?百度百科對思維模式的定義是：思維借以實現的形式，比如概念、判斷、推理、證明。用通俗的話講，思維模式是觀察及處理問題的方法，通常會決定一個人的認知與行為。企業的數字化轉型不僅僅是技術平臺、流程與組織架構的重構，更重要的是企業文化的變革，我覺得好的企業文化應該是能夠推動組織或員工好的思維模式的形成，而好的思維模式又可以輔助數字化轉型的落地。以下是一些我覺得比較好的，也在使用的思維模式。

1、成長型思維

數字化世界越來越復雜，變化的速率越來越快，客觀上講以不變應萬變的思維己很難適用，作為數字世界的個體，每個人都需要緊跟時代發展不斷的補充自己的知識，接受新的變化，用正確的態度去面對困難、失敗、挑戰，以及未來成長方向的處理方式。

“成長型思維”的概念，來源于卡羅爾·德韋克的作品 《終身成長》 ，書中描述了兩種思維模式：固定型思維（或叫停滯性思維）和成長型思維。固定型思維的人認為：人之所以成功，主要是仰賴天賦和能力這些先天因素，挑戰和承擔風險都可能直接暴露自身的不足，并表明自己的任務無法完成， 固定型思維模式者認為，失敗意味著自己是一個失敗者，不具有這方面的天賦， 他們不會從失敗中學習并糾正自己，不愿意面對挑戰，為減少失敗， 他們喜歡 熟悉的工作領域，害怕新環境和未知的挑戰。

成長型思維的人也同樣追求成功與卓越，失敗對他們來說也是痛苦的事。但與 固定型 思維的人相區別的是，他們認為現狀并不能定義一個人的成功，成功來源于后天的努力。這類人把時間更多的花在如何去面對問題和處理問題上，并從中有所得，從而在新環境中獲得更大的成功。他們會用動態的思維考慮問題，今天不能成功并不代表明天繼續失敗，過去的經驗同樣也不保證將來的成功。

回到企業數字化轉型，從手工到電算化，從電算化再到信息化，從信息化再到數字化，無一不是需要顛覆對問題的判斷與決策，這就需要轉型組織與個人有強烈的學習動力，能夠用全新的視角去看待問題，從過去的失敗中總結經驗，從未知的知識領域中學習新知識并在本行業和工作中進行應用和創新。反觀固定型思維，會阻礙企業數字化轉型的進行，員工們會因為害怕失敗而不斷地強調現有工作的重要性，會不斷強調未來的風險。在轉型的過程中，他們會全力關注現有的領域，在數字化替代和數字化效率這些層級上不斷重復嘗試，對于數字化轉型層級甚至采取消極抗拒的方式。

2、設計思維

設計思維我是在去年學習產品設計時接觸到的，剛開始不是特別在意，后來經歷了一些功能設計的不足，以及接觸價值主張、用戶故事、設計沖刺等等時，發現都有設計思維的影子，所以最近一段時間在分析問題時（不僅限于產品設計），我也嘗試使用上述的步驟。

關于設計思維，很多資料會提到斯坦福大學中名為d.School的設計學院，這個學院有一個使用：我們相信每個人都有創造力！斯坦福大學的d.School是一個人們使用設計來發展自己的創造潛力的地方。

設計思維是一種思考問題的方法論，用來尋求未來改進結果的問題或富有創造性的解決方案，關注的是解決方案為導向的思維形式。設計思維通常可以分為5個步驟：

1）同理心：運用同理心獲得需要解決問題的真正理解。通過觀察用戶的工作流程和實際情況，進行深入的交流和討論，理解客戶的實際想法，設身處地體驗客戶所希望體驗的業務成果。

2）定義：重新組織和定義問題。在同理心階段，你將收集到大量信息，并理解了用戶大量真實訴求，下一步你需要 將重心聚焦對用戶的需求的理解，在發散的信息中找出重點，定義自己的觀點并形成初步的目標。

3）形成概念：有了定義后，還要對定義進行分析，這里需要運用多種技術去分析定義，比如頭腦風暴，找到解決問題的最佳方法。

4）原型：制定解決方案的原型。有了設想，為了更好的確認是否滿足用戶的需求，了解用戶與最終解決方案交互時的行為、想法和感受，需要用原型這種低成本、高效的方法去驗證。

