查看原文
其他

教授观点 | 柯滨教授:产学研如何助力 企业智能管理转型

中文EMBA 新加坡国立大学EMBA 2023-06-12



数字时代的到来已经迫使所有传统组织必须踏上数字化转型之路。智能管理是从软时代到硬时代的一个裂变,如何管理和安全度过这个充满风险的转型,将是所有企业家及管理者的首要任务。在本节大师讲堂中,柯滨教授探讨了大数据时代的大趋势及对企业家的启示,智能管理转型的核心关键,及高等教育研究机构如何帮助传统组织进行数字化转型。


数字化转型


 

柯滨教授

新加坡国立大学商学院

会计系

教务长讲席教授

美国密西根州立大学博士


柯滨教授现任新加坡国立大学商学院会计系教授、教务长讲席教授。他也获聘中国教育部“长江学者”讲座教授并担任过北美华人会计教授会会长。


柯滨教授在The Accounting Review,Journal of Accounting and Economics,Journal of Accounting Research等顶级期刊发表论文超过20篇。其研究兴趣包括通过采用传统或跨学科研究方法来探索并解决当今日益复杂的商业问题。


近年来,柯滨教授尤为关注中国转型经济和新兴市场背景下的会计信息质量、管理层薪酬、公司治理、投资者保护和数字化转型等问题的研究。



 前言

大家好,今天很高兴又一次有机会,来分享有关数字化转型的课题,我将在今天的内容里着重讲一下产学研在数字化的转移过程中对企业的一些帮助。


01

 大数据时代的几大趋势 


我们现在所处的时代是让人振奋的时代,很多事情发生了天翻地覆的变化。大数据为王的时代,这是一个好的时代,也是让人焦虑的时代。


第一个是智能机器的崛起。我们讲算法、智能就显得很重要。谷歌的深度大脑Deep mind阿尔法狗,跟9段高手李世石较量了5次,结果人类失败,对很多人来讲是非常震撼的一件事。

第二个是制造业的数字化。在中国正在发生的非常广泛的事情就是生态圈的智能化,数字化。比如说制造业,工业互联网、物联网,及很多城市都在做的数字化改造城市的交通,数据的大量收集,这对很多政府和企业来讲带来了很多的机会。

第三个是政府数据的大力开发。全世界很多政府,包括中国政府,都在大力地推动把政府掌握的数据资源开放出来,让老百姓受益,让企业受益。在这个大潮的前提下,对企业、企业家来讲,是非常宝贵的机会。如果能抓住此机会,对您的企业会产生巨大的变化。

第四个是世界充满了越来越多的不确定性。这个时期让人焦虑,比如今天这个讲座我们是通过远程视频的形式,而不是面对面的授课,一个很重要的原因是新冠疫情,还有很多自然灾害变得越来越频繁,越来越让人预料不到。


还有一个不可遇见的就是现在的新科技,日新月异,让很多企业家无从着手,不知道下一个新科技什么时候出现,对企业会产生什么样的影响。


举个例子,最近大家都在提元宇宙(Metaverse)这个概念。那什么叫元宇宙呢?其实很简单,大家都看过黑客帝国(The Matrix)和头号玩家(Ready Player One)这两部电影吧,这两个电影我认为是对未来世界--元宇宙的一个很好的体现。

体现了在另外一个完全是数字化的空间里,可以享受沉浸式体验。就像不管在什么地方,我们还是能亲临其境,感受到和别人的交流。那当我们这个世界能达到这个水平的时候,以后不管在什么地方,工作在哪,都无所谓了,因为通过元宇宙,都可以跟世界各地的朋友、同事或者客户做面对面的交流,此时,国界、地理概念已经不重要。

第五个就是管理流程的数字化。大家可以看下图,企业管理正从拍脑袋的软时代迈向基于算法的硬时代,革命带来的一个最根本性的东西是什么呢?我认为是智能管理。



我把它比喻成家里的天然气管道。原来没有,现在给你铺上管道,此时涉及到智能管理的概念,管道打通后,我们做什么菜?是用煤气熬一个粥还是做一顿满汉全席?其实这就是考验管理的水平。


