新書推薦:
《
汉字学理与小学汉字教学
》
售價:HK$
89.6
《
即将到来的能源战争
》
售價:HK$
89.4
《
时刻人文·臆造南洋:马来半岛的神鬼人兽
》
售價:HK$
65.0
《
心智、现代性与疯癫:文化对人类经验的影响
》
售價:HK$
188.2
《
时刻人文·信用的承诺与风险:一个被遗忘的犹太金融传说与欧洲商业社会的形成
》
售價:HK$
103.0
《
同与不同:50个中国孤独症孩子的故事
》
售價:HK$
66.1
《
开宝九年
》
售價:HK$
54.9
《
论僭政:色诺芬《希耶罗》义疏(含施特劳斯与科耶夫通信集)
》
售價:HK$
109.8
|
編輯推薦: |
管理“专家”再也无法指手画脚,数据的力量将决定未来的企业管理。大数据告诉你:传统企业管理忽视的因素现已成为制约企业未来发展的关键!员工多休息10分钟,企业效益可增加25%?改变饮水机的摆放位置,员工会更快乐地工作?午餐多和同事一起吃,就能提高工作效率?办公桌的位置决定你在团队中扮演的角色?《大数据管理》一书揭示:这些不被企业管理所重视的问题,现已成为大数据分析的重点,通过数据搜集及分析员工的实时工作动态,企业将会发现员工互动和团队交流的瓶颈,从而有助于扫清企业发展的障碍。未来的企业将会摒弃传统团队建设和人力测评方式,迎接大数据时代新型管理模式的到来。
|
內容簡介: |
《大数据管理》将企业管理聚焦在高效团队的打造上。挖掘隐藏在企业内部的团队社交网络,是转变公司管理模式的强力“杠杆”,简单地利用大数据分析团队中员工的互动,就能极大地提升员工绩效和企业效益。大数据分析的力量还能为企业管理模式带来意想不到的多重改变:管理层可以通过大数据了解每位员工的工作情况及团队合作方式;员工也可以通过大数据定位自己在团队中的角色并提高工作效率。作者本 瓦贝尔通过大量真实案例分析,向我们展现了企业管理应该紧跟大数据的发展步伐,利用“社会传感器”搜集和汇总员工的实时工作动态并予以分析,将发现只要扫清团队内部沟通的障碍,就能增强团队凝聚力,并有助于提高企业效益。大数据已成为帮助企业优化客户服务、拓展企业研发、激发团队创造力的催化剂。未来,不懂利用大数据打造高效团队的企业将被淘汰。无论是企业管理层还是基层员工都要重视数据的力量,努力培养自己的大数据管理思维。
|
關於作者: |
本瓦贝尔
曾任哈佛商学院高级研究员,目前是麻省理工学院媒体实验室的访问学者,并担任社会测量解决方案公司的CEO,这家公司致力于研究如何通过有效的大数据分析及测评方式提升公司效益。他的文章曾多次在《连线》杂志、《纽约时报》等报刊登出。他还经常受邀为谷歌、三星等企业管理层培训。他关于“社会传感器”的开发曾被《哈佛商业评论》评为年度最具突破性的创意研究之一。
|
目錄:
|
XIII
高效的团队如何做
大数据量化无法量化的企业发展机遇003
望远镜、显微镜和“社会关系显微镜”007
数据能够不偏不倚?009
“数据面包屑”:让沟通有迹可循010
社会关系显微镜:发现隐藏的社交网络011
企业进入大数据时代的指南针:社会传感徽章018
大数据等于“老大哥”吗020
信任和透明度是团队合作的关键024
管理的变革
现代企业成长的漫漫长路029
团队形成的历史030
企业管理可以借鉴动物的群体运动?031
你的“群体”,我的“组织”:团队的不同合作方式035
个人小于部落,部落小于城邦:不可或缺的制度和规范038
向罗马人学习打造团队的凝聚力039
工业革命对现代企业管理的影响041
新信息、新交流:大数据管理的雏形045
今天的组织:数据决定未来047
企业管理中的非正式流程049
行为趋同和团队规范意味着什么059
从搭建社交网络开始061
饮水机效应
为什么聊天是日常工作中最重要的部分069
社交网络需要凝聚力与多样性070
蓝领vs白领的饮水机:不同行业中的团队沟通082
如何改变员工的互动方式084
花生酱、果冻时间:员工互动有助提高绩效087
休息的价值091
团队合作“零距离”
衡量“近距离”的威力105
我应该穿着睡衣在家工作吗108
同地协作的办公室是黄金标准吗113
线上与线下互动117
沟通距离决定合作成败119
长桌子、短桌子:拉近员工的办公距离122
那么我要坐在哪里呢124
我是专家:如何定位团队人才
为什么人际关系比考试成绩重要129
通用电气如何培训员工134
IT公司案例研究135
IT公司研究结果137
专家之谜138
谁是隐藏在你身边的“元专家”139
创新制胜:大数据时代的新型创新方式
达芬奇vs黑客马拉松:颠覆性与积累性创新145
卡通大战:《辛普森一家》输在团队合作148
《南方公园》的经验:创新之本153
企业流行病:数据解决管理“突发症”
由面对面交流引起的疾病传播?163
