如今的企业管理已经与三十年前截然不同。我们渐渐感觉到,最大的差异在于要应对的复杂程度不同。
诚然,复杂的系统一直存在,而企业界一直有难以预测、令人惊奇、出乎意料的要素存在。可是以往复杂性主要存在于城市等大型系统当中,现在却已经会影响我们接触到的一切——我们设计的产品、日常的工作,乃至我们作为管理者监督的组织。这种变化大半源于过去几十年的信息技术革命。以往彼此分离的系统现在相互连接、相互影响,因此也理所当然地变得更加复杂。
复杂难测的组织,远比结构繁复的组织更难管理。复杂的系统会以意外的方式互动,难以预测会发生什么,复杂的程度可能超出我们的认知极限,令人难以理解。而且复杂系统将来的行为不一定能根据过去行为预测,因此难以决定如何下注。在复杂系统中,异常值往往比平均值更有意义。
更糟糕的是,我们的分析工具没有跟上现实状况的复杂程度。总体而言,我们很了解该如何应对复杂情景,但这类知识并未进入如今大部分企业高管的思维,也没能充分渗透到培养明日管理者的商学院。该怎样将知识融入实践?
让我们仔细观察一下复杂性,看看因之而起的问题,以及可能的解决方案。
繁复与复杂
结构繁复和真正的复杂很容易混淆。管理者必须明白两者间的差异:如果用管理繁复组织的方法应对复杂性,你会犯下代价高昂的严重错误。
先从头开始,看看简单的系统。这类系统内部互动很少,可预测性非常高。就像开灯关灯一样,每一次同样的行动都会得到同样的结果。
繁复的系统里有很多活动要素,但活动方式有规律。电灯明灭依赖的电力网络就是繁复的系统:内部有很多可能的互动,但通常有规律可循。繁复系统可以准确预测。例如,民航飞机的操作流程繁复但可预测,因此非常安全。六西格玛流程可能繁复,但相对而言,其投入、实践和产出都不难预测。
与之相比,复杂系统内部的许多特性虽然本身有规律可循,但互动方式却不断变化。一个环境的复杂性由三个属性定义:其一是数量,即可能发生相互作用的要素数量;其二是要素之间相互依存的程度;其三是多样性,即这些要素的相异程度。数量越多、相互依存程度和多样性越高,复杂性就越高。举例来说,一个有机增长方案,包含大量互动、相互依存和多样的要素,因此极为复杂。
从实践角度讲,繁复系统与复杂系统的主要区别在于,前者要预测结果,通常只需要知道起始条件,而后者即使起始条件相同,结果也可能不同,取决于内部要素的相互作用。航空交通管制是一个复杂的系统,由于天气、飞机故障等要素而不断改变。这个系统之所以可预测,不是因为同样的起始条件能确定同样的结果,而是因为该系统本身被设计为可以根据各要素变化而不断调整的状态。
简单系统和繁复系统都可以通过确认和模拟内部要素之间的关系,将之简化为明确、可预测的互动,从而准确把握。复杂系统则无法这样理解,因为内部所有要素都不断地以无从预测的方式相互影响。
复杂性的问题
我们发现,复杂系统管理者通常都面临两个问题:出乎意料的连带后果,以及难以理解的情景。
出乎意料的连带后果。复杂环境里,一个很小的决定就可能造成令人吃惊的影响。研究者发现,容易出现这个问题的情况有三种。其一是没有人想到不同事件之间相互影响。最近的一个例子是任天堂的Wii游戏机。Wii创新的动作感应功能,旨在大幅度拓宽游戏市场。为了吸引新玩家、压低价格,任天堂简化了Wii的其他部件,认为新的技术能够让核心顾客满意,从而容忍简陋的机体。吸引新顾客的短期目标的确成功实现,但长期以来的硬核玩家觉得动作感应技术只不过是噱头,嫌弃Wii系统做得不认真。过了一段时间,第三方开发商也逐渐冷落了Wii,转而为Xbox 360和PlayStation 3开发新作,部分原因在于Wii的性能限制,但也因为开发商同样将Wii视为“休闲”游戏机。这种长期后果,是任天堂难以预测的。
