数字化转型:企业破局的34个锦囊(序)

《数字化转型:企业破局的34个锦囊》自出版面世以来,受到各行业数字化转型一线同仁们热切的关注和讨论。数字化时代正在对各行各业产生广泛而深远的影响,但当我们谈及数字化转型时,不能只是简单地将自动化或数字化嵌入现有的组织结构中去,而是要重新构思一切。书中包含了丰富的实用性建议和案例研究,致力于用切实有用的工具帮助企业在数字化浪潮中急流勇进。本文为书籍序言。

直播回放:


变化、变化、变化。我在这个行业已经工作50多年了,专家们一直都在谈论变化,以及需要快速做出响应。下一个10年会有所不同吗?我投“不同”一票。《第四次工业革命:转型的力量》一书的作者克劳斯•施瓦布(Klaus Schwab)似乎同意我的观点:

当前(技术)突破的速度是史无前例的。与以往的工业革命相比,第四次工业革命正以指数级速度而不是线性步伐向前发展。此外,它正在颠覆所有国家的各行各业。这么广泛而深入的变化预示着整个生产、管理和治理系统都将面临转型。

施瓦布认为,这场工业革命经历了四个时代:

  • 机械生产时代
  • 科学和大规模生产时代
  • 数字革命时代
  • 技术转型时代

每次工业革命都给企业、政府和其他机构带来了重大颠覆。我们能从这些颠覆中学到什么呢?首先,颠覆式的变化是经常发生的,而且通常发生得很快。许多机构都无法经受住这种变化。机构的生存与发展不仅需要适应外界变化,通常还需要一点运气。正如本书作者所言:“标准普尔500指数成分股企业中约一半将在未来10年内被取代。” 因此,我们得到一个假设,即50%的组织在未来十年内不再领先(也可能无法生存下去)。那怎样才能使企业进入50%成功的梯队呢?

领导者需要真正地思考企业在未来5到10年所面临变化的速度,并考虑如何响应。在这个颠覆性变革的时代,成功不会来自于局部的微调,而将来自于企业与组织赖以生存的各个方面的巨大调整。加里.奥布莱恩(Gary O 'Brien)、郭晓和迈克.梅森(Mike Mason)在本书中为我们提供了他们根据经验得出的分析、思考与洞察。

作者指出了企业在这个新工业革命时代需要拥抱的三个领域,并提供了实现领先的战略和工具。第一,组织需要迅速转变为以客户价值为导向。第二,组织需要成为能为客户交付价值的,具有高响应力的敏捷组织。第三,组织需要将技术融入每个成员的核心竞争力中。

当今的企业通常以忽视客户价值为代价来增加股东价值。亚马逊(Amazon)就是一个逆潮流而动的公司。杰夫•贝佐斯(Jeff Bezos)从一开始就不按常理出牌:不要担心竞争对手、短期目标或华尔街,要注重客户服务和长远发展。尽管以客户为中心已经成为商业箴言,但诸如ROI和股东价值等传统的财务指标仍然主导着管理层的决策;理解和度量客户价值并决定如何计算它往往被留给营销部门。这些已经发展了几十年的业务流程、实践、组织架构、财务事项以及其他支持内部职能的事物,都不是以外部客户的视角来运作的。创建一个可以持续交付客户价值的高响应力敏捷组织,要求领导者检视传统的职能和层级结构,并使业务与客户价值流保持一致。当今经济全球化的复杂性和相互关联的本质,意味着必须简化商业模式以及组织运作方式。本书作者提供了关于如何完成这些事情的原则、指导方针和行动方案,同时明智地避免去提倡具体的组织架构形式。正如他们所说,每个行业和企业都是不同的,打造高响应力企业所需的各个模块,其流畅程度对于某个组织来说都是独特的。为了找到这种独特性,他们提出了一种学习和适应企业特定需求的精益切片方法。不要试图复制别人的方法——即使是亚马逊的。因为这并不可行。他们建议使用核心支柱创建自己独特的数字化转型方法。

数字化转型的第三个领域是技术,它既是颠覆性的来源,也能为组织提供适应这种颠覆性的能力。多年来,技术主要用于支撑业务职能,从制造业到金融业都是如此。如今,技术尤其是软件,已经变为产品的核心。不仅仅是技术人员,组织中的每个人都需要将技术知识融入到他们的核心能力中。本书为如何完成这一里程碑式的目标提供了实用性策略——再次通过精益切片方法——来为应对可持续增长与变化奠定基础。

我们正处于经济史的一个转折点,如何应对从“前数字化时代”到“数字化时代”的转变?对组织度量成功的标准、组织架构、向技术转型的方法,是到处填补漏洞,还是持续进行变革?你能响应变化并为竞争对手创造变化吗?如何想要破解未来迷宫的地图,那么本书是一个非常不错的起点。


文/吉姆·海史密斯(Jim Highsmith)

ThoughtWorks执行顾问

《EDGE: 价值驱动的数字化转型》合著者

《敏捷项目管理:快速交付创新产品》作者


更多精彩商业洞见,请关注微信公众号:Thoughtworks商业洞见

Share

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注

此站点使用Akismet来减少垃圾评论。了解我们如何处理您的评论数据