甲子光年智库:数字化的“判别式” | 甲子引力·主题报告

11月14日,2020「甲子引力」大会于北京召开。开幕式上,甲子光年智库负责人江涛为逾千名各界来宾带来了《甲子光年智库:数字化的“判别式”》主题报告。
江涛介绍了传统科技企业如何进行数字化来反哺行业,进行自我赋能从而攻占市场和份额,并从底层支柱讲起,阐述了企业应该如何进行数字化。
同时,江涛结合了甲子光年自身的观察和实践,分析了研究和咨询业务数字化的亲身案例,分享了如何构建数字化能力体系。
最后,江涛从甲子智库众多分析模型中,讲解了服务差距模型和行业与企业数字化成分模型(L1-L4),并阐述了其如何解决数字化服务的盲点和量化公司数字化的程度。
*关注甲子光年,后台回复“判别式”,获取《甲子光年智库:数字化的“判别式”》高清PDF完整版。

以下为报告演讲实录(精华版):
数字化以及践行数字化作业,已然是摆在眼前的大势。甲子智库今天作为观察者和践行者与大家分享一些心得。
一、数字化带来“身份的跃迁”:
从改变自己,到反哺行业
这是几个发生在身边的现象,传统的主机厂纷纷宣布自己不再是汽车制造商,而是出行服务商。
2017年中国制造型企业服务性收入不足5%;2019年工信部最新的调研数据显示,47.6%的企业服务性收入超过20%。
这其中发生了什么?实质在生产型服务领域,企业对产品的权属重视度开始下降,更多地开始聚焦在“关键需求得到满足”。
所以我们可以看到产品即服务、以租代售在仓储与物流、工程机械、科技装备、交通等领域成为趋势。
所以,向服务转型的传统制造企业,面向的客户需求不再是单一的产品或服务,而是产品和服务相融合的产品服务系统的集成解决方案。
在这种模式下客户需求发掘难度高且更加复杂,但是具有的潜在价值突出,存在的合作创新空间更多,要求生产制造企业对数据的洞察与驾驭能力更高,对数字化服务系统的依赖性更加突出。
上述企业在打破这些旧的条条框框的过程中,第一层被打破的就是收入结构,甚至是利润结构,更加高效的服务性收入逐步成为关键收入。
而第二层被打破的条条框框才是更加关键的:部分传统产业的巨头从科技生产力工具的输入者跃升成为输出者,已经成为新兴的不容忽视的重要力量。
比如海尔的卡奥斯平台、三一重工树根互联、美的美云数智、富士康的工业互联等等,他们将过去制造过程中沉淀的能力和实践进行标准化、云化,对其他行业企业进行赋能,分走传统逻辑上属于原生ICT科技厂商的市场份额和机会。
二、企业怎么做数字化
不一样的企业践行数字化以及构建数字化服务系统,都会明确的提出自己的愿景,这里以万达信息吕英胜专家的见解为例。不外乎对高层管理者要能看得见,对中层管理者要能管得住,对基础员工要能帮得上。
我们甲子光年在观察和践行的过程中认为,基于这样一种愿景,还需要搭建三个底层支柱:包括——核心业务的强需求、理顺流程、重视数据能力。
这里现身说法一下,甲子智库过去基于这样的设想,在践行的过程中逐步构建了上述三大支柱,并且开始逐步地将过去“写报告做PPT做文章的”业务模式,改变为“矩阵式”服务体系,并且基于这样一种服务矩阵,灵活应对来自需求端的各种变化。
前面一甲从更全面的视角与大家分享了,离客户近的应用是目前企业选择最集中的地方,说白了这些数字化服务系统距离钱最近。
但是在这里,我们需要进一步明确提出的是,需求和要求有时候是两回事,客户永远希望我们提供的产品和服务是高质量的,但是什么是高质量,其根源还是要回归到提供服务的整个过程中去抽丝剥茧。
三、甲子光年的实践
这里以智库常见的研究和咨询业务为例,满足需求的高质量,在于有效地覆盖这里列出的各种痛点。
因此,我们从搭建智库作业支持系统开始,直接应对上述各种要求,优先消化。这套业务系统目前已经包括了:专家资源库、企业用户库、资料与模型库、分销商与伙伴库、项目执行与管理系统、客户方监测系统、在线表单与问卷系统。
聚焦强需求
聚焦于强需求,是正确开始的第一步,接下来就是理顺流程。
理顺流程
业务流程对于企业的意义不仅仅是对关键业务的描述,更在于对企业的业务运营有着指导意义,这种意义体现在对资源的优化、对企业组织机构的优化以及对管理制度的一系列调优。
这种优化的目的实际也是企业所追求的目标:降低企业的运营成本,提高对市场需求的响应速度,争取企业利润的最大化。
数字化服务系统,针对流程与数据的治理是高度自动化和标准化的体系,集中管理的纵深越大,整个组织和业务表现也越规范,效率会越高。
实践中,在上新系统的过程中,会倒逼管理层和业务骨干梳理现有的业务流程,并且(一定程度上)帮助实现流程的规范化,有些平常模棱两可或者没有标准的流程,在这个过程中会被逐一优化。
继续现身说法一下,过去一年我们甲子智库将全部的内部业务流程尤其是智库业务进行了全面的拆解和标准化,如大家现在看到的,我们拆分为7个关键阶段,涉及7个权责岗位,53个具体环节,包括300多个标准化业务步骤。
数据能力的建设
最后是重视数据能力的建设,这是非常关键的一步,有数据不代表就具有了数据能力,实际过程中很多传统企业纠结于我们拥有大量的数据,怎么才能拥有数据能力呢?
随着被云接管的业务越来越多,AI和IoT的渗透越来越大,数据的获取已经逐步摆脱了过去大量的人工作业方式,并且消除了很多人为因素导致的偏差,数据在准确性、完整性、及时性、安全性等方面都有了较大提升。
从有数据到有数据能力,画出自己的微笑曲线,有三个基本的步骤。首先是统一数据标签管理,其次是统一信息口径,最后是纳入到统一的体系。
继续现身说法,甲子智库围绕自身的数据能力建设,过去的一年我们为整个底层数据体系统一了400多个数据标签。与成熟的数据智能公司相比我们还很弱小,但是我们坚持在统一的体系下逐步迭代发展。
以上,是我们甲子智库作为观察者和践行者对怎么构建数字化能力体系的分享。综上所述,数字化建设是一揽子的系统化工程。
成功者的经历告诉我们,思想上要坚持,这是长期的迭代和建设过程。践行的入口选择满足关键需求的强应用,从规范关键业务的流程开始,逐步构建,小步快跑。我们自己的数字化作业支持系统也是这样整体规划、梯次展开。