也有积极的意外后果,例如福特(Ford)CEO艾伦·穆拉利(Alan Mulally)同意与其他美国车企CEO一同到国会作证,为汽车行业争取经济救助——虽然福特是唯一一家没有申请不良资产救助计划(TARP)资金的汽车制造商。(部分原因是汽车行业供应链紧密交织,假如通用汽车或克莱斯勒汽车公司倒闭,福特也会受到波及。)媒体对他的行动表示高度赞赏,公众对福特产品的看法随之大幅度提升。
第二种情况是各个要素相加产生的意外后果,而非单独的一件事。例如2008年金融危机,可以追溯到许多各自独立但有联系的事件:银行监管放宽、新的工具允许贷款者将风险转移到资产负债表以外、货币政策维持低利率、合理信贷标准和传统首付要求消失、借款者缺乏意识,等等。经历过金融危机的苦难,如今我们已经明白,很多观察者可以看到一部分要素,但几乎没有人能看清全局,也无法预料房价下跌对于整个经济体系的影响。
第三种情况是,制定某些政策和流程的原因早已过时,而政策和流程却没有及时进行相应的调整。流程背后的原因往往已被忘却。例如,纽约某大型金融机构的员工进入洗手间要输入密码,此举是为防范不速之客。“911”之后,该机构在大楼入口处设置了安全检查,洗手间密码变得多余了——但却直到几年后才正式废除!废除之前,员工、客户、供应商和其他访客就都毫无理由地多了一道浪费时间的手续。
理解某一情景。决策者个人要看清整个复杂系统,是非常困难甚至根本不可能的。这实质上是一个观察角度的问题:单一视角难以观察和理解高度多样化的各种关系。很多人讨论过2008年花旗集团(Citigroup)濒临崩溃的状态,就是因为组织设计令员工各自被困于孤岛,知道银行参与次贷会造成何等后果的员工无法与战略决策者沟通。而且时任CEO的查克·普林斯(Chuck Prince)选择性无视杠杆过高的危险信号,2007年在《金融时报》(Financial Times)的采访中说出了一段著名的评论,“只要音乐还在演奏,你就得站起来跳舞。我们还在继续跳。”
认知上的局限也阻碍了我们理解他人和自身的行动会造成何种影响。研究表明,大部分高管自认为充分理解了信息,实际理解程度却并没有那么高。因此高管时常操之过急,做出重大决策时并未全面了解整个系统可能受到的影响。宝洁公司(Procter & Gamble)前CEO达克·雅格(DurkJager)受到抨击,就是因为推行大规模的组织变革,破坏了必不可少的非正式连接。雅格并未把握公司内部至关重要的相互依赖关系,在CEO的位子上只待了17个月,继任者雷富礼(A.G. Lafley)则几乎没有干涉正式的结构,而是专注于调整激励制度、重建非正式连接。2000年6月雷富礼上任之初,宝洁市值为698亿美元,至2007年增长到了2319亿。
另外,我们现在已经知道,只关注一件事会让我们看不到其他东西。近期一项研究提出了具有重大意义的“不注意的盲点”:研究中的参与者被指示专注于一项任务,就无法留意到周围发生的大事件。
稀有事件给尝试理解复杂系统的人带来了难题,因为稀有事件不会重复发生,我们无从得知系统会因此受到何种影响。前文提到的航空交通,通常是可管理的系统,因为可以不断根据变化而调整。实现这种调整的前提是,系统设计者(即理解了整个系统的人)通过观察,找到长期的规律,并且进行极其细致全面的事后回顾,找到错误的根本原因。如果系统碰上无从应对的稀有事件——比如2010年冰岛艾雅法拉火山喷发,火山灰的规模和性质都是航空史上前所未有的——而被迫关闭,会造成庞大的损失。新奥尔良的卡特里娜飓风、日本的地震和海啸,都造成了系统关闭。
将这些问题综合起来可以得出,复杂系统带来的挑战存在于至少三个管理活动领域:预测未来、减轻风险、做出权衡。以下探讨相应的应对方法。
