天下武功，無堅不破，唯快不破

火雲邪神說：「天下武功，無堅不破，唯快不破」，小米雷軍也講「天下武功，唯快不破」期望創業者動作要快。我認為所有企業都一樣，應該要追求「速度」，把「速度」視為最高的競爭策略。為什麼？

為了追求速度，企業不會腦滿腸肥，一定會盡量精實；為了追求速度，企業會決策果決；為了追求速度，企業會保有最高的彈性。而這種種特質都是成功企業的特質。

賈柏斯希望蘋果保有創業精神，他認為這是維持蘋果競爭力最重要的工作，因此決策都是由幾個主管拍板，並且因為組織扁平可以快速執行。

許多企業在成長後，組織逐漸膨脹，工程師要問小主管、小主管要問經理、經理要問處長、處長要問協理...一層一層上去，加上揣摩上意，常常搞出一些令人無法理解的事情。當工程師在組織的階梯慢慢爬上去後，除了持續向上管理外，向下官威也慢慢的培養出來，所以就整個變了調。

流程上也是如此，原本簡單的流程因為要卡控一些細節所以加上了管制點，然後又發現一些原本沒有想到的點，就又要加上新的管制流程，逐漸的疊床架屋，搞到流程相當複雜，員工花在因應流程上的時間比實際在有附加價值的工作上要少。

系統也是如此，使用者提了需求就加上一些客製程式，另一個使用者提了另外的需求就再加；甚至加上其他系統來符合新需求，慢慢的整個企業應用系統變成一個大怪物，沒有人敢動它，因為改的好，是應該的，改壞了，誰要扛這個責任？所以即使系統效能不好、使用者使用不方便、沒有辦法即時提供需要的資訊，那就還是撐著吧。

所以組織、流程、系統上都因為一些事情，讓企業犧牲了「速度」，這對嗎？因此我認為，企業應該持續追求速度，只問是不是能夠更快，才能真正解決問題。導入這個系統，是不是能夠更快？流程該如何改善才能更簡單？組織的設計如何才能讓決策、執行更快？持續思考這些事情，才能為企業持續強化競爭力。

我們就只能代工？

剛剛看到一則新聞，緯創、仁寶成為Apple供應鏈的一員，讓我又在思考最近跟朋友的一些討論。

台灣過去以代工模式在PC供應鏈上佔了重要的地位，而在移動裝置、智能手機興起後，整個PC供應鏈崩壞，造成這些企業不知所措。而手機的霸主蘋果、三星就是大家要爭取代工的對象了。但，台灣只能代工？

如果我跟你提議一個business model,然後說要投入1000萬，你會怎麼問？

應該很多人的答案是：會賺錢嗎？什麼時候會開始賺錢？我們大多數的人應該會很在意ROI，很在意什麼時候可以把本賺回來、然後開始賺錢。

會有人問這個business model是否可以持久、可以創造新的模式讓競爭者不會進來？短期之內即使不賺錢，但是持續堅持這個所堅信的business model終究可以賺錢？

以前我聽過一位公司的大股東說：幹嘛搞品牌，又花錢又不一定賺錢，就幫人家代工就好了呀。我想這就是典型代工思維，只想弄個生產線，然後幫歐美大廠打工，今天幫這家打工、明天換另外一家。這些歐美品牌大廠賺走了智慧財，而我們只能賺辛苦血汗錢。大學的老師說，致富的shortest path是到交清念研究所，然後去台積賺股票，而現在可能多一個選擇是鴻海。但是就只有這樣？

現在因為雲端、社群這些架構興起，比之前「.com」的年代帶來更多機會，而且可以用更少的資金、甚至網路集資來獲得資金創業。為什麼我們不能跳脫代工思維，然後試試看以不同的business model來賺錢？我們是否能夠勇敢去試試看自己相信的事情，即使沒有如預期成功，但也有勇氣去經歷失敗並從中學習？

Chapter 4: Impact on “Sell”

作者在前面提過供應鏈的四大作業，Sell, Make, Move and Buy，在本書的第二大段就是一一解釋大數據分析如何影響這四大作業，並透過一些案例提供讀者參考。

作者認為銷售 (sell) 對於供應鏈的影響在於行銷 (marketing)，透過大數據分析來得知顧客的喜惡並預測顧客的行為。行銷負責將企業組織與外部客戶連接起來，要將整體供應鏈的價值 (value) 提供給顧客，因此對於供應鏈的影響極大。

在台灣很多企業對於marketing與sales並分不清楚，許多企業的行銷就是辦辦活動、印印傳單、或是負責做give-away，抑或是跟sales一樣跑客戶，並沒有真正發揮作者提到行銷的功能。或許也是因為台灣OEM/ODM的代工型態，行銷沒有受到重視。