5）測試：不斷測試原型，驗證并完善解決方案。

在數字化轉型中，無論是面向客戶的一線員工，或負責運營的數據分析人員，還是企業內部負責規劃、內部運營等角色，都可以嘗試用設計思維去分析、解決真正的問題。用我們公司領導舉的一個例子，業務人員讓你們IT給他們造一把鋒利的鐮刀，你是給他們造把鐮刀，還是去真正了解他們的真實需求，提供一輛收割機呢？

3、流程思維

聽過一句話“一流的公司靠文化，二流的公司靠流程”，也有些數字化的外部咨詢師或大牛喜歡把流程作為一個過時的產物，認為運作方式需要極度的扁平，或完全的自動化、智能化，流程的存在與敏捷是相悖的。而我覺得，在金融企業流程的作用很大，流程意在指明“如何”工作，在流程之上可以構建業務、審批等工作流程，通過這些工作流程實現點與點之間的協同的有序落地，沒有流程就沒有執行力，比方說，流程不好，員工可能不知道干什么，不知道怎么干，干起來不順暢，干好或不好沒區別。

在數字化轉型中講流程思維，我覺得應該以應對復雜、多變的背景來看流程，也就是說流程不是固化的，是在變化中演變的，那么就要求流程的制定者需要有流程運營分析的思維，業務人員要有關鍵價值鏈的端到端的流程構建思維，信息系統的建設者需要有快速應對流程變化的能力，數字化運營的人員需要探索一種適應流程快速變化的協同方法，流程優化人員需要有識別關鍵價值鏈，簡化、自動化流程的能力。

4、結構化思維

結構化思維是一個讓我很受益的思維模式，尤其是對于我這種語言表達能力一般，且IQ不高的人來說，結構化思維可以大大彌補這方面的不足。結構化思維簡單來說，就是面對問題時，采用某種層次結構，把問題與解決思維進行分層次的拆解。結構化思維是一種從復雜無序到簡單工整，再從簡單工整到有序深入分解的過程的思維模式。

在數字化世界中，我們面臨數據風暴的問題，結構化思維有助于我們更好的面對海量、沒有目標的信息時的處理方法，能夠幫助我們更準確的抓住事物的核心，并判斷信息的可靠性。結構化思維有很多工具可以使用，比如思維導圖，我現在要分析任務、需求分析、功能設計等等都會用思維導圖，很多時候一個思維導圖畫好之后，基本上思路也清楚了。我覺得在結構化思維中，最為關鍵的是對這個問題第一步的分解維度的選擇，我本人喜歡用一些好的經驗方法，比如我在做任務管理分解時，我就嘗試采用時間管理中“緊急、重要”四象限的方法進行分解。

5、數據思維

最近在做項目時經常反思，我應該如何基于運營數據的應用，為大家的工作賦能，比如提高效率、或降低成本，或提升決策準確度，或多個優化組合。這過程中，我發現自己目前仍主要以工具自動化的信息化建設思維解決問題，這種自動化的解決方案其實是經驗導向，從數字化角度看，企業將面臨的復雜性與不確定性將越來越嚴峻，經驗導向的工作或決策方式將越來越不可靠，這就需要培養以數據思維來思考并解決問題的能力，簡單來講就是基于“數據+算法”的量化思維模式，用客觀數據作驗證、預測、推薦，減少“我覺得，我想，我估計”等經驗思維模式。

以下摘一些國際頂級數據分析師達文波特所著《成為數據分析師》書中關于數據思維的一些有趣的內容

1、關于數據思維的6個環節

?數據分析有定量分析與定性分析，定量分析是通過統計學、數學等方法進行系統性研究，定性分析是判斷性的分析。舉個分析工作效率分析的例子：定性分析得到的結果是：張三工作效率很高，定量分析得到的結果是：張三本月完成20個IT需求，處理需求數量在同級別的工程師中排名第3。這個數據分析例子中，分析張三的工作效率的問題看，定量分析更可靠，事實上通常定性分析可以作為數據分析的初級探索階段，所以下面提到的數據思維也是針對數據思維。

