2022年8月23日 星期二

高成效習慣--你能夠登峰造極,只因為這是你的刻意選擇

如果十年後的你——比今天的你更堅強、更優秀、更成功的你——來到你的面前,你覺得,未來的你會給現在的你什麼建議?未來的你,會要你立刻採取什麼行動來改變人生?未來的你,希望你怎麼生活、怎麼工作?你難道不好奇嗎,你到底是做了什麼才變成更好的自己?


這本書在說什麼?

《高成效習慣》的作者是知名高績效教練布蘭登・布夏德(Brendon Burchard),他服務過的客戶包括:美國前總統、歐普拉、葛萊美獎歌手、奧運選手、大企業高階主管,他也是全球酬勞最高的績效教練之一。在這本書中,他融合了多年來擔任菁英教練的專業經驗,告訴我們要成為高成效人士最重要的六種習慣。

作者對「高成效」(High performance)的定義是:始終如一、長時間取得超過一般標準的成功。意思是高成效人士的表現不會突然大起大落,而是持續地保持水準之上的穩定表現。而他們所擁有的習慣,就是讓他們比別人更成功、更持久、更有動力的原因。

高成效人士共同的好習慣有六種:追求清晰、激發活力、提高必要性、增加生產力、發展影響力、展現勇氣。作者以他自身輔導學員的經驗,彙整成這本具有理論基礎,又有實用性質的著作。如果《原子習慣》是教我們「如何」培養好習慣,那麼《高成效習慣》就是教我們培養「哪些」好習慣。以下摘錄書中三個讓我很有共鳴的重點心得。

1. 關鍵是任務之間的轉換

作者在「激發活力」這個章節提到,活力(energy)愈充沛的人愈可能感到快樂,在主要的興趣領域攀上高峰的可能性也會愈高。我們可以想看看,如果我們自己在一天當中,總是一個任務接著一個任務連續去做,一定很快就精神耗盡了對吧?但是,為什麼有些人總是能夠保持活力?關鍵就在於他們懂得掌握「任務之間的轉換」。

什麼是任務之間的轉換?例如每天早上醒來,是一種從休息到啟動的轉換。或是開車到公司上班,是一種從個人時間到工作時間的轉換。在工作上,開完小組會議之後接著收發 Email,是一種從多人工作到單人工作的轉換。而下班之後回家照顧小孩,是一種從工作身分到父母身分的轉換。

我們在每一個任務的轉換之間,記得做兩個步驟。

第一步:釋放壓力。在開始下一個新活動之前,先不要急著馬上開始,而是先閉上眼睛一分鐘,口中默念「釋放」。釋放你的肩頸和臉部的緊張感,放鬆你的後背,調節你的呼吸。

第二步:設定意圖。釋放壓力之後,再張開眼睛,問你自己:「我要帶著什麼樣的活力進到下一個活動當中?我該如何享受下一個活動?」如果你的下一個活動是開會聽別人報告,你可以設定自己帶著「準備問問題」的專注活力,聽完別人報告完之後對他提出問題。如果你的下一個活動是下班去健身房運動,帶著「流汗的人最健康」的運動活力,享受飆汗的快感。

在一天當中,每一個轉換之間都做這個練習,會幫你更妥善管理壓力,幫助你保持專注、更進入狀況。作者認為,一個人的活力和他的天賦沒有關係、和他的身體條件沒有關係、和他的職位高低沒有關係。那究竟跟什麼有關係呢?和他的「意圖」有關係。

低績效的人埋頭苦幹,忘了自己的意圖是什麼,當然也不會有任何活力。高績效的人在任務之間暫停片刻,設定好目標之後,活力才會展現出來。

活力不是無意識地被「消耗」,而是有意識地被「產生」。

2. 為別人服務往往表現更好

我們在什麼時候會發揮最好的表現?作者發現,只有在我們覺得「必要」的時候,我們才會做出重大改變,獲得重大改善。但我們有時候心裡面太過執著,只想著做這件事情可以對「自己」有什麼好處。然而,我們真正能發揮潛力的時候,往往是為「別人」服務的時候。

作者建議,當我們每次在桌子前面坐下來,就可以自問:「此時此刻,『誰』最需要我的最佳狀態服務?」這個自我提問,是要我們想清楚,自己即將執行的任務,可以幫助到「誰」。一旦我們的目標是「超越個人成效」之外的更高階目標,就會驅動我們以他人的需求作為全力投入的理由。我們為了他人,會比為了自己更願意付出。在為他人付出的過程,我們找到為什麼必須勇往直前、全力投入的原因。

這讓我回想到自己一開始寫讀書心得時,很辛苦、很費時,但我常問自己:「為什麼這麼辛苦寫讀書心得?因為這不只對我有好處,而且對別人也有幫助。」只要當我想清楚,別人讀到這篇文章可以學到什麼的時候,我往往就更有方向,知道該寫什麼內容。

在工作上也是一樣,如果你要做一份給老闆的簡報,卻只想著這個簡報要讓老闆對我「刮目相看」,要同事覺得我做簡報技巧「一級棒」,這時候做出來的簡報,往往是流於表面的亮麗。當你調整心態去想,如果你是「為了老闆」而做簡報,這個簡報會讓他在他的「大老闆」眼中很有料,你就會從更「高」的視野來做簡報。你的思考會從老闆的角度出發、你的討論範圍會涵蓋整個團隊、你會把大老闆最想知道的事情說清楚。當你為了老闆的好處而做這份簡報,這份簡報就會比你原本的來得出色許多。

