企业的数字化转型不仅仅是技术平台、流程、组织架构的重构，更重要的是企业文化的变革。我觉得好的企业文化应该是能够促进组织或者员工形成好的思维模式，好的思维模式能够辅助数字化转型。下面是一些我认为比较好的，也在使用的思维模式。

1.成长思维

数字世界变得越来越复杂，变化的速度越来越快。客观来说，很难套用以不变应万变的思路。作为数字世界中的个体，每个人都需要跟上时代的发展并不断补充自己的知识，接受新的变化，以正确的态度面对困难、失败、挑战，以及未来的成长方向。

“成长思维”的概念来自卡罗尔德韦克的作品《终身成长》，描述了两种思维模式：固定思维(或停滞思维)和成长思维。思维定势的人认为，人之所以成功，主要取决于天赋、能力等先天因素。挑战和冒险可能会直接暴露自己的缺点，预示着自己的任务无法完成。思维定势的人认为失败就意味着自己是个失败者，没有这个天赋。他们不会从失败中吸取教训，修正自己，不愿意面对挑战。为了减少失败，他们喜欢熟悉的工作领域，害怕新的环境和未知的挑战。

有成长思维的人也追求成功和优秀，失败对他们来说是痛苦的。但与思维固定的人不同，他们认为现状并不能定义一个人的成功，成功来自后天的努力。这类人把更多的时间花在如何面对和处理问题上，并从中有所收获，从而在新的环境中取得更大的成功。他们会用动态思维去思考问题。他们今天不能成功并不意味着明天会继续失败，过去的经验也不能保证未来的成功。

回到企业的数字化转型，从手工到电脑，从电脑到信息化，从信息化到数字化，都需要颠覆对问题的判断和决策，这就需要转型的组织和个人有很强的学习动力，用全新的视角看待问题，从过去的失败中总结经验，从未知的知识领域中学习新的知识，并在自己的行业和工作中进行应用和创新。另一方面，固定的思维会阻碍企业的数字化转型。由于害怕失败，员工会不断强调现有工作和未来风险的重要性。在转型过程中，他们会充分关注现有领域，在数字化替代和数字化效率层面反复尝试，甚至对数字化转型层面采取消极抵抗。

2.设计思维

我是去年学产品设计的时候接触到设计思维的。一开始，我并没有特别在意。后来经历了一些功能设计上的不足，接触到价值主张、用户故事、设计冲刺等的时候。我发现里面全是设计思维的影子。所以最近在分析问题(不限于产品设计)的时候，我也尝试用上面的步骤。

关于设计思维，很多资料都会提到斯坦福大学那个名为d.School的设计学院。这个学校有一个用途：我们相信每个人都是有创造力的！斯坦福大学的d学院是一个人们利用设计来开发他们的创造潜力的地方。

设计思维是一种思考问题的方法论，用于寻求未来有改进结果的问题或创造性的解决方案，侧重于以解决方案为导向的思维形式。设计思维通常可以分为5个步骤：

1)同理心：运用同理心来获得对所要解决问题的真实理解。通过观察用户的工作流程和实际情况，进行深入的沟通和讨论，了解客户的实际想法，设身处地为客户着想，体验客户想要体验的业务结果。

2)定义：对问题进行重组和定义。在共情阶段，你会收集很多信息，了解很多用户的真实诉求。下一步，你需要把重点放在对用户需求的理解上，在发散的信息中找出关键点，明确自己的观点，形成初步的目标。

3)形成概念：你有了定义之后，就要去分析。在这里，你需要使用多种技术来分析定义，比如头脑风暴来寻找解决问题的最佳方法。

4)原型：解决方案的原型。有了想法，为了更好地确认是否符合用户的需求，了解用户在与最终解决方案交互时的行为、想法和感受，就需要使用原型这种低成本、高效率的方法进行验证。

