你所缺少的,数字化解题思路.docVIP

\o 点击文章标题可访问原文章链接 你所缺少的,数字化解题思路 就好像，某批货的交期快到了，因产能不足，临时决定，调配其他线上的机器和员工过来帮忙，从车间和物流管理的角度看，完美地解决了问题。但如果把财务核算考虑进来，这些临时的调配，事先没有进行过报备，导致了高昂的机器折旧费，及人工工资错误归集，造成了产品成本的异常波动，进而影响了后续的销售策略。 又好像，我们一下子收到客户一年的订单，你是下个一年的单，还是按交期分成多个单下，从销售的角度看都没问题。但如果把存货管控考虑进来，这两种下单方式，对每月核算“在手订单覆盖率”，会带来很不一样的结果，进而影响了后续的存货策略。 （Ps. 在手订单覆盖率 = 销售订单未出库数量*成本单价 / 存货金额；销售在手成品数扣减存货后，剩余按BOM配比，获得下阶所需半成品用量，再扣减该阶半成品存货，依次循环反复到最末阶。） 一个小小的局部逻辑变化了，对后道的影响往往是巨大且无声无息的。数字化应用得越深，我们发现个人对事务的掌控力就变得越弱。数据的逻辑链条环环相扣，我们看得见、摸不着，当数据的问题被发现时，往往历史数据已经积重难返。想要纠正，只能是，漫长耗时的再重新来过的过程。 ?????????????01：归因????????????? 当我们越来越依赖于，系统提供的数据作为决策参考时，则我们不得不重新审视，以往开放（拍脑袋）式的讨论模式。 举个感受比较深的例子就是：领导想帮忙解决问题，然后召集很多人开会讨论，大家各抒己见，最后制定一套规则或办法。这时候有点像是在做填空题，我们对着问题，寻找答案。 但数字化让这个玩法变了，当我们遇到问题时，在有限的条件下，为了能够有结果可以验证，往往答案只有那么几个，我们从做填空题变成了做选择题，在稳定中求变化，只能权衡各项利弊后做出有限的选择。所以如果再用开放式的讨论模式，就显得很扫兴，大家都提了好的想法了，也实现不了，那还讨论什么？ 这让我们一下子变得无所适从，都说“数字化核算逻辑是严丝合缝的”，这句话大家都能够认同，但落于实处，又很容易不把这个当回事。 我们在使用ERP和各类系统时，一旦工作环节感到不顺畅，很容易产生不好的体验，然后心里瞬间产生一些好坏的认定。 我们的思维，很容易被所见之结果影响判断。就好像你停车等绿灯，刚起步时突然有人超了你的车，心里瞬间产生了一种认定，这人绝对有病，但也有可能他在送人去医院急救呢？ 而这，也正是我们解决数字化问题时的关键矛盾所在。我们过分的关注结果，而忽略了过程的合理性。 ?????????????02：捕捉问题???????????? 我们解决数字化的问题，是为了让以后的事情有更好的发展，而不是沉溺于问题，寻找错误的归因。我们对问题的过程进行复盘，寻找问题的原因，但有的时候，再深刻的反思也不会让我们进步，反而陷入了思想的执拗旋涡里。因为自身的认知能力已不足以解决问题。 在这种状态下做出的决策，很容易变成，还没捕捉到问题，就已经有了解题思路。结果可能变成，你想了个方法要解决问题，但可能对方并不想用。 捕捉到问题，这是个复杂的过程，此时此刻，我们非常需要有，对事务全生命周期的认识。考虑的面越窄，能解决的问题就越有限。 在智能制造领域里，有个名词叫做“数字孪生”。大意是把现实物理的东西，在赛博空间里弄一个数字化虚拟实体出来，然后借助历史数据做辅助分析，观测实时数据，利用算法逻辑，做模拟、验证整个过程，预测出可能会出现的问题，同时呈现处理历史类似情况的应对机制。 要把用数字化构造出来的东西，变成现实中孪生的状态，这十分复杂。但我们可以提取下里面的解题思路：将资源、能力、数据进行协同，然后持续地学习，建立起自反应、自学习的机制，然后以更直观人机交互方式，形成某个方向上的能力需求。 再说的简单一点就是，我们解决问题时，一定要有确认问题的过程，这个过程会帮助我们，加深对事务生命周期的了解，养成把问题拆解成，链条结构的数据化状态的习惯。通过观察数据，来反映实际情况，为了达到能解决问题的了解程度，会自然的去借助必要的历史数据等信息，加深多元化的视角，明确行动要做什么，思考不要做什么。 因为问题的不可预测性，虽然我们常说，无用数据过多不好，让无用的数据要少一些。但在长期的使用过程中，遇到的棘手问题，往往是意料之外的，所需要的数据可能一开始并不知道有用。则那些可以反映事务生命周期过程的数据，即使暂时用不到，但因为可以让事务做数字化时，表现得更加具象化，则我们也应该去完善它。这些充分非必要的数据，可以帮助我们加快捕捉问题的速度，并减轻解决问题的工作量。 ?????????????03：化实为虚???????????? 赛博空间里的数字化构造出来的东西是虚拟的，但是只要维度足够，关联够密切，它又能反馈出真实的状态。 我们个人的知识和管