02

大数据时代对企业家的启示


智能管理是从软时代到硬时代的一个裂变,对企业管理和经营,以及商业模式会产生巨大的变化。


大数据是未来的新能源,但数据这个东西很奇妙,会越用越值钱,和我们原来的生产资料很不一样:比如说我们的钱用了一次就没了,不能再用第二次。生产资料,比如原材料,铁矿等,用完以后也没有了。但是,数据用完以后还有,而且不影响别人使用。更重要的是,数据是我们自己产生的,不是别人给的。任何一个企业,都可以产生数据。


第二个是在大数据智能管理时代,商业模式会发生巨大的裂变,下图我用了一个乐高的图片来给大家演示。



大家在做生意的时候给客户提供一套产品组合,举个例子:大家卖蛋糕,遇到客户说,我不要一个蛋糕,我只要一小片,行不行?而且不仅要一小片,还专挑底层那片。这时你说:我只能卖一整个。


但是在数字时代,这就有可能实现,因为数字时代所有的都是数字化,数字化的优势是可以随意切割。传统成功的商业模式很可能在数字化时代被你的竞争对手给肢解了,他只做其中的一小块,但是他做的比你好。很多企业在数字化时代遇到了冲击,从而把原来的商业模式彻底给摧毁掉,因此企业要跟上这个时代的发展。


在大数据时代,从管理的角度来讲,可以把管理知识显性化和制度化。为什么管理知识不能沉淀呢?很多企业家都非常的困惑,但在现在,在数字化时代,在智能管理时代,其实是可以做到的。因为在数字智能管理时代,用的是数据加算法加算力,是可以完全独立于任何一个人,完成组织知识的升华,对未来的影响很大。


小结:大数据时代的内在逻辑关系--新的商业模式和管理模式。



大数据时代,形成了新的商业模式和管理模式,企业的创新会迭代得很快,因为要满足个性化产品和服务的需求,此时“即时创新”的概念就出来了,企业要跟上节奏,商场是非常激烈的战场,是不允许我们思考的。


那怎么样才能达到即时创新?需要大家有“开放/共享”这个概念,对企业家来说更是这样,要保持开放、保持共享的态度。


从业务性的角度来看,科技创新带来新的变化是大数据和机器学习,积极学习算法可以帮助企业做更好的决策,帮助人突破局限性。在这个前提下,会产生新的商业模式和新的管理模式,因为智能管理只有在上面这些条件的基础上,才能做得更好。这就是我们在各种场合鼓励企业家要朝智能管理转型的主要原因。



03

机器学习案例分享:

如何使用机器学习识别财务舞弊?


不管在哪个国家,财务造假都是一个比较棘手的问题,而且比较难预测到。我在过去几年的时间里,做了个研究,如何用机器学习的办法识别财务造假。在2020年我发表了一篇文章,发表后受到比较高的关注度,很多不同领域的人都很有兴趣,因为我的文章反映了当今数字化时代开放合作的典范。


首先,需要有不同的合作者,比如这篇文章有五位合作者,从商科来说,这已经是到达极限了,通常过去商科的合作者一般是一两个,五个合作者是不寻常的。但是在智能化管理时代,五个合作者甚至到十个都有可能,另外我们还有三位计算机背景的专家教授,然后我们把这两批完全不同的专家融合在一个项目里,才能做出新算法预测财务。



接着,再从管理问题的角度来识别公司的财务造假。我给大家摆了一组数据。这个数据是基于我文章里摘录的,我拿美国的上市公司来做分析。比如,在美国的上市公司里面,每年被发现的财务造假的比例通常不超过1%。就比如说100家公司,有一家是会有财务造假,但只要有这么一家,就可能把所有人都累得够呛。所以这也是我们尽量把这个蛀虫挖出来的原因。



过去我们识别财务造假都是基于经验和专家制定的规则。即使在现在,也有很多企业基于专家的规则和经验来识别。


但是,在未来我们要基于大数据,基于机器学习的算法,把专家的软知识换成工程化就是硬知识。第二步是我们要用什么东西来预测采用的数据,在人工智能时代,各个国家的监管也越来越严格,比如数据隐私问题,就需要规范人工智能算法的使用。