按達文波特的歸納，定量分析的數據思維，可以分為6個步驟：識別問題、回顧之前發現、建立模型、收集數據、數據分析、傳達結果并執行，其中識別問題與回顧之前發現屬于數據思維的構建問題階段，建模、收集數據、分析數據屬于解決問題階段，傳達結果并執行屬于最后一階段。

1）構建問題階段，目的是確定分析系統需要回答什么問題，解決什么難題。其中識別問題主要是讓你清楚你接下來的數據分析要實現什么目的，誰是決定要解決什么問題的關鍵人物，這個目的是哪一種數據分析類型。由于很多時候你解決的問題可能己有人解決過，或己有相關的經驗積累，或你在識別問題過程中已積累了相關知識，所以在完成識別問題后先不要馬上進入解決問題階段，而是先進行回顧之前發現。

2）解決問題階段，這個階段是定量數據分析的核心，是一項更結構化且定義明確的活動，這個階段如果我們缺少相關數學與統計學知識，尋求具備這類能力的人來處理這一階段建立模型、收集數據、數據分析可能是一個更好的辦法。我理解的建立模型，重點是基于經驗、算法來選擇決定數據分析的關鍵數據變量，關鍵的數據變量最好要精、準。收集數據相比好理解，即根據模型尋找數據（不過兩本書對于數據的來源都重點強調了外部數據：“不是更多的數據，而是有別于到目前為止用來解決問題的數據”，由于缺少數據分析經驗，對于企業外的數據來源的價值還不太明白。）數據分析是根據模型與數據進行分析處理。

3） 傳達結果并執行階段 ，這個階段經常被人忽略，比方說某個數據分析目的是為了支持管理層的決策，采用了豐富的可視化的方式來提供決策支持，但實際上管理層可能希望直接采用簡潔的數據提示的方式，如果不重視這個傳達結果與執行的階段，極可能導致失敗。所以數據分析的結果需要足夠清楚，且滿足用戶需求，才更可能促成決策與行動，這次數據分析才有意義。

2、數據分析價值的選擇方向

可以圍繞以下4點 ：降低成本、縮減時間、 內部決策 、研發產品與服務。這4個方向中，數據分析的引入可以快速帶來降低成本、縮減時間的效果，尤其是基于大數據技術的引入；研發產品與服務是一個最有潛力，也是最能激發數據分析師激情的方向；內容決策作為以前BI商業智能階段最重要的輸出，在進入大數據階段，需要更加關注活數據的實時決策，或數據即決策。關于數據即決策可以從數據分析的目的進一步解釋， 從數據分析的目的看，又可以分為描述性、預測性、規范性分析，描述性分析可以認為根據歷史數據做描述的總結，比如報告；預測性分析是指根據歷史數據進行預測性分析，規范性分析是指根據模型決策行動，這個規范性分析的方式就類似數據即決策，比如滴滴對汽車的調度，導航對路線的規劃、京東對商品的推薦等等。

3、 數據科學家的特征

1）黑客：能夠編碼，了解大數據技術架構

2）科學家：基于證據做決策，即興創作，急躁和行動導向型

3）可信的顧問：良好的溝通和人際關系技能，能夠制定決策并了解決策過程

4）定量分析師：統計分析，可視化分析、機器學習、非結構數據分析

5）業務專家：了解業務運作，對數據分析與大數據應用有良好的判斷力

當然，大部分人都不是一開始就具備上述能力，通常是從一到兩個能力出發不斷完善。

4、DELTA

數據科學家是針對個人角度，DELTA是針對組織分析能力，即數據、企業、領導力、目標以及數據分析師。數據就是指數據，在大數據時代重點指非結構化數據，企業是指企業的大數據定位，領導是指自上而下對于數據分析的支持程度，目標可以從前面提到的 降低成本、縮減時間、 內部決策 、 研發 產 品 與 服務四點出發，數據分析師是指人。書中還提到另一個force 模 型，這個模型的主張是：

• 基于事實決策制定
• 設想和分析模型不斷審核，調整
• 加強分析決策和測試學習的文化氛圍
• 在主要業務流程中嵌入分析學

其中最后一個關于在流程中嵌入分析學的思路很適合在企業運營、決策流程中的數據分析整合，可以作為工作中數據思維落地的一個切入點。?