可以自由选择工作岗位吗？
自由选择工作岗位是组织管理咨询顾问近来常提到的一个概念，声破天公司的运营经验就是这方面的一个成功案例。作为全球最大的正版流媒体音乐服务平台，声破天将敏捷的团队组建（例如组建Scrum敏捷开发）、精益经营管理（例如丰田Kanban看板管理）以及体现企业民主元素的自组织等应用于企业组织构架，并取得了令人印象深刻的效果。
声破天的1400多名技术人员自由组成了十多个工作小组。每个小组都对最终产品的一部分负全责，并且他们可以在所辖范围内自主地为产品研发新功能。为了最大限度地提升每个小组的发挥空间，团队都是由跨学科人才组成的。每个小组都要摸索着去工作，就像在一个小型初创企业中一样。小组内不设传统意义上的负责人，而是实行产品经理制。团队内设一个敏捷教练（Agile Coach），确保团队执行原则纪律。每一个团队成员都可能做出决策，只要其他成员认同他的想法即可。
工作内容相同或者相近的小组，比如负责音乐播放器和负责后台设施的小组，又同属于一个大组。根据邓巴数字（亦称150定律，即个人能够维持稳定社会关系的理论人数上限值），每一个大组的人数最多不超过150人，否则将引起组织混乱。一个大组内的小组会定期开会，交流信息，并达成涉及每个小组的决策。1/10左右的工作时间将投入到跨小组的项目研究。
此外，各小组的专家也会定期坐下来交流探讨，在企业经营或者某一产品层面，研究课题和工作设想还是要具有一定程度的一致性的，比如在产品测试方面。这些专家除了属于某一小组外，还共同属于公司内部另一个部门。这个部门负责大组间的联动和指导，负责向各大组传导公司的全面信息。最高级别的组织者是系统管理人和总工程师，若小组要对系统进行较大幅度的修改，则需要经过他们的同意。有趣之处在于，拥有领导头衔的组织者享有的主要是建议权，最终的决策还是由小组做出的，因此小组也需要最终对决策的成败负责。
声破天公司的成功证明了上述组织体系是具有合理性的。这家瑞典的初创企业为用户提供了产品使用便利，全球有上千万的用户每月支付大约10欧元付费使用。声破天公司优化客户数字化体验的速度之快，令同业竞争者叹为观止。许多来自其他行业领域的初创企业仿照或者直接移植了声破天公司的组织模式。我们对这方面的研究具有极大兴趣，我们将这个看作经营创新的源头，同时也是思想灵感的源泉。
我们都明白，在可预见的时期内，大部分大企业不会采用这种组织体系。这种激进的自组织文化在西门子、大众或者德意志银行这种规模的企业内部也不会掀起波澜。但同时我们也认识到，在多数企业集团内部，现行的组织形式限制了创新思维的发挥空间，生产流程过于僵化，行政管理过于强硬，这导致了很多企业将主要精力耗费在内部，而忽略了市场研究。
在我们的印象中，在这方面，前些年的大数据推动者似乎扮演了一个自相矛盾的角色。他们让人们感觉似乎不用改变企业内部的组织构架和本来流程。而现在，我们已经掌握了最新的技术手段，它昭示了我们必须去做什么——我们要去掌握技术，然后直接把数据扔进分析机器中，等待数据分析的结果。然后我们就可以利用这一结果去优化既存的组织构架和流程，优化中间产品和成品，完善物流、营销、经营和客户服务。
如果没有组织结构的优化和良好的变革管理，大数据就是一纸空谈。
情况有可能比空谈还要糟糕。为什么在过去几年，那么多打着大数据旗号的大项目以失败告终，令很多人失望？这是有原因的，就是我们所谓的数据分析机器还没有真正寻找到智慧之石。在这一点上，智能数据选择了折中的路线。
智能数据的折中路线
要为示范性项目在组织架构和流程上松绑。一座灯塔如果没有电、没有灯就不可能发光。一个项目也是同样的道理，如果没有必要的资源，那么从一开始就注定了失败。
智能数据理论承认大型企业是需要组织构架和流程的，想要在一夜之间改变这点，既不现实也不值得期待。同时，高管层如果想提高企业的数据分析能力，那么他们就需要为数字化项目提供足够的施展空间。在实际操作中，这意味着要为示范性项目在组织架构和流程上松绑。一座灯塔如果没有电、没有灯就不可能发光。一个项目也是同样的道理，如果没有必要的资源，那么从一开始就注定了失败。
