企业管理的本质是为了提升经营效率，或者如当管理开始成为镣铐，如何重新理解管理？所说的“资源配置与流动效率”。企业如何提升管理效率？
经验主义与实证主义
企业管理面对的是真实世界，真实世界是复杂且多变的。一直以来，管理界应对这种复杂与多变的建模方法是：跟随资方对人才的需求而不断更新自己的理论与方法。
那么，资方对人才的需求是如何得出的呢？当然是跟随市场变化的被动改变：
- 当处于卖方市场，市场环境较为确定时，资方利益最大化的方式是视劳方为“经济动物”，管理学则提出“经济人”的假设，并提出一系列理念、理论与方法，比如，“没有测量就没有管理”等等。
- 当开始转向买方市场，市场快速变化时，就将“经济人”转化为“社会人”、“自我实现人”转变，也提出一系列人理念、理论与方法，如“需求层次理论”、“双因素理论”、“强化理论”、“期望理论”、“X-Y理论”、“超 Y理论”、“Z理论”等。
基础假设的转换，则意味着管理理论、方法、技术与工具也随之而转换。这些转换是正确的、必要的、进步的。比如，这些科学理论的提出，继而延伸到会计领域的“作业成本管理”、“平衡计分卡”、“稻盛会计学”等等。可以说，科学管理开创了一个新时代，而中国企业的管理依然在学习、追赶之中。
咨询公司不断地跟随这些变化，而提出不同的操作技术，向企业收钱，而业界则沿用这些不断更新的理论、方法、技术与工具。
具体来讲，管理学与管理者被形成了这样一种范式：事实型数据——>感觉型信息——>经验模型——>管理实践——>感性经验。
- 第一阶段：企业的经营过程中产生的各类一手事实型数据。
- 第二阶段：部分事实型数据被人类观察后则会形成感觉型信息，这种信息的采集者主要有学者、咨询顾问与企业管理者三种角色。
- 第三阶段：建模。企业管理者自己会进行经验总结，但是或实务工作太忙碌，或者能力不够，或内部意见难以统一，便需要请咨询顾问，顾问们观察、访谈之余还要帮助企业提供解决管理问题的方法、技术与工具，典型如麦肯锡公司。而学者也会主要是观察、实验并提出理论，供咨询公司与企业使用。
- 第四阶段：模型包含理念、方法、技术，最后会封装成标准管理工具，典型如我们经常看到的三支柱、7S模型、平衡计分卡、杨三角等等，这些工具又再次被应用于管理实践。而实践又会产生新的事实型数据，如此，循而往复。
- 第五阶段：管理者熟悉了经验模型，并形成感性经验。
所以，管理者、咨询顾问、学者就不断地在这个范式里转悠。形成了两种哲学：经验主义与实证主义。
经验主义典型如法约尔提出的”计划、组织、指挥、协调与控制“，凭借观察与天才般的洞见试图总结一套普世的理论与方法。
实证主义典型如李育辉老师在《组织行为学》的导论所说，它不是如经验主义追求抽象、简洁、普世的结论，而是追求复杂、多元、有条件限制的结论，学者们从各个企业中拿到数据，提出模型，给结论。
如此，管理学是一门经验学科，帮助管理者提升管理能力的方式除了不断积累经验与学习前人的经验之外，似乎除了从感性经验出发，管理学与管理者则根本无法提升管理能力。
实质上，这两种管理哲学是有根本问题的，共性是，它们都从未直面过「本质解」，而一直在「现象解」上努力。
- 经验主义试图找到本质解，因为它想提出普世的结论。但是，它有两个根本症结：1）经验主义无法解决具体问题，比如，谁也不能说法约尔的”计划、组织、指挥、协调与控制“五项职能的提出对企业管理没有价值，但是，在具体的落地过程中，又是千变万化的；2）无法避免归纳法最终会归于无效、经验靠不住的窘境，即：即使10000家企业都得到了某个经验主义的管理理论的验证，也不能说它适用于10001有效，所以，海底捞，你学不会。
- 实证主义主要负责解决经验主义的第1）个不足，所以，实证主义者深入到企业做实验，比如，泰勒、梅奥，它索性就不去找本质解了，真实世界不是复杂且多变的吗？所以，哪里有统一的理论呢？还是随环境的变化而变吧。于是，不停在在现象世界找到现象解，上述的“经济人”、“社会人”与“自我实现人”的提出，就是实证主义者所为。实证主义虽然与时俱进，但是它仍受限于二点：1）真实世界的变化如果过快，实验的效率是跟不上的；2）实证主义仍然是经验的，仍然会受限于上述归纳法的短板。
大数据与机器学习
所以，倒是企业界本身的进步会反向影响学术界，比如，互联网公司的大数据倒比传统实证主义者有实践方面的表现要靠谱，他们也不得不去企业取经了，或者企业界自己现在也有自己的研究院与实验室了。
