分類: 書

我讀 «葛洛夫給經理人的第一課» – 4 (完)

葛洛夫有一個很有趣的地方是拿極端的例子讓我們思考. 主管應不應該和部屬做朋友? 書上說, 如果假設你要給你的好朋友嚴厲的績效評估, 你會胃不舒服, 想吐? 還是沒有任何胸口鬱悶的症狀? 如果是後者, 那麼你在辦公室建議的友誼便較有可能增進你和部屬的工作關係.

在績效評估是一件困難的事情. 但主管要謹記三個 L – Level, listen, 和 leave yourself out. listen 就是指傾聽, 這個很容易了解. level …. 本書翻譯成坦誠, 這個用法比較少見. 原文是說 “you must level with your subordinate (部屬)..", 而奇摩字典說 “level with sb." = informal -to speak honestly to someone, not hiding any unpleasant facts from them = 【非正式】直言相告. 總之, 不管好的壞的都要直說. 至於 leave yourself out 就是要控制自己的情緒, 以免影響這項神聖的任務.

因為只要是人就沒辦法記住太多的事情. 如果主管不能把重點濃縮到 7 項左右, 講了也是白講, 就沒辦法達到績效評估的效果.葛洛夫認為考核最重要的事情就是講出員工的優缺點. 講優點雖然不容易 (書上說當面稱讚對方也要訓練), 但是講缺點就要確定能達到目標. 一般人聽到自己的缺點會有五個層次: 忽視, 否認, 責怪別人, 擔起責任, 和找出對策. 如果對方忽視自己的缺點, 主管至少要讓他先達到否認的程度. 如果對方願意擔起責任, 就希望他可以找出對策改進.

葛洛夫在這裡提出一個觀念, 他認為潛力是不列入考核的. 這是為了避免讓人花時間在假裝很有潛力, 實際上卻一事無成. 

在本書的最後, 葛洛夫又提到如何徵才、留才、給予升遷、報酬. 最後強調訓練的重要性.整體來說, 書上把經理人的主要工作都瀏覽了一次, 並且提出一些經驗談. 諸如他曾經用錯人的例子, 在第 14 章就可以看到. 個人認為, 雖然這是一本 30 年前的舊書,但科技界大老的心得筆記, 還是值得我們 IC 設計業界的人參考. 對比日系的管理書, 這本書更重視方法論. 所有的觀念都有理論基礎. 相對日系的管理書比較重視實務, 由於作者曾經做了 XXX, 而它是有效的. 因此可以歸納出 50 大點, 300 小點讓大家自我查核.

哈!其實本書也有一張查核表.它從生產、槓桿率、績效三個方面提出一些問題讓大家去檢查自己有沒有實作.這五頁看來還要花費我不少時間去思考一下!

 

我讀 «葛洛夫給經理人的第一課» – 3

關於開會, 管理大師彼得杜拉克曾經說過經理人開會的時間不應該超過 20%. 葛洛夫將它修改為 “如果經理人花超過 25% 的時間在應急的的任務導向會議上,這個組織一定有毛病." 所謂的任務導向會議是用來解決問題的, 而過程導向會議是用來交流資訊和知識的. 像是一對一的會議、部門會議、營運檢討會議都屬於後者.

在一家科技公司,經理人每天都在折舊.位高權重並不能保證決策品質, 往往只有第一線的員工知道什麼是最好的選擇. 此時經理人可以在管理決策的流程上有所發揮, 葛洛夫說一群同樣位階的員工往往不能達成共識, 經理人的加入 – “同儕 + 1″ 可以保證做出結論. 而建立流程又比加速流程更重要. 葛洛夫提到在制定決策之前, 經理人應該對下面六件事了然於胸:

1. 決策的內容.

2. 決策的時限.

3. 決策人.

4. 在制定決策之前應該先向誰請益.

5. 誰對此一決策一言九鼎、或是能全盤否定.

6. 誰應該在決策制定之後被告知.

對於還沒有發生的事情, 我們需要做規劃.規劃就是做出弭平現況和理想之間差距的事.而上層長官的策略, 就是下層員工的戰術 – 戰術用來實現策略.當我們想好怎麼做事, 就要有目標管理以避免偏差. 一個經理人的目標會建立在一連串的成果驗收之上. 哥倫布了解了西班牙女王想要開拓財源的策略之後, 就以找尋東方航道作為戰術. 哥倫布的目標就是找到航道, 即便他後來在這個目標失敗了, 但是發現美洲大陸依然是他可以收割的成果. 