企业高管信服并关注这一点的必要性，我们认为再怎样强调都不为过。事实上，企业高管层也有意愿去探索新的道路，只不过结果总是不理想。我们看过很多由高层推动的数字化项目，他们期待项目能够有一个好的结果，但往往被以下情况所耽误：
☆一个行动缓慢、人手不足的营销团队，满足于完成基本任务；
☆一个主要由“白领”组成的外勤队伍，对集中管理反应过度；
☆一个缺乏灵活性的IT部门，负责运营老旧的客户关系管理系统。
专业能力强、工作热情高的项目经理都有过这样的失意经历。但是最终他们往往能够获得全新的认识，由于企业中不同的股东对成本筹划的认知逻辑截然不同，他们很难具有统一的经营目标，此时客户往往被置于边缘地位。认识到这一点后，以后就能做得更好。
数字化变革中的“四步走”
第一步：引入智能数据循环流程，开始进行变革管理
公司董事会或管理层必须建立一个清晰的认识，即通过利用数据分析，我们可以使业务发展得更好。数据分析本身并不是摇钱树，它只是整合了跨部门、复合化的团队，并保障这个团队拥有（本书第二部分提到的）智能数据流程顺利运行的时间和资源，为团队实行数据驱动下的市场营销提供手段。高管层中至少有一位成员需要参与到团队中，或者说，必须要有一位高管加入团队。
在智能数据团队中大家都清楚，在数字化变革过程中，团队中是否有一个良好的变革管理，会影响团队中关键成员迈出变革的第一步。一些企业的内部具备变革的良好条件。在促进变革措施落地时，外部因素也很重要。简而言之就是，我们必须通过变革管理提前统一股东们的认识，尤其是对持怀疑态度的股东，不仅仅只是告知他们，而是要为进行试验流程奠定一个统一的思想基础。
我们必须通过变革管理提前统一股东们的认识，尤其是对持怀疑态度的股东，不仅仅只是告知他们，而是要为进行试验流程奠定一个统一的思想基础。
第二步：调整激励方案，以客户为中心
智能数据之路的最终目标是实现以客户为中心。我们只有在激励方案中将客户置于核心位置，才能够在智能数据之路上取得进展。
我们可以想象一下，在一个更加完善的市场和运营环境中，再没有佣金或者手续费的概念，而只有固定薪资概念。一名员工会尽自己所能地为客户提供咨询，因为他知晓这样做会提高客户的长效价值贡献，有利于企业的长期经营，而他自己也会从企业的长远发展中获利。
在一套自学习系统真正显现其效果前，它其实需要逾越很多人性障碍。
让我们从想象中回过神来。企业的激励方案应该着眼于客户长效价值的提高，而不是像现在一样关注短期营业额。一个员工如果能够提高客户的口袋份额，或者营销了售后服务产品，那么他就应该获得奖励。如果有哪位员工还是满足于向存量客户出售基础产品或耗材，那么对不起，他将无法获得额外奖励。
换句话说，我们需要检验结果，这也符合数据驱动下的企业管理的内部逻辑。
原则上，激励方案的设计，需要鼓励在数据分析方面的投入。有些人会质疑这样做的必要性。当数据分析切实为企业带来了增效，企业管理人员就会注意到，并且自然就会使用数据分析系统。从理论上看，这样说是有道理的，长期以来我们也是这样希望的。我们通过其后很多智能数据项目了解到，在一套自学习系统真正显现其效果前，它其实需要逾越很多人性障碍。正如所描述的那样，所谓智能数据流程，就是有规律性、有意识地去探寻新的事物，这些事物可能经过三次优化之后才会优于既存事物。想要获得机器的辅助，意味着要锲而不舍地探索，也意味着每一个员工必须放弃一部分的对机器的自由选择权。
在情感层面上对此有抵制情绪是人性使然，只有通过坦诚有效的沟通才能解开心结。否则，对数据分析的抵制情绪最终会导致哪怕是最有希望的数据项目以失败告终，而此时，项目创造增值的效果还未得以显现。
第三步：智能化地配置资源，培养人才
在本章的开头我们就谈过，自愿选择工作岗位这种方式对绝大多数大企业来说都不现实。但这也不能一概而论，团队组建与企业普遍的组织架构相冲突的情况也是可能存在的。
