...
2026-08-17 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-08-17手游行业具备用户迭代快、竞争激烈、用户粘性易流失的典型特征。随着新游持续上线、玩家审美升级、玩法疲劳等问题出现,存量用户 ...
2026-08-14在数字化产品运营、商业数据分析、业务增长管理中,零散的指标统计无法支撑系统性的业务决策。单一的点击率、转化率、销量数据只 ...
2026-08-14 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-08-14在数据库数据分析、数据清洗、报表统计与业务查询场景中,日期时间是最高频、最核心的基础字段。数据库中存储的日期格式多样,包 ...
2026-08-13在数据统计分析与数据清洗工作中,箱线图是一种简洁高效、客观性强的数据可视化图表,能够直观呈现数据集的分布特征、离散程度和 ...
2026-08-13 很多数据分析师写过无数个SELECT查询,但当被问到“如何新建一张表来固化中间数据”“创建视图和创建物理表有什么区别”“视 ...
2026-08-13在自动化办公、数据采集、定时统计、日志清理、系统监控等场景中,程序往往需要按照固定时间间隔重复执行指定任务,这种运行机制 ...
2026-08-12