哈佛商業評論 - 再聰明的人工智能，也離不開普通員工－鑽石舞台

頭銜里沒有「數據」的普通員工其實是所有數據相關工作的核心。如果沒有他們的支持和貢獻，就算最聰明的人工智能也只能幹坐着，「數據驅動的決策」也就只能盲目地兜圈子。相反，如果普通員工幫助改善數據質量，用少量數據來理順團隊流程，做出更合理的決策，並為大數據科學和數據變現做出貢獻，成本就會下降，產品就會更好。但最近的研究再次證明，太多的數據項目中缺少這些人，限制了他們發揮作用的範圍和效果。

要徹底理解普通員工的重要性，大家可以想想完成數據科學項目的過程（大數據、分析、人工智能）。一般來說，這需要五個步驟，即了解問題，收集和準備數據，分析數據，構建結論，最後將結論付諸實施。普通員工在每一個步驟中都發揮着關鍵作用，他們是合作者，是消費者，也是所用數據的創造者，不把他們包括在內會帶來嚴重後果。可以看出，做好每一步都十分依賴普通員工。

在數據領域，無論對什麼樣的工作目標進行解析，比如架構、數據驅動的決策、數字轉型、挖掘專有數據、變現和質量，都會得到同樣的結果，那就是需要普通員工的參與。實際上，沒有普通員工，數據科學工作就做不好。

要更全面地發揮普通員工數據的優勢，公司就必須把他們放在數據項目的核心位置，要囊括所有人，並為他們分配具體任務。這樣做可以加快項目進展，同時減少擔憂和壓力。

普通員工是解決方案的一部分

我在諮詢工作中發現，許多管理者都先入為主地看低普通員工，而且可能是無意識的。他們把普通員工視為問題的一部分，覺得他們過時，跟嚴謹數據不搭而且抗拒新觀點。這樣的偏見絕不可取。和他們的團隊溝通時，我看到的恰恰相反。許多團隊成員都知道數據越來越重要，有很好的改進想法，並希望為自己創造機會。讓他們融入進來根本沒那麼難。

負責人和公司需要重構他們的預想，並把普通員工視為解決方案的一部分。我建議經理從小處着手，問問別人哪裡有機會。絕大多數人都會有豐富的想法，比如有人會問開會是否太浪費時間，有人會問團隊編寫的大多數報告有沒有人看，還有人會問重新安排患者接診時間為什麼這麼難。要鼓勵大家通過收集一些數據來驗證他們的想法，並為團隊提出更好的工作方法，然後幫助他們付諸實施。

我見過非常多沒有正式數據背景的員工通過這樣的途徑為改善團隊和公司業績做出了貢獻。幾乎所有人都從這樣的經歷中得到了極大滿足。一位女士告訴我：「我在這家公司幹了20年，從來不覺得自己能控制什麼東西。但現在不一樣了。我有了控制權，採取了我認為最好的辦法。讓我來告訴你我們取得的成果。」幾年過去了，但我還是能感受到她話語中的興奮勁兒。

聰明的管理者應該設法捕捉到這種興奮並擴散出去。第一步就是承認自己的團隊、部門或公司的表現並不完美，然後按照上述步驟推進，只不過面對的是較大的問題。有位管理者不知道自己的團隊收集的數據能否達到了解客戶所要求的質量，有位管理者想知道她為什麼花了這麼長時間來核對各種來源的報告，還有位管理者奇怪為什麼大家都在員工會議上抱怨說「不相信數據」。要習慣於問「我們能讓那個變得更好嗎？」習慣於讓自己的團隊收集相關數據，習慣於觸及問題的根本並逐步做出改善。隨着信心增強，就可以着手處理越來越大的問題。很快大家就能給自己賦能並感覺到那種興奮。

開始把數據視為給普通員工賦能的手段後，公司和負責人就會看到真正的收穫。這種手段可以讓他們儘量減少工作中單調的部分，取得一定程度的控制，釋放創造力，學習新技能，側重於工作中令人滿足的部分並實現職業發展。這需要採取積極態度，同時提供一些鼓勵、培訓和幫助。

重新調整數據方案，囊括所有人

對很多從事數據工作的人來說，決定他們成功與否的不是他們偉大的技術工作，而是普通員工，這一點可謂殘酷。作為公司中的新面孔，數據團隊必須自立。他們選擇可以自行解決的問題，這很自然——質量團隊以數據清理為主，數據科學團隊把重點放在數據密集的領域，隱私團隊專注於制定符合全球數據保護條例的政策。雖然可以理解，但這樣的內向聚焦，與成功要依靠普通員工的現實背道而馳。現在，公司必須重新將很大一部分數據科學、質量、架構和變現項目跟普通員工結合在一起。