改善预测方法
面对复杂系统的管理者可以采取以下步骤,提高预测能力。
放弃特定预测工具。许多分析工具内嵌两个不适用于复杂系统的预设。其一是对各种现象的观察可以彼此独立存在。在复杂系统中,这一预设往往不成立,因为复杂系统的各个部分高度互联(比如著名的“蝴蝶效应”,初期一件小事引发连锁反应,最终造成极其严重的后果)。其二是可以将平均数或中位数推及全体。例如医药行业的一个争议案件——美国食品药品管理局关于是否撤销批准乳腺癌药物阿瓦斯汀(Avastin)的商讨(撰文时仍未有结果)。这个议题在美国约1.7万正在服用该药物的女性中间引起一片哗然。后续临床实验发现了该药物可能引起的严重副作用,而且在统计上未能发现该药物对患者平均状况有所帮助。然而,许多医生和患者表示,该药品令特定患者生命延长、生活质量得到改善,更有几名患者完全得以治愈。癌症治疗是一个复杂的系统,但监管机构用的却是应对繁复系统的逻辑。
换成商业环境,如果公司尝试根据顾客反馈的平均值预测顾客行为,问题就来了。平均而言,大家都喜欢使用了新配方的可口可乐,但该产品最终却遭遇失败。公司未能意识到意外值比平均值更值得关注,就会出现这种问题。还有,如果看不到早期事件对未来的重要影响,也会出现问题。波士顿科技(Boston Scientific)收购心血管设备制造商佳腾公司(Guidant),在投标时就发现了产品质量问题以及公司掩盖事实的倾向,却依然为其投入重金。假如能明白这些暴露的迹象正表明这家公司多年积压的更深层次的问题,波士顿科技或许不会为其投入太多资本,之后还要继续耗费大量资源进行修补。波士顿科技的股价至今仍未恢复。
在复杂系统里,与中位数相差甚远的情况可能比我们想象的更加普遍。将例外情况预设为稀有事件的分析工具可能无法看清复杂系统中包含的各种变数。美国股市单日涨幅最大的十只股票上涨数额达到过去五十年市场回报总额的一半,但很少有分析师将这些高点的可能性纳入预测模型。
模拟系统行为。与其用无关紧要的中位数来做推论,不如寻找能够让你深入理解系统及其众多要素互动方式的模型。例如电信公司用于预测顾客流失可能性的客户关系管理模型,以及用于预测消费者对各种广告反应的数据挖掘工具。此外,要将概率低但影响重大的极端情况纳入预测模型。研究复杂性的皮耶尔保罗·安德里亚尼(Pierpaolo Andriani)和比尔·麦凯尔维(Bill McKelvey)观察得知,加利福尼亚每年发生1.6万次小地震,真正的大地震每隔150年或200年发生一次,因此地震的平均值并不会让人觉得危险。如果按照平均震度制定建筑物标准就太轻率了,因为影响最大的是罕见的大地震。企业也一样:应当重视的不是普遍情况,而是发生概率很低的极端事件。
使用三类预测信息。在复杂系统中无法对未来做出高度精确的预测,而组织又必须把握未来,需要决定资源配置的领导者该如何是好?在过于错综曲折的离奇设想和过度倚重过往经验的线性预测之间,如何找到平衡点?我们建议管理者分清过往经验中有哪些还适用,哪些已经不再符合现状。有一种方法是把信息分为以下三类:
落后:关于已经发生过的事情的信息。大部分财务指标和关键绩效指标属于这一类。
现状:关于当前状况的信息。现在的机会属于这一类。
领先:关于可能的发展和系统如何回应一系列可能性的信息。
如果你掌握的信息大部分属于落后一类,这就是一个值得警惕的信号。将落后的指标作为决策的主要依据,相当于断定未来将依循过去的规律。至少要有一部分领先类的信息,这类信息难免模糊且不客观,因为未来的事尚未发生,但如果缺乏这类信息,你很可能被未来的变化弄得措手不及。