自下而上的数据驱动，而非自上而下的管理驱动，越来越成为企业界的共识。
这里同样有2个问题：
大数据同样是归纳法，而且，是相关性的，它仍然受限于归纳法的天然短板。
人工智能发展到现在这个阶段，机器学习这种自下而上的数据驱动的算法大潮已经走到了瓶颈区，用相关性取代因果性的解决办法并没有解决很多核心问题。
![[Pasted image 20241230210759.png]]
机器学习开山鼻祖朱迪亚·珀尔在其《为什么：关于因果关系的新科学》一书中则直接批判道：数据可以告诉你服药的病人比不服药的病人康复得更快，却不能告诉你原因何在。也许，那些服药的人选择吃这种药只是因为他们支付得起，即使不服用这种药，他们照样能恢复得这么快。
这是其一。
其二，特别是针对小数据、专业知识的管理领域，用数据反向训练算法的方式基本是不合理的，必然需要专家知识系统的努力。对于管理领域，更重要的也并非只是那些非结构化数据的处理，同时，也是以领域知识为主，它的关键词是如招聘、绩效、OKR、渠道、负责、团队、高层、员工、社保、领导力……的有限集合。
不是每一位管理者对于机器学习与因果科学都有了解，只是要表达，机器学习不是万能的，不要被数据驱动人工智能吓倒，现在AI业界都在期待学术界能有更好的算法（比如，因果推断）来帮助突破这个AI发展的瓶颈。
因果科学是一种理性主义。但是，它不是纯粹的柏拉图主义（理念世界），而是一种康德式的“先验综合判断如何可能”在数据时代的新应用。
理性主义与因果科学
理性主义从一开始就关注本质解而非现象解，这是与经验主义、实证主义绝然不同的出发点。因果科学同样如此，它会先建立一个因果关系的本质解，然后，再寻找数据填充。
使用到这种方法到极致的科学家，其实是爱因斯坦，爱因斯坦先通过纯数学逻辑的推理，得出了广义相对论公式Rμν−12Rgμν=GN8πc4Tμν（先验因果判断）后，然后，亚瑟·爱丁顿1919年的考察证实了爱因斯坦对太阳在1919年5月29日的日全食期间偏转光线的预测（这是一条数据），这巩固了广义相对论作为真正的科学理论的地位。自那以来，许多观察证实了广义相对论的正确性。
毫无疑问，爱因斯坦所给出的相对时空观是对牛顿的绝对时空观更趋近于「本质解」，因为它能解释与解决微观高速空间的问题，也可以说，没有爱因斯坦，计算机根本就无法出现。
所以，经验主义、实证主义虽然也有效，但是它们一直都限于只能在「现象解」层面寻求答案。如果，要找到本质解，必然需要求助于理性主义，因为，如果您对哲学有一些了解，肯定很容易理解，我们并非能说逻辑就是本质，但逻辑一定现实更趋近于本质。
而对于企业，有没有可能对企业也建立一种因果关系，先反映它的本质，而后再它企业经营的数据输入，建立一个可以反映企业本质的数据结构？
答案是肯定的。但有三大难题，理解这些难题之前，我们有必要对企业管理活动的基本假设（公理）有一定的认识，企业管理面对的是真实世界，它遵循两个不证自明的基本公理：
公理1：真实世界是相互联系且动态的。
公理2：越掌握逼近真实世界的事实，越能有解决问题的真知。
这并不新鲜，其实先前的经验主义与实证主义学者们也知道，也在以他们的方式应对复杂且多变的真实世界。或者，我们尝试建立这样一种理解：
- 联系的，不正是复杂的？
- 动态的，不正是与时间相关的、多变的？
- 逼近真实世界的事实，不正是事实型数据？
- 解决问题的真知，不正是基于事实型数据建模？
上述分析过，传统方法的范式是：管理实践——>事实型数据——>感觉型信息——>经验模型——>管理实践。这样表达并不直观，我们换一种表达方式，如下：
![[Pasted image 20241230210811.png]]
所以，它们并不是基于原始事实数据直接建模，而是先形成感性的观点（经验），再建立经验模型，所缺乏的，正是可以如爱因斯坦般地反映真实本质的因果关系，所以，每一次管理实践都无法与本质产生显性的联系，而分散在不同的管理者的头脑之中隐藏了起来，形成了不同人的不同直觉，甚至永远无法被调出来，铁打的营盘，流水的管理者，这些隐性的直觉，也会随着管理者的离开而离开，所以，始终无法进行本质层面的积累，这是传统管理范式的根本性症结，从未得到解决。
所以，它们的结论有效，但无法联系地、动态地有效，因为它们从未触及更硬核的本质模型，环境一变，则需要不断地请咨询公司应对这种变化，其实咨询公司也只能不断在原有的范式里提出新理论、方法与工具，但被困于同一种范式的他们，也无法联系地、动态地解决问题。