以前企業主要是以一般消費大眾為主 (average customer) 來設計運作模式，透過大量生產降低成本並滿足一般的消費者。但是今日的消費者越來越精 (knowledgable)，他們需要更好的品質、更低的價格、更快的交貨速度，因此企業必須思考如何提供更高的客戶服務以及ㄧ對一的客製化服務，這些需求對供應鏈造成極大的改變。

由行銷的定義來看，就是要如何處理四P：

Product (產品)：透過大數據分析了解客戶喜好以及可能一同購買的商品 (bundle sale) 以提高交互銷售 (cross selling) 機會，更甚者可以對消費者建議令他驚艷的產品。
Price (價格)：定價的重要性不必多說，而對於不同市場區隔、不同消費族群應該有不同的定價策略來提高企業獲利。大數據分析可以提供更細的市場分析資料，協助制定價格。
Place (地點)：除了過去多層架構的配銷管道 (distribution channel) 外，未來直送到客戶手上 (direct-to-consumer) 將會慢慢的變成最重要的銷售管道。而如何管理庫存，確認即時滿足客戶需求是大數據分析可以運用的範疇。
Promotion (推銷)：推銷就是要增加產品曝光率與需求度。大數據分析在這一部分已經有許多運用案例，也就是透過分析來進行目標行銷 (targeted promotion)。

在處理這四P時，作者提到幾個比較重要的大數據分析運用：

市場區隔 (market segment)
區域行銷 (location-based marketing)
多渠道行銷 (multi-channel marketing)
消費者情感分析 (sentiment analysis)
店內行為分析 (in-store behavior analysis)
商品規劃與定價 (merchandising, assortment & price optimization)
這些應用基本上都是想要了解「每一個消費者的真正行為」。過去因為資料量不足、IT技術的限制，對於消費行為分析都僅止於「群組」，消費族群、產品族群、區域...，但是因為行動裝置、透過信用卡資訊...等方式所得到的大量數據可能讓企業有機會將消費行為細到「個人」、「SKU」、「單店」這樣的模式。透過了解個人、SKU、單店的消費行為，企業得以更針對性、透過適當的管道進行行銷活動，來提高消費者轉換率。

所以這些sell相關大數據分析的運用都是因為更多數據而可以進行更細緻的分析資訊。企業可以進行更細部的市場區隔 (micro-segmentation)，並且根據location-based資訊來進行區域行銷；例如：北部跟南部的消費習慣與行為肯定不太一樣，在中元節進行行銷時，就可以考慮不同的祭拜習慣推出不同的促銷活動，並且選擇e-mail或是傳統紙本廣告模式來傳送訊息。

正如阿里巴巴副總裁車正覺先生在「大數據的關鍵思考」書裡所提到，如何將前端數據 (消費者行為) 與業務數據 (後端供應鏈運作)結合，讓企業可以在sell這個lever上透過大數據分析得到insight，以供後續make, move, buy來運作，才是真正大數據在sell上運用的最主要目的。而商品規劃與定價就是最直接的部分。

透過大數據分析 (如季節、熱門關鍵字搜尋、店鋪位置...等) ，動態調整商品組合 (assortment) ，並且調整售價來提高產品流動率與獲利率；並且基於店內行為分析找到熱區，然後將熱門、主打商品陳列在熱區，讓消費者容易取得。而這些assortment的決策必須與後面庫存規劃結合，確保有效供給不會斷貨。這樣就是發揮大數據分析在sell上的效益。

台灣製造業很多是電子代工，過去都是被動根據客戶需求來生產，因為身處於供應鏈上游，對於下游狀況沒有辦法掌握，所以就受到長鞭效應的影響，在砍單、急單循環中受苦。但是如果可以思考透過更進一步的數據收集，將分析延伸到供應鏈的更下游，獲取真正消費者需求變動，可以改善這個狀況。例如：如果OBM新產品的評價很好，而且帶動銷售狀況，那麼對於此一OBM的預測應該可以較樂觀；反之評價不佳時，則是否應該較保守？透過大數據分析技術改善需求感知 (demand sensing)的能力，是台灣代工型態可以思考的方向。

Chapter 3: Barriers to Implementation (2)

除了人才、技術、流程一般系統導入常見的問題以外，作者還提到實施大數據分析的另外三個障礙：

分析的停滯 (analysis paralysis):
雖然企業了解導入大數據分析的優點，但是對於如何使用、如何導入並不完全了解。因此無法真的透過大數據分析來改善它們供應鏈的運作，也就造成運用上的停滯，也就是沒有收到效益。作者把常見的狀況分成四大類。