那么预测模型构建的核心三要素,包括数据、模型、预测标准。


据此,我们从这核心的三要素中,提出了我们的创新,直接从财务报表中提取原始财务数据作为欺诈预测的指标,依托现有的会计理论来挑选原始数据指标,模型方面也做了创新。做出了一个比较强大的算法叫Ensemble learning(组合算法)。


接着,我再和大家说一下机器学习训练的例子,下图的时间线很重要,因为传统的机器学习方法,是没有时间的概念的,你给我一组数据,然后我分开做好两份,拿一部分做训练,另一部分来做预测。此时没有时间的概念,但是在我们商科里,很多应用是有时间线的,不能拿过去的数据来预测过去,财务造假不能拿100年以后的数据来预测100年以前,这会本末倒置。



因此时间线非常重要。接着我们要考虑如何训练?比如一些财务造假的问题,可能要花时间才发现,或者有些数据需要时间做准备。比如我们用1991年到2001年的数据做训练。训练好一个模型以后,去预测2003年这个年度有多少公司是有财务造假的问题,这是训练的一个方法。


04

数据越多越好吗?


原材料并不是越多越好,现在机器很厉害,因此我们发觉,在算法里面越多数据反而越坏。在商科里面很多数据其实不是大数据,就像我用的也不是大数据,而是财务数据。



在商业场景中其实很多应用都是中小型数据,企业在做机器学习模型时候,可以借助理论指导,精心挑选适合企业的小部分原始财务数据,然后将这些数据与强大的机器学习方法融合,就有可能产生更强大的欺诈预测模型。同时,科学的评价标准便于机器学习模型的落地执行。



这个案例对我们的启示


我给大家举的这个机器学习的案例给了我们几点启示:


1

首先是把管理问题转化成机器学习的问题,这个转换很重要,因为并不是所有的管理问题直接能转换成机器学习的问题,企业需要做一个转型。

2

第二,理论很重要,我刚才也和大家提到管理理论对模型构建的重要性。

3

第三,交叉学科,我们这个课题是交叉学科的经济,离开两方中的任何一方,这个项目没法做成,说明了好的机器学习模型构建需要交叉学科团队的紧密合作。

3

第四是机器学习模型构建需要创新能力,设计出来马上可以用,但你能创造出来,那就不容易。

4

接着,我们还要看数据质量,好的机器学习模型是需要高质量的数据的。

5

最后一点我要强调的就是,机器学习不是万能的,需要不断迭代更新。不是说把模型交付给你,就永远可以用,需要不断更新迭代,不断创新。因为场景在不断演变。对于很多企业来讲,这个压力是很大的。大家可以看到在智能管理时代我们的玩法跟传统的企业家的玩法是很不一样的,这就像我们进入了无人区,大家都在摸索。我们学术界在摸索,企业界更是在摸索。在摸索这个过程中很重要的东西是创新及研发。



05

大数据时代产学研合作的机遇及做法


那具体怎么做呢?基于理论。数据管理对企业来讲是一个核心要素,在做算法之前首先积累数据,用数据去管理数据的标准化,管理数据,还要清理数据,可能占了整个工作的80%,最后20%的时间是在做算法。要是有很多脏的,坏的数据的话,就没法做了。第二,谁来做算法?做算法的都是大数据专家这个范围,比如我们那篇文章的合作伙伴,算法专家都是计算机工程博士毕业,企业需要考虑能请到这样的人吗?