在智能数据企业中，智能化地配置资源首先意味着要为试验提供条件。员工们自由选择加入复合化的项目组，是为了在数据科学家的帮助下掌握更多数据分析能力。组员由各年龄段的人组成，他们想弄清楚，如何独立设计控制组试验，如何预测建模，以及接下来如何规范分析，这些对他们的工作领域来说都很有意义。组员们需要榜样和自由发挥的空间。在美国公司里，这个自由空间被称为“沙箱”，在这个空间范围内，市场营销人员完全可以接触到企业的全部数据库。在理想的情况下，组员们还可以设想并施行更大规模的市场营销方案，而不用提前请示任何人，只要这个方案不与这家企业的基本理念相悖即可，就像声破天公司那样。
在这方面，我们也经常会听到反对的声音。比如，即便我们这样做了，得到的也只不过是一些彼此毫无关联的市场营销方案，我们也不知道这些方案将给我们带来什么，会不会产生恶性效果。实际上，如果没有一个大的方向，那这确实是危险的。这就是说，数据化创新必须要有一个具有可比性的衡量标准，这个标准是基于相同的客户理解及客户分类的。对每一个创新流程来说，这都是指导性原则。基于特定的分析思维逻辑，以衡量标准为前提，创新行为才会具备可比性和互补性。在创新的可比性和互补性方面，也需要有竞争，这样，项目才能越来越智能化地迭代。竞争的结果非常符合“二八法则”，我们曾检验了100种市场营销方案，根据之前定义的评价标准，其中8个特别成功，12个很成功，剩余的80个方案被中止，因此我们就没有继续追踪。
数据化创新必须要有一个具有可比性的衡量标准，这个标准是基于相同的客户理解及客户分类的。
总结一下就是，在每一个智能数据项目中，我们都要寻求一种平衡。既要让员工有足够的空间去进行智能化的数据试验，同时也要坚持指导性原则，确保每一次尝试都是遵循一个统一的框架，围绕统一的目标开展的，并且，从每一个方案中获得的经验教训可以为接下来的项目提供借鉴。
第四步：智能化地引进技术
如果我们想有朝一日能够捉住浩瀚数据海洋里的“抹香鲸”，那么我们需要引进分布式文件系统海杜普。高性能集群计算系统HPCC和Quantcast文件系统为我们提供了平台，完成对海量数据的分析。以开放源代码为基础的解决方案提高了对MapReduce编程的需求，我们同时还要掌握R、Python、Hive和Pig语言。在简化系统界面编辑工作方面，Cloudera和Hortonworks公司提供了商业化的选择方案。但是，如果是大一些的实时应用，我们还是推荐直接选用内存数据库，比如SAP HANA。SAP HANA配置了高功率的多核体系结构，因此可以快速反馈查询结果。我们需要系统性地对HANA分析框架下的机器学习因素进行优化，这一点尤其重要。对可视化分析和人工智能的自然语言处理也一样，否则就无法完成社交网络分析。如果在系统复杂性或者数据通过性方面出现问题，那么可以考虑使用MIKE2.0解决方案。所有的成本支出都是透明化的，尤其是在使用云服务的时候，能够实现随收随付即付且无前端费，pay by the drink（按用量付费）！
停！刚才是开了一个玩笑。如果你对上一段似懂非懂，那么请你深吸一口气。
在没有技术支撑的情况下进行数据分析，就像是游泳时没有水一样。每一项大数据技术都有其存在的价值，能够在合适的情况下正确地应用这些技术，可以使在10年前还如科幻小说般的市场营销幻想变为现实。但是这些技术也存在一些问题，当数据科学家们尝试独自埋头研发这些技术时，成本支出可能会得不到有效控制，就像世界顶级建筑师建设柏林勃兰登堡国际机场时发生的情况一样。
对智能数据冠军企业而言，什么才是合适的技术？这个问题不是某一个应用技术、一个编程方法、一个电子产品能够回答的。我们需要采取正确的行动，促进信息技术真正为我们创造实惠，同时显著降低投资失败的风险。
这样做行不通
有一家企业，刚刚确立了一个复杂的数字化战略。它认为，它的同业竞争者都已经掌握了数据分析能力，它必须用最快的速度赶超。公司的首席营销官已经意识到了客户数据的潜在价值，因此他提倡这种赶超行为。企业的高管层并没有对这个问题进行深入的研究，而是去征求了首席技术官或者技术部门负责人的意见，询问公司如何能够在短时间内成为大数据巨头企业。这种情况下，答案往往是，那我们首先必须要使数字化战略切实落地，然后我们需要丰富我们的大数据应用程序（云服务使这点变得更便捷和经济）。然后，首席营销官和技术官会设法去游说财务部门，为此增加必要的预算。
