再聪明的人工智能，也离不开普通员工

头衔里没有“数据”的普通员工其实是所有数据相关工作的核心。如果没有他们的支持和贡献，就算最聪明的人工智能也只能干坐着，“数据驱动的决策”也就只能盲目地兜圈子。相反，如果普通员工帮助改善数据质量，用少量数据来理顺团队流程，做出更合理的决策，并为大数据科学和数据变现做出贡献，成本就会下降，产品就会更好。但最近的研究再次证明，太多的数据项目中缺少这些人，限制了他们发挥作用的范围和效果。

要彻底理解普通员工的重要性，大家可以想想完成数据科学项目的过程（大数据、分析、人工智能）。一般来说，这需要五个步骤，即了解问题，收集和准备数据，分析数据，构建结论，最后将结论付诸实施。普通员工在每一个步骤中都发挥着关键作用，他们是合作者，是消费者，也是所用数据的创造者，不把他们包括在内会带来严重后果。可以看出，做好每一步都十分依赖普通员工。

在数据领域，无论对什么样的工作目标进行解析，比如架构、数据驱动的决策、数字转型、挖掘专有数据、变现和质量，都会得到同样的结果，那就是需要普通员工的参与。实际上，没有普通员工，数据科学工作就做不好。

要更全面地发挥普通员工数据的优势，公司就必须把他们放在数据项目的核心位置，要囊括所有人，并为他们分配具体任务。这样做可以加快项目进展，同时减少担忧和压力。

普通员工是解决方案的一部分

我在咨询工作中发现，许多管理者都先入为主地看低普通员工，而且可能是无意识的。他们把普通员工视为问题的一部分，觉得他们过时，跟严谨数据不搭而且抗拒新观点。这样的偏见绝不可取。和他们的团队沟通时，我看到的恰恰相反。许多团队成员都知道数据越来越重要，有很好的改进想法，并希望为自己创造机会。让他们融入进来根本没那么难。

负责人和公司需要重构他们的预想，并把普通员工视为解决方案的一部分。我建议经理从小处着手，问问别人哪里有机会。绝大多数人都会有丰富的想法，比如有人会问开会是否太浪费时间，有人会问团队编写的大多数报告有没有人看，还有人会问重新安排患者接诊时间为什么这么难。要鼓励大家通过收集一些数据来验证他们的想法，并为团队提出更好的工作方法，然后帮助他们付诸实施。

我见过非常多没有正式数据背景的员工通过这样的途径为改善团队和公司业绩做出了贡献。几乎所有人都从这样的经历中得到了极大满足。一位女士告诉我：“我在这家公司干了20年，从来不觉得自己能控制什么东西。但现在不一样了。我有了控制权，采取了我认为最好的办法。让我来告诉你我们取得的成果。”几年过去了，但我还是能感受到她话语中的兴奋劲儿。

聪明的管理者应该设法捕捉到这种兴奋并扩散出去。第一步就是承认自己的团队、部门或公司的表现并不完美，然后按照上述步骤推进，只不过面对的是较大的问题。有位管理者不知道自己的团队收集的数据能否达到了解客户所要求的质量，有位管理者想知道她为什么花了这么长时间来核对各种来源的报告，还有位管理者奇怪为什么大家都在员工会议上抱怨说“不相信数据”。要习惯于问“我们能让那个变得更好吗？”习惯于让自己的团队收集相关数据，习惯于触及问题的根本并逐步做出改善。随着信心增强，就可以着手处理越来越大的问题。很快大家就能给自己赋能并感觉到那种兴奋。

开始把数据视为给普通员工赋能的手段后，公司和负责人就会看到真正的收获。这种手段可以让他们尽量减少工作中单调的部分，取得一定程度的控制，释放创造力，学习新技能，侧重于工作中令人满足的部分并实现职业发展。这需要采取积极态度，同时提供一些鼓励、培训和帮助。

重新调整数据方案，囊括所有人

对很多从事数据工作的人来说，决定他们成功与否的不是他们伟大的技术工作，而是普通员工，这一点可谓残酷。作为公司中的新面孔，数据团队必须自立。他们选择可以自行解决的问题，这很自然——质量团队以数据清理为主，数据科学团队把重点放在数据密集的领域，隐私团队专注于制定符合全球数据保护条例的政策。虽然可以理解，但这样的内向聚焦，与成功要依靠普通员工的现实背道而驰。现在，公司必须重新将很大一部分数据科学、质量、架构和变现项目跟普通员工结合在一起。

为此，数据团队必须每天都和普通员工一同工作，体验他们的问题和机遇，接纳他们对数据的期望和担忧。数据团队必须减少对大数据的关注，同时更重视赋予普通员工所需要的工具，以便他们构建结论并解决问题。数据团队的快乐应来自经营业绩和服务对象的成功，而不是聪明的模型。