爱因斯坦的脑子,再加上巴菲特的投资的敏感度,把他们做一个合成品,这是我对大数据专家的要求。我的那篇文章其实就是两者的结合:尖端的大数据专家、科学家及计算机的科班生,加上商科,对管理理解深刻,两个团队融合在一块才能做成这件事。但是我们可以看到,能找到这两类都特别精通的人还是比较难的,所以我们要考虑未来的发展模式是什么?只有通过合作共赢的模式,才是必然的路,那对企业是这样,在商业中呢?其实还有一类人叫商业转化人士。


麦肯锡全球研究所的这个观点是我非常赞同的,这也是为什么我这些年都在提,我们需要很多脚踏两只船的商业人士,就是既能跟业务相关的,比如销售业务人员,打成一片互相沟通,同时又能和后台技术人员,比如算法专家打成一片互相沟通的这类人。但是这样的人真的不多。


数字化时代需要不同的企业文化,因此作为员工来说,能不能适应这些文化,能不能快速反应?文化发生巨大转型,你的客户提出个性化要求,需要你创新要快,但是快的一个后果是什么?就可能会犯错。对企业来讲,犯错可能是致命性的,你要犯一个大错,整个企业都毁灭掉了。过去可能有这样的案例,那你怎样才能保证他不犯错,或者说你允许他犯错,但这个错不是致命性的。


这些在数字化时代都可以解决,比如现在很多企业在做数字化的那个转型,更重要的是要学会开放共享,因为企业要创新,而且要快,要不断迭代才能满足客户的不断更新的需求。


因此我们又回到下图,企业管理应该如何面对数字化时代的需求,我们不仅要结合我提到的新商业模式的科技创新,还要基于数据、算法和算力的综合应用。



这和很多传统的企业家的玩法其实是很不一样,这就需要我们采用更科学化的方式来解决,我认为可以分成两种方式,一种是自创团队。很多企业在这么做,尤其头部企业,比如阿里腾讯等企业,都采用自创团队的方式。而在开放合作里面,产学研是很多企业做的比较好的一个方式,头部企业比如阿里,也采用产学研结合的方式。为什么?因为光靠自己的团队是不够的,那下面我们就来到产学研的话题。


乔布斯在2005年在斯坦福大学做了一个毕业典礼的演讲,他谈到,“创造力,不外乎就是在不同事件之间搭建桥梁。如果你问那些有创造力的人他们如何做事,他们或许会感到些许内疚,因为他们沒有真的在‘创造’一个东西,而只是看到了一般人看不到的东西。一段时间过后,这对他们而言变得显而易见。这是因为他们能够连接过去的经验并组合成新的东西。”



而如何激发企业员工的创造力,也是一直困扰企业的大难题。这个数字化时代,我觉得产学研是非常好的一条路,因为企业和大学有天然的互补性。


企业

←互补→

大学


我从管理角度讲一下,管理会计,对企业是非常重要的,因为这是给企业内部提供角色支持的一个质量层。


在传统的管理会计里面,有个报告题,大家可以看下图,由最上面的宏观战略层面为战略决策提供依据的东西,到最底层的操作层面甚至是数据层面,涉及到非常落地具体的社交企业的方方面面,这是管理会计报告很重要的体系。



在数字化时代,我们可以在企业完成数据积累后用智能管理这种方式去做。有的企业说,已经做了很多数字化转型,但是我还是缺乏管理人才,我跟很多企业谈的时候,他们会说,这方面你能不能给我们做一些帮助,因为他们自己觉得不行。此时就谈到了大学的需求,我们大学就是做研究教学,我们需要了解企业,上课也是研究企业的,需要和很多企业合作,这样才能有场景来做研究。


而企业的优势在哪呢?企业有场景,有数据,弱势就在人才和理论基础上;我们大学有研发人才,也有理论基础,劣势就是缺乏场景及数据。


因此,企业和大学是个天然的互补地,企业有非常重要的数据,但有数据后怎么玩不清楚,大学就可以将理论和算法,和企业的数据结合起来。我们既是需求方也是供给方,那这样的合作你去什么地方找?一个企业不可能在创新方面完全复制一个大学,因为要复制的话,成本太高,商业盈利能力不合算,投资回报率马上就打折扣。因此,连头部企业,他们都在跟别人合作,是因为他们发觉比他自己干合算。因为创新是一个完全意想不到的事。并不是说想创新就能得到创新的结果。


06

产学研在智能管理方面的合作

最适合做什么?