如果预算到位了，首席技术官就会接手这个项目，首席营销官也会为此感到高兴，从此以后营销人员可以采用技术手段经营目标客户了。首席技术官很快就会构想出企业理想的大数据公共设施，这些设施在技术方面无所不能，并且能够对现有的技术设施提供完美的补充。基于这种理想化的图景，技术团队会制定冗长的任务书，涵盖对未来系统情况的详细描述。当我们把这些梳理清楚，使其具有逻辑和理性后，就着手进行编程。然后我们会询问客户，是否同意我们继续使用他们的客户信息，虽然这时客户根本不知道我们将他们的信息用来做什么。之后，一系列的市场营销和企业管理工具就会问世，我们还会开始对员工进行技术培训。在应用过这些工具后，营销人员会发现，其实这些工具不是特别适合解决他们面临的问题。
这听起来像是一种讽刺吗？我们不禁反问，有多少大型的IT项目是可以在限定的预算内完成的，又有多少能够实现预想的效果？研究表明，只有10%~30%。
技术尤为重要，我们需要依靠技术专家去发掘技术解决方案，一般情况下，技术本身不是问题。
这样做行得通
技术尤为重要，我们需要依靠技术专家去发掘技术解决方案，一般情况下，技术本身不是问题。
让我们回顾一下智能数据循环流程。市场营销和企业运营的任务目标没有改变。我们可以采取五种手段去提升客户价值，即发掘新客户、提升口袋份额、长期客户关系管理、持续推荐和提升市场营销和运营效率。数据和分析只是帮助我们更好地去运用这五种手段。如果一家企业计划增加在信息技术方面的投入，就必须要认识到这一点。
在引进技术时，要遵循五个基本原则：
☆要弄清楚我们具体要解决哪些商业问题。我们首先要明确回答这个问题，然后再弄清楚未来的使用者（比如市场营销和运营人员）对技术系统有哪些要求，之后再考虑引进哪项技术。
☆管理部门、技术专家和市场营销部门必须合作寻求适宜的解决方案。管理和市场营销部门需要培养一些技术人员，目的是为了更好地针对技术的功能和效用发问。技术专家也需要学会用营销人员能够理解的话术去沟通表达。
☆不要固执地寻求最理想的数字化战略。即便是在大数据时代，也不存在所谓最理想的方案，更不要说是在一个技术尚不成熟的时代了。
☆当我们还不了解一项技术的时候，就暂时先不要引进，这跟投资股票是一个道理。提供技术解决方案的一方必须要证明这个解决方案如何能够具体地解决我们面临的商业问题，或者已经解决了其他用户提出的需求。换句话说，我们不要引进尚未经过验证的技术。智能数据企业不是科技进步的试验品，而应该是明智的新技术追随者。
☆现在存储设备便宜了，云技术得到发展，我们能够从非结构化的数据中获得需要的信息，即便是在这种大环境下，我们在引进一项新技术前，仍需要考虑三个方面的问题：
•新引进的技术是否能够与现行系统中的数据源兼容？尤其是企业数据库。
•是不是必须兼容才行？
•如果不兼容，新技术如何获取数据？
这三个问题的答案决定了新技术是否能够在新环境中创造出预期的增值效果。
迭代增量，小步快跑！
智能化地引进数据分析技术意味着，不断接近敏捷编程方法中的迭代开发逻辑，Scrum是这其中最常见的一种方法。当项目负责人喊出“迭代增量，小步快跑”这一口号时，他的意思是，将原来列出的项目任务书扔进垃圾桶，不再考虑了。原因是现在用户的需求变化太快，原来的计划缺乏时效性，不能再发挥其作用了。通过小步快跑的方式，迭代开发技术应用以满足客户需求是更好的选择。这些小应用可能不能够满足客户的全部需要，但是它们能够满足最核心的需求。它们应该具备简单易学的特点。如果效果好，那么我们就会对其进行优化，拓展其功能，如果运行效果不好也可以承受，毕竟我们的投入还不算很大。
虽然我们知道，上面所描述的情况不能百分之百地应用于大企业的数字化战略，但是敏捷编程方法的核心思想可以作为智能数据企业投资决策的指导性原则。我们不要尝试一次性转动技术的巨轮，我们应逐步去实现。哪些小项目最终能够带来预期的增值，在这方面也是遵循“二八法则”。