在企业管理中一提到生产率貌似有些陈词滥调的感觉。但决定企业竞争力的核心仍然还是生产率。 当然,也有一些企业用创新的**科技产品压倒竞争者,但从大型零售企业的激烈竞争案例中可以看 出,大部分企业间的竞争仍然还处于成本控制的阶段。当无法随意压��劳动力成本和原材料采购成本 的情况下,提高生产率不得不成为一家企业,甚至一个**决定竞争力的重要因素。韩国也是不断有 呼声提出,要从过去依靠生产要素的大量投入实现经济增长的粗放型经济增长模式,转变到依靠高素 质的人力资源和创新提高生产率的集约型经济增长模式转变。特别是因接连不断的全球经济危机,市 场需求萎缩低迷,全球化竞争在有限的市场内蔓延的情况下,细微的生产率差异也许就能创造出大不 同。
基于这种认识,目前为止,传统的制造和运营,以及单纯的事务性工作效率已经通过自动化和信 息化基本达成了。20世纪90年代之后,随着众多学者和研究证实信息技术与企业生产率的提高有直接 联系的事实,企业在信息技术上的投资已经成为了必须的一项投入。在大数据热潮来临之前,就已经 开始出现像企业资源管理系统(ERP:Enterprise Resource Planning)或供应链管理系统 (SCM: Supply Chain Management) 等把信息技术引入生产和物流中的举动。有了ERP, 过去在企业内部手工处理的各种业务(特别是会计处理)提高了工作效率。得益于销售点管理系统 (POS:Point of Sales), 超市结算的处理速度和库存管理也变得越来越容易。这些都是有代表性 的案例,反映了信息技术和生产率之间关系。
但此外,企业活动(例如,销售、市场等)以及在中间管理层(知识劳动者)的效率还有很大的提 升空间。彼得·德鲁克很早就提出过,如果说20世纪生产率竞争的核心在于工厂和卖场现场的工人, 那么步入21世纪将会有质的变化,其核心将会转移到知识劳动者的效率提升。本质上,生产率并不 仅仅是干更多的工作,而是在于赋予多少附加价值。简单而言,过去银行的职员都忙于在窗口处理 顾客的现金业务,但现在,如果这些职员可以投入更多时间到市场策划或风险管理,那么银行的效 率就会大大提高。这就需要数据收集和处理能力。过去为了掌握库存和余额,需要人工盘点和确认, 而随着条形码或电子标签(RFID)的普及,可以以电子方式收集数据,大大减少了人力成本。进一 步,银行开始设立很多自助智能终端,只需要2名左右的管理人员就可以通过网上银行处理一般性的 银行业务。
就这样,现在企业在日常的生产和交易处理中,通过POS、股票或电子商务系统、计算机集成制造系 统(CIM:Computer Intergrated Manufacturing)等,把过去人工完成的工作由计算机代替完成来 提**率。在这个变革过程中生成的数据,就是联机事务处理系统(OLTP:Online Transaction Process) 数据。
未来大数据的世界里,就会再往前迈一步,在产品、原材料、货物等上面将会附上各种传感器或标记, 能够实时获得相互作用数据,即之前所说的相互作用数据将会成为提高生产率过程中的主角。这种数据已 经发生了巨大变化,形式多样化,生成速度快,可以在新的维度上大幅提高生产率。 不断增加的数据中,尽管也有企业内部的数据,但更多的还是企业与外部机构(包括合作伙伴)形成 网络、加强合作的过程中发生的数据。特别是随着传感技术的发展,使得企业内外的数据收集和分析的水 平线大幅提升。
利用大数据提高生产率还有一个特别明显的特征。那就是外部的非结构性数据将会得到广泛的应用。 如图3-1所示,从大数据的来源是在内部还是外部,数据性质是结构化还是非结构化来分类,我们可以把 应用于提高生产率的大数据分为四大类。其中,内部的结构化数据是目前为止企业主要所利用的数据类型。 在大数据时代,企业为了提**率,除了使用已有的数量、价格、**等内部结构性数据之外,还从合作 伙伴等外部获得各种财务及销售材料,甚至文档、数据等非结构型数据。也就是说,数据的来源和形式在 大数据中将会越来越多样化。这就意味着,在大数据时代为了提高生产率,可以从顾客、合作伙伴、支持 机构、****等所有与企业相关的主体中收集数据指标或交易记录,甚至文档、图片等各种形式的数据 并加以利用。
所以,在提高生产率的过程中,灵活应用非结构化数据就是传统企业系统中无法看到的大数据时代的 一个特征。企业可以分析文档的生成和流通等流程,减少那些不必要的文档来提**率。也可以利用搜索 系统来快速查找需要的文档位置,减少获得信息所投入的时间和精力。相信为了搜索到需要的信息在谷歌 和naver耗费大量精力和时间的朋友们都能有所体会,在企业内部这种搜索也有相当大的改善空间。随之, *近一些商业智能(BI)企业也会把这种内外部相关文件搜索引擎(包括一种数据挖掘data mining方法) 作为自己的核心优势。
例如,食品制造企业雀巢为了减少香草原料的成本,利用各种类型的大数据削减了材料种类和供应商, 一年节约了3000万美元。雀巢通过“众包”(crowdsourcing)方式,用SNS收集顾客满意度相关数据,并 从产品研发的环节就开始做出调整。他们不再盲目地生产各种口味的产品,而是利用Facebook等社交媒体 发起顾客对期望口味的投票,有针对性地限制产品种类,节约了生产那些需求少的产品所增加成本。从公 司整体来看,这种运营过程的改善能够节约每年10亿美元以上的成本。过去,管理者们不太相信自己公司 数据库的一半以上信息,所以当采购香草原料的时候,更多依赖于管理者的经验而不是客观数据。而通过 大数据的应用可以做到明确原材料数量,简化业务流程,提高生产率。
利用大数据提**率的另外一个不同点,就是数据的生成速度。之前在大数据的定义中我们强调过, 大数据的重要特点之一就是速度。大数据可以实时通过传感器生成并收集数据,可以做出更加细致的预测 甚至调整,进行更加精准的管理。例如,在供应链管理中有一个术语叫牛鞭效应(bullwhip effect),指 的是供应链上的需求放大现象。当原材料需求预测不成功时,随着信息的传递,信息逐级放大,供应链下 一个链条上的产品生产预测就会出现误差,结果与实际销售量存在更大偏差。如果通过实时分析数据进行 **的预测和调整,将产品需求和供给之间的差距*小化,从而减少库存和物流费用,就可以提高整体生 产率。可能到时候利用的就不是像过去交易记录那样的死数据(dead),而是实时(real-time)掌握各 地正在发生的信息流,从而直接影响到生产率的提高。
这里*有代表性的例子是沃尔玛。这个**零售企业2011年的收入为4220亿美元,比一些**的GDP还 要多,在全球各地运营着8500多个分店。拥有200多万员工,每周处理2亿以上因与顾客的交易而产生的庞 大数据,而想利用好如此庞大的数据也并不简单。沃尔玛早在90年代,就已经引入零售链(Retail Link) 库存管理系统。在沃尔玛销售产品的企业,可以通过这个系统**地查看现在各家店内自己产品的库存、按 小时或按天的销售量等详细信息。也还可以掌握自己产品何时、怎么被销售的,哪些产品还一起被顾客购买 等情况。得益于这个系统,沃尔玛的合作伙伴就可以更有效地管理自己的库存。
总而言之,大数据时代提高生产率的无限机会不仅在与企业活动相关的人力资源,还包括追踪和管理物 体动态的领域,以及整体价值链的*优化。