這邊接著講到企業的組織, 如果早餐店變成連鎖企業, 那麼組織架構應該是什麼樣子? 因為本書成書於 1983 年, 他的觀念在如今已經不神秘了. 他心目中最佳的組織型態就是混血的功能型組織和任務型組織. 例如事業處是地方分權的任務型組織, 但管理、財務就是中央集權的功能型組織. 如此一來, 一個人可能會有兩個主管 (dual reporting)- 功能主管和任務主管, 葛洛夫認為這不是問題. 他認為我們在工作和私人生活就是不同的角色,在公司可能是個基層的小職員, 但是在 1500 戶的社區中可能是管委會主委. 因此本來就要能夠隨時扮演不同的角色. 回到工作上, 每個人也有三個控制模式 (Modes of Control)要切換 – 本書也甚至將它翻譯為三個長官.大概是想說有二必有三.

在上圖中的橫軸有個 CUA, 這代筆 complexity, uncertainty, ambiguity – 複雜、不確定、模糊的指令. 當這個 CUA 因素很高, 而此時我們又只關心自己的話, 事情就一籌莫展. 如果 CUA 高, 但是我們重視團隊利益, 願意額外地加班, 這就是文化價值觀在說話. 所謂 R&D 是良心事業也就表現在這裡. 當 CUA 因素低, 員工也只關心自己, 那麼就如同自由市場競爭, 例如員工在公司餐廳吃飯時, 他只會考慮吃什麼比較划算. 最後是左下角的區塊 – CUA 低, 而團隊利益顯得重要時,這就是我們認為領了薪水本來就應該要做的事, 這部分就是契約義務.

不但一個員工自己會在各個模式中切換角色, 經理人也會希望改變員工的角色 – 也就是所謂的激勵. 主管會希望員工挑戰更難的目標, 跳出契約義務的這個區塊.當然講到激勵又要提到馬斯洛 (Maslow), 只是細節就略過不談了. 我們只說金錢的絕對值可能對於衣食無虞的員工沒有激勵作用, 但是金錢的相對值仍然對他們有意義. 因為到了某個程度之後, 大家就需要精神上的肯定, 相對於其他同事高的報酬還是有用的.

在這個段落, 我最後要整理的是 “工作成熟度" (task-relevant maturity) 這個觀念. 一個新人對於他的工作可能還沒上手, 此時經理人的參與程度低, 重點在於建立起工作目標和監督系統. 到員工逐漸上手, 主管應該強調雙向溝通, 給予情緒上的支持與鼓勵, 並且互相了解. 當部屬對於他要負責的工作非常熟悉之後, 主管只要告訴員工該做什麼、何時完成、如何著手等任務導向的指標. 同樣地, 主管也有工作成熟度的狀態. 如果我們把 A 工作做得很好的主管調去做 B,或是 A+B,那麼他的工作成熟度就會下降. 需要一段時間之後才能恢復到高工作成熟度. 依此類推, 他最後可能在某個工作上沒辦法達到中等的成熟度,這就是彼得原理.

葛洛夫認為, 如果他可以停留在中等的成熟度, 對於組織仍然是有利的. 但是若他在幾年之後, 始終只有低等的成熟度, 那麼我們應當把他調回他當初表現好的那個職位. 為什麼需要一段時間的觀察呢? 葛洛夫說到, 有時候工作就像農作物一樣有生長期. 某個主管瞬間表現很好, 可能是先前的作物剛好收成了, 所以有成果可以收割. 某一年他表現得很差, 但是又看不出他做錯了什麼事, 很可能也是先前留下來的問題剛好爆發了.

 

我讀 «葛洛夫給經理人的第一課» – 2

什麼是產能呢? 葛洛夫說: 產能 = 黑箱中不同部門的產出 / 此項產出需要的人力.

