颠覆传统研发

Michael Schrage

很快，迭代的“虚拟研究中心”将边缘化乃至替代传统的研发方式。不管公司选择哪一种实验方法，尽早且高频地投身实验，充分利用实验结果及其给出的结论，这是企业在当今社会长远发展的必由之路

互联网浪潮驱动App（第三方应用程序）颠覆了整个软件包行业的商业模式，Intuit（财捷集团）创始人斯科特·库克（Scott Cook）也不得不带领年营业额数十亿美元的集团，再造有利于推动设计实验的企业文化。这一过程十分艰难，但很成功；库克本人也变成了“规模化实验法”的传道者。

Intuit是一家老牌的硅谷顶级科技企业，成立于1983年，主要向中小企业、金融机构以及个人提供商业和财务管理解决方案以及各种财务管理软件，其重要产品QuickBooks和TurboTax软件，几乎垄断着美国市场，连微软都曾在其面前败下阵来。

库克说，他一直想知道为什么谷歌在搜索领域打败了雅虎，直到“一名雅虎的高管告诉我，谷歌的成功在于建立起一套分散决策的系统与文化，并将其进一步演化为实验决策法”。据悉，几年前谷歌方面曾透露，其一年同时进行3000-5000个研究实验——当你使用谷歌时，往往也会成为这些实验的一部分；而今，这个数字至少是当初的十倍。

库克认为，实验文化必须与合理授权联系起来，任何大型的业务实验或商业计划都离不开激发高层管理者的热情与投入度。不同的是，现在不再是用实验来印证已经存在的方案与分析，而是把实验本身作为一种寻找创新思维和讯息的手段。据了解，谷歌工程师一旦突发奇想，他们根本不必去申请批准，就可以直接展开实验，然后用实验结果来做决定。谷歌很清楚，创新人才都希望能够实验、实现自己的想法，并最终看到它们“开花结果”、投入使用。

在如今实时开放的网络环境里，好点子不再是关键，能否去验证假设才更重要。可以预言，未来的创新与战略将逐步变成实时实验的产物以及副产品。事实上，自2001年互联网泡沫破灭以来，数字网络成功地进化为企业家们的虚拟实验中心、实验室和设计工作室，用来现场试验各种需要复合团队与复杂设备的假设。这一趋势最终导致强调研究与开发（R&D）的传统创新投资范式式微，基于实践的实验与规模（E&S）范式走向主导。

领军企业首选

合作、开放的平台大幅降低了企业进行各类实验的成本、风险与时间。至关重要的是，基于网络平台的实验能快速转化为新产品、新服务以及更佳的用户体验。这种高效的转化，让创新从长期的固定成本投资变成了可变投资或边际成本投资。上述过程被称为“网络经济的指数性”。

这一新经济学模型凸显了数字化领域的实验价值，让主流公司也不得不关注起这一新概念。目前，实验法已越来越受到认可，一直推崇数据驱动原则的最高管理层也是时候反思公司面临的创新机遇与当前的风险投资战略，尝试模仿这些数字科技企业的做法了。

研究发现，实验与规模（E&S）已是从事复杂数字化业务的公司之首选，并且成为这些公司的核心能力与文化价值。

亚马逊、谷歌、微软、Netflix、脸谱、Intuit和第一资本（Capital One）等知名度极高的市场领军企业只是其中的一小部分，他们都公开承认自身创新的高歌猛进受益于不断致力于数字化实验。这些公司鼓励创新者们经常且自由地开展各类实验。实验的数量与质量几乎一样重要。正如亚马逊创始人杰夫·贝索斯的著名评论，“如果每年实验的数量能翻番，公司的创造力也会加倍。”而且，对网络公司来说，它们只需要花费可变成本，就能开展两倍、甚至更多的实验。

亚马逊推荐引擎就是快速、灵活的规模化实验的副产品，与有组织有计划的商业策划完全无关，如今，这一技术颠覆了整个网购世界。前亚马逊内部创业家格雷格·林登（Greg Linden）曾回忆道，快速、低成本、迭代化的实验对现实世界的影响，正成为“征服”顶层管理者的最有说服力的证据。