四、甲子智库模型:数字化的“判别式”
最后一部分,与大家分享一些关于数字化的判别式,或者说是分析模型。
服务差距模型
首先是服务差距模型。最早的时候,我们较多的用它来分析内外部客户的满意度,发掘客户不满意度的原因,帮助改善客户反馈。
可以看见,客户满意与否,是期望与感知之间的差距和结果。当期望小于感知的时候,客户是满意的,当期望大于感知的时候,客户是不满意的。
实践中,我们发现,这可以帮助我们来解决数字化服务系统和业务的盲点。
举个例子,云端的各类业务系统,通过嵌入缜密的管理逻辑和过程自动化判别,帮助公司和具体执行人员提升工作效率。
实践过程中,具体执行人员往往感知到业务系统有各种条条框框,反而阻碍了具体工作的执行效率,非但没有解决具体作业的根本问题,还增加了额外的工作量,比如客服系统与工单的流转。
而云端服务厂商认为,这些流程和设置是通往提升效率、实现高品质绩效转化的必经之路,细致而繁琐的日常数据的记录与分析是必不可少的关键组成部分。
说到底这是双方看待业务系统的视角和认知过程不对称,提供服务的厂商没有充分了解具体执行人员实际的使用过程和来自于根源的痛苦,具体执行人员对业务系统怎么用好以及核心价值认知不足。
实践中基于服务差距模型,可以将各方的差距具体描述出来,帮助我们科技厂商进行有效的改进。这是帮助我们企业用户审视自己数字化能力的一个分析框架。
行业与企业数字化成分模型(L1-L4)
我们一直试图用各种可量化的方式,检验自己公司的数字化到底到了什么程度,定性的方法很多,能够量化或者间接量化的方法很少。甲子智库基于自己的观察和实践,提出了这样一种方式,基于数据能力去审视。
考察的维度包括:数据的来源、数据的治理、数据的应用、数据的效果;其他还包括数据的安全、企业的数据治理文化和管理方式等等。
处于L1层的企业,还是初始化阶段,以成本为目标;数据的获取范围主要还是集中在内部,从公司到最终用户,且无法反馈。
L2层的企业,处于启动阶段,开始以效率为目标,数据的获取范围扩大到了市场范围,最终用户能够将部分信息反馈到公司,并且帮助改善公司的产品和服务过程;
L3层的企业,处于专业阶段,以用户为目标,构建了属于自己的私域流量以及相应的数字化服务体系,能够及时地获得市场的反馈,并可以将内外部的数据进行有效的打通并连接。
L4层的企业,开始进入全面的发展阶段,以创新为目标,能够有效捕捉产业和生态相关的信息、社交网络信息、以及来自各端的信息,帮助自己实现业务和产品创新,进而跃升到成功转型发展阶段。
这是我们基于上述模型和分析框架对这些行业做的对比。可以明显看到今天的数字化能力和2017年相比发生了哪些变化,很多传统行业的数字化能力正在稳步提升。但是少量行业,随着行业自身的进化,和客户要求的加深,一定程度上数字化能力的表现有所下滑。
我们甲子光年正在从L1向L2层迈进。
最后,简短地向大家展示一下,过去一段时间我们智库团队开发并实践的部分模型。
感谢大家!
(0)

相关推荐