接着我们看,产学研最适合做什么。首先,我把企业的需求分成以下三类:


描述性分析

预测性分析

因果关系分析


描述性分析,比如现在很多企业用到信息系统、可视化商务智能系统等,很多企业通过可视化分析把公司的现状进行描述性分析。



难的是后面两个——预测性分析和因果关系分析。描述性统计,就是要发现企业现在的问题,预测性是要展望未来。因果关系分析是增值的决策,我做的决策会带来一个后果,但是我们需要考虑,这个决策是不是能给企业带来增值效益?我希望你的所有的决策都是增值的,而不是减值的。因此,我认为在预测和因果关系分析这个层面很多企业是做的不足的,或者企业根本没有这个能力,所以企业和大学进行产学研合作,这是非常好的机会。


07

产学研合作如何进行?


产学研必须是双赢的合作,不能单边的,双方都能得到好处,比如对大学来说,我们有成果可以发表,企业的知识产权可以共享项目驱动。


谷歌有个20%的法则,谷歌让优秀的员工拿出20%的时间,做你想做的任何事情,这就是创新。


我根据谷歌的20%法则,弄了一个新的法则,我称作“柯滨50%法则”,企业要允许科研人员,在有一定空间的合作项目的前提下,让他们去遐想。遐想以后有成果出来可以跟你共享。因为创新的话需要遐想才能出来。



总结一下,我觉得产学研是智能管理转型非常有效的途径。我现在跟很多企业做合作,都觉得做得很开心,因为确实有很多地方是共赢的,而且是互惠互利。我对企业有帮助,企业对我也有帮助,我可以把企业的经验带回来跟我的学生共享。


我希望各位听了我今天的讲座后,可以思考思考,跟你自己研发相比,跟大学合作,是不是成本要低很多。因为相当于是你在借力。比如说你跟我们新加坡国立大学合作,是借了我们整个学校的资源来共同做研发。企业自己要做,很难实现那么好的效果,国大那么多学科都很棒,大家一起来做一个项目,这是企业自己是很难复制的。



问答环节


如果一个公司的老板,对管理系统,管理平台没有任何思考和部署,如何推动董事长和总经理展开管理系统的部署?


答:大家对数字化,尤其对智能管理的数字化的理解很不一样。因为你的理解不一样,就会对你的动力产生很大的影响。


我的建议是,不管你是忠诚的员工还是一把手,都要持开放的心态去看这个问题,因为数字化转型不是一蹴而就的工程,是一个非常漫长的探索过程。你不去探索的话,可能过十年以后,你就会被淘汰。


比如,我们新国大有EMBA课程和很多短期的培训课程。我也跟很多企业界的老总有过多次互动,他们都感觉到,学习对他们的帮助非常大。这不一定会占用你很多的时间,但会对开放你的眼界,产生很大的作用。当然,如果你愿意花更长的时间,那就来新国大读我们的EMBA。这样的话,你会遇到更多的同学和老师,有更深层次的交流和学习。



产学研最大的问题在于知识产权分不清楚,柯老师认为如何解决知识产权管理的问题?如果我们开放数据共享,公司数据和商业机密可能会被竞争者利用,那该怎么办?


答:这些是涉及到知识产权及数据隐私等相关的问题。


关于第一个问题,我不认为是一个挑战。因为产学研已经在全世界范围被运用了很多年,有很多成功的案例是通过产学研完成。与人合作总是会有一些理解的不同,或者是争端,这些都在所难免。你不能因为有一定的风险你就不去做这个事,你最后还是要算一算你做这件事的机会成本和收益是多少,你不做你的机会成本和收益是多少。最后,你要权衡利弊,才能做出最终的决定。


根据我对全世界范围的观察,我觉得产学研对企业来讲,其实比你和同行之间合作的风险更小。因为大学是非盈利机构,目的不是去创收,你跟大学合作,其中一个是盈利型机构,就是你们企业界。大学跟你们合作的目的并不是冲你们的钱去的,你们之间发生冲突的可能性就小很多。比如新加坡国立大学在和很多业界的企业合作,都有非常规范的合作协议,而这些协议不是仅针对这一家企业,而是新加坡国立大学对任何一家企业,都用同样的条款,都是给各自保护。在合作过程中,出错的可能性就小了很多。


