經理人必知：導入「人工智慧」與推行「精實管理」的三大相似困境

談到人工智慧、機器學習，你想到的是什麼？而談到精實管理、豐田生產方式你又想到的是什麼呢？如果有看過《海賊王》的你，差別可能是超新星們跟舊時代四皇的時代感吧。

週日下午，我在政大商學院的教室裡上著一門叫做「人工智慧與營運優化」的課，老師是政大資管系的莊皓鈞教授，作為新生代學者卻能在科技通路、便利零售、線上平台等產業擁有著極為豐富的產學合作經驗並協助解決實務問題，同時也獲得科技部傑出研究獎、玉山學術獎等成果。

作為一位門外漢如我，在不懂程式語言、數學推演等情況下，卻在課程中透過莊教授的分享讓我體悟到原來不論是人工智能、機器學習、類神經網路等各種先進炫麗、高大上、厲害的應用工具，其實回歸到企業經營或職場真實上，仍舊需要克服三大難題：目的、極端值、時間軌跡。

在21世紀寄與厚望的技術工具，眾多產業期待藉此做出更多突破之際，作為技術端專家的莊教授透過產學合作專案告訴我們其中的難題。而擅長利用20世紀生產管理優勢「精實管理」的我，卻發現其實這些難題驚人地相似。就讓我一一道來，什麼叫做有人的地方就有江湖。

分群(clustering)的概念是要做到「群內差異最小，群間差異最大」，藉此企業端可以做出推薦引擎，像是Netflix或是Spotify能夠推薦你可能會喜歡的歌曲或影集。又或者零售通路端將客戶分級等。

當教授提到這個在機器學習裡重要的基礎概念，說了一句讓我心有戚戚焉的重點「對我們來說，真正的挑戰不會是技術，而是應用端想拿來做什麼？」這真的是實務操作上最重要的問題。過去我也曾經在《豐田精實管理的翻轉獲利秘密》一書中寫到「目的先決模式」的兩大靈魂自省問句：為什麼要做改變？為了什麼要做改變？

不過在機器學習跟精實管理兩者之間，作法上卻有些許出入。就先說我個人比較熟悉的精實管理吧！對於各種型態的製造服務業來說，如果有原料投入到成品產出的創價流程，那麼改善目的就比較清楚，品質、成本、庫存、交期等可量化指標。你問說這些改善目的從何而來？可能是客戶端的要求、老闆想要追上對手或拉大競爭差距或是面對環境、技術變更而來。

課程中我有特別詢問莊教授「企業端究竟要先有目的再分群收集數據？還是先分群收集數據才來找目的呢？」這部分教授也非常坦白地說很多企業確實是摸著石頭過河，就是先有數據、資料、分群後，試圖給予標籤化再來考慮能做點什麼。像我個人就很好奇好市多的黑鑽卡究竟是先分群發現有群高消費族群後，所設計用以提高消費量的活動？還是先推出黑鑽卡後才來找尋TA(目標客群)會是誰呢？

所以不論從機器學習或精實管理來看，都是工具手段，重點是我們希望藉此來解決什麼問題才是最根本的探索。

如果今天有一套股市分析軟體，有85%以上的機率能夠清楚預測每日大盤的收盤表現，你會買單嗎？給大家5秒鐘思考一下各自的答案。

接下來再給各位一個情境，如果今天你們公司跟政大有個產學合作專案，將不同客戶的拉貨頻率、需求量建模，而且有85%的機率是能夠符合客戶的需求頻率、需求量，你還是會買單嗎？

什麼？你說你會，還說我不懂機器學習？我說，那是你不懂人性！

在公司治理領域有個很重要的理論叫代理理論(Agency Theory)，簡單來說就是老闆跟主管會因為利益不一致、資訊不對稱，做出各自迥異的決策。我最常講的例子就是假設今天要新設生產線，訂單量跟工時計算上得出需要3.5位作業員才能符合需求，請問實務上會安排幾個人生產呢？答案很簡單，站在老闆的角度會用無條件捨去法，安排3位作業員；站在主管的角度則會用無條件進位法，安排4位作業員。

老闆的心裡會想說「拜託，人工成本越來越高，當然是先安排3位，來看看有什麼可以改進優化的地方？」

主管的心裡則是想「欸幹，不要講的這麼理想化！如果只安排3位，訂單趕不出來被罰款的話，還不是我被釘到飛起來？難不成老闆你自己會飛嗎？」

花了一點篇幅談代理理論，接著再讓我們回到實際情況，當機器學習能夠一定程度預測需求的趨勢。經理人往往更在意極端值所帶來的影響。特別是實際需求大於預期時，缺料的客戶罰款、商機的機會損失怎麼辦？至於需求小於預期時，我想至少還能夠參照《一百種塞貨的方法》。