数据帮你治疗企业流行病?166
数据助推:让你的企业基业长青
企业该不该并购 179
打个电话,生意就会蒸蒸日上180
如何保证合并企业的持久发展184
无缝隙沟通
正式的“依赖关系”与非正式人际网络的融合193
项目越大,问题越大197
一致性:距离和软件202
别掉进“缝隙”里204
从现在开始改变合作方式?207
企业管理的未来
人力大数据分析学带来的革命213
社会传感徽章,无处不在?215
向人力大数据分析系统进发217
打造社交现实225
大数据管理遍布全球227
下一个大事件230
寻找未来,“回到”未来
未来——那枚小小的白色徽章241
致谢243
|
內容試閱:
|
第一章
高效的团队如何做
大数据量化无法量化的企业发展机遇
如果我告诉你,改变一下工作的休息时间会让员工更有效率,而调整餐桌尺寸是公司重要的决定之一,你会有何感想?这些问题都是传统人力资源理论从未关注的细节,因为它们难以被量化。
人们通常认为,在组织发展过程中,数据比直觉更可靠。美国职业棒球大联盟的第一支“魔球”队奥克兰运动家队当年之所以能够“以小博大”,就是因为他们依靠数据制定策略(这已成为数据战胜直觉的经典案例)。在预算有限的情况下,球队另辟蹊径,通过分析备选球员的基本信息数据,组建了一支预算内的“最佳球队”。该策略使他们连胜20场,并且打入了久违的季后赛。而该队球员的薪酬只排在美国职业棒球大联盟所有球队中的倒数第三。
在现实的比赛中,更是“差以毫厘,失之千里”。比如,一个打击率为0.300的棒球击球员和打击率为0.250的击球员,相差不过5%,却是全明星球员和普通球员的差别。①假如有一种方法能将击球员的个人成绩提高5%,那将为其成绩评估带来颠覆性的改变。
此道理同样适用于商业活动。研究表明,由数据主导决策的公司的绩效优于同行5%。从保险业到零售店铺,许多行业的利润率不足5%,如果一家公司的绩效增长5%,其利润将比同行业多一倍。
因此,很多公司正在尝试把全部的运营决策都建立在数据分析的基础上。最好的例子是美国大型零售商塔吉特(Target)。
塔吉特已经成为在商业活动中运用分析学的大师。该公司有一个兢兢业业的数据统计部门,设立这个部门的唯一目标就是通过挖掘旗下店铺的海量数据,制定提高销售额的新策略。这些数据不只是一张公司的售出商品清单,还包括顾客的年龄、性别、婚姻状况、有几个孩子及家庭住址等,甚至连顾客个人网页的内容也被纳入公司的客户模型研究。
塔吉特面临的最大挑战是,多数情况下,顾客的消费模式不会发生太大的改变。人们会有一些日常消费,比如定期去超市买食品、到商店买衣服。然而,塔吉特出售的商品包罗万象,包括电子用品、食物、家具等,他们需要设法改变顾客的消费习惯,以便顾客需要买任何消费品时,第一个就想到塔吉特。
不幸的是,对零售商来说,影响一个人的消费行为难如登天。一生中,人们只会在某些关键时刻改变消费行为,这些关键时刻往往与某些重大事件有关,比如移居到新的城市或者有了下一代。而移居这件事其实很难通过数据分析来预测,因为顾客买行李箱或者弹力绳也许只是为了把行李箱绑在车上。即使零售商根据顾客某次购物清单推断出了他要搬家(很可能不是),也无法预测他的去向。换言之,零售商无法通过赠送购物券的方式吸引顾客到店消费,因为他们不知道店铺距离顾客的新家有多远,可能是1公里,也可能是100公里。
因此,大多数零售商都会把重点放在对顾客生育时间的预测上,因为生育记录是公开的。一旦顾客有了孩子,她的邮箱就会被铺天盖地的促销邮件塞满,这些邮件来自方圆30多公里内所有的零售商。零售商不断调查生育记录,借此发送促销邮件,希望顾客能被购物券吸引,而后到店消费。但是在这么多封邮件的狂轰滥炸下,被选中的概率是很小的。所以,每个零售商都希望领先竞争对手一步。如果塔吉特能够比对手提前几个月找出待产的顾客,就可以保证促销成功。
为此,塔吉特的数据统计部门不顾一切地全力应对这个挑战。这是一个相对简单的数据分析问题,因为公开的出生记录为分析师提供了预测所需的硬数据。分析师发现,对25个产品类别的分析可以高度准确地预测顾客是否怀孕,而计算出的预产期与顾客实际预产期相差无几。在开发出这种模型之后,塔吉特不仅可以在孩子出生前向孕妇提供购物券(比如在孕期前3个月,提供维生素保健品购物券),还可以在孕妇的整个孕期有针对性地为她提供购物券。
事实上,这些模型有时也会预测失误。出于种种原因,一些人并不希望公开怀孕的消息,而塔吉特在这方面有惨痛的教训。有一次,通过数据分析,塔吉特确定某个女性顾客怀孕了,便向她的邮箱发送了大量相关商品的购物券。不幸的是,这个顾客还是高中生。在接到邮件后,女孩的父亲气冲冲地来到当地的塔吉特店铺,他说:“我女儿还在读高中,你们为什么要发婴儿装和摇篮的购物券给她?难道是想鼓励她怀孕吗?”