要知道「誰」最需要你的服務,然後再全力以赴。當你有了服務的對象,當你必須為了他人採取行動時,通常會做得更好。

3. 生產力是專注在高品質輸出

生產力高的人,看起來像是怎麼樣?他們往往不是做事情最快的人,也不一定是做得最完美的人,但是生產力高的人在眾人心中,就是有一種很鮮明的形象:他們總是做「對」的事,而且做得很「好」。

我們時常會把效率(efficiency)和效力(effectiveness)搞錯,學了一堆如何讓工作更有「效率」的技巧,一直想著要做得愈來愈「快」,卻很少花時間去想如何做「正確」和「有效」的事情。這就是高成效和低成效的人之間的差異,高成效的人把絕大部分時間,用來做關鍵的「高品質輸出」(prolific quality output),他們專注在那些會帶來「成果」的事情。

就像在工作上,處理 Email 很快、很熟練、很系統化,有特別的好處嗎?研究指出,辛辛苦苦整理分類的 Email 收件匣不能真的幫你提高產出。2011 年有一項針對 345 名 Email 使用者的研究發現,收件匣管理分類「愈複雜」的人,在尋找真正需要的資訊時,效率遠遠不如那些只是在搜尋框「直接搜尋」關鍵字的人。

那什麼才是「高品質輸出」?以我自己寫部落格為例子,「每週寫出一篇讀書心得」就是我最關鍵的高品質輸出。除了這件事情之外,其他的事情都只是「次要」的。我可以一週內不上 Facebook 回覆讀者的留言,但是我要寫出一篇心得。我可以一週內不在社群媒體發表任何貼文,但是我要寫出一篇心得。我可以一週內不回覆任何合作邀約的 Email,但是我要寫出一篇心得。你記得我有哪一週忘了寫讀書心得嗎?每一週都有寫。你記得我有哪一週都沒回留言、沒有發表貼文、沒有回覆 Email 嗎?你不記得,連我自己也不記得,因為他們只是「次要」的事情。

成敗的關鍵不是做很「多」事情,也不是每一件事情做得多「快」,而是你有沒有「持續」創造出關鍵的「高品質輸出」。當你都有持續完成最關鍵的產出,那麼其他次要的事情,只要做到及格以上,別人就會以為你怎麼能同時做那麼多事,又做得那麼好。

哲學家 Daniel Putnam 曾經說過:「現在人想要自我欺騙,最常用的一招就是隨時保持忙碌。」不要用一堆無關緊要的雜務騙自己很忙碌,最有生產力的人,往往顯得十分從容。生產力不是做得更快,而是持續不斷地產出最有價值的事。

後記:高成效的人很刻意

《高成效習慣》這本書讀起來讓我有一種「《與成功有約》練習題版本」的感覺,每一個段落和章節的尾聲,作者都會附上跟內容相關的「問與答」或「行動指引」。如果你正在找一個能大幅改善你的工作表現、人際關係和生活品質的方式,這本書的六種習慣或許就是那一帖良藥。

書中有一句話是這麼說的:「高成效人士並不會經過十年努力之後,在最後一刻才勝出。他們是穩定取勝、按部就班前進。高成效人士的表現會讓同儕覺得他們自已追不上,而且這種高水準的表現是持續性的。」更有意思的是:「在他們成功之後你再去觀察他們,會發現他們的成功並不令人意外。」

也就是說,書中這六種習慣不是從天空掉下來,而是你要很「刻意」去養成的。高成效的人之所以成功,就是因為他們對待每個環節都十分刻意。他們的成功是刻意被創造出來的,才不是什麼沒讀書就考一百分。絕大部分的成功都是充滿了刻意,而不是意外。

所以,我才在文章開頭問了:「十年之後成功的你,會對現在的你說什麼?」當你現在養成高成效人士的習慣,成功就不是一個遙不可及的幻想,而是註定在某一天會發生的命運。你可以像任何人一樣,取得卓越的成就。你可以根據自己的希望展開人生,而不需要任何人的批准。

你能夠登峰造極,只因為這是你的刻意選擇。

文章來源:WAKI 瓦基

2022年7月19日 星期二

免費--新產品市場機會分析實務工作坊(經濟部工業局主辦)

執行單位:中國生產力中心 商業創新與訓練組

上課日期:2022/8/26 (五)9:00~17:00共7小時

報名時間:即日起 ~ 2022/8/25止


 

課程介紹:

市場規模與競品分析有助於了解市場的狀況及競爭產品的優缺點,了解你做競品分析的目的,才能選擇適合的方法分析。

 

授課講師:

詹長霖博士:AIM久勝創新管理顧問(股)公司總經理兼首席創新長、詮欣股份有限公司獨立董事、財團法人台灣生物科技發展教育基金會董事、台灣科技大學校友總會理事

經歷:美國BMGI大中華區首席創新長/副總經理及MBB、浙江大學創新與創造力開發聯合研究中心主任、揚智科技(股)公司總經理室品保中心主任及股票上櫃公司家登精密工業(股)公司監察人、全宇昕科技股份有限公司監察人等。

榮譽:2021年台灣科技大學校友總會管理學院傑出校友獎、全球500強商學院院長最認可的TOP100培訓專家,授予”2013最佳創新力專家”等。

 

課程大綱:

議題引導,帶領各組學員在不同情境問題中互相討論,增加彼此專業領域的了解與互動。

1.產品市場區隔與目標市場定位:

(1)產品與市場間的交互關係:安索夫矩陣分析應用

◎用「既有」與「新」的區分創造2×2矩陣,迅速了解市場狀態

(2)STP法分析應用

◎常見市場區隔變數的選擇與應用

◎目標市場設定與新產品定位

 

2.競爭者(競品)分析

(1)以顧客待完成任務(Job To Be Done)定義新產品競爭對手

(直接 / 現有競爭者;間接競爭者;潛在競爭者;替代品)

