top of page

數據反饋有利決策

筆者連續幾個周一在香港管理專業協會(HKMA),為一班高管做數字化轉型培訓,借助這機會把這十年內的經驗做了一些梳理,希望能夠深入淺出讓非技術的管理者,快速掌握企業數字化轉型成功的關鍵。 為了讓同學們感受到數據化決策的趣味,於是在課程中設計了3個工作坊。我忽然想起師傅多年前問我,為什麼我們要吃完飯之後才給小費,既然飯也吃完了,反過來說何以不在飯前就先給小費更有作用。師傅非常重視Feedback Loop,飯後才給小費表示客人對服務的認可,在數據分析環節上,亦很重視數據反饋的作用。 舉例,Uber如果想知道乘客的滿意度,在下車之後立即發出訊息收集意見,這個時候,應該是客人感覺最強烈。儘管如此,大部分分數還是介乎4分或者5分之間(滿分為5分),可見這評分系統並不完美,原因可能是大部分人覺得4分才算是及格。 回到工作坊的事情上,我希望用最簡單的方式,讓高管明白收集數據與決策之間的關係。很多高管都曾遇上,為什麼收到的報表愈來愈多,但問題總是未曾解決。無他,因為做報表的人與看報表的人,甚少有反饋的管道,隔了一段時間之後就不了了之,而且有增無減。 古語有云:「工欲善其事,必先利其器」,我給高管們的答案是,若要分析師的報告到位,你必須要花時間去給真實的反饋,告訴他:你想分析主題背景的一些假定可能性或者戰略思考,甚至可以告訴分析師,背後部署了的行動是什麼? 以上的反饋對分析師的工作非常重要,而且應該要有持續性和時間性,但往往愈高級的管理愈容易忽略,有時會導致對數據分析,甚至數據轉型失去信心。所以我奉勸高管們可以多理解,並明白到數據分析質量與溝通的重要性。 記得我在阿里巴巴(09988)的時候,月度經營會議之前很多高管都會與我會面,力求我的分析能夠足夠真實。有一次我問淘寶的總裁,你希望月度經營報告能告訴你什麼,他的答案是:「我想知道上個月我們做對了什麼,又做錯了哪些事情。」

Recent Posts

See All
選擇胖模型還是胖鞍具?

打開任何人工智能(AI)方案,你會看到兩種完全不同的產品策略在較量:一種叫做胖模型(Fat Model),另一種叫做胖鞍具(Fat Harness)。 胖模型的信念很直白:以更大的大腦解決更多的問題。參數多、數據龐大、算力強,模型自然顯得聰明。這驅動了ChatGPT、Claude和Grok之間的競賽──每一代都宣稱新產品比上一代更強,而企業只要付費就能直接使用,代價是你的AI能力完全綁定在供應商的

 
 
慎防智能代理「無聲」脫軌

試想想,人工智能(AI)系統已在生產環境中完成部署,但究竟要如何防止AI「悄然失靈」?過去3個月,全球超大規模企業在AI基礎設施上的資本支出達到一個前所未有的量級。單憑這一數據,人們或許會得出結論:AI的生產化部署正在全力推進,市場充滿信心。 然而,7月份第一周,來自不同領域的幾個訊號同時浮現,揭示出一個更為複雜的真相。一邊是史無前例的基礎設施投資;另一邊是一群深諳「系統可靠性」的專家──那些專門

 
 
AI預算黑洞 根源在架構設計

過去兩年。美國眾企業不約而同墮入一個速成陷阱: 認為購買了一個模型、聘請幾位演算法工程師、便能成功實現人工智能 (AI) 落地。然而,即使模型選擇正確數據卻 難以整合;數據成功整合,系統卻無法運行;系統成功運行,但業務部門不會操作;即使學會操作,3個月後模型又變得過時。 問題根源其實不在模型,而在架構。猶如建造大樓,若設計圖存在缺陷,再昂貴的材料也難以支撐。許多企業投入巨資購買「鋼筋水泥」(模型和

 
 
bottom of page