克服管理阻碍

不过，实验化的创新与发展也意味着一个难以避免的痛苦前景，其中最大的挑战不在于技术或资金，而在于文化和组织。大多数公司里，管理层都毫无疑问地更加青睐计划、项目、程序和试点等创新安排，而不屑实验性的知识和观点。他们中的大部分人都不明白，实验法的指数经济性完全能支撑公司在创新领域进行分散的投资配置组合。

高管们频频拒绝能提高成本效率的实验法，因为他们害怕自己来之不易的专业直觉与权威遭到质疑。数据驱动的数字实验会削弱专业假设或商业前景分析的作用。但是，留下这些功能部门、保持相关人员的地位，其成本很可能比采用规模化实验法更高。

当然，实验项目也会存在区别。一些机构把实验定义为A/B形式，譬如蓝色是不是比红色更好？另一些机构则把实验作为多元变量设计来开展，以严格谨慎的商业策划为基础，逐步推进。不管公司选择哪一种实验方法，尽早且高频地投身实验，充分利用实验结果及其给出的结论，这是企业在当今社会长远发展的必由之路。

“云”中创新

如今，云架构日益成熟并形成主导优势，这为全球企业提供了更佳的实验环境，能进一步放大实验机遇与效果。成功的云服务架构往往简单易用可扩展。以DevOps（该单词为Development和Operations的组合）为例，其主要用于连接软件开发与技术运营，一切设计都指向鼓励软件开发与网络调配能无缝迭代，能有效促进产品开发以及技术运营之间的沟通协作。此外，大数据与实时管理太字节（terabyte）与拍字节（petabyte）技术的发展，进一步拓展了实验法可以应用的领域。

也许，在分析/实验生态系统内，人工智能是最深刻的颠覆性变革。顶尖的数据科学家们已经开始制造机器学习系统，为实验提供各种有趣假设。

这意味着，机器系统本身可以为市场营销人员、管理者和创新者提供足够多的基于数据的商业假设，后者只需要直接进行试验即可，不再需要基础调研、前期分析、设定假设等。在不远的将来，最重要的实验，如提升用户体验、辨识领先使用者或提议新功能等，都可以直接通过相应领域的训练有素的机器学习系统获得。

关键的启示

在机器学习系统普及前，建议企业家们不妨抢先开展规模化的实验法，推动创新与决策，以下八点建议可资借鉴。

少分析、多实验：强调通过实验来获取新的认知，而非预测性分析，尤其是在创造性地拓展新领域的时候。

可以试验的假设优于好点子：好的想法值得推崇，但更重要的是要提供当前可验证的假设，用于实验和分析。

赞美创造性约束：约束可以成为企业创造力的源泉。当资源有限或者受到种种条件制约的时候，人们会更多依赖精巧的思考与设计，激发出非常态的想象力；而如果没有任何约束，却因为可能性无限而丧失方向。

实验应该社交分享化：数据科学家们不应该只承担实验任务，而要让他们参与到企业层面的对话与创新交流中，提出建议与批评。社交分享能让公司上下乃至各个部门（有时候甚至包括供应商、渠道和客户）持续关注各类研究成果。

排定优先次序：应合理安排公司资源投向，平衡直接面对市场的销售经理与技术部门之间的紧张情绪，确保最重要的事项优先获取实验机会与结果。

洞察实验解决方案：在推行规模化实验法的过程中，要强调实验方法，杜绝完美主义或一步到位的思想，当断则断，更多追求迅速、迭代创新。

关注实验假设：不可只关注最终结果，也要关注实验假设与公司业务的契合度。如，大部分的实验假设是不是有关客户或者供应商最关心的内容？渠道和合伙人的需求有关注到吗？这些假设依循了什么价值路径和轨迹？是偏向于战术还是战略呢？等等。

人不是实验室小白鼠：公司开展的各类实验不能忽视伦理思考。譬如脸谱设计了防火墙，杜绝负面报道、操纵新闻推送，在使用者并不知情的情况下，扭曲了使用者的信息知情权；脸谱还利用这一防火墙开展管理网络情绪蔓延的实验，这种行为并不恰当。尊重消费者/使用者是最高原则。

来源：斯隆管理学院