(2)特色差異表應用:設定與競爭對手相比的產品差異性

 

3.市場規模分析

(1)目標市場的規模預測

◎產值與市場規模之差異

◎常見次級資料應用(統計資料庫、調研報告、關鍵字研究工具)

 

4.QA與交流時間

 

教學方式:課堂講授、影片個案分析、分組演練

上課地點:台北市承德路二段81號B1 (台北承德)

課程負責人:(02)26982989 #03246 賴子安 小姐

聯絡信箱:03246@cpc.tw

立即報名:https://bit.ly/3bOgU3l

2022年7月5日 星期二

第一屆智能醫療管理專業初階訓練認證課程特邀詹長霖博士擔任5G智能醫療應用趨勢主講人

第一屆智能醫療管理專業初階訓練認證課程 系列四 醫材醫療科技應用

第一屆智能醫療管理專業初階訓練認證課程熱烈展開中!

特邀 詹長霖博士 擔任 5G智能醫療應用趨勢 主講人

課程地點:IEAT國際會議中心11樓第二會議室(台北市松江路350號)

課程日期:2022年7月23日(六) 8:00-17:00

報名連結:https://bit.ly/3un4Ooe




2022年6月28日 星期二

剖析半導體業龍頭台積電數位轉型之道

圖片:詹長霖與8吋晶圓
 

總結自己在半導體業工作多年的經驗,來看台積電數位轉型成功之道,除了跨單位技術委員會的組織設計外,資通訊科技的支持和績效管理與發展(Performance Management and Development,PMD)制度的配合,結合卓有成效的知識管理,展現出組織效率優化的豐碩經營成果。

台積電數位轉型曾用擬人化、無人化、超人化來比喻三個階段,第一階段「擬人化」是讓電腦和設備學會人做的事情,並推動企業流程再造和組織效率提升;第二階段「無人化」是用自動化系統取代人做的事情,並發展電子化企業與供應鏈的整合,成為客戶的虛擬晶圓廠;第三階段「超人化」是建立數位大腦聚集眾人智慧以超越個人表現,並整合大數據、人工智慧等科技與領域專家的決策智慧和知識管理,以同步提升決策的品質、速度和效率,使累積的集體智慧化成公司的核心能耐。

台積電資訊科技和自動化系統已經成為智慧企業的公用事業(utilities),盡其所能地滿足公司內外部顧客的需求。2017年台灣半導體產業協會(Taiwan Semiconductor Industry Association,TSIA)年會,適逢電晶體發明70週年,特別邀請浮閘記憶體效應(Floating-gat memory effect)發明人施敏院上發表專題演講,接著舉辦製造高峰論壇,由前行政院院長張善政主持,台積電左大川資深副總經理兼資訊長、工研院劉軍廷副院長和清華講座教授暨美光講座教授簡禎富擔任引言人和座談。

論壇中台積電資訊長說明推動智慧製造分為三個階段,第一階段是2000年進入全自動和電子企業,第二階段是2012年發展大數據分析和整合平台,第三階段是2016年透過人工智慧AI、高效能雲端運算和團隊協作創新,以展開全面數位轉型。《iThome電腦報周刊》針對台積電數位轉型有更完整報導。以生產力提升為例,導入全自動化的12吋晶圓廠,較8吋廠提升3倍;第二階段隨著大數據收集和大數據分析,生產力再提升62%;第三階段導入人工智慧AI,生產力預估將可以再提升19%以上。

台積電劉德音董事長應邀擔任科技部人工智慧製造系統研究中心(Artificial Intelligence for Intelligent Manufacturing Systems Research Center,AIMS)理事,並在2018年人工智慧製造系統研究中心啟動會議上發表專題演講,分享台積電推動智慧製造的發展經驗。他表示台積電預計每年要培養幾百位AI相關工程師,各大學理工科應提早將AI納入大學課程,推動跨領域AI人才培育。因此,AIMS也在清華大學設立「智慧製造跨院高階主管碩士在職學位學程」(AIMS Fellows),整合跨領域專家學者提供大數據分析、資料科學、人工智慧、深度學習、決策分析、產業工程等課程,讓高階主管透過學以致用的實做,以掌握解決實際問題的技術和模型開發經驗,培養產業數位轉型所需的領導人才,達到協助產業AI化與AI產業化之目標。

 

參考資料:藍湖策略,作者:清華講座教授暨美光講座教授 簡禎富

2022年6月7日 星期二

C2B逆商業時代的敏捷組織—敏捷創新

在此刻全情疫情管控之下,拜讀我的母校台灣科技大學盧希鵬教授(台灣科技大學資管系專任特聘教授)這篇文章感受更深刻,一個經營管理者如何面對新世界、新科技的改變,調整經營模式因應未來,提高企業的韌性管理。從敏捷組織到敏捷創新,進而數位化轉型,讓企業脫胎換骨再創高峰,這是需要有堅決的態度,有方法有步驟進行,絕不是喊喊口號,天馬行空撞大運。分享底下盧教授的這篇文章對您應該有所幫助。

很多人不知道我做過七年的程式設計師。我在清華大學開發了兩年校務行政電腦化系統。之後在中鼎工程公司寫了兩年專案管理與成本控制的程式。在美國讀書,寫了三年的程式,參與開發了一套健康管理系統與一套醫院的品質管理系統。也在台大兼任教授過系統分析與設計課程。

不過這些系統都有固定的使用者,原則上都是先跟使用者多次訪談之後,寫出系統的規格,再開發寫程式。這套開發系統的方式,又稱為瀑布式軟體開發。

但是,使用者知道的,遠比說得出來的多很多。再怎麼訪談與需求分析,都很難說個明白。

所以在卅年前,就有了雛型法(rapid prototyping)與使用者自建系統(end user computing)的想法,加快開發速度,或讓使用者自己開發軟體。但以當時的軟體基礎建設,試錯的成本太高,所以到現在瀑布式的軟體開發,仍然是個主流。

