前三篇的說明之後,這是這個系列的完結篇。

DSP 也有自己的挑戰,但怎麼突破也只有做了才知道。我覺得有幾個地方還沒有搞的很清楚:

  1. 成為社企之後怎麼界定社會企業?
  2. 如何不至於淪落為「資料清洗」的下游廠商。

社企的界定不知道要怎麼抓,維基百科有一版說法,但什麼是社會企業辯論不少,我也沒辦法抓個清楚。但在公司成立的章程上是可以有些保留的空間,這是經營團隊討論過之後的見解。但因為 DSP 是偏向技術和資料型的社會企業,與目前台灣流行以慈善 (charity) 為主的氛圍相當不同。你說沒有抓到這一波社企風潮扶搖直上也好,這可能是個時機上的弱勢。但在抓什麼議題,觸碰什麼資料,或是說這些資料和公共事務的發展能扯上什麼關係,我想 DSP 在這方面有相當的實務經驗,短期內不容有競爭者。

但既然成為了商業公司,就不得不面對風起雲湧的幻象。這意思就是說,看起來很熱鬧,到回到職場和商業模式上,無法接受本地市場的檢驗,走不通,或是走不快,或是提供的服務沒有市場性,或是市場性無法反應在價值然後反應在價格。這大概是台灣市場所有資通訊或軟體業者最為苦惱的局面,這很難單一突破,和不同的利益相關者(例如學校、法人、商業機構等)有一個生態圈一直推動,才有一點機會。

所以有人說巨量資料是企管問題,不是 IT 問題。這說法是實際的狀況,也是把秤金計兩的討價悶局往上再推一層,讓企業和機構的決策者聽到。

我想到最近看的一本書裡面的一段話:

With flip charts at the ready, he asked painfully simple questions. How should the machines work? How are process failures monitored? What failures surprised you? What data would help make possible better decisions about reconfiguring a particular machine or production process? Do people agree on data interpretation?

Schrage, Michael (2014-09-12). The Innovator’s Hypothesis: How Cheap Experiments Are Worth More than Good Ideas (p. 43). The MIT Press. Kindle Edition.

這是源自於一個統計學家要進入食品業解決跨部門產能問題的真實經驗,怎麼運用資料的思維,在企業內透過實驗,提高解決問題的可能性,這絕對是一門企管學問。這間知名的食品服務商是誰決定要找這位統計學家,而這位統計學家為什麼不是從看資料下手,而是找關鍵的人下手,這也是很不一樣的聰明作法。

不過這套作法,前面比較像是管理藝術,後面才是真實的資料科學。這在台灣市場急於炒作巨量資料、開放資料,還是 “data-driven policy” 的氛圍之下(詳見台灣部分),能否有價,這就要看2015年的發展了。

全文完。