代理問題在推動精實管理過程中實屬常見，但站在企業長期營運角度，我們應該用「機率」跟「期望值」來看極端值的影響。最經典的案例是當日本311大地震發生時，

豐田汽車供應鏈因而停產數日，酸民無國界這時候就開始有好事者說「阿不就零庫存？這下真的零庫存了吧！」其實這問題每年我們帶台灣企業主們到日本豐田參訪時都有很多人會問，但豐田的回答始終很一致「我們不會因為百年一遇的大地震而建置高庫存水位」而是在危機出現時如何快速回應而重新站起，這才是管理者的價值所在。機器學習同樣會遭遇到相同的問題，既然是預測，那麼領先指標在發展過程中就更難找尋。

每次當我遇到有企業經理人問說「老師，那如果照你說的做，萬一遇到XXX的情況那怎麼辦？」就像《櫻桃小丸子》的友藏爺爺一樣，我心中的誹句是「如果一年裡能夠讓你順暢350天，有15天可能有特殊情況，你還要賴我？要不你薪水要不要也都給我好了？」

好，我就是心裡說說，順便打在文章中抒發一下罷了。

最後莊教授提到一個重點也是我目前在台灣產業界看到要努力的地方，叫做軌跡(trajectory)，機器學習在分群階段除了瞭解總量、狀態以外，進階議題就是要如何瞭解其軌跡。教授在課堂上舉的例子是這樣的：

還有另外一個有趣的案例，網路購物廠商希望透過消費者購物軌跡的搜集，區分各種狀態，例如沒有瀏覽、僅瀏覽、有加入購物車、有購買等行為，收集各消費者的行為軌跡，從最終購買行為的發生去瞭解過程，希望能夠藉此強化。甚至物流業者的配送情報的傳遞有兩種形式：(假設■代表情報提供，□代表情報不提供)

模式1：■□■□■□■□■□

模式2：□□□□□■■■■■

最終研究結果，消費者更偏好模式2的作法，其實這也無可厚非啦！以我號稱微型社會觀察家的角度，就請大家想想男朋友要送宵夜給女友的情境就可以瞭解。假設男友住台中，突然心血來潮在晚上十點時想要買宵夜開車送給住在台北的女友。模式1的作法就是十點出門時就跟女友預告，然後過了清水休息站就打一次電話「我在路上了喔」，過了新竹又再打一次「有沒有想我啊？」，終於到台北下交流道再打一通「喂～我下交流道了」，我個人估計你在新竹時，女友就已經失去耐心與熱情......

相反地如果你帶著宵夜開著車，已經下交流道時才打電話「寶貝，你想不想要吃宵夜呢？」十分鐘過後你在她家樓下打電話說「我在你家樓下，開門吧！特別想你，知道妳最近工作辛苦，買了宵夜想跟你一起吃」兄弟，別說我沒教你啊！物流業現在也都這樣搞的啊！你女友買網拍也會充滿驚喜跟愛呢～

其實在製造業的生管、製造單位同樣也要這樣的問題，許多沒有推行過精實管理的企業，我所觀察到的現象是生管會給予製造單位訂單出貨日，然後生產製造的前後單位間可能前製程的順序是BEACD，而後製程的包裝出貨順序則為ABCDE。雖然就結果論來說，出貨可能不會延遲，但其中Lead Time(原料投入到成品產出的時間)拉長、半成品庫存增加卻是無法避免的浪費。

機器學習在分群階段的進階議題，恰好也是台灣傳統製造業推動精實管理時也要重視的進階作法。兩者都需要跨單位的交流討論、協調作法才會獲得更大的成效。最後還是想呼應我前面的想法，21世紀眾多產業寄與厚望的技術工具「機器學習」，其所面對的問題挑戰跟20世界許多企業消除浪費、優化效率的管理工具「精實管理」經人地相似，因為科技始終來自於人性，技術演化最終要回到組織面對管理問題。

雖然面對「人工智慧與營運優化」我充滿各種未知，但學習過程中卻讓我在技術以外也更多的管理體會。特別寫下這篇文章跟大家分享，希望你們會喜歡，然後一起加油吧！