第二个问题是有关数据的安全。在相关的领域,大家都在寻求不同的解决方案,比如说联邦学习的方法,或者采纳区块链的方法等等,来解决相应的问题。但你跟大学合作的话,其实就谈不上会被竞争者利用,因为大学对数据安全非常重视,大学都是去到企业的内部场所来进行科研应用的合作。这样的话,公司数据和商业机密都会被保护得比较好。



我想问一下以后大型企业利用大数据全产业链发展,会不会使得中小企业生存空间更小,大型企业垄断市场的概率会更高?企业在投资和回报方面能否利用智能化管理使得成功的概率、投资回报率更高?


答:

01

第一,在数字化时代,小企业和大企业到底谁的成功率会更高?是不是小企业在数字化时代就一点希望都没有?我个人的看法是各有利弊。因为大企业有大企业的优势,同样也有其劣势,小企业也是同样的道理,要看各自在竞争市场中如何定位,采取哪些有利的策略,规避短处。这样的话,小企业在现在的数字化时代说不定有比原来更好的机会。因为小企业,船小好掉头,比较灵活,速度比较快。大企业往往是比较臃肿,有很多大企业的通病,反而在转型的时候,转的太慢。那大企业死掉的可能性会更大。

02

第二,我们能不能用智能管理的方法来提高我们成功的概率和我们投资的回报率。其实我现在在跟一些企业合作,其中包括一些风险管理投资方面的企业。为什么跟这些企业合作呢,因为投资领域,尤其是风险投资,它的成功率是非常低的。现在我们的数据到达一定级别后,在有数据的前提下,我们就可以帮助风险投资机构和公司,提高他们的生存率。现在已经有很多相应的机构,包括学术机构,在研究这个问题。我觉得,这个门槛也许并不是那么高,因为风险投资,从定义的角度来讲,他本来的成功率就很低,那他的起点自然也低。你稍微往上提高一两个百分点,说不定对风险投资机构来讲是一个巨大的产出。用智能管理的手段去做这件事,希望还是很大的。



柯老师,如果是非零售行业,怎样可以开展数据采集?建立数据管理的基础是拥有数据,但是怎样才可以建立数据呢?


答:其实我在给我们EMBA的同学上课的时候,也专门提到过这个问题。企业界的朋友对投入的成本非常在乎,不可能买很多硬件设备,买很多服务器去无限制的储存数据,同时不清楚这些数据的用处。我的观点是,你首先要想好用这些数据做什么,其实在智能管理这一块,数字化是很大的范畴,比如给零售的客户提供服务,那也是数字化的一部分。


我今天讲的课题中最关键的,也是最难的,是企业管理的数字化。那就相当于,你为了给客户提供服务,首先你自己的管理要数字化,要提高水平。从管理的数字化的角度来讲,理论的指导非常重要,清晰的理论指导,可以让你了解哪些数据是必要的,哪些数据不需要。我刚才把大的框架给大家搭了一下,现在是万物相连的时代,尤其是在中国。中国在数字基建方面的投入非常大,尤其是在后疫情时代,速度要比原来还要快。


未来的时代,无论是小企业还是大企业,企业管理的那些蛛丝马迹都有数字的记载。只是看你是否有细心的去留意,并把数字存下。存数字之后才有可能做第二步,就是算法,然后你再去买一些算力。如果你数据没有存的话,就谈不上算法。不论是大企业,还是小企业,你首先要从管理的角度,用理论教会人该怎么做,然后从自身的角度来找出你最大的痛点,两者结合起来,从一个小的切入口,做一个短平快的尝试,把它做成功,给你提升一定的信心,这样在数字化转型的路上,就可以跨出更大的一步。



数字化转型传统对传统企业最有价值的地方,以及当前企业智能管理的重点是什么?