隨著C2B逆商業時代的來臨,大量客製化與個人化應用愈來愈多。系統分析要訪談的對象,已經從組織內的使用者,擴充到組織外的使用者,甚至是廣大的市場消費者,在需求訪談上,變得非常困難,許多時候只能靠軟體開發者的認知想像。還好,在互聯網的基礎建設上,試錯成本降低了,產生了一個新的確認需求的方式,就叫做敏捷開發(Agile Development)。因為沒有人能夠確定消費者的需求是什麼,只有市場的實驗會快速告訴我們真相。因為實驗會有試錯成本,要降低試錯成本,實驗的計畫要縮小,才能有較短的開發循環,用不斷的交付與迭代才能減少試錯的影響,這樣組織才有彈性,也才能敏捷。


舉例來說,早期電腦的軟體與作業系統都是一年才更新一次,所以在軟體開發專案上,只許成功,不准失敗。但是現在手機軟體與作業系統,可能每個月都會改版一次,如果失敗,再即即時更新。他們的產品通常會分開發版與正式版兩種版本,開發版會針對一群願意參加實驗的族群試用,幾乎每幾天都有更新,這些族群會立即反饋軟體要改進的地方。然後再每個月提出正式版到所有的消費者手中。在過去我們會花一年的時間設計一套完美正確的軟體,但是在互聯網時代,我們可以每個月、每個星期、甚至每天都發展出一套更新的版本,再由消費者的反饋做修正。因為現在的軟體基礎建設,發行更新版容易很多。

讓使用者早期參與、與不斷的迭代更新是敏捷管理的精神之二。最近,這種敏捷思維不僅用在軟體開發,也用在所有企業組織開發中,叫全員敏捷,成為C2B逆商業時代組織轉型主要的趨勢。即時更新。他們的產品通常會分開發版與正式版兩種版本,開發版會針對一群願意參加實驗的族群試用,幾乎每幾天都有更新,這些族群會立即反饋軟體要改進的地方。然後再每個月提出正式版到所有的消費者手中。在過去我們會花一年的時間設計一套完美正確的軟體,但是在互聯網時代,我們可以每個月、每個星期、甚至每天都發展出一套更新的版本,再由消費者的反饋做修正。因為現在的軟體基礎建設,發行更新版容易很多。

讓使用者早期參與、與不斷的迭代更新是敏捷管理的精神之二。最近,這種敏捷思維不僅用在軟體開發,也用在所有企業組織開發中,叫全員敏捷,成為C2B逆商業時代組織轉型主要的趨勢。

歡迎來到C2B逆商業時代。過去,我們都是銷售我們製造好的產品,在C2B逆商業時代,讓客戶早期參與產品開發過程,可以減少試誤的成本。甚至是先銷售再製造,等產品賣出去後,再開始製造。這種敏捷的思維,不只是用在軟體開發上,而在整個組織運作上。成為企業數位轉型重要的基礎變革。

舉例來說,像是敏捷產品開發,過去的產品都是先製造再銷售,但是在眾籌的環境中,人們可以先提出自己的產品想法,甚至只是一段影片,當這個產品賣出去之後,再開始製造。海爾的人單合一也是如此,他們可以先由消費者提出家電產品的客製化需求,再由三位設計師針對這個需求設計出家電雛型,在社群中跟客戶討論與試用後,當某位設計師的設計勝出,並願意預購的消費者到達的一定的數量,這款家電就會進入到生產線中生產。

或像是時尚設計,過去時尚產業都要事先預估明年春天可能流行的走向,然後再依照預測來事先設計與製造成衣。但是ZARA的快時尚卻反其道而行,它可以從各地的門市的銷售狀況,反映出下個禮拜這個區域的流行趨勢,然後再經由快速設計並快速製造出來。

甚至連定價也進入全員敏捷時代。過去企業對商品定價方法包含了供給需求定價法、競爭者定價法、或是消費者認知價值定價法。但是現在可以很直接的在互聯網上做實驗。

舉例來說,在實驗期間,一款手機的手遊如果定價一百塊,可能只有十個人會購買,如果定價三十塊,可能就會有一百人購買。實驗的結果,顯然是定價三十塊會比定價一百塊賺到更多的錢。

C2B逆商業時代的全員敏捷的關鍵之一在於快速接觸消費市場,因為成功了就叫做商品,失敗了就叫做市場調查。因此試錯的成本要小,專案就不能夠太大。許多電商的創新模式,只有幾個商品就可以上架了,再買大量的廣告來試試新模式是否被大家接受,以邊做邊修的方式,發展出完整的創新經營模式。

敏捷思維是一種主動的工具, 就像螺絲起子一樣,人們可以決定使用它,或是不使用它。 但是生產線的流程,是一種被動的工具,也就是當被組裝產品到人們眼前時,你必須要使用螺絲起子。 敏捷思維方法論就是一種被動工具, 設計出工作的流程, 讓所有流程都能夠透明可視化,藉由工作設計來激發全員參與的熱情,以協助企業落實全員敏捷的思維。

 

文章來源:聯合報,作者盧希鵬/台灣科技大學資管系專任特聘教授

2022年5月31日 星期二

運用AI演算法「數據圖」,下一個關鍵數位優勢

當你在網購平台瀏覽商品,在Google搜尋任何疑惑事項的解答,打開Netflix或Spotify想看支影片或聽點音樂來消磨時間時,是否想過:為何這些演算法可以這麼精準地知道我的喜好?甚至在我想到之前,就提供最合我心的推薦?因為這些演算法的背後,都有一個最新的「數位優勢」⋯⋯