這邊的黑箱就是前一篇中提到早餐店的業務, 我們有原料輸入、人力投入、和產品輸出. 至於如何做到的? 對於外界、或是連鎖店的大老闆就是一個黑箱. 裡面的營業祕密只有透過指標才能管理. 為了增進產能, 我們可以減少投入人力工時、或是激勵員工; 但更重要的是我們可以改變工作的本質, 也就是換個做法. 如果有一個更有效率的做法, 葛洛夫稱它為槓桿. 提高槓桿率 (leverage) 就成了管理的重要課題.

我們應該檢討我們做事的步驟, 質疑每一個步驟存在的理由.對一個經理人來說, 他的日常活動可能是開會、溝通協調, 而前面又講過活動不是指標, 因此經理人應該減少他多餘的活動, 把注意力放在產出上面.

經理人的產出 = 他直接管轄的部門產出 + 他間接影響所及的部門產出

經理人的事情和家庭主婦一樣, 永遠都做不完, 永遠可以做更多, 也永遠超出負荷. 因此經理人更應該提高他的槓桿率. 經理人應該重視口頭的簡短報告, 到處走動以收集情報. 不過這並不表示他不需要書面報告. 葛洛夫說報告用來表示一個人的自律, 遠勝於他在傳達資訊上的作用. 寫報告很重要, 但看不看就在其次. 英特爾會設計一些小活動讓主管可以名正言順地在部門間走來走去, 又不會讓員工覺得被監視或是被打擾. 例如他讓經理們擔任清潔週的評審. 當經理走來走去, 員工就更有機會逮住他們問問題.

主管的工作當然也包括決策. 決策的形成往往需要蒐集資料, 如果沒有經過蒐集資料的過程, 決策的品質就只限於經理人過去的經驗值, 這並不是個好的做法. 有時候經理人並不明確地下指令, 葛洛夫稱它為 “發出警訊", 這個動作只是在做方向的引導, 有時候要發出很多次警訊之後, 才能做出最後的決定! 雖然經理人一天當中大多數的活動都是開會, 但還是能夠提高槓桿率.

經理人的產出 = 組織產出的總和 = 槓桿率 A x 活動 A + 槓桿率 B x  活動 B +  槓桿率 C x  活動 C + …

顯然, 這跟投資組合很像. 我們慎選管理活動的組合, 就像選投資組合一樣, 槓桿率等於報酬率, 選活動等於選投資標的. 同理, 某些活動的槓桿率是負的. 例如關鍵人物缺席了一個會議,此時不但沒有產生正面效益, 也浪費了其他人的時間. 另一方面, 主管舉棋不定的動作或是悲觀的態度都會對整個團體帶來很高的負槓桿率. 要提高槓桿率, 有很多事情可以做. 回到早餐店的例子, 監督要趁早, 退掉壞掉的蛋總是比較容易.如果你要求一份報告, 那麼應該先看到草稿, 而不是等員工連美工都做完了才看到第一眼.

增進經理人產出最明顯的方法就是增進其工作速度.按照下面的公式. 我們可以知道: 減少時間、提高槓桿率、增加活動都可以增加產能.

  [註 1]

站著開會就是節省時間的方法之一, 類似 Scrum [2] 那樣. 還有就是把類似的工作集中在一起做.葛洛夫提出幾個點:

1. 找出限制的步驟: 例如早餐店的蛋. 

2. 類似的工作集中一起做. 例如集中在同一個時段做簽核的動作, 和思考的時間錯開.

3. 管好行事曆. 記住答應一件事就是拒絕另外一件事, 必須有成本的觀念.

4. 建立指標.例如對於每一件事要做多久有個概念.

5. 存貨法. 經理人要有一些 “存貨", 隨時知道有那些本來不緊急的事情可以去做, 避免沒事就去干涉部屬.

6. 標準化. 建立標準流程以節省時間.

針對最後一點. 葛洛夫有個好玩的想法. 經理人因為經常被打斷, 所以正好可以用標準化的方式, 把一些事情移到例行會議去討論.而不是像管理顧問講的, 找個地方躲起來.

[ref]

1. 這本書翻譯得相當流暢, 不過這邊出錯了. 它把原文的這個公式, 翻譯成這樣:

2. Scrum 小檔案

我讀 «葛洛夫給經理人的第一課» – 1

話說上次去北京的時候,剛好有點時間在機場的書店裡候機. 當場翻了兩本管理的書, 一本日系、一本美系, 講得東西完全不同.倒底選哪一本好呢? 經過一番掙扎之後, 就買了葛洛夫 (沒錯! 就是 Intel 的總裁 – Andrew S. Grove) 寫的這一本 <High Output Management>, 因為他講到了 "彼得原理", 我剛好想要這個問題瞭解更深入一點.