5)测试：不断测试原型，验证和完善解决方案。

在数字化转型中，无论是面对客户的一线员工，还是负责运营的数据分析师，或者是企业内部的规划、内部运营等角色，都可以尝试用设计思维去分析和解决现实问题。举个我们公司领导给的例子。商务人士请你为他们打造一把锋利的镰刀。你是想给他们造一把镰刀，还是想真正了解他们的真实需求，提供一台收割机？

3.过程思维

我听过一句话“一流公司靠文化，二流公司靠流程”。一些数字外部顾问或者大牛喜欢把流程当成一个过时的产品，认为运营模式需要极度扁平化，或者完全自动化、智能化。流程的存在是与敏捷相反的。但是，我认为流程在金融企业中起着非常重要的作用。该流程旨在指明“如何”工作。在流程之上，可以构建业务、审批和其他工作流程。通过这些工作流程，可以有序地实现点与点之间的协调。没有流程，就没有执行力。比如流程不好，员工可能不知道做什么，怎么做，不顺畅。工作是好是坏没有什么区别。

谈数字化转型中的流程思维，我觉得要针对复杂多变的背景来看流程，也就是说流程不是固化的，而是在变化的过程中进化的，所以需要流程制定者具备流程运营分析的思维，业务人员。

要有关键价值链的端到端的流程构建思维，信息系统的建设者需要有快速应对流程变化的能力，数字化运营的人员需要探索一种适应流程快速变化的协同方法，流程优化人员需要有识别关键价值链，简化、自动化流程的能力。

4、结构化思维

结构化思维是一个让我很受益的思维模式，尤其是对于我这种语言表达能力一般，且IQ不高的人来说，结构化思维可以大大弥补这方面的不足。结构化思维简单来说，就是面对问题时，采用某种层次结构，把问题与解决思维进行分层次的拆解。结构化思维是一种从复杂无序到简单工整，再从简单工整到有序深入分解的过程的思维模式。

在数字化世界中，我们面临数据风暴的问题，结构化思维有助于我们更好的面对海量、没有目标的信息时的处理方法，能够帮助我们更准确的抓住事物的核心，并判断信息的可靠性。结构化思维有很多工具可以使用，比如思维导图，我现在要分析任务、需求分析、功能设计等等都会用思维导图，很多时候一个思维导图画好之后，基本上思路也清楚了。我觉得在结构化思维中，最为关键的是对这个问题第一步的分解维度的选择，我本人喜欢用一些好的经验方法，比如我在做任务管理分解时，我就尝试采用时间管理中“紧急、重要”四象限的方法进行分解。

5、数据思维

最近在做项目时经常反思，我应该如何基于运营数据的应用，为大家的工作赋能，比如提高效率、或降低成本，或提升决策准确度，或多个优化组合。这过程中，我发现自己目前仍主要以工具自动化的信息化建设思维解决问题，这种自动化的解决方案其实是经验导向，从数字化角度看，企业将面临的复杂性与不确定性将越来越严峻，经验导向的工作或决策方式将越来越不可靠，这就需要培养以数据思维来思考并解决问题的能力，简单来讲就是基于“数据+算法”的量化思维模式，用客观数据作验证、预测、推荐，减少“我觉得，我想，我估计”等经验思维模式。

以下摘一些国际顶级数据分析师达文波特所著《成为数据分析师》书中关于数据思维的一些有趣的内容

1、关于数据思维的6个环节

数据分析有定量分析与定性分析，定量分析是通过统计学、数学等方法进行系统性研究，定性分析是判断性的分析。举个分析工作效率分析的例子：定性分析得到的结果是：张三工作效率很高，定量分析得到的结果是：张三本月完成20个IT需求，处理需求数量在同级别的工程师中排名第3。这个数据分析例子中，分析张三的工作效率的问题看，定量分析更可靠，事实上通常定性分析可以作为数据分析的初级探索阶段，所以下面提到的数据思维也是针对数据思维。

按达文波特的归纳，定量分析的数据思维，可以分为6个步骤：识别问题、回顾之前发现、建立模型、收集数据、数据分析、传达结果并执行，其中识别问题与回顾之前发现属于数据思维的构建问题阶段，建模、收集数据、分析数据属于解决问题阶段，传达结果并执行属于最后一阶段。