插畫/亞騰.馬攸許金(Artem Matyushkin)

在亞馬遜(Amazon)每分鐘銷售的4,000種產品中,大約有50%是透過其個人化的推薦引擎展示給顧客。當你造訪亞馬遜網站時,網站的演算法會預測在那個當下你想要什麼,然後根據這項預測,從大約3.53億件商品中挑選出一些產品的組合,為你安排那些產品推薦。推動產生這些結果的,是亞馬遜不斷演變發展的「購買圖」(purchase graph)演算系統,也就是以數位方式呈現出現實世界中存在的「實體事物」(entity),其中儲存了有關這些實體的資訊(例如顧客、產品、購買情形、活動和地點等),以及它們之間的關係與相互影響的關係。亞馬遜的購買圖,會把消費者的購買歷程,和網站上的瀏覽數據、Prime Video上的觀賞數據、Amazon Music上的聆聽數據,和Alexa支援裝置的使用數據,全都連結起來。該公司的演算法使用「協同過濾」(collaborative filtering)技術,也就是整合多個因素,例如多樣性(推薦項目有多麼不同)、偶然性(有多麼出乎意料之外),和新奇度(有多麼新穎)等因素,以產生出全世界最複雜精細的某些建議。亞馬遜擁有豐富的數據和領先業界的個人化技術,因而能在目前占有美國電子商務市場的40%;最接近的競爭對手沃爾瑪(Walmart),市場占有率只有7%。

 

Google為了與亞馬遜競爭,於2021年4月公布自家的「購物圖」(Shopping Graph),這個由人工智慧(AI)強化的模型,可以在用戶搜尋時提供產品推薦。每天有超過10億人在Google上研究各項產品,購物圖將他們連結到整個網路上超過240億項商品,分別由數百萬個商家提供。「購物圖」建立在Google無與倫比的「知識圖譜」(Knowledge Graph)功能上;知識圖譜掌握了在其龐大網路中的各種實體,以及各個實體之間的關係,包括來自多個來源的結構性和非結構性數據,這些來源包括Android系統、語音和圖像搜尋、Chrome瀏覽器擴充程式、Google Assistant、Gmail、照片、地圖、YouTube、Google Cloud和Google Pay等。Google的購物圖系統,讓170萬個商家得以使用簡單但彼此關聯的工具,在整個Google上展示相關商品,有了這套系統,Google已經準備好迎接亞馬遜的挑戰。

 

像亞馬遜和Google的這種「數據圖」(datagraph),仰賴產品的使用數據(也就是顧客在使用平台或產品時的行為數據),來掌握公司與其顧客之間的連結、關係和相互關係。數據圖概念的靈感,來自「社會網絡」(social network)和「圖論」(graph theory;編按:數學的分支,使用由點與線構成的圖形,來呈現事物之間的關係,以供研究);其中「社交圖」(social graph)的定義,是呈現出個體之間的相互連結,其中的節點代表個人,而這些個人之間的關係(也就是與朋友、同事、主管等個人之間的關係),則以連結線來呈現。這個概念源自社會心理學家史坦利.米爾格倫(Stanley Milgram)的研究,過去二十年來,這個概念提供一個有用的觀點,可用來分析組織、產業、市場和社會的結構和內部互動情況。臉書(Facebook)在2007年推出臉書平台時,普及了數位社交圖的應用,這項工具讓開發人員得以設計一些應用程式,以整合進入臉書網站的資訊流和各種關係之間的連結。

 

領先的科技公司正在使用數據圖,以提供個人化的顧客推薦、更新產品、優化廣告等等。最成功的例子,包括亞馬遜的購買圖、Google的搜尋圖、臉書的社交圖、Netflix的電影圖、Spotify的音樂圖、Airbnb的旅行圖、優步(Uber)的移動圖,以及LinkedIn的專業圖,這些都充分利用了持續收集到的顧客互動數據,搭配專屬的演算法,因而得以在創造產品和用戶體驗等各方面,都超越競爭對手。


本文討論企業如何向數據圖領導公司的最佳實務取經,以獲得新的競爭優勢。


數據網路效應

要了解數據圖,我們首先需要了解「數據網路效應」(data network effect);用戶在使用產品或服務時產生的數據,會對其他用戶更有價值,在這種情況下就會發生數據網路效應。這種效應與直接網路效應不同,後者是指服務的價值會隨著更多用戶加入而成長,例如臉書或LinkedIn的情況;數據網路效應並不需要透過增加用戶數量,來提高這個網路的價值。相反地,既有用戶持續參與,會產生更廣泛和更深入的產品使用數據,這讓演算法能夠產生持續改善的結果。例如,Google每年2兆次搜尋當中的每一次,都有助於公司擴充其知識圖譜,改善其搜尋引擎,進而為用戶產出愈來愈好的搜尋結果。相較之下,如果用戶不再使用這個平台,平台就會變得陳舊,而且效用降低。

 

數據圖不是靜態的,並非反映某個時刻當下的情況資訊。數據圖是動態的,反映出數據科學家所謂的「動態數據」(data in motion)。這也是不可能以人工方式繪製數據圖的部分原因。在任何特定時刻,全球消費者與某家公司產品互動的數百萬個單位的數據,都需要由科技來即時收集和詮釋。

 

數據圖的三大成功要素

數據圖領導人會蒐集顧客行為數據,快速整合他們從中學到的事物,以改善本身產品和服務的每個層面。他們不斷改進自己分類和標記產品數據的方法,並發掘各實體之間的關係,好讓演算法能將商品更好地分類,以便提供個人化的推薦。他們持續更新自身的演算法,以便根據最新和最相關的數據來提供個人化的推薦,這有助於改善和延長顧客的互動交流。接下來,我們來檢視成功運用數據圖的公司有哪些關鍵行為。