店铺经理马上向这位父亲道歉,最终平息了这件事。几天后,经理又特意打电话向他再次道歉,但这位父亲的态度却发生了180度大转变。他说:“我和女儿好好聊了聊,发现我之前并没有准确了解情况(指女儿怀孕)。她的预产期在8月,我该向你道歉。”
塔吉特公司的数据算法非常准确,其预测顾客处于孕期的能力甚至超过了每天与孕妇见面的家庭成员。这就是分析的力量——一种能理解和改变世界的近乎超人的力量。
尽管分析法并不完美,但其效率比曾经过度简化的预测方式提高了好几倍。这也是为什么如此多的公司——塔吉特、网飞(Netflix)①、亚马逊等都十分重视分析法的原因。
但是这一以数据为主导的决策方式并不适用于公司内部管理,因为还没有一种好的方法可以调查员工的实际工作情况。与员工面对面谈话并不高效,在很多情况下,比如员工当天过得很糟,这种方法就有可能失效。
而“塔吉特方法”的妙处在于他们使用了与顾客的行为相关的数据(如与“购买决策”相关的数据)进行预测。如果将这种方法延伸到工作环境中,则需要员工真实行为的相关数据。正如塔吉特向我们展示的,挖掘和分析现实世界的数据将创造很多奇妙的机会。
望远镜、显微镜和“社会关系显微镜”
新的数据分析可以从根本上颠覆人们看待世界的方式。当人们用放大镜观察微观世界时,能从细节上揭示某种和现实有关的新理论。人类的祖先用肉眼观察天空中的光点时,猜测这些光点可能是一些复杂的圆球状物体,绕着天际做圆周运动。但当人们透过望远镜观察时,会发现其中一些光点变大了,而且周围还有其他天体绕着它们运动,这时科学家就必须重新构建一个更加符合现实情况的模型。
新的观察方法彻底而系统地改变了相关的科学领域。比如,望远镜的出现让天文学研究发生了翻天覆地的变化,显微镜的出现从根本上改变了生物和化学研究。但是,社会科学领域却从未经历过这样的革命,研究者仍然依靠纸和笔,通过问卷调查、观察和实验室试验分析社会现象。
缺乏有效的测量工具并非社会科学特有的问题,每个科学领域几乎都曾出现缺乏数据的情况。
一个绝佳的例子是天文学。尽管人们抬头仰望星空已经几百万年了,但直到几百年前才积累了一点儿关于天体运动的硬数据。关键问题在于,当人们使用航位推算法估算天体的运动轨迹时,只能持续记录很短的一段时间。
当天文学家试着通过构建模型解释天体运动时,由于缺乏数据,他们根本无法对所构建的模型进行有效的测试。因为“顺行”和“逆行”现象的存在,传统的天文模型总是会崩溃。天体的顺行和逆行是指一些天体(实际是指太阳系内的行星)在某一段时间内向一个方向运动,而在接下来的某一段时间则向反方向运行。今天,我们知道这是因为太阳系中的所有行星都绕着太阳运行,并且每颗行星绕太阳运转的速度不同,当我们从地球上观察它们时,就感觉它们好像改变了运动方向。
亚里士多德创造的“地心说”模型从表面上解释了这些现象:地球是宇宙的中心,行星是一系列绕着地球做圆周运动的球状天体。直到2 000年后才有人提出了不同的模型。有趣的是,改变人类对宇宙看法的是新数据的出现,而不是简洁的新模型。
16世纪中期,哥白尼提出了关于行星运动的新理论——“日心说”。这和之前的“地心说”大相径庭。但由于哥白尼假设天体运动轨道是圆形的,这和天体运动实际的椭圆形轨道不相符,所以这一理论在当时并没有被广泛接受。
不久之后,一个叫第谷布拉赫(Tycho Brahe)的丹麦贵族独自一人继续进行这项研究,并最终搜集了史上最完整的天文学记录。在助手的帮助下,第谷花了几年时间,在特别定制的天文台上记录了夜间恒星和行星的位置。这些庞大的原始记录成为第谷的助手之一约翰尼斯开普勒(Johannes Kepler)的数据库。之后他在第谷的研究成果的基础上,清晰地描绘出行星围绕太阳运动的椭圆形轨道,建立了开普勒模型,并证明了这一模型在预测天体运动中前所未有的精确性。“日心说”从此被广泛接受。