领先的信息能促成行动,避免可能的系统失败,一个例子是千禧年危机——人们担心世纪之交时计算机会出现故障,因为很多计算机使用二位数纪年格式。早期的程序员以为,到了千禧年,自己设计的软件早就彻底更新过了,但许多使用二位数纪年的重要系统一直保留下来(属于落后信息)。领先类信息描绘的灾难十分生动合理,促使人们付出极大的努力在2000年到来前修改复杂的计算机系统(相关计划可以归为现状类信息)。千禧年真正到来时,只出现了很少的几个问题,其中大部分无关紧要。
注意,这种分类法虽简化事实,但不会像传统预测工具那样忽视复杂性。
更好地减轻风险
最大限度地减轻风险,对于复杂系统的管理者而言至关重要,而传统方法并不够好。管理者必须学习:
减少乃至消除对精确预测的需求。在无法预测的世界里,最好的投资或许是努力降低预测的重要性。例如产品设计,传统系统中的制造商必须猜测怎样配置、怎样定价能吸引顾客购买,猜错的风险很高,复杂产品更是如此。
这种猜测的需求可以设法消除,只要设计一个系统,让用户自行设计想要的东西。比如Lulu颠覆传统出版模式,让作者掌控出版流程的关键要素。传统出版模式中,出版商向作者预付稿费,印书时并不知道实际能卖出多少。Lulu模式则是作者将内容上传至公司网站,自行标明价格,若有顾客看到网页决定购买,实体书(或其他产品)才会印刷出来。作者可获得卖书收益的80%,远高于传统出版的版税比例,而且Lulu模式避免了印量过多导致积压乃至销毁的风险。这样构建决策流程,使得书本生产和金钱交易都只发生在顾客准备购买的时候,多少消除了猜错的风险。
波音公司大获成功的777客机系列,以更加复杂的产品证明了这一原则。波音邀请八家大型航空公司协助开发,根据这些客户的意见建立迭代模型,不断完善设计。公司还采用3D建模等先进的视觉技术,减少客机系统之间意外的相互影响,并能及早收到反馈。
运用解耦和冗余。有时一个复杂系统的要素可以彼此分离,减少出现差错时连带的后果。解耦有两个好处:保护组织的某些部分免于意外事件的风险,并且保护应对意外事件可能需要的部分。对比一下Windows操作系统和软件即服务(简称SaaS)应用。Windows操作系统与数据紧密联系,系统版本升级时所有数据都会被抹去,必须做好备份等更新完毕后重新拷进电脑。SaaS则是采用统一的界面,告诉电脑你的数据在哪里,升级不会触及数据。而且后者因为软件和数据分离,两边同时受损的风险大幅度降低。
也可以将要素设计成在系统一部分出现故障时可以相互取代的冗余样式。这种刻意的冗余可以提升系统部分遇到问题时维持运作的可能性。解耦和冗余会增加开支,但这方面的投资是值得的。
当然,一个组织内部可以容纳(以及负担)的解耦和冗余是有限的。或许需要诉诸外部资源,增加组织应对特殊情况的能力。例如咨询机构埃森哲(Accenture),有着广阔的合作网络,如果客户提出难以处理的意外需求,就可以迅速向合作伙伴寻求帮助。埃森哲还会通过合作关系(与本文作者之一丽塔也有合作)开展研究,这虽然不属于主要业务,但可以提供有利于客户的早期预警。
利用讲故事和假设法。减轻风险的另一种方法是,让人们对发生概率很低但确有可能的未来灾难产生实感。分享一些有惊无险的故事,针对假设的负面事件开展演练,可以帮助人们关注未来可能发生的大事件。提出“假如……会怎样”的假设是个好方法,可以引出传统方法不会想到的情景,但假设法并未得到充分利用。商业上对这类“软性”方法的评价不如看似更严谨的数据分析。我们的直觉认为故事和假设属于文学幻想,觉得数据才能代表科学、理性和真相。但如果传统方法总是无法解释稀少且意外的(但却是我们最关注的)事件,就该重新考虑一下了。故事可以让我们深入了解复杂系统,部分原因在于,讲故事者的想象力并不会被现有数据所束缚。
