技术不是全部,Google 内部培养创新文化的 5 点思考

2020 年 10 月 27 日 谷歌开发者

导读:所有组织都面临着自然和人为条件交融带来的空前变化和挑战。它们驱使人们重新思考所使用的工具、技术以及发展和创新所需要的条件。在本文中,Google 副总裁兼首席互联网传播官 Vinton G. Cerf 分享了关于培养创新文化的 5 个方面。



仅凭技术无法获得持续的竞争优势

要创建更具创新性的业务,您必须重新考虑员工、组织架构和工作流程之间每天在如何互动——我们将其称为组织文化。组织发展所依赖的团队必须拥有能够使他们保持高度参与、提高工作效率并具有长久前瞻性的系统和流程。


在 Google,我们花了多年的时间思考如何保持和改进这样一个能推动变革和创新的文化。在探索的过程中,我们始终坚持一系列可以丰富我们的思想并在过去二十年支撑 Google 文化的核心原则。



在培养文化的过程中时刻进行衡量、做出决定并保证透明度

衡量是我们在 Google 所做的一切工作的核心。


我们衡量所有事情——从系统运行方式到工作效率,再到人们的感受。我们收集到的数据都是非常有价值的,它可以更快地帮助我们揭示问题。收集数据后,我们仍然需要花一些时间来解释它,但至少我们拥有了可以判断组织架构运行状况的基础。


“一个必要的认知是,只有当人们相信他们的反馈会带来改变时,反馈系统才能有效运作。”


衡量的文化带动了对于轶事信息和定量数据的收集。这两者都是在进行变革前必须先了解的内容。我们开展许多不同形式的衡量,比如鼓励每个人参加的年度匿名员工满意度调查。历年的数据和这样一个反馈机制有助于我们做出决定,根据需要更改我们的工作方式。


一旦我们收集了数据并做出了决定,就该将这些改变付诸实践了。一个必要的认知是,只有当人们相信他们的反馈会带来改变时,反馈系统才能有效运作。因此,诀窍是提出问题后认真地处理收到的信息并采取行动


透明度是 Google 文化的另一个重要组成部分。其核心就是,我们必须对收到的反馈以及我们的应对方案都保持高度透明。公司的高度透明一方面可以提高客户信任度,另一方面可以提高员工的信任度。人们需要理解为什么我们要优先进行某些改变。这是公司发展基因的核心。



不要害怕失败

有时,科学这个学科从失败中学到的东西要比从成功中学到的要多。如果您问为什么某事不起作用,您往往会学到比它实际起作用更多的东西。因此,即使是在 Google,我们也会尝试许多行不通的事情,从中学习并完善我们的实践方法。最终我们希望累积经验后,能让那些想要工作的东西真正发挥作用。科学是如此。Google 也是如此。


您必须要允许失败。我并不是说,我们应该一直失败。那就是一个问题了!我想讲的是,在没有绝对确定成功的情况下尝试事物的自由。这是工程开发与研究之间的根本区别。


抱着研究的心态,您不会从一开始就知道答案。而工程开发的思维方式则会让您认为自己知道答案,需要做的只是构建出那个答案。但可能会发生以下情况:您先构建了以为的答案,然后它不起作用。这两种思维方式会以最奇妙的方式互动。工程师说:“我建造了它,但是没用。”研究人员说:“为什么不?”工程师说:“我不知道,您能帮忙吗?”然后,他们协同合作去发现为什么已知的实施方案行不通的根本原因,从中学习并研发出一个考虑到这一点的新设计。


在 Google,我们探索系统中的新功能时会走很多不同的路,并且经常鼓励人们尝试不同的、有时会发现是死胡同的路径。我们不会相互责怪,而是与其他人分享碰到了一个死胡同的事实,让每个人都可以从中学习。这就是我们提高所有人工作能力的方式。



要谨记,培养文化是一项长久的工作

随着时间流逝,公司的人事变动以及公司规模的扩大,让我们必须提醒大家那些想要维护的文化规范。


“您必须定期重温重要的文化元素。”


例如,Google 试图实现的目标之一就是赋予人们自由尝试的机会。因此,公司制定了一项政策,允许工程师将 20%的时间花在做日常工作外的事情上。人们用这 20%的时间来汲取工作之外的知识。这个政策已成为维护员工满意度的重要因素。


随着我们的成长,20%的规矩渐渐被淡忘。直到我们提醒大家,20%的政策对 Google 至关重要,是我们想要坚持的文化元素。简而言之,您必须定期重温重要的文化元素。



保持开放的心态

如果我想为企业的 CIO 提供建议,我必须要说的一件事是:不要以为您有所有答案。实际上更可能的情况是,大多数答案您都没有。所以,抓住一切机会与您的同事、朋友甚至竞争对手进行知识分享,更好地从他人身上学到东西,从而解决您遇到的相同问题。开放的思维方式是你的朋友。不要总是想将所有的功劳据为己有。承认其他人的贡献很重要,因为这会激励他们继续贡献自己的力量。这种开放的精神与开放的思维方式同样重要。