开普勒模型直接诞生在第谷的观察数据的基础上,这并非巧合。早期的天文学研究受限于从世界各地不同时期流传下来的、人们一知半解的、分散的记录,天文学家只能据此推测,而从未有机会在天文台上验证他们的推测。
这些问题和当今的社会科学家面临的问题很相似:研究是定性的、由观察得出的,并且局限于研究者个人的直接观察。许多研究者认为,他们在观测和研究之前已经经过严格的科学训练,因此研究结果是很有说服力的。但是,他们忽略了一个问题:在社会科学研究这个领域里,研究方法是需要不断改进的。
数据能够不偏不倚?
社会科学研究在20世纪为机构组织提供了强大的工具,利用这些工具创造出来的研究成果——从产品开发到组织设计,已经成为职场的重要组成部分。但是,社会科学领域的测量工具直到几十年前才出现。
问卷调查、观察、性格测试以及对照实验模型等都是社会科学领域的研究方法,这些方法虽然很有用,但从根本上讲都存在一些缺陷。
大家对问卷调查都很熟悉,也许你曾被无数次地要求填写网络购物问卷调查。频率是多久一次?一个月一次,一年一次?大概只有对某次消费特别满意或者特别不满意的顾客,以及觉得自己有责任填写问卷的顾客才会填写。这样得到的数据明显存在偏见,因为数据是从一小部分顾客那里搜集来的,其余大部分顾客的意见都被忽略了。
然而,即便是来自普通调查对象的回复也可能带有偏见。如果你这一天过得很糟,你的答案就会比较消极;如果今天天气不错,你的答案就会更积极。研究者会试着运用观察得来的数据矫正这一误差。受过严格训练的人种志学者和人类学家会深入某个环境,通过肉眼观察,搜集几乎没有偏见的行为数据。但是这个方法存在两个问题:个体差异和样本规模。
首先,不同的观察者自然会看到不同的事情,即使训练了上千小时,由于观察者的个体差异,对“究竟什么才算一次对话”这样的问题也可能有不同的定义;其次,让不同的观察者在同一地点同时出现不切实际,因此,任何尝试理解数以百万计的个人行为的研究都会走向失败。最近,这一方法终于被淘汰了,因为采样规模过于庞大,人类还没有发明出从微观层面理解这类样本规模的行为的工具。讽刺的是,社会科学数据搜集革命的驱动力并非来自人们的渴望,而是来自一个全新沟通工具的出现——电子邮件。
“数据面包屑”:让沟通有迹可循
我们会在计算机上留下很多历史数据:文件内容、程序使用情况,尤其是通过电子邮件发送给别人的信息。这些数据成为信息搜集的研究者们的数据库,因为它基本上记录了一个人全天的活动。要想获得此类信息,只需要在计算机上安装一个程序,不断记录用户的每个击键动作和程序操作,然后把信息传给服务器。
电子邮件内容的获得甚至不需要安装这样的程序。当你用Gmail发送邮件时,邮件会先到达谷歌的邮件服务器,然后通过互联网发送。这一邮件会被谷歌的服务器存储下来,这就是谷歌能够将邮件保存在发件箱的原因。当你收到一封邮件,在打开之前,它也是先被存储在谷歌邮件服务器上。在大多数电子邮箱设置中,被用户下载的邮件仍然可以保留在服务器上。
想想这些信息代表了什么:一个数字联络清单,里面包含了每个你联络过的人,以及你们沟通的内容。最近,研究人员开始利用这些数据,并挖掘出了这些数据的真正价值。由于人们频繁地通过电子通信技术进行交流、合作,分析电子邮件数据对理解组织机构如何运作非常关键。
|
|