為此，數據團隊必須每天都和普通員工一同工作，體驗他們的問題和機遇，接納他們對數據的期望和擔憂。數據團隊必須減少對大數據的關注，同時更重視賦予普通員工所需要的工具，以便他們構建結論並解決問題。數據團隊的快樂應來自經營業績和服務對象的成功，而不是聰明的模型。

所有數據項目都應從以下兩個問題着手：

1. 這將觸及哪些人？

2. 如何儘快讓他們參與進來？

然後請那些人和你一起工作，並在他們問「需要我們做什麼」時做出明確回答。

雖然實際操作中所有人都能立即做出貢獻，但他們了解的信息越多，可以做出的貢獻就越大。也就是說要有培訓和支持。數據團隊必須把很大一部分工作用於傳授普通員工所需的在崗數據技能。培訓的最佳途徑之一是建立「嵌入式數據經理」（embedded data manager）網絡，這個網絡向業務部門匯報，因此跟普通員工足夠接近，可以日復一日地提供幫助。這些經理的另一個身份是擴展後的數據團隊成員。嵌入式數據經理牽頭負責他們團隊中的數據。專業數據人員就小規模數據分析和數據質量對嵌入式數據經理進行培訓，再由後者傳授給團隊成員。這樣他們就可以幫助普通員工規劃並完成上述改進。

此類擴展型數據團隊還不普遍，但殼牌、雪佛蘭和科威特海灣銀行（Gulf Bank）都已成功運用了這樣的組織模式，它們把嵌入式數據經理稱為「負責方」和「大使」（我曾與這些公司合作）。專門建立的小型數據團隊支持一大批嵌入式數據經理，而每位經理再用大約三分之一的時間支持普通員工。舉例來說，在海灣銀行，首席數據和分析官梅·阿洛瓦什（Mai Alowaish）的五人團隊就為一百多位「大使」提供支持。

普通員工的參與從根本上改變了公司管理數據的方式。大家可以想想數據質量，這個巨大的問題幾乎影響着每一個人。數據團隊想通過清理數據來提供幫助，他們用工具來掃描數據並找出錯誤。接下來，他們全力以赴地予以糾正，條件允許就自動糾錯，否則就手動。這項工作既耗時又困難。更糟糕的是，它永遠也不會結束，原因是公司會反覆犯同樣的錯誤。

還有一個更好的辦法，其目的不是消除錯誤，而是預先針對其根源。這樣，在嵌入式數據經理的培訓和支持下，一個普通員工小團隊就可以整理出完成工作所需的數據，評估數據質量，然後發現並預先抓住數據質量問題的根源，一勞永逸地將之掃除。比如，上文中提出「和患者重約接診時間為什麼這麼難」的人就發現，造成該問題的原因是沒有人負責實時更新聯繫方式。他們因此調整了掛號流程，由前台保證患者的最新聯繫電話準確無誤。

有一個為數據團隊而設的響亮主題，那就是將視角從「由內而外」轉變為「由外而內」。這將帶來人員的重新配置，配置方向則包括戰略問題、小數據、質量問題的根源以及賦能。

闡明預期，繼續努力

普通員工每天都和數據纏繞在一起。他們是上游所創造數據的消費者，也創造出其他人要用的數據，他們用數據來做決策並完成工作，他們保護着公司的數據資產，他們也可以成為小數據科學家與協作者、消費者以及大數據科學、人工智能和數字轉型行動中的數據創造者。從這個角度來看，像大多數項目所做的那樣把他們晾在一邊顯得很荒謬。

統計學家塞繆爾·威爾克斯（Samuel Wilks）在大約70年前做出的論斷印證了這一點，他轉述科幻小說大師赫伯特·喬治·威爾斯（H. G. Wells）的話說：「有一天統計思維會像讀寫那樣成為有效公民的必備能力。」雖然本文討論的是公司而非國家，並且對個人角色的定位是員工而非公民，但威爾斯這句話的精髓早已成為現實。是時候讓他們完全參與其中了。

要做的事情很多。負責人和公司必須集中精力，闡明自己的預期，把員工分派到具體問題上，並要求取得成效。我經常建議客戶從質量開始，這是因為如果操作恰當，它就會更快地帶來成果，普通員工樂於成為數據創造者和使用者，而且數據的所有用途都以質量為基礎。

本文列出的主題很難，讓他們完全發揮作用也需要時間。但從正確角度觀之，它們幾乎都顯而易見，而且遠比現在更能讓員工得到滿足，讓公司獲得利潤。

托馬斯·雷德曼（ThomasC.Redman） | 文

托馬斯·雷德曼是商業決策和客戶關係諮詢機構Data Quality Solutions的總裁，有「數據博士」之譽。他幫助公司和個人，包括初創企業、跨國公司、高管以及各級管理者，為他們規劃出通向數據驅動的未來路徑。他尤其重視數據的質量、分析和組織能力。

劉雋 | 編輯