复杂问题体系化

科技服务企业需要不断把“大脑袋”灵光一现的创新思想和积累于脑海的经验视野，转化为结构化的资源，沉淀为组织的知识资产，可构建一个思想和经验的框架模型，也可以总结一套适用于特定场景的方法和实践。这些内容既可以减少其他人的重新工作，又能够帮助更多相对初级的专业人员完成服务的交付，保障可预测的服务质量。

以笔者在Thoughtworks从事的数字化转型服务为例，早期，全公司只有少数一些人具备帮助客户端到端地开展这项业务的能力。这些人不仅有着敏锐的行业嗅觉，清楚了解各种内容广博的数字化科技，还能深刻理解客户的组织和业务情境，更重要的是掌握这些要素之间的关联影响，并因地制宜权衡取舍。涉及的知识范围之广、影响因素之多，以至于要做出相对准确的判断，堪称一门艺术。这些先行者们的探索活动依赖的是经验和直觉，从各个角度建立假设，快速验证并修正方向，做的是“大脑袋”的事情。

积累一些案例经验之后，这些人观察到这类服务过程中浮现出的模式，于是总结出了现代数字化转型业务的五个核心要素。

●低摩擦的运营模式；

●企业级平台战略；

●智能驱动的决策机制；

●客户洞察和数字化产品能力；

●工匠精神和科技思维。

所有的模型都是对现实复杂世界的简化，而现实永远比模型复杂棘手。所以这五个要素虽然不能覆盖数字化转型业务的方方面面，但能够反映重要的关注点，基本够用。有了这个框架，就不用每次从头开始，完全靠经验和直觉来摸索数字化转型的策略。

为了让更多人能够有效识别转型目标、策略和优先级，从而设计出适合的转型旅程，这些先行者设计了一个数字化流畅度模型（Digital Fluency Model，DFM），如图2-2所示。这个模型倒也不是凭空出现的创新，其元模型来自黛安娜·拉森（Diana Larsen）和詹姆斯·肖尔（James Shore）于2012年发布的敏捷流畅度模型。[2]

设计这个模型的人发现，所处商业环境、禀赋不同的公司发展数字化转型业务的重点是不一样的，不能用一刀切的成熟度模型来定义。像CMM这样的能力成熟度模型明确设置了等级越高越好的期望，似乎到了最高等级就拿到了最终的奖杯，就一劳永逸地解决了问题。流畅度的概念来自语言学习。当一个人要学习一门外语时，首先要看看学习的目的是什么。是去旅游，是在工作中使用，还是要长年居住在新的国家？学习的目的决定了应该把外语掌握到什么样的流畅度。

图2-2 数字化流畅度模型

一家企业不一定在五个要素上面面俱到，样样精通，加强所有核心要素不是转型的目的。更合适的做法是根据组织特点、业务模式、竞争环境和自身战略来权衡取舍，决定每个要素在不同阶段的流畅度目标，选择适当的投入水平和投资内容。有的时候，在某个核心要素上加大投入，达到更高的流畅度水平不一定能带来太多额外的价值。时机不对的时候，甚至可能带来负面的效果，以至于影响整个数字化转型战略的声誉和干系人的信心。当业务环境变化时，我们应随之不断调整各个核心要素的流畅度目标和相关投入方向。流畅度模型把制定转型战略的工作进一步拆解到了每个要素的流畅度目标制定，降低了所需知识、经验和认知能力的要求。

以某金融服务公司为例，该公司认为，取得长期成功的关键是从其数据资产中释放价值，并成为客户的终身合作伙伴。该公司还发现，客户的平均年龄有所下降，所以应该设法迎合那些期望有更好的数字体验的年轻人。因此该公司选择在智能驱动的决策机制这个要素上向着强化级别努力，同时增强客户洞察和数字化产品能力以吸引年轻人。于是，该公司采取的一个举措是投资现代化的客户数据平台（Customer Data Platform，CDP），并以自建团队和寻求高端服务商合作相结合的方式，增强产品设计能力。其数字化流畅度目标如图2-3所示。

图2-3 某金融服务公司数字化流畅度目标

决定了每个核心要素的流畅度目标后，就要选择合适的举措和投资。以“优化”这个流畅度级别为例，这对大多数公司来说是一个突破现有组织约束的阶段，快速实现价值交付和采用新技术会带来更高的回报。高价值的新业务模式逐渐浮出水面，企业在部分领域就可能领先甚至影响市场发展的节奏。可选的部分投资选项，如表2-1所示。

表2-1 数字化流畅度“优化”级别的部分投资选项

观察上述这个业务定义的过程，经过一系列的建模活动，数字化转型这个高度复杂、高度不确定的活动，逐步降解为一组专业领域的投资选项。不确定性降低之后，业务活动对应到了多组以“白头发”和“执行员”为主体的团队，由一群具备相关领域经验的专业人士分别承担，并取得足够满意的效果。