优势-变量推演框架：找到创新突破口

我在《数字化思维》这本书中的一个核心观点是：相比于「实施」过程，在这之前的战略、策划和方案更加重要。很多传统企业在数字化转型过程中遇到的各类问题，本质上都是因为「做得太多，想得太少」，甚至很多时候是「想当然」。

注：从互联网从业者的角度来看，我们一般并不会使用「实施」这个词。因为典型的互联网产品迭代非常快，生命周期也会很长（数年甚至数十年）。所以我们一般叫「开发」，顾此处「实施」加引号。

对于策划和方案来说，如果我们做的东西跟其他竞品一模一样，那么往往没办法有效的构建竞争力。所以，数字化产品相比于其他业务，更加需要「创新」。

然而，创新大概率并不来自于「灵光一现」，创新是有方法论的。如何才能快速、有效的找到产品、业务创新的突破口？优势-变量推演框架可以帮你。

01优势-变量推演框架

简单来说，这个框架可以帮助你不断的寻找自身的「可优化的优势变量」，从而发现最优的创新突破口。其内在逻辑是：不是变量的东西，你没办法优化，所以不要碰；不是优势的东西，你可以优化，其他竞品也可以优化，所以可能不是最好的选择。最终，一定要找到那些既是「变量」又是「优势」的东西去「死磕」。

优势-变量推演框架可以表述如下：

具体用法是：

第一步：识别变量

首先我们把可能推动一个业务取得成功（达成某目标）的所有因素整理出来。比如：核心技术、渠道能力、用户口碑、生产成本……等等。按照你所在企业的具体情况整理。

然后把这些因素分为两类，即变量和常量。如果特定因素在企业可以接受的成本范围内有可能被明显优化，则定义为变量；相反则为常量。

分类的具体「边界」要依照不同企业的实际情况来判定，没有标准答案。比如说，同样是生产成本，可能有的公司认为其目前的情况还有优化空间，那就可以判定为变量；而另外一家公司可能认为已经无法再压缩，或者基于一些考量认为不应该被再压缩，则判定为常量。

第二步：寻找优势变量

在上述分类基础上，常量部分请不要去想，没价值。针对变量部分，继续做二分类，寻找基于企业当下的情况，一旦被优化，针对竞品可能有优势的变量。

例如：假设某A公司刚刚研制出一套新的生产工艺，应用新工艺需要花时间和成本改造生产线，但是公司管理层分析认为，一旦成功应用，可以将生产成本降低20%。这在该行业中会构建比较明显的成本优势。那么，这个新的工艺就可以算作该公司的「优势变量」，也即，你有，别人没有；或者你的明显比别人的好。

再例如：假设某B公司最近打算投入一笔广告费用来为产品做618促销的宣传，但是已知该公司的主要竞品都很看重618购物节，都会投入相应的预算去宣传产品。同样，管理层经分析认为，B公司做广告最终的曝光效果，会与其他竞品整体不相上下。那么，虽然产品的曝光这个维度是一个变量（曝光明显变多），但它不是优势变量。所以没办法作为「创新」的基础。

第三步：针对优势变量思考创新方案

针对上一步梳理出的优势变量，通过脑暴、研讨、分析等等常规方式，结合具体企业的情况和业务情况，思考创新方案。

另外，在上述过程中，某一个优势变量有可能还可以继续拆分成多个变量。这个时候可以按照上述逻辑继续下钻，再次拆分，再次试图识别优势变量。

「优势-变量推演」这个框架其逻辑看起来很简单，但是其意义在于两点：

1、如果从一开始构思创新方向的时候，就能够最大限度结构化，而不是天马行空的想各种「点子」的话，那么创新的效率和最终的结果都会被明显的优化。

2、在上述过程中，你会发现很多时候一个因素到底是不是变量，是不是优势，是需要反复推敲的。所以「优势-变量推演」的过程，同时也是一个结构化的思考业务现状，理清自身和市场环境的有效过程。

02举个例子

几年前，我在腾讯「互联网+合作事业部」工作，我们希望针对医疗领域中「医疗影像识别」的效率和准确性做一些产品创新。那么，有了这个目标之后，具体应该如何做呢？从哪里寻找突破口？我们使用「优势-变量推演框架」来分析一遍。（注：此处只是该框架的应用举例，并非当时的实际情况，不代表任何腾讯公司的观点）

示意如下：

简述核心逻辑，略去分析过程：

第一步：识别变量

想要提升医疗影像的阅读效率，可能要考虑如下几个维度：

• 医疗机构是否拥有相应的影像设备

• 影像拍摄的清晰度

• 医生经验

• 读片的速度（不一定是医生读，下同）

• 读片时间

• 对病灶识别能力

其中速度、时间和识别能力对于效率和准确性这类目标来说，有可能是变量。具体来说：

读片速度越快，意味着可以分析更多的影像，使结果越准确。如果是医生的话，他当天状态好或者不好，精力是否集中，会影响读片速度。变量。

读片时间越长，同样意味着可以分析更多的影像，使结果越准确。如果医生愿意加班，时间可以延长。变量。

对病灶的识别能力越强，显然越有可能准确的发现问题。如果是医生的话，除了跟经验有关之外，同样与当天状态有关。变量。

第二步：寻找优势变量

对于我当时所在的腾讯互联网+这个部门来说，哪些是优势变量呢？

首先读片时间排除，它是变量，但是并非优势变量。医院有可能推动医生加班，腾讯不太可能。如果是利用一般的软件开发等数字化方式提升效率，那么腾讯能开发，其他互联网公司也能开发，很难说是优势。

剩下两个有可能是变量。具体：

通过一些手段，是有可能提升读片速度的。例如制定更加合理的读片流程，开发相应的辅助系统让医生能够更加高效的工作，或者直接做一套人工智能系统让机器读片。这其中有很多手段是基于数字化能力构建，而腾讯相比于其他非互联网背景的医疗企业（例如一般的医疗器械公司），在数字化手段方面肯定是遥遥领先的；同时，与其他互联网公司相比，腾讯恰好比其他互联网公司更擅长做产品，所以类似后两者（软件、人工智能）的方向有可能对腾讯是优势。所以这可能是优势变量。

同样，数字化的手段有可能提升对病灶的识别能力，具体不展开。所以这可能也是一个优势变量。

第三步：针对优势变量思考创新方案

这时，就需要针对这两个优势变量做一些分析了。利用这两个优势变量的方法很多，例如：或许可以做一套众包平台，让医学院的学生参与进来看更多的片子；或许也可以设计一套功能、流程更加合理的医生工作站软件，提升医生的工作效率；又或者，干脆做人工智能，让模型去读片，然后提醒医生风险程度。

显然，人工智能这个方向解决问题的可能性最大，想象空间也最大。

那么，如果我们思考做一套基于人工智能的医疗影像识别系统的话，则又可能会拆分一层变量。想要做好这样的系统，有哪些核心的影响因素呢？可能是下面这四个：算法、训练、数据、调优。

重复上述流程。

底层的算法基本上是常量，短时间内不可能研究出更加有效的算法。训练本质上是算力问题，在一个特定的时间段内，腾讯可以分配给医疗业务使用的算力基本上也是常量。

而剩下的数据和调优可能是变量，具体不展开。

所以，通过上述层层分析，我们已经针对这个目标得出了一个相对明确的创新方向，即：我们可以做一套基于人工智能的医疗影像识别系统，而在具体的AI模型训练过程中，应该重点关注数据和调优这两个方向。