1、他們大規模學習,且行動迅速。

數據圖掌握了個人如何生活、工作、娛樂、學習、聆聽、社交、觀看、交易、旅遊、消費,以及進行其他與商業相關的任何活動。進行數位化,讓公司有可能大規模、廣泛而迅速地觀察所有這些領域裡的顧客數據,並進行編碼。例如,臉書的社交圖會時時刻刻分析28億人及其社交活動的數據:他們在做什麼?他們加了哪些人當好友?哪些人不再是好友?他們要去哪裡旅遊?他們談論哪些品牌?他們正在看什麼電影?他們正在聽什麼音樂等等。


數據圖掌握了人們如何工作、娛樂、學習、社交、交易、旅遊,以及進行其他與商業相關的任何活動。


LinkedIn的專業圖,即時掌握了在五千多萬家公司工作、曾就讀於九萬多所學校的7.74億專業人士,對職缺資訊的回應,以及他們如何更新現況和實況短片。此外,LinkedIn的專業圖也能把成員連結到其他的實體,例如他們擁有的技能,以便為用戶提供針對他們的廣告、學習建議、新聞提要等等。LinkedIn目前是微軟(Microsoft)的子公司,也是微軟數據生態系統的一部分,這讓它得以創造更生動鮮活的數據圖。


在傳統公司裡,顧客數據是儲存在不同部門的資料庫中,成為各自獨立的紀錄。若要獲得數位優勢,公司必須將數據整理成為互動圖,可以由演算法來分析,以提供見解,並為每位顧客提供個人化的價值。


2、他們使用數據圖來豐富產品線。

數據圖領導人,會使用一套涵蓋各種類別的概念,例如購物、旅遊或搜尋等概念,以機器可讀的圖像格式,來組織整理他們的知識和專業技能。以Airbnb的旅遊圖為例。圖中描述了超過700萬間房屋的清單,標記的方式呈現出各種實體(城市、地標、活動等)、特性(例如顧客評論和營業時間),以及它們之間的各種關係,以產出不斷改善的建議,建議的內容不僅包括出租房屋的類型,也包括晚餐的最佳地點或遊覽景點的最佳時間。這種擴大產品範圍的能力,讓Airbnb能夠為顧客提供優於傳統旅館的服務,傳統旅館的數據儲存在各部門獨立的系統中(比如訂房數據儲存在預訂系統中,餐廳推薦數據儲存在禮賓服務系統中,水療中心的數據儲存在按摩服務預約系統中)。同樣地,Netflix持續改善75,000種細項類型的電影和電視節目的呈現和分類方式(就像Spotify對音樂和podcast的類似做法)。


Google已經能打造威力遠更為強大的服務。它的知識圖譜呈現字詞和概念之間關係的方式,能協助其演算法理解上下文。這讓Google能回覆口頭詢問,例如:「嘿,Google,預訂兩張下週三去羅馬競技場的門票,用Google Pay付款。」基礎知識是以「圖」的形式來呈現,所以演算法可以理解用戶在問什麼;演算法知道「羅馬競技場」是羅馬的一個景點,下週三是5月25日,「預訂」的意思是購買門票,而「付款」牽涉到使用儲存的信用卡(而非這些字詞的其他意義)。每一次的查詢和每一次的顧客互動,都會讓知識圖譜有所改善,以反映出意義改變時的新關係。


設想某位攀登過美國亞當斯山(Mount Adams)的登山愛好者,接下來想要攀登日本富士山。她在搜索查詢時可能會問:「相較於亞當斯山,攀登富士山應該做哪些不同的準備?」以目前的情況來說,需要搜尋好幾次才能獲得答案,但Google正在開發一種新模型,具有更複雜的知識鏈接(能夠順暢地進行多種語言的翻譯),以便更有效地回答這類查詢。


若要與數位領導企業競爭,你應自問:我們產品的相關知識,是否大多是以各自獨立的數據集存在,還是我們正在開發機器可讀的圖表,以辨識出我們顧客的偏好模式?


3、他們贏得顧客的關鍵時刻。

2001年,Netflix的45.6萬名用戶,只選擇了系統2%的推薦。到了2020年,這個比率已經提高到80%,而Netflix擁有超過2億名訂戶。 Netflix使用其電影圖來贏得「關鍵時刻」:在90秒到2分鐘內,觀眾會決定,是要留在Netflix上看影片,還是去其他地方。Netflix透過演算法來客製化和更新主畫面,持續為每位訂戶提供針對個人所需的推薦。到2015年,Netflix每年防止了超過10億美元的取消訂閱,這要歸功於其個人化的推薦引擎。


為了贏得關鍵時刻,臉書以近乎即時的方式,對30億名用戶進行A/B實驗,為每位用戶提供個人化的首頁更新。臉書在顯示貼文之前,會檢視一組可能的貼文,並將其縮減到大約500種可能性,這是根據那名用戶過去的行為模式來挑選,他可能會去看的大約500種貼文。然後,臉書專屬的神經網路(neural network)對那些貼文進行評分和排序,接著以各種不同的媒體類型,例如文字、照片、聲音和穿插廣告的影片,來安排這些貼文。


臉書的數位內容庫可以即時將資訊提供給全球的顧客(這方面會受到各國法律的限制),優步則不同,優步之所以能夠滿足顧客的交通需求,其基礎在於,在明確的時間和確切的地點,是否有車輛可用。優步的關鍵時刻,是顧客願意等待司機的5分鐘。這家共乘公司追蹤智慧型手機有開啟其應用程式的司機和乘客(之前優步在用戶並未使用應用程式時也進行追蹤,經顧客強烈反對後,2017年被迫改變這項引發爭議的政策),使用這些數據來分析可能的需求模式。然後,它提供誘因給在選定地點提供服務的司機。該公司不斷優化安排路線的演算法,以便在關鍵時刻贏得顧客。


儘管許多公司都宣稱以顧客為中心,但很少有公司像這些領導企業那樣使用數據圖和演算法。請自問:我們是否使用AI支援的演算法,為顧客提供持續改善的產品,以確保他們與我們的產品互動,而不是離開我們?


