使用 Kanban精益创新

Patrick Steyaert讨论了使用Kanban进行精益创新的主要障碍及如何克服这些问题。他提出了发现Kanban的概念,这是一种结合执行和创新的Kanban系统,并探讨了如何发展创新才能,以及如何在使用Kanban的同时运用商业模式画布等工具。

Patrick Steyaert在 Lean Kanban Benelux 2015Lean Kanban Central Europe 2015会议上谈论了在精益创新时使用 Kanban 。InfoQ对他进行了采访,关于创新的主要障碍、如何使用发现 Kanban(discovery kanban)来管理创新、如何为创新发展才能、并询问了在使用 Kanban时同时使用商业模式画布或者精益画布或者其它思维工具的案例。

\\

InfoQ:在您看来创新的主要障碍是什么?

\\
\

Steyaert:组织常常会在破坏威胁和全球性竞争中陷入困境。他们被迫继续向前,逐渐善于执行,同时成为一个经验丰富的创新者。对许多组织而言,(内部)变革的发展往往不够迅速。其结果是导致问题的复杂和混乱。许多组织会经历变革疲劳。通常,这是因为他们认为变革是偶发的,并且组织已经经历了许多的周期变革,而且不都以成功收尾。一些组织采取将创新隔离在独立的组织部门或者孵化器中。他们发现隔离开发的创新不能轻易地融合到日常运行中,新业务与现有业务常会错过协同增效效应。因为快速变化环境下创新和竞争的压力,发布到市场的产品和服务常常不能满足质量要求。因为惰性,组织不能够正确地响应外部变化(这有可能也可能不会威胁组织)。人们变得过于紧张或者毫不在意。思想变成意识形态,积极面对矛盾或者分歧思想的能力受到限制。

\
\\

InfoQ:您能解释一下发现 Kanban是什么?

\\
\

Steyaert:在知识工作中,大多数熟悉 Kanban的人常将 Kanban与“执行”管理联系起来。常将其看成是将流程、积极变化和指导引入执行工作的一种方式(比如软件和产品开发)。然而,发现 Kanban系统是 Kanban系统的一个聚合,同时涵盖了执行和创新;主张流程、积极的变化和指导在创新中同样重要。标准的发现 Kanban系统包括用于入站流程(知道在执行前该执行什么);出站流程(执行);决策(制定和解释观察结果);学习(通过试验)和发展(创造未来选择权)的 Kanban系统。

\\

发现 Kanban是一种用于使用引导发现和实用方法进行改变的系统,致力实现安全、真实可信、综合的改变。企业包括员工和他们的职业生涯都需要安全的改变。领导力需要真实可信,这样才能保证思想和行为的一致(或者说与做一致)。对于不同意见还需要有建设性的张力(constructive tension)(不仅仅是跟创新和执行对立的意见)。

\
\\

InfoQ:您能分享一下您对管理创新的想法吗?创新能被管理吗?

\\
\

Steyaert:是的,你可以有如何管理创新的想法——甚至是非常强烈的想法(比如精益创业、effectuation、三阶段创新法(three horizons of innovation),这里仅仅列举几个)。但是——并且是至关重要的——如何管理创新的想法不应该变成意识形态。创新中总是充满了惊讶,因此你需要时刻留心并接受新鲜事物,包括你正在做的(比如你构建的业务)和你如何做(比如你如何进行创新)。

\\

对创新而言,保持真实可信尤其重要。OODA循环的发明者 John Boyd,是一位在变化环境下处理问题的伟大的思想家,他曾经说过:如果你把他的教学视为教条,那么你应该立即跑出去,并烧掉他的教材。

\\

这很容易让传统组织和初创企业产生困惑。这意味着你要有强烈的关于如何管理创新的想法,但是这些想法应该被松散地执行。在追求创新时,我们经常看到不同的教条不停地出现在如何组织和管理创新上。在创新方面,任何可以通过教条获得的优势都是暂时的优势。

\
\\

InfoQ:对于如何为创新发展才能您有什么建议?

\\
\

Steyaert:通常人们谈及创新都将其视为组织 DNA的一部分。这给人的印象是,创新是一个天定的事情,你要么“拥有它”,要么缺乏它。有时它与某种类型的组织(比如创业公司)或者组织的一部分(比如创新集群)相关联。我们认为创新才能是一组可以(也应该)被发展的能力集。通过重点关注——包括快速学习、快速决策周期(decision cycle)、端到端流、留意偏差和超前意识——创新才能可以分成许多更小的“才能”,每个才能都可以在你的组织内发展。

\\

将创新看成一组能力集可以打开思维,带来令人兴奋的可能性。在许多情况下,创新仅仅局限于组织的特定部门(比如创新集群),因为创新和执行被认为是互相不兼容的。从能力的角度来看,这完全错误。根据我们的经验,发展创新能力(比如说快速学习)实际上可以提高执行能力。目击这一点的企业已经成功发展了持续改进(一种快速学习的能力),并将其作为执行的核心能力。

\
\\

InfoQ:您能给出案例在使用 Kanban时如何同时使用商业模式画布或精益画布或者其它思维工具?

\\
\

Steyaert:商业模式画布(从精益画布中派生出来,参见Business Model Generation: A Handbook for Visionaries Game Changersand Challengers,Alexander Osterwalder 和Yves Pigneur)是一种战略工具,常被希望对商业模式进行创新的创业公司和企业所使用。它实现了商业模型关键要素的简洁可视化。我们的目标客户群体是什么?我们的价值定位是什么?我们的主要合作伙伴?它常作为一种工具用来描述和挑战假设。

\\

商业模型画布记录了一个(套)你意图发展的业务的假设。它基于对你以往决定的观测,并为你未来要进行的试验建立基础。商业模式画布是你思想在特定时刻的快照。

\\

发现 Kanban显示了你的思维流程,帮助你解释为你未来商业模式建立假设的观测结果,并记录你用于验证假设的试验。Kanban描述了一个更加广阔的远景;不仅仅是学习,还包括执行(和如何融入学习)和发展(为学习和执行提供环境)。在这个意义上,Kanban和商业模式或者精益画布具有相当的互补性。

\\

在商业模式或者精益画布之外还有一些其它“工具”可以用来补充发现 Kanban。例如,我们经常使用的 A3思维工具,与商业模式画布一样,它允许你直观地思考问题并发现解决方案。通常它被用于持续改进的环境下(参见 Managing to Learn: Using the A3 Management Process,John Shook)。我们在持续创新的情况下使用;反思商业问题和发现解决方案。就像商业模式画布一样,A3也是你考虑中的商业问题的思维的快照;发现看板显示了你思维的流程。

\
\\

查看英文原文:Using Kanban to Innovate

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值