1)构建问题阶段，目的是确定分析系统需要回答什么问题，解决什么难题。其中识别问题主要是让你清楚你接下来的数据分析要实现什么目的，谁是决定要解决什么问题的关键人物，这个目的是哪一种数据分析类型。由于很多时候你解决的问题可能己有人解决过，或己有相关的经验积累，或你在识别问题过程中已积累了相关知识，所以在完成识别问题后先不要马上进入解决问题阶段，而是先进行回顾之前发现。

2)解决问题阶段，这个阶段是定量数据分析的核心，是一项更结构化且定义明确的活动，这个阶段如果我们缺少相关数学与统计学知识，寻求具备这类能力的人来处理这一阶段建立模型、收集数据、数据分析可能是一个更好的办法。我理解的建立模型，重点是基于经验、算法来选择决定数据分析的关键数据变量，关键的数据变量最好要精、准。收集数据相比好理解，即根据模型寻找数据(不过两本书对于数据的来源都重点强调了外部数据：“不是更多的数据，而是有别于到目前为止用来解决问题的数据”，由于缺少数据分析经验，对于企业外的数据来源的价值还不太明白。)数据分析是根据模型与数据进行分析处理。

3) 传达结果并执行阶段 ，这个阶段经常被人忽略，比方说某个数据分析目的是为了支持管理层的决策，采用了丰富的可视化的方式来提供决策支持，但实际上管理层可能希望直接采用简洁的数据提示的方式，如果不重视这个传达结果与执行的阶段，极可能导致失败。所以数据分析的结果需要足够清楚，且满足用户需求，才更可能促成决策与行动，这次数据分析才有意义。

2、数据分析价值的选择方向

可以围绕以下4点 ：降低成本、缩减时间、 内部决策 、研发产品与服务。这4个方向中，数据分析的引入可以快速带来降低成本、缩减时间的效果，尤其是基于大数据技术的引入;研发产品与服务是一个最有潜力，也是最能激发数据分析师激情的方向;内容决策作为以前BI商业智能阶段最重要的输出，在进入大数据阶段，需要更加关注活数据的实时决策，或数据即决策。关于数据即决策可以从数据分析的目的进一步解释， 从数据分析的目的看，又可以分为描述性、预测性、规范性分析，描述性分析可以认为根据历史数据做描述的总结，比如报告;预测性分析是指根据历史数据进行预测性分析，规范性分析是指根据模型决策行动，这个规范性分析的方式就类似数据即决策，比如滴滴对汽车的调度，导航对路线的规划、京东对商品的推荐等等。

3、 数据科学家的特征

1)黑客：能够编码，了解大数据技术架构

2)科学家：基于证据做决策，即兴创作，急躁和行动导向型

3)可信的顾问：良好的沟通和人际关系技能，能够制定决策并了解决策过程

4)定量分析师：统计分析，可视化分析、机器学习、非结构数据分析

5)业务专家：了解业务运作，对数据分析与大数据应用有良好的判断力

当然，大部分人都不是一开始就具备上述能力，通常是从一到两个能力出发不断完善。

4、DELTA

数据科学家是针对个人角度，DELTA是针对组织分析能力，即数据、企业、领导力、目标以及数据分析师。数据就是指数据，在大数据时代重点指非结构化数据，企业是指企业的大数据定位，领导是指自上而下对于数据分析的支持程度，目标可以从前面提到的 降低成本、缩减时间、 内部决策 、 研发 产 品 与 服务四点出发，数据分析师是指人。

书中还提到另一个force 模 型，这个模型的主张是：

-基于事实决策制定

-设想和分析模型不断审核，调整

-加强分析决策和测试学习的文化氛围

-在主要业务流程中嵌入分析学

其中最后一个关于在流程中嵌入分析学的思路很适合在企业运营、决策流程中的数据分析整合，可以作为工作中数据思维落地的一个切入点。