著手進行的五大步驟

企業若是希望維持與數據圖領導業者競爭的能力,必須了解的第一件事情,就是成功的策略不只仰賴擁有大量資訊;關鍵在於即時蒐集相關的產品使用數據,以達成數據網路效應並建立優勢。企業若是觀察到顧客與其產品的更多互動,就能累積更豐富的數據;當企業向更多元的顧客群銷售更多產品時,便會累積更多不同種類的數據,可協助它們讓自家的商品進一步差異化。


企業若是沒有使用數據圖,或尚未成功使用數據圖,必須採取下列步驟迎頭趕上:


1、擬定數據圖策略。

首先,讓具備產業知識的高階主管與數據科學家搭配合作,把你公司的數據圖予以概念化,檢視其未來的發展軌跡,並勾勒出合理可行的商業影響。許多欠缺亞馬遜或Netflix那種龐大資源的公司,已經這樣做了。例如,Stitch Fix是個人化的時尚服務平台,2010年由一名商學院學生所創辦,現在該公司的市值已高達16億美元,主要歸功於其「時尚圖」。


線上學習平台Coursera,展現新的市場進入者可以使用數據圖來顛覆市場。傳統大學提供「一體適用」的課程和證書;相較之下,Coursera在教育領域的運作就像是Netflix或亞馬遜。它透過可累積的模組,提供個人化的線上體驗,這些模組可以在不同的時段、地點、難度和價格點來消費使用。它使用自家專屬的「技能圖」,以傳統大學無法達成的方式,來客製化終身學習服務。


請自問,你的數據可以如何為你的業務提供獨特的優勢?你可能擁有專屬的「數據鉤子」(data hook),讓你在顧客使用產品時,觀察到他人無法獲得的詳細資訊。你的優勢可能來自卓越的數據範圍(你數據的深度和豐富度),以及能否取得合作伙伴的互補數據。你可能擁有更快的數據速度(動態數據,相較於競爭對手需要批次處理的片段式數據)。考慮如何透過收購〔例如微軟收購LinkedIn 和動視(Activision)〕,或組成聯盟(例如Google與Shopify的合作),來提升規模、範圍和速度。


2、開發專屬的演算法。

獨立執行不同類型的分析,已經不足以成事。數據圖領導企業會在一個整體架構下,使用專屬的演算法,進行描述分析(「發生了什麼事?」)、診斷分析(「為什麼會發生?」)、預測分析(「可能會發生什麼事?」),以及規範分析(「應該發生什麼事?」)。你可以逐漸調整改變你的數據圖基礎設施,從設計用來分析靜態數據(批次處理、獨立分析)的傳統架構,轉變為分析即時的動態數據。


務必要把你的演算法,與你所在產業的其他演算法(以及相同類型的演算法)進行比較。例如,如果你的成功指標,是顧客依據你的推薦而採取行動的程度,那麼你推薦引擎的績效,相較於Netflix、Spotify和亞馬遜等領導業者的表現如何?


3、產生信任感。

做為顧客數據的保管人,是一項重大責任。大多數顧客把電腦、演算法和機器學習視為複雜的「黑盒子」,而且許多人認為,自己的數據正在被使用(甚至濫用)來讓數位公司變得富有和強大。你使用演算法的方式,必須能讓人產生信任感,而且必須付出努力,以贏得蒐集和分析數據的權利。請使用消費者能夠理解的語言,來說明你在做什麼。


企業使用演算法的方式必須能讓人們產生信任感,而且必須付出努力,以贏得蒐集和分析數據的權利。


當消費者覺得自己的數據被濫用時,信任便會受到侵蝕。臉書已經成為這種困境的典型代表。最近,臉書數據科學團隊的一位吹哨人直接指控,該公司利用其數據和演算法來增加煽動性內容,以提高臉書網站的互動量,即使該公司進行的專屬內部研究指出,這麼做會傷害用戶和社會。臉書執行長馬克.祖克伯(Mark Zuckerberg)否認這些說法:「說我們為了獲利,刻意推送讓人們憤怒的內容,這樣的論點非常不合邏輯,」他說:「我們從廣告賺錢,廣告商一直告訴我們,他們不希望自家廣告旁邊出現有害或令人憤怒的內容。」祖克伯能否修復這些損害,取決於臉書未來如何使用其演算法和個人數據,以及它與用戶的溝通是否透明。


每家公司都必須不只在演算法的技術層面投入資源,還必須以消費者能夠理解和覺得安心的方式,說明自家公司在做什麼。顧客愈來愈期望了解數位產品如何運作,以及AI支援的服務是如何提供的,而且各國也要求各家企業依據當地法規,調整其數據營運。例如,在有嚴格隱私法規的德國,阿里巴巴需要的數據策略,與它在中國使用的不同。而且它必須以能促進信任的方式,和這兩國的消費者溝通。