這本書一開始藉由分析一家早餐店的生意來進入正題. 在這家早餐店中, 他們提供水煮蛋、奶油吐司、和熱咖啡三種服務. 要怎麼樣快速地供應這份餐點, 我們可以找出那個步驟是最慢的. 無疑地, 需要煮三分鐘的水煮蛋是整個生產流程的 "限制步驟" (limiting step). 因此最佳化的內容必然是圍繞著水煮蛋來進行. 蛋還沒煮好, 咖啡就不急著倒, 土司也不急著烤.

不分企業的大小, 我們都可以將它的工作流程做拆解.至少生產過程會包括製造流程、組裝、和測試. 我們把水煮蛋、奶油吐司、和熱咖啡放進一個托盤, 也可以稱為組裝, 至於測試, 可能就是再驗一下蛋有沒有煮破? 吐司或咖啡是否冷掉了? 聰明人或許已經想到: 為何要等到組裝好才測試? 沒錯!我們要愈早測試愈好. 因為愈接近成品的半成品愈值錢, 我們希望報廢的是最上游的原料, 說不定還可以退貨. 但是煮熟的蛋可能就沒辦法退給蛋商了.同樣的, 投到公司的履歷價值低, 已經面試過的應徵者價值高,已經訓練過、賦予重任的員工價值更高.

為了能夠很快地煮蛋, 我們可能專門引進一台煮蛋機, 只要不斷地投入生蛋, 另外一端就會在三分鐘後送出熟蛋. 如此一來, 我們可能立刻就拿到三分鐘前煮好的蛋, 而不是再等三分鐘. 不過這樣一來, 又產生了好幾個新的問題: (1) 蛋會產生半成品的庫存, 直到早餐時間結束之後的三分鐘,還是會生出不少剛煮好的蛋. (2) 如果客人想要點糖心蛋, 指定只能煮 2 分鐘, 我們也沒辦法提供. (3) 煮蛋機需要維修, 也可能臨時故障. (4) 整個工序的瓶頸可能變成烤土司…雖然系統會變複雜, 但是整體的利潤有可能會比原來沒機器的時候更好.

葛洛夫說,要管好你的早餐店需要有一些指標. 首先包括: "一天的銷售預測" "原料庫存", "設備的狀況", "人力資源", "人力資源品質". 指標不等於活動,好比說業務打了 100 通電話是活動, 而找到真正的客戶是指標. PM 開了10 個案子是活動, 真正能從客戶那賺到錢才是指標.搞清楚了指標之後, 還可以找出配對指標. 例如交貨品質就是交貨期限的配對指標, 提醒我們這裡有管理工作要做.指標猶如在管理活動的黑箱上開了個窗口, 讓管理者可以看到倒底發生了什麼事?

這邊又談到品質的檢驗,我們可以採用海關法和監視器法. 海關的方法是指一關一關地檢驗, 避免任何問題的發生. 而監視器法是指允許瑕疵品通過, 但是連續發生瑕疵時要停掉生產線. 介於兩者之間的就是隨機抽樣了. 葛洛夫說, 像是申請簽證這件事就適合隨機抽樣,因為出問題的比例相當低, 不適合投入大量成本去審查. 書上另一個關於成本但比較不人性的例子是: 起訴一個犯人要花很大的社會成本, 但是僅僅因為監獄關不下就讓犯人提早假釋, 就是捨本逐末的做法. 套用前面半成品的理論- 還沒抓到的犯人最不值錢, 都已經審判完了還不執行 – 相當把產品堆在庫房裡而不拿去賣.

本書讀到這裡, 感覺有點小收穫.但其實這只是熱身而已, 後面很快就會看到葛洛夫的管理精髓.

 

我讀 «大數據»

本書 – 大數據 (Big Data) 的作者是麥爾荀伯格 (Viktor Mayer-SchÖnberger) 和庫基耶 (Kenneth Cukier) 兩位, 它的副標題是 A Revolution that Will Transform How We Live, Work, and Think, 由天下文化出版.