单靠技术并不能保证成功。您需要一种支持变革和加速进步的文化,为创新铺路。人们一直在赋能于技术,如今尤其如此。即使身处异地,团队成员必须协同解决重要的问题。培养创新文化有助于发现新的机会,迅速采取行动将新想法付诸实践从而在竞争中抢占先机。



相关阅读:



登录查看更多
0

相关内容

一家美国的跨国科技企业,致力于互联网搜索、云计算、广告技术等领域,由当时在斯坦福大学攻读理学博士的拉里·佩奇和谢尔盖·布林共同创建。创始之初,Google 官方的公司使命为「整合全球范围的信息,使人人皆可访问并从中受益」。 Google 开发并提供了大量基于互联网的产品与服务,其主要利润来自于 AdWords 等广告服务。

2004 年 8 月 19 日, 公司以「GOOG」为代码正式登陆纳斯达克交易所。
专知会员服务
44+阅读 · 2021年1月3日
专知会员服务
74+阅读 · 2020年12月19日
专知会员服务
121+阅读 · 2020年3月26日
《人工智能2020:落地挑战与应对 》56页pdf
专知会员服务
195+阅读 · 2020年3月8日
【强化学习】深度强化学习初学者指南
专知会员服务
178+阅读 · 2019年12月14日
【供应链】用好大数据,建设数字化供应链
产业智能官
15+阅读 · 2020年7月21日
【数字化】2019年全球数字化转型现状研究报告
产业智能官
28+阅读 · 2019年7月8日
阿里技术专家:优秀工程师是怎样炼成的?
51CTO博客
8+阅读 · 2019年6月15日
【数字化】数字化转型正在成为制造企业核心战略
产业智能官
33+阅读 · 2019年4月22日
每个架构师都应该培养业务思维
InfoQ
3+阅读 · 2019年4月21日
企业数据AI化战略:从数据中台到AI中台
36大数据
11+阅读 · 2019年2月18日
领导力|彼得·德鲁克:管理者的5项基本工作和能力
智慧云董事会
13+阅读 · 2019年1月7日
中央再批人工智能伪创新,90%以上AI都不靠谱
THU数据派
7+阅读 · 2017年12月6日
如何教育人工智能这个全球74亿人共同的小孩?
微软研究院AI头条
3+阅读 · 2017年11月17日
Arxiv
5+阅读 · 2019年8月22日
How to Fine-Tune BERT for Text Classification?
Arxiv
13+阅读 · 2019年5月14日
Arxiv
4+阅读 · 2019年4月17日
Knowledge Representation Learning: A Quantitative Review
Arxiv
6+阅读 · 2018年11月1日
A Survey on Deep Transfer Learning
Arxiv
11+阅读 · 2018年8月6日
Arxiv
4+阅读 · 2018年4月30日
VIP会员
相关VIP内容
专知会员服务
44+阅读 · 2021年1月3日
专知会员服务
74+阅读 · 2020年12月19日
专知会员服务
121+阅读 · 2020年3月26日
《人工智能2020:落地挑战与应对 》56页pdf
专知会员服务
195+阅读 · 2020年3月8日
【强化学习】深度强化学习初学者指南
专知会员服务
178+阅读 · 2019年12月14日
相关资讯
【供应链】用好大数据,建设数字化供应链
产业智能官
15+阅读 · 2020年7月21日
【数字化】2019年全球数字化转型现状研究报告
产业智能官
28+阅读 · 2019年7月8日
阿里技术专家:优秀工程师是怎样炼成的?
51CTO博客
8+阅读 · 2019年6月15日
【数字化】数字化转型正在成为制造企业核心战略
产业智能官
33+阅读 · 2019年4月22日
每个架构师都应该培养业务思维
InfoQ
3+阅读 · 2019年4月21日
企业数据AI化战略:从数据中台到AI中台
36大数据
11+阅读 · 2019年2月18日
领导力|彼得·德鲁克:管理者的5项基本工作和能力
智慧云董事会
13+阅读 · 2019年1月7日
中央再批人工智能伪创新,90%以上AI都不靠谱
THU数据派
7+阅读 · 2017年12月6日
如何教育人工智能这个全球74亿人共同的小孩?
微软研究院AI头条
3+阅读 · 2017年11月17日
相关论文
Arxiv
5+阅读 · 2019年8月22日
How to Fine-Tune BERT for Text Classification?
Arxiv
13+阅读 · 2019年5月14日
Arxiv
4+阅读 · 2019年4月17日
Knowledge Representation Learning: A Quantitative Review
Arxiv
6+阅读 · 2018年11月1日
A Survey on Deep Transfer Learning
Arxiv
11+阅读 · 2018年8月6日
Arxiv
4+阅读 · 2018年4月30日
Top
微信扫码咨询专知VIP会员