4、更新組織。

商業領導人必須分配必要的資源,以升級數據圖所需的技術基礎設施。他們必須招募的人才,是在數據科學和商業方面都兼具廣度和深度的人才。他們必須建立的數據組織,要能成為把企業所有部門都連結在一起的結締組織,體認到現代組織必須同時兼顧相互競爭的兩大派別:認為數據和演算法具備最優異的力量,能夠解決問題的派別,以及不認同這種看法的派別。這種緊張關係定義了現代組織的運作文化:一個好例子就是,Netflix執行長里德.哈斯廷斯(Reed Hastings)如何平衡矽谷的分析拉力和好萊塢的創意拉力。


5、從你的數據圖獲利。

如果建構數據圖是用來支持和塑造策略,數據圖就能揭露價值不僅在於如何設計和製造產品,也在於產品如何為顧客解決特定的問題。數據圖提供的見解,能協助你選擇最合適的獲利機制,並擬定從數據進展到商業成果的清晰路徑。你可以透過基於數據網路效應所做出的可信建議,來保護你目前的營收和獲利,就如同Netflix使用即時數據來改善顧客保留率一樣。

 

你還可以使用你的數據圖來制定思慮更周詳的方法,透過追求新的價值領域來擴大你的營收和獲利流,如同蘋果公司(Apple)在進入信用卡、電視和健康照護領域時所做的那樣。而且,你可以在競爭對手已經善用數據圖的市場裡進行反擊,就如同迪士尼(Disney)以Disney+成功進入影音串流市場的競爭那樣。


重塑優勢

大家都看過麥當勞(McDonald's)店門口「銷售超過X十億個漢堡」的宣傳標語,而且多年來看到這個數字持續上升。不過,追蹤每年銷售了多少個漢堡已經是過時的做法。數據圖的領導企業不太關心這些絕對數字。相反地,他們會問:我們是否有每位消費者在哪裡購買漢堡的數據?在什麼時間買?他會搭配什麼飲料?他在購買漢堡之前或之後會做什麼?我們的顧客是哪些人?他們的年齡、收入、地點、偏好、生活方式等等又如何?我們要如何滿足他們更多的需求,好讓他們在我們這裡,比在其他商家消費更多?並確信他們的錢花得有價值,而且會持續回來光顧?


數據圖將會重塑各個產業的競爭態勢,而且比大多數人預期得更快。現在正是時候,每家公司都不再能夠僅使用數據來改善營運效率,而應體認到數據圖的競爭優勢。資深領導人必須投資以升級他們的數據架構,以便即時全面了解,消費者如何與他們的產品和服務互動。有了這種架構之後,領導人便能開發出獨特的方法,來解決顧客的問題。

 

文章來源:《哈佛商業評論》 

2022年5月10日 星期二

AI人工智慧如何做決定?核心演算法窺密

AI(人工智慧)獲得洞察力和做出決策的方式通常是複雜而神秘的,這引發了人們對深度或機器學習(AI的核心演算法)的可信度的擔憂。

 

最近有一項新的研究,希望透過比較AI軟體的推理與人類推理的匹配程度,以便瞭解AI是否像人類一樣做決定。

探究AI學習的方式

隨著機器學習越來越廣泛應用到現實世界,瞭解它如何得出結論以及它是否正確至關重要。例如AI系統似乎可以準確地預測某張照片中皮膚的病變是癌症,但它可能是通過圖像背景中不相關的黑點來做出判斷的。

對AI的機器學習而言,知道一個模型的決定很容易,但知道這個模型為什麼做出這個決定,卻很難。

理解AI推理的一種常見策略是檢查程式關注的資料(比如說一張圖像或一個句子)的特徵,並觀察AI程式如何出決定。然而這種所謂的顯著性方法(Saliency Method)通常一次只能針對一個決策進行瞭解,並且必須手動檢查每個決策。但AI系統通常使用數百萬個資料實例進行訓練,這使得人工幾乎不可能分析出足夠多的決策,來識別AI的正確或不正確。

「共享興趣」助學習

現在科學家們研究出一種方法來收集和檢查AI對其決策的解釋,從而可以快速分析其行為,這項名為「共享興趣」(Shared Interest)的新技術,將AI決策的顯著性分析與人工註解的資料庫進行比較。

例如圖像識別程式,如果將一張圖片分類為狗的圖片,而顯著性分析可能會顯示程式是根據圖片的頭部和身體的像素來做出決定。共享興趣方法就是將這些顯著性方法的結果與這些圖像的資料庫進行比較,在圖像資料庫中,人們註解了圖片的哪些部分可以決定這張圖片是一隻狗。

AI見微知著?

基於這種比較,我們可以知道AI的決策與人類推理的一致性(是否都是由圖片相同的某個地方或特徵來做出決定),在光譜的一端,AI可能被證明是完全符合人類的,程式做出正確的決策,且決策符合資料庫中人類的標註。在另一端,AI完全凸槌,做出了錯誤的預測,並且決策依據完全沒有根據人類所標註的任何特徵。

通常AI決策,無論是正確或錯誤,可能只有部分根據是符合人類標註的特徵。例如AI可能僅根據圖像的一部分(例如輪胎)就正確地識別圖像中的車子,而不是像人類那樣識別整輛車;或者在X光或電腦斷層圖片中,AI可能針對圖片的一部分或錯誤的部分就做出診斷,即使診斷是正確的,這種系統醫生也不會用,因為它是根據不相關的細節,而不是實際的病變所做出的預測。

圖片標註可能相對容易,但AI的應用範圍很廣,可能有各式各樣的訓練資料,各種不同的資料的顯著點何在,訓練資料庫如何標註也是一個大問題,這也就是為什麼「瞭解AI如何運作」和「瞭解AI如何得到結果」是如此困難。

總之,對AI黑盒子的決定大家還是要謹慎小心,尤其是牽涉到攸關生死的決定。


文章來源:臺灣醒報 張瑞雄