Big Data 這個名詞近來很紅, 顧名思義, 會讓人聯想到我們有很多資料可以用, 所以我們可以…. 不過對於它的內涵, 一般人還是不甚了了, 這也就是為什麼大年初二我會在 7-11 買它的原因. 我想大家可能都聽過 Google 可以用關鍵字搜尋來預測流感發生的區域, 這是相當著名的一個資料探勘 (data mining) 應用. 不過 big data 和更早之前講到的 data mining 究竟有甚麼不同呢?

根據本書的說法, big data 代表 “樣本 = 母體", 也就是完全沒有抽樣, 這是 big data 的第一大特徵. Farecast 公司專門預測飛機的票價, 創辦人伊茲奧尼 (Oren Etzioni) 所使用的資料庫是某個旅遊網站的一萬兩千筆票價資料. 他用這個資料庫建立一個模型, 告訴想買機票的人, 現在的報價將會上漲或是下跌. 當他創業成功後, 他所使用的資料庫也愈來愈大, 據說現在有兩千億筆的票價紀錄. (呃, 能夠順便告訴我世界先進接下來會漲還是會跌嗎?) 總而言之, 使用 big data 的人不需要有特別考量專業背景 (know why), 只要讓資料說話 (know what).

這使我想起當初在做文字識別的時候, 我們最重視的是主觀的特徵 (feature), 比方說有人會用字的外緣軌跡 (contour)的梯度 (gradient) 來當作特徵, 這樣就會比取字形的投影量 (histogram) 厲害.我們先有想法, 然後才去實驗它是否可行? 這一點到了 big data 的時代看起來還是沒變, 我們還是需要測試, 只不過我們用的資料庫變大了. Know Why 的比重降低, Know What 的比重提高. 我們不太需要大師想出震古鑠今的 “特徵",什麼高招低招都可以一併拿出來用, 只要資料庫夠大, 我們可以靠實驗為所有的特徵分配比重.不再需要單一的辨識之神, know what > know why 可以說是 big data 的第二個特徵.

對於 “樣本 = 母體" 這部分, 我仍然可以用模式識別 (pattern recognition) 來說明. 19 年前, 我們去加拿大向孫靖夷教授求教, 他說訓練辨識用資料庫裡面要乾淨,把一些奇怪的字 (這裡指的是手寫數字) 剔除, 此時訓練出來的資料庫才不會有太大的變異 (variance), 進而影響辨識的效果.不過在 big date 裡面, 其實並不分訓練用的資料庫和實際應用的資料庫, 它們就是同一個, 所以怪怪的資料並不會被剔除. 就算要剔除這些資料, 也要專家說了才算吧! – 而這恰好違背了 know what > know why 的原則, 因此沒有人會去整理資料庫,雖然 garbage in garbage out, 但它們自然會被淹沒在大多數都是正確的資料海當中 (p23).

怪怪的資料也包括缺損的類型, 舉例來說, 傳統的資料庫軟體都有許多欄位要填, 但是我們所蒐集的部分資料可能就是少了那麼幾欄, 在這種情況之下仍然要能資料化 (記錄整理)、數位化 (能讓電腦讀取)將這筆數據放進資料庫 (data base), 就成了新式資料庫軟體的挑戰. 書上有個不錯的例子是有關於亞馬遜書店的書評. 最初亞馬遜雇用了一群專家來寫書評, 他們會為我們買的書推薦相關讀物作為延伸閱讀, 以便進一步刺激銷量.

不過實際上,讀者不一定想當領域的專家. 如果我已經買了 <Big Data>, 它又推薦我買 data mining, 我應該會瘋掉.結果亞馬遜在做完實驗後, 解僱了這些專業書評, 改採統計式推薦. 當初買這本書的人又買了什麼? 它就會直接推薦給我們, 亞馬遜也不知道為什麼? 但它比專家還有效, 亞馬遜的業績有 1/3 來意推薦名單. 而 Netflix 租片訂單有 3/4 來自電腦推薦系統. Why? 沒有那麼重要. 如果真的花大筆資金和人力, 找出人類潛意識的規則, 能夠把 Netflix 的推薦名單效用再倍增嗎? 也許不能. 乾脆就這樣不求甚解下去好了.我們只要知道相關性 (correlation), 不用知道因果.