所有数据项目都应从以下两个问题着手：

1. 这将触及哪些人？

2. 如何尽快让他们参与进来？

然后请那些人和你一起工作，并在他们问“需要我们做什么”时做出明确回答。

虽然实际操作中所有人都能立即做出贡献，但他们了解的信息越多，可以做出的贡献就越大。也就是说要有培训和支持。数据团队必须把很大一部分工作用于传授普通员工所需的在岗数据技能。培训的最佳途径之一是建立“嵌入式数据经理”（embedded data manager）网络，这个网络向业务部门汇报，因此跟普通员工足够接近，可以日复一日地提供帮助。这些经理的另一个身份是扩展后的数据团队成员。嵌入式数据经理牵头负责他们团队中的数据。专业数据人员就小规模数据分析和数据质量对嵌入式数据经理进行培训，再由后者传授给团队成员。这样他们就可以帮助普通员工规划并完成上述改进。

此类扩展型数据团队还不普遍，但壳牌、雪佛兰和科威特海湾银行（Gulf Bank）都已成功运用了这样的组织模式，它们把嵌入式数据经理称为“负责方”和“大使”（我曾与这些公司合作）。专门建立的小型数据团队支持一大批嵌入式数据经理，而每位经理再用大约三分之一的时间支持普通员工。举例来说，在海湾银行，首席数据和分析官梅·阿洛瓦什（Mai Alowaish）的五人团队就为一百多位“大使”提供支持。

普通员工的参与从根本上改变了公司管理数据的方式。大家可以想想数据质量，这个巨大的问题几乎影响着每一个人。数据团队想通过清理数据来提供帮助，他们用工具来扫描数据并找出错误。接下来，他们全力以赴地予以纠正，条件允许就自动纠错，否则就手动。这项工作既耗时又困难。更糟糕的是，它永远也不会结束，原因是公司会反复犯同样的错误。

还有一个更好的办法，其目的不是消除错误，而是预先针对其根源。这样，在嵌入式数据经理的培训和支持下，一个普通员工小团队就可以整理出完成工作所需的数据，评估数据质量，然后发现并预先抓住数据质量问题的根源，一劳永逸地将之扫除。比如，上文中提出“和患者重约接诊时间为什么这么难”的人就发现，造成该问题的原因是没有人负责实时更新联系方式。他们因此调整了挂号流程，由前台保证患者的最新联系电话准确无误。

有一个为数据团队而设的响亮主题，那就是将视角从“由内而外”转变为“由外而内”。这将带来人员的重新配置，配置方向则包括战略问题、小数据、质量问题的根源以及赋能。

阐明预期，继续努力

普通员工每天都和数据缠绕在一起。他们是上游所创造数据的消费者，也创造出其他人要用的数据，他们用数据来做决策并完成工作，他们保护着公司的数据资产，他们也可以成为小数据科学家与协作者、消费者以及大数据科学、人工智能和数字转型行动中的数据创造者。从这个角度来看，像大多数项目所做的那样把他们晾在一边显得很荒谬。

统计学家塞缪尔·威尔克斯（Samuel Wilks）在大约70年前做出的论断印证了这一点，他转述科幻小说大师赫伯特·乔治·威尔斯（H. G. Wells）的话说：“有一天统计思维会像读写那样成为有效公民的必备能力。”虽然本文讨论的是公司而非国家，并且对个人角色的定位是员工而非公民，但威尔斯这句话的精髓早已成为现实。是时候让他们完全参与其中了。

要做的事情很多。负责人和公司必须集中精力，阐明自己的预期，把员工分派到具体问题上，并要求取得成效。我经常建议客户从质量开始，这是因为如果操作恰当，它就会更快地带来成果，普通员工乐于成为数据创造者和使用者，而且数据的所有用途都以质量为基础。

本文列出的主题很难，让他们完全发挥作用也需要时间。但从正确角度观之，它们几乎都显而易见，而且远比现在更能让员工得到满足，让公司获得利润。

托马斯·雷德曼（Thomas C.Redman） | 文

托马斯·雷德曼是商业决策和客户关系咨询机构Data Quality Solutions的总裁，有“数据博士”之誉。他帮助公司和个人，包括初创企业、跨国公司、高管以及各级管理者，为他们规划出通向数据驱动的未来路径。他尤其重视数据的质量、分析和组织能力。

刘隽 | 编辑

当你遭遇劈头盖脸的批评时，只需记住四个字

在品牌竞争中，打温情牌能有意想不到的好处

妄自菲薄竟然也有好处？

《哈佛商业评论》中文版 联系方式

投稿、广告、内容和商务合作

newmedia@hbrchina.org

公众号ID：hbrchinese