答:你可以问自己,企业的管理,你原来是如何做的?那在数字化时代我们的管理应该怎么做?智能这个两个字,在数字化时代是什么意思?想清楚这些问题,其实你也就很清楚应该怎么做。


我归纳总结一下,就无非两句话。


第一就是你不管做什么样的管理,第一步你需要对未来有一个很好的把握。这就是我们在讲数字化时代中的预测,只不过在数字时代呢,我们预测不是原来的拍脑袋的预测,我们是用算法,也就是智能的机器学习来实现。


第二就是你对未来有了把握以后,你要问自己现在应该做什么?做什么样东西?比如你对资源的分配,比如说我现在有1万块钱,我这1万块钱用来做什么,如何投资。这就是我刚才讲的管理的第二个要素:因果关系的分析,举例我投100块钱在这个地方和不在这个地方,对我最后的利润会产生多大的影响?那这其实就是一个因果关系的判断。因果关系的判断其实也可以用科学的方法来做,原来大家可能很多时候是凭感觉,但在数字化时代,因为有太多的数据,你可以用算法,用数据,可以把你的这个角色做得更好。



刚才机器学习识别财务造假案例的模型,在不同国家的上市公司的造假比率和监管发现造假比率及财务制度、管理政策不同,对造假模型适用影响会有不同吗?


答:会有不同的影响是肯定的,比如在我讲的案例当中,用的是美国的数据,美国的预测。如果在中国遇到这个情况,这个美国的模型,你能不能照搬过来就用?如果你懂机器学习的话就知道这肯定不现实。因为模型就像机器,机器到了新的环境,你需要调试才行,你不调试直接用这个机器的话,可能会有很多的杂音,那这样的话,你用这台机器的效果就不好。


其实你在一个新的环境,即使原来模型的理念可以用,你还是要有一个调试的过程,当然像有一些环境下,比如说一些新兴市场,很多财务造假永远不会被发现,但是它却存在,作为一个商业公司,你需要跟别人打交流,尽管这个造假永远可能不见天日,但对你的角色还是有很大影响。


这时候,我们机器学习模型的方法和理念也许就不能适用,因为我们这个方法是基于财务造假最终是会被挖掘出来的假设。假如造假永远不被挖掘出来的话,你的算法就不能按照这种方法做,你就要采纳不同的方法。这就变成了另外一个研究的课题,有一些学者也在研究,包括我自己在内,我们也在探索,如何把财务造假这个模型在新兴市场中做一个研发,来解决财务造假的问题。



请问老师,您刚才提到的数据专家和智能管理都需要人来实现,您如何看待当今的组织设计?请给一些建议。


答:我今天的讲座,可能组织层面讲得比较少。从管理理论框架的角度来讲,人是在组织底下去运作,其实人的变化,也相当于是组织的变化。


比如刚才我在讲座里讲到文化的变革,数字化所需的文化和20世纪管理所需的文化是很不一样的。因为现在这个时代,我们强调要快,要创新,尤其在数字化时代的创新,跟之前的创新是很不一样的。在这种情况下你的组织设计就变得非常重要。我认为是八仙过海各显神通,没有千篇一律的方法,每个企业都需要根据自己独特的地方进行设计,组织的设计本身就具备创新。关键是大家的目标是一致的,我们最后要把组织的效率给挖掘出来。你如何达到这样的效率?那就是八仙过海,各取所长。


不同组织的创新,有很多可能我们还没有看到,包括我自己也在思考,尽管这个理论很清楚,但“药引”是什么?例如你看病给你一副药,你肯定需要药引,才可以有效。组织的变革也是同样的道理,有些地方你动一动,能触及全身,说不定你的变革就会变得很通畅。关键是每个决策者、领导自己去体会,多交流。



  

联系方式


电话:

+65 6516 8352  +65 6601 7753   

+65 6516 8656  +65 6601 4911



 招生老师微信

识别二维码添加好友


邮件:embac@nus.edu.sg


地址:

商学院中文EMBA招生办公室

新加坡国立大学商学院研究生办公室

NUS Business School, 15 Kent Ridge Drive, 

Singapore 119245


网站:embac.nus.edu.sg


点击“阅读原文”即刻申请新国大中文EMBA

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存