百度百科对思维模式的定义是：思维借以实现的形式，比如概念、判断、推理、证明 思维形式_。用通俗的话讲，思维模式是观察及处理问题的方法，通常会决定一个人的认知与行为。企业的数字化转型不仅仅是技术平台、流程与组织架构的重构，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推动组织或员工好的思维模式的形成，而好的思维模式又可以辅助数字化转型的落地。以下是一些我觉得比较好的，也在使用的思维模式。

1、成长型思维

数字化世界越来越复杂，变化的速率越来越快，客观上讲以不变应万变的思维己很难适用，作为数字世界的个体，每个人都需要紧跟时代发展不断的补充自己的知识，接受新的变化，用正确的态度去面对困难、失败、挑战，以及未来成长方向的处理方式。

“成长型思维”的概念，来源于卡罗尔·德韦克的作品 《终身成长》 ，书中描述了两种思维模式：固定型思维（或叫停滞性思维）和成长型思维。固定型思维的人认为：人之所以成功，主要是仰赖天赋和能力这些先天因素，挑战和承担风险都可能直接暴露自身的不足，并表明自己的任务无法完成， 固定型思维模式者认为，失败意味着自己是一个失败者，不具有这方面的天赋， 他们不会从失败中学习并纠正自己，不愿意面对挑战，为减少失败， 他们喜欢 熟悉的工作领域，害怕新环境和未知的挑战。

成长型思维的人也同样追求成功与卓越，失败对他们来说也是痛苦的事。 但与 固定型 思维的人相区别的是，他们认为现状并不能定义一个人的成功，成功来源于后天的努力。 这类人把时间更多的花在如何去面对问题和处理问题上，并从中有所得，从而在新环境中获得更大的成功。 他们会用动态的思维考虑问题，今天不能成功并不代表明天继续失败，过去的经验同样也不保证将来的成功。

回到企业数字化转型，从手工到电算化，从电算化再到信息化，从信息化再到数字化，无一不是需要颠覆对问题的判断与决策，这就需要转型组织与个人有强烈的学习动力，能够用全新的视角去看待问题，从过去的失败中总结经验，从未知的知识领域中学习新知识并在本行业和工作中进行应用和创新。反观固定型思维，会阻碍企业数字化转型的进行，员工们会因为害怕失败而不断地强调现有工作的重要性，会不断强调未来的风险。在转型的过程中，他们会全力关注现有的领域，在数字化替代和数字化效率这些层级上不断重复尝试，对于数字化转型层级甚至采取消极抗拒的方式。

2、设计思维

设计思维我是在去年学习产品设计时接触到的，刚开始不是特别在意，后来经历了一些功能设计的不足，以及接触价值主张、用户故事、设计冲刺等等时，发现都有设计思维的影子，所以最近一段时间在分析问题时（不仅限于产品设计），我也尝试使用上述的步骤。

关于设计思维，很多资料会提到斯坦福大学中名为d.School的设计学院，这个学院有一个使用： 我们相信每个人都有创造力！__斯坦福大学的d.School是一个人们使用设计来发展自己的创造潜力的地方。

设计思维是一种思考问题的方法论，用来寻求未来改进结果的问题或富有创造性的解决方案，关注的是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： 运用同理心获得需要解决问题的真正理解。 通过观察用户的工作流程和实际情况，进行深入的交流和讨论，理解客户的实际想法，设身处地体验客户所希望体验的业务成果。

2）定义： 重新组织和定义问题。 在同理心阶段，你将收集到大量信息，并理解了用户大量真实诉求，下一步你需要 将重心聚焦对用户的需求的理解，在发散的信息中找出重点，定义自己的观点并形成初步的目标。

3）形成概念： 有了定义后，还要对定义进行分析，这里需要运用多种技术去分析定义，比如头脑风暴，找到解决问题的最佳方法。

4）原型： 制定解决方案的原型。 有了设想，为了更好的确认是否满足用户的需求，了解用户与最终解决方案交互时的行为、想法和感受，需要用原型这种低成本、高效的方法去验证。

5）测试： 不断测试原型，验证并完善解决方案。

在数字化转型中，无论是面向客户的一线员工，或负责运营的数据分析人员，还是企业内部负责规划、内部运营等角色，都可以尝试用设计思维去分析、解决真正的问题。 用我们公司领导举的一个例子，业务人员让你们IT给他们造一把锋利的镰刀，你是给他们造把镰刀，还是去真正了解他们的真实需求，提供一辆收割机呢？

3、流程思维

听过一句话“一流的公司靠文化，二流的公司靠流程”，也有些数字化的外部咨询师或大牛喜欢把流程作为一个过时的产物，认为运作方式需要极度的扁平，或完全的自动化、智能化，流程的存在与敏捷是相悖的。 而我觉得，在金融企业流程的作用很大，流程意在指明“如何”工作，在流程之上可以构建业务、审批等工作流程，通过这些工作流程实现点与点之间的协同的有序落地，没有流程就没有执行力，比方说，流程不好，员工可能不知道干什么，不知道怎么干，干起来不顺畅，干好或不好没区别。

在数字化转型中讲流程思维，我觉得应该以应对复杂、多变的背景来看流程，也就是说流程不是固化的，是在变化中演变的，那么就要求流程的制定者需要有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forc e 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。

关于数据思维我的总结就是：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。

另外，还有一些思维模式也值得在数字化转型过程中去应用，比如系统思维、计算思维等等，是一个很有趣的话题。在数字化系统建设这个有趣的过程中加入这些有趣的思维模式，来推动大家协同方式的转变，是一件极为有趣的事情。

## 相关系列阅读：
数字化转型系列一：聊聊与数字化相关的定义
数字化转型系列二：聊聊思维模式
数字化转型系列三：关于简化
数字化转型系列四：证券公司数字化转型常见误区
数字化转型系列五：数字化转型3个主线
数字化转型系列六：“数字化业务”之“业务线上化”

[数字化转型杂谈七：“数字化业务”之“数据业务化”](https://www.talkwithtrend.com/Article/260945 "数字化转型杂谈七：“数字化业务”之“数据业务化”")