相關性也是一個有趣的東西, 我們想知道銷售量和哪些東西相關, 當然就希望 “哪些" 不只是一些些, 而是所有的可能的資料. 基於這個原因, 原先沒有被發掘的特徵也都數據化了, 例如地理位置.當然, 對方要是能夠知道我們的種族、血型、星座、收入…, 也絕對不會放棄這個機會. 這也就是大公司喜歡收集我們訊息的理由. 微軟、谷歌都會要求我們參與他們的改進計畫, 以便蒐集更多的用戶軟硬體配備資訊. 甚至還有人讓我們當免費的廉價勞工.

馮安 (Luis Von Ahn) 第一個想到用圖形上的文字來測試輸入者是人類還是電腦程式 – Completely Automated Public Turing Test to Tell Computers and Humans Aprt (Captcha). 他的發明真的擋掉了許多想測試密碼的機器人, 不過也害得我們有時根本看不清哪張圖上面的字是什麼鬼, 而進不了自己的帳號. 因為馮安在推出第二代 Captcha – ReCaptcha 的時候, 順便把 Google 文字識別也認不出來的字參雜在其中. 如果有五個人的答案都一樣, Google 就可以把它加入資料庫. 也就是說, Google 每天可以省下 400 萬美元的工讀生認字費用去認那兩億個字. 而我們還以為它知道答案呢!

由此可以見, 資料庫不但可以拿來使用, 還能請君入甕. 上面這個例子是 Google 把資料庫借給 Captcha, 而 Captcha 又回饋給 Google 的例子. 於是我們可以看到資料庫的釋出可以帶來雙贏的好處. 釋放資料庫的附加價值有三個: 重複使用資料、合併資料庫、找到買一送一的情況 (p147).

所謂重複使用資料就是把資料活化, 把原本用途 A 的資料放在用途 B 來用. 合併資料庫的例子是把戶政, 疾病, 年收入三個資料庫做相關性比對. 買一送一的例子是 Google 的街景車一面搜集街景資料, 一面記錄 WIFI 訊號, 以便日後可以靠 WIFI 基地台的位置加強定位的精准度. 顯然, 某些資料會有保存期限, 比方說 WIFI  SSID 換了, 就要重新再搜集.

誰可以從 big data 獲利呢？包括資料持有人, 資料專家, 和有巨量資料思維者 (p182). 擁有大量資料的臉書, 谷歌, 微軟, 雅馬遜無疑是大贏家, 所以大公司絕對有利. 而小公司只要有想法, 能夠找出應用, 他們大可以去買別人的資料庫來用, 甚至可以用免費的 [1]. 因此最不具競爭力的就是中型公司. 

最後本書講到道德問題. 我們有了巨量資料, 搭配上某個演算法, 似乎就可以輕易地破壞隱私權,  或是事先預防犯罪. 但是就如同人肉搜索有其不道德的一面之外, 就算我們根據統計資料計算出某個罪犯不應該被假釋, 我們也不應該違反無罪推定, 先入人於罪. 書上說到, 使用 big data 需要三條管控策略來規範.

1. 將資料保護由個人同意制, 改為使用者責任制. 我們在很多時候都會簽署同意對方使用個資的條文, 例如辦信用卡, 求職等等. 但我們當下的同意, 並不表示銀行可以一直打電話來叫我們貸款或是買保險. 這就是責任制比同意制好的地方. 我們的同意必須有時空的限制.

2. 運用 big data, 要尊重每個人的能動性. 這個意思是說, 不能用它作為有責任或義務的推論. 比方說保險公司不能夠因為某人是 50 歲的獨居失業男子, 就不准他買保險. 在這個狀況下, 保險公司反而有義務公佈他們的資料庫, 演算法, 讓專業的第三方認證, 且當事人可以反駁精算師的預測.

3. 培養演算專家這種審計師來稽核 big data 的使用.

綜觀全書, 它給了我們關於 big data 的宏觀描述, 也提到它的效用與道德風險. 不過就如一開始所說到的, big data 只能告訴我們大多數的情況下是怎麼發生的, 並不能解釋其原因, 也不能涵蓋所有的個案. 我在讀的另外一本書 <黑天鵝效應> 剛好就在講例外的那一部分甚至比常態的那部分更重要. 這兩本書算是互補.

[ref]

1. 免費-google Cloud SQL 雲端資料庫服務