為什麼數位轉型會失敗：這是運營智慧的問題，而非技術問題

每個轉型計劃都始於流程圖、泳道圖、記錄的工作流程，以及一個共同的信念：組織了解自己的工作流程如何運作。

這種信念幾乎總是錯的，而在遷移過程中發現這一點的成本很少是小的。問問TSB。

2018年4月，TSB將13億條客戶記錄從一個舊的勞埃德平台遷移到由其西班牙母公司Sabadell建立的新系統。在48小時內，190萬名客戶被鎖定在他們的帳戶之外。

更多故事

                                    為Air Peace謹慎辯護

2026年5月9日

                                    解決尼日利亞SIM回收系統的真正問題

2026年5月7日

按揭客戶可能會看到其他人的餘額。商業帳戶數週無法訪問。

成本超過3.3億英鎊。CEO辭職。隨後的審查發現，遷移過程中沒有充分理解TSB現有流程與新系統架構之間的相互依賴關係。技術運作正常，但沒有人繪製出它應該承載的內容。這個問題有一個名字，比大多數組織所理解的更為精確。

什麼是運營智能？

運營智能從已存在的系統中獲取數據，描繪出工作實際在流程、系統、決策和人員之間如何流動的數據準確圖像。它回答一些無法通過利益相關者訪談或研討會可靠回答的問題：工作實際走的路徑是什麼？延遲集中在哪裡，為什麼？在什麼點做出了哪些決策，誰在做，且一致性如何？沒有它，三件事會可靠發生。團隊自動化未定義的工作流程。它們數字化瓶頸。它們將低效擴散到各平台。

數據層

運營智能的原材料是事件數據。每個企業系統：ERP、CRM、案件管理、訂單管理都會記錄事件日誌。每次狀態變更、批准觸發和記錄更新都會留下時間戳。這些時間戳，通過案件標識符連接，包含了完整的實際運營行為記錄。這些數據已存在於組織已運行的系統中。通常不存在的是將其作為轉型策略的主要輸入，而非合規的副產品的做法。

從乾淨的事件日誌出發，流程挖掘工具如Celonis、UiPath流程挖掘和SAP Signavio可以重建實際流程路徑，顯示延遲集中點，並將實際行為與記錄模型進行比較。流程圖所示與事件日誌所示之間的差距很少是微不足道的。在圖中看似自動的批准可能涉及三個電子郵件線程和一個沒有人正式批准的電子表格。當DHL將流程挖掘應用於海關清關操作時，並未找到管理者預期的瓶頸。大多數延遲不是在處理時間，而是在決策延遲，即案件到達決策點與實際做出決策之間的差距。

這個區別很重要。大多數轉型計劃專注於流程可見性：流程在管道中的位置。決策可見性更進一步。決策點是工作流程分支的地方，將案件屬性疊加在這些分支上，可以揭示哪些因素決定路徑選擇，以及這些治理是否在團隊間和時間上保持一致。它告訴你哪些例外路徑消耗了不成比例的容量，以及工作流程實際行為與流程架構師假設的有何不同。

運營智能與AI準備

這是風險最高的地方，也是序列不當造成最大損害的地方。一個訓練用來自動化路由決策的機器學習模型，如果訓練數據準確反映應該支配這些決策的邏輯，則表現良好。重點在於“應該”。

在大多數組織中，歷史決策數據並不反映預期的邏輯。它反映的是正式規則與非正式的變通方案、個人裁量權，以及在系統外處理且從未記錄的例外情況。用這些數據訓練的模型會學到一個扭曲的邏輯版本，而非規則，而是人們實際採取的行動的平均值，包括每個捷徑和未記錄的升級路徑。大規模部署時，它會以機器速度重現這些模式：一貫、自信且錯誤。在訓練前建立正確的決策邏輯，並構建反映預期而非觀察行為的數據集，這不是一個衛生步驟。它是區分一個加速良好決策的AI系統與擴散壞決策的系統之間的差異。

序列優先於選擇

運營智能不是與實施並行的工作流程。它是使實施決策具有辯護力的前提。在選擇任何平台或撰寫自動化簡報之前，必須從數據中回答三個問題：工作實際走的路徑是什麼？每個變體的出現頻率是多少？延遲集中在哪裡，哪些屬性可以預測？在哪些決策點工作流程會分支，實際上由什麼因素控制這些分支，以及這些治理在團隊間和時間上有多一致？

Felicia Oyedara 是一位英國數據分析師，專注於數字運營、流程優化和人力分析，服務於金融科技、銀行和諮詢領域。她專注於將運營和人力資源數據轉化為清晰、可行的見解，以改善績效、簡化流程並支持更好的決策。