很明显，这种方式在如今的时代，是极为低效的，是跟不上变化的，因为，模型本身的“无能”，使得很多可以反映真实现状的事实型数据无法被处理。
企业管理效率的提升要面对两大难题：
- 如何处理复杂，以应对公理1？
- 如何量化复杂与处理时间维度的数据，以应对公理2？
但大道至简，以整体/网络的视角为事实型数据建模，这时，所形成的网络并不是线性的，而是一张复杂网络图谱，如此，它就实现了一种“先验判断”，而后，再将数据在这种图谱中运行，比如：
这张一图简易的图谱中，每两个相连的节点之间，必然是一种支持与被支持的因果关系，而非相关关系，企业的真实运行也是如此，每个事务之间如果不相互支持，则不需要成立企业，企业正是因为相互支持才变得强大。
图中的数据是具体的，但是它们的因果关系却是“先验的”逻辑形式，这正是上述康德的“先验综合判断如何可能”的应用。它有如下特点：
- 图谱本身复杂网络的，所以，它本就是联系的，是反映真实世界的；
- 图谱是可以被仿真的，所以，它可以处理时间维度数据的。
- 图谱甚至可以是因果关系的，所以，它是更本质的；
- 图谱算法本就是处理网络的，所以，它不仅可以处理显性的、易联网的数据，还可以处理管理者头脑里隐性的非联网数据，它量化结果是更逼近事实的。
所以，Valor在建立一种新的范式。
逻辑实践主义
Valor并不拒绝传统范式的理论、方法与工具，而是，正如，牛顿的经典力学是爱因斯坦理论之下的一种宏观特例一样，在Valor的眼中，传统的理论、方法与工具，也是适应于企业某个特定时空场的特例，只是企业的发展面对的是不确定性，特例无法总是有效。
企业需要更低成本地、联系着地、更动态地面对市场。
Valor的做法是：
- 使用理性主义哲学思想、因果科学建立因果关系图谱。
- 将实践中产生的原始、事实型数据而非信息纳入因果关系图谱，进而生成一张基于企业经营事实的、动态的复杂网络的“数据基座”。
- 进一步，进行计算，转化为事务、人、技能、资源等的客观贡献度数值。
- 基于这个“基座”，采纳经验主义与实证主义中所诞生如管理学、组织学、人力资源管理理论中所述的不同阶段的不同管理理念、技术与工具所生成的指标体系。
对比传统范式：管理实践——>事实型数据——>感觉型信息——>经验模型——>管理实践——>事实型数据。
Valor的新范式是：管理实践——>事实型数据与经验模型——>理性模型（复杂网络）——>智能算法——>管理实践——>事实型数据。**这样表达也不直观，同样转化为图：
、
![[Pasted image 20241230210844.png]]
在新范式下，每一次管理实践所产生的事实型数据，不必过度经历“人类感性”这个中介的「失真性处理」而形成感觉型信息，而直抵本质（复杂网络），从而，我们可以说，企业的每一次实践，都可以与企业的本体进行连接，它将经验主义与实证主义的多元结论、企业独有的管理经验模型来统摄事实型数据，如此进行融合，这样，每一个经验、实证的结论都将与本质进行联动。所以，虽然仍然是流水的管理者，但是，企业的管理积累一直都在，从而，形成了一张无形但铁打的营盘。
试想，这样的企业管理积累，与传统管理范式一直寻求现象解的方式岂不是几个量级以上的效率提升吗？
如此，Valor便完成了范式转移：
![[Pasted image 20241230210854.png]]
由于实证并不强调实战活动，这与实践是最大的不同，实践强调的是：知识从实践中来，到实践中去使用知识。所以，实践过的，一定是实证过的，反过来则不一定成立；同时，实践的，也一定是经验的。
正如华为所说：实现目标的行动必须合理。具体目标值是公司的决心和诉求，是根据公司发展要求确定的，不能讨价还价。需要与公司讨论的是如何达成目标，即行动策略及资源需求，这是可以讨论的，也是必须讨论和推演的。华为任何目标都必须事先推演，原子弹必须先在黑板上爆炸，然后才有可能在地上爆炸，没有推演的目标，就是莽撞。
与Valor的理念也完全吻合，只是原子弹在黑板上爆炸也太原始了嘛，来Valor上爆吧。
从而，我们可以简化地提出一个新的概念：逻辑实践主义。
注：这里的”客观”并非康德所述的”物自体“般的客观，它关注是企业发生的事实的记录。这里的“本体界”也非柏拉图所述的“理念世界”般的“本体”，而是事物背后的本质，在人类大脑中，往往反应为潜意识中的“直觉”，而科学语境之下，则是“理性”。