三角测量法。讲故事很有效,但却有一个缺陷。我们的想象力没有极限,这正是问题所在——要关注的东西太多,在该限制的时候没有限制。这里该用的就是三角测量法。
三角测量法是指从不同角度应对同一个问题——用不同的方法、做出不同的假设、收集不同的数据,或者从不同的角度分析同一组数据。这正是理解复杂系统的最佳方法。例如,对比特定时间点时不同要素的状态(社会学家称之为横截面分析),了解到的东西与观察某一要素随时间演变的状态不同。也可以结合这两种方法,研究多个要素随时间演变的状态——这就是许多复杂的计量经济学和财务分析的本质。三角测量法的优势很明显,但直到最近应用才有所增加,不过这种方法需要用到的工具也经过改进,更加易于使用。
将“软性”但灵活的讲故事法与“硬性”却死板的量化分析结合起来,将能够极其有效地理解复杂系统。前者帮助我们探索不太会真正出现但却很重要的可能性和意外后果,后者则让我们对系统内可见要素之间的关系有深入具体的认知。面对复杂状况的管理者应当妥善利用这两种方法。
明智的权衡取舍
在繁复环境里做出好的取舍相对简单,只需要找到各要素的最优组合进行投资,与工程问题相似。而在复杂环境里,好的取舍更为困难。可以参考以下两种策略。
运用实物期权法。意即进行相对较小的投资,让自己在之后拥有进一步投资的权利而非义务。目标是限制损失,争取最大的利益空间。在有能力降低自己面临的大部分不确定性之前,循序渐进地建立小额投资组合,维持较低的风险水平。实物期权策略可以帮助你通过控制损失管理失败,而不是消除风险——杜克大学的西姆·西特金(SimSitkin)等研究者将这种方法称为“智慧型失败”。这一理念不是要避免犯错,而是让错误以较低的代价及早发生,让你得以从中学习、提升复原力。
确保思想多样性。意识到了自己面对的是复杂系统而非繁复系统,你要在人力资源方面做出怎样的取舍?繁复的系统如同机器,需要减少磨损;复杂系统则是有机的,需要确保组织内部有足够多样的思想,应对必然出现的变化和差异。公司里哪些人经常与跟你不太熟的人讲话?哪些人会做出略微打破常规的事情?哪些人会看到其他管理者忽视的风险和趋势并做出调整?在复杂的系统里,寻找能够胜任的合适人选,等同于寻找这种具有不同思路的人(边栏“反直觉的招聘方法”提出了一种不寻常但有效的策略)。
我们运营繁复系统的能力已经取得了长足的进展,即使是规模庞大的繁复系统也无需担忧,这是凭借研究故障、做出相应调整而实现的。然而我们运营复杂系统的能力几乎没有提升,复杂的系统违反常规的建模方法,挑战传统管理方法。要预测复杂系统的运转,领导者必须采用更好的工具——能够帮助我们了解无数要素之间不断的相互影响、了解稀少极端事件影响的工具。采取措施减轻风险,进行合理的权衡取舍、控制早期失败的影响,并且组建观点多样的员工团队、以创意应对变化,如此一来,我们就能在复杂组织中更有信心地制定决策,增加成功的机会。
本文曾发表于《哈佛商业评论》2011年9月刊。
戈克西·萨尔古特是位于伊利诺伊州大学园区的州长州立大学助理教授,研究关注创意行业的战略及结构性变化。丽塔·贡特尔·麦格拉思是哥伦比亚商学院教授、全球知名的战略专家,探讨不确定的多变环境下如何制定战略。她的著作有《竞争优势的终结》(The End of Competitive Advantage,哈佛商业评论出版社出版),最近出版了《见微知著》(Seeing Around Corners,Houghton Mifflin Harcourt,出版社出版)。
戈克西·萨尔古特(Gökçe Sargut) 丽塔·贡特尔·麦格拉思(Rita Gunther McGrath) | 文
已有0人发表了评论
哈佛网友评论