大海撈針：沒有整體規劃，隨意選擇主題運用「分析」，希望能夠獲得效益。
孤島式的優化：針對單一問題進行優化，只考慮單點問題，而非整體供應鏈系統優化
過度衡量細節：希望衡量所有細節，制定太多的衡量指標，而無法透過專注的主要績效指標來衡量分析的效益
動作停滯：企業無法決定導入分析的行動，淪為紙上談兵而終究一事無成。

過多的資料 (drowning  in data):
供應鏈上有太多的資料收集進來：由POS、網站、內部交易系統....等，而企業無法透過分析工具有效將資料轉化為資訊。高階主管無法主導轉型為「分析導向」的企業、沒有適當的人才、流程無法配合等因素，所以企業空有大量資料卻無法有效利用。


失焦的衡量指標 (misaligned metrics):
企業透過績效指標來衡量其運作績效，但是績效指標的設計與架構是否有效的與企業策略、客戶服務的目標相連接卻是很多企業遇到的問題。在供應鏈運作上，我也看過公司過度注重庫存水位，而對於準時交貨這個部分失去了競爭力。成功運用大數據分析前，必須確認整體績效的衡量架構，著重於流程改善的績效指標 (如訂單滿足率) 而非功能組織的績效指標 (如庫存水準、採購成本)。如此才能透過大數據分析來驅動流程效率改善。

這些障礙都是作者在這本書裡面嘗試要去回答的問題，不過總而言之，她認為還要要有總體的概念，將供應鏈視為一個「系統」，尋求整體的解決方案才能得到大數據分析的效益。

Chapter 3: Barriers to Implementation (1-2)

大數據分析目前是一個熱門的題目，但是不是每一個企業都可以實際得到大數據分析的效益，則是存在很多的先決條件。

首先是「為什麼」。企業為什麼要導入大數據分析的技術，而期望達到的效益是什麼？

如果把企業放到一個三角形裡，並且依照技術層級分開，上層是所謂的高科技產業，如半導體、光電，中間則是手機、電腦等電子產品那些，而所謂的傳統產業佔三角形的下半部。

對於這些新技術的接受度，反而是三角形下半部的那些企業會相對比較開放。因為那些企業是處於一個相對競爭更為激烈的環境，而這些技術如果運用得宜則可以為他們帶來突破與創新。

所以我們看到Zara、Walmart這些公司，他們無法以技術取得競爭優勢，但是透過大數據分析來運作他們的供應鏈，讓他們得以在此取得優勢。而相對的，上層的企業則將資源專注於技術上，期望透過技術的領先持續其競爭優勢，對於運用大數據於供應鏈上，則較不是那麼的急迫。

也曾經看到企業在暴露於更嚴峻的競爭環境後，才急就章的想要仿效對手引進大數據分析的技術，卻又因為缺乏整體規劃以其競爭策略整合，而無法獲得效益。

因此正如作者所說的，企業高階領導人必須要有其危機感 (sense of urgency)，並且承諾持續推動，不僅僅只是推動變革轉型，也要將「分析」置入公司文化中，才能夠得到成效。這也就是我所講的「為什麼」。

其次則是「人」。在傳統產業裡即使企業領導人可以了解大數據分析可以帶來的效益、並積極推動，但要找到大數據分析這樣的專業人才，相對於高科技業，卻不是那麼容易。因此作者提到未來所謂第三方分析服務提供者 (3rd party analytic service) 的需求，但是對於這一點個人是有點疑慮。

每一個企業都有其運作的細節，而對於分析的需求就會有所不同，因此由外者提供分析服務會有其限制，因為外來者是必須要更多時間了解運作細節才能建立有效的分析模型並進行初步驗證，而企業未必能夠有耐心與預算支撐這樣的進度。相對的，當外來者能夠掌握細節建立、驗證並修正分析模型時，相信企業應該也會想挖角了。因此，如何找到人、培養人將是企業欲發展分析能力的一大問題。

最後是技術或是工具。台灣的型態都是由解決方案提供者 (solution provider) 來教育市場，然後部分企業就開始進行。但是這些企業是否能夠由解決方案提供商得到最好的建議或是最適合的工具？當然解決方案提供者會追求自己最大利益，而不是企業的。因此企業是不是能夠得到它所需要工具，就還是一個可議的點。

再者，應用系統 (application) 都是有一個預先定義的腳本 (scenario) 或流程架構來設計出來的。如果企業流程無法修改 (re-engineer the process)，則使用這樣的系統則有削足適履的狀況。如果企業堅持其作業流程，則只能尋求透過軟體元件或是全部客製開發的方式，這又會有系統開發管理 (需求確認、範疇控制...等) 的問題，而且又會回到「人」的問題，使用者是否有能力提出正確、完整的需求？

以上是我針對作者提出 「科技」、「人員」、「流程」三大阻礙的看法，請各位不吝指教。