疫情带来的健康风险挥之不去，员工享受于近期远程办公带来的自主性体验，这些因素推动了人们对有助于平衡工作与生活、提升幸福感甚至有利于心理健康的混合办公体验的需求。办公空间也可以作为一种资源，方便员工访问所在领域专业网络以提高解决问题的能力，并为员工提供有助于完成工作任务的专业空间和技术。

目前，企业领导者意识到办公空间需要能够吸引员工，并能够将员工与组织联系起来。向混合办公模式的转变甚至影响到了中央商务区（CBD）和社区的发展。显然，后疫情时代的复产复工并非简单的“让人们回归办公室”。如今，办公空间的定位是为员工提供独特的资源，通过“以人为中心”的方式解决员工效率和组织效率相关的问题。

1974年，企业经济价值的90%是有形资产，如机器、工厂、自然资源和其它固定资产。如今（截至2020年），90%的标准普尔500上市公司股票与由员工创造的无形知识资产（专利、版权、商业机密等）挂钩。

此外，与人力成本——即年度薪酬和福利待遇相比，建筑和办公空间的支出仅占组织成本的一小部分，这早已是公认的事实。员工是企业最珍贵的资产，因此，组织应加大对办公空间设计的投资力度，以提高员工创造的无形资产的经济价值。

新的数据源和分析工具将帮助我们从全新角度了解办公空间绩效

基于上述种种事实，我们不难发现，无论是从员工需求，还是从商业或经济角度来看，以人为中心的办公空间设计方法都是可取的。这种以人为中心的方法又催生了新的需求，即，访问和使用不同类型的数据和分析工具来评估甚至预测办公空间绩效。与此同时，各种新型数据和分析工具正在以前所未有的速度涌现，可用于办公空间研究和战略工作。在理论指导下，正确使用数据科学平台和工具（如机器学习）可以帮助我们创新分析，为我们揭示创建先前难以实现的高效办公空间的真相。

从空间指标到员工成果

从性质上来看，办公空间绩效跟踪数据一直以来都包含有关空间客观特征的描述性统计，例如可用/可出租的建筑面积、每平方英尺成本、空间利用率、特征和家具配置、配套设施等。这其中许多统计数据都与空间成本有关。虽然为了改进设计，我们经常通过调查来收集居住者对空间特征和特性的看法，但这种输入有时仍被“以空间为中心”的观点所取代，而在以空间为中心的观点中，空间利用率和目标成本是办公空间设计决策的主导因素。

除了空间评估指标和调查评估，我们目前正在寻求使用组织产出作为办公空间绩效KPI，来评估“以人为中心”的办公空间设计成功与否。这些产出可能包括业务成果（如市场价值或所获得的专利）、企业绩效（员工参与度和员工留任情况）、可持续性（能源使用/碳足迹、空间利用率）、幸福感（员工心理健康和韧性）以及社会公平（多样性和包容性）。后面两项成果还与环境、社会和治理（ESG）准则有关，这意味着这些成果中有许多会直接或间接地受到办公空间设计的影响。

从有限的数据源到广泛的数据源

在办公空间评估中，数据大多来自居住者满意度和功能需求调查、空间利用行为观察和设施数据（可用建筑面积、每平方英尺租金等。）但事实上，还有许多其他特征也会影响居住者的幸福感、满意度、绩效，甚至组织产出和业务成果。此类数据源可能包括室内空气质量和光线水平、规划模型的各个方面（例如，个人工位与会议室座位的比例）、建筑能源使用情况和碳足迹以及Fitwel、LEED或WELL建筑标准的应用。

这些是办公空间和建筑的特性。但是，建筑及其中的居住者还身处一个更大的地理和社会环境。因此，其它潜在数据源可能包括建筑所在地和员工居住区域的社区宜居性数据（人口结构、犯罪、中位收入、受教育机会、社会参与、肥胖、空气质量、地方性污染、住房成本、上班通勤、社区净推荐值得分等）。这种较为宽泛的数据类型包括与劳动力（例如，留任情况）和业务成果（知识产权创造、新专利数量、员工人均收入、客户维系）相关的成果评估指标。

从即时快照到持续衡量

流式办公空间数据的新来源使长期持续衡量成为可能，支持实时或历史分析。这方面的示例包括数字视频、语音、来自传感器的行为类空间利用率数据、室内空气质量（湿度、颗粒物浓度、挥发性有机化合物）和来自楼宇控制系统的照明数据。可以获取连续性数据的其他来源包括线上空间预订App、刷卡进出系统和地理围栏（可以确认员工何时进出大楼）。这些数据源的出现可以有力地扩充现有办公空间洞察的数据源，例如调查数据，这些“快照性质”的数据只能通过离散、有序的数据点来呈现单个时间点的数据。

鉴于连续性数据的庞大规模和粒度，如果继续使用传统统计工具，会给分析工作带来很大难度。现有统计分析技术也并非专门针对如此大规模的数据而设计。这些数据还有可能是“高维”数据，即包含大量特征（变量），且每一个特征都只有少数几个数据点。而在办公空间研究，尤其是调查中，情况正好相反，调查问题（变量）数量相对较少，但每个问题都有许多观察结果（答案）。然而，这些数据源的出现，无论是高维还是低维，都为机器学习工具的使用创造了机会，由此进一步提高办公空间分析的科学性，并运用研究结果提高办公空间绩效。

从“回望”到预测

大多数办公空间数据源捕捉的是某个时刻，分析结果也是对过去情况的描述，而非当前或未来情况。新型办公空间分析可以利用数据及统计模型来预测或预知未来成果，由此强化这些重要的“回望性质”观察结果。得益于此，我们可以模拟一些假设场景，例如选址或办公空间设计特征对员工或业务成果的影响等。这种向预测性分析的转变将为设计师、建筑业主和居住者提供一个宝贵的工具，帮助他们提高仍处于规划阶段的办公室设计品质。预测工具可以作为一种风险管理方式，通过模拟未来成果来确保办公空间领域的投资能够获得回报。

大多数办公空间评估流程使用的都是描述性统计，相关结果往往以百分比或计数的形式导出。这种分析方式非常适合设计或商业消费者。但是，这些数据可能还有额外价值等待发掘。这些统计只是对成果进行简单描述，但未对其进行解释。借助正确的研究设计和分析方法，我们可以识别影响成果的各项因素，对成果进行详细的解读。与预测类似，解释性分析可以为设计决策提供参考信息，为管理层提供有关设计方案合理性的佐证，并且相比于描述性统计，更能够增强设计信心。

在应用办公空间研究的专业领域，预测性或解释性分析的使用远不及描述性分析多。这可以归因于几方面的因素：一是在商业环境中很难开展此类分析所需的实地调研设计工作；再者，对于更熟悉描述性统计的商业消费者来说，如何向他们解读预测性或解释性分析结果也是个大难题。而采用正确的研究方法再加上清晰的沟通，这些都是可以克服的。解释性办公空间研究方法为扩大研究见解的影响提供了良好的契机，有助于提高业务决策质量，并为办公空间对员工成果的积极影响提供证据。

机器学习和人工智能技术跃跃欲试

要彻底转变我们使用办公空间数据来指导设计决策的方式，这还只是万里长征的第一步。未来，机器学习等AI工具将可帮助我们从办公空间绩效数据中发掘出更深刻的洞察。接下来的几周，我们将进一步探讨机器学习工具可以解锁的更多洞察，以及这些工具如何开始融入更大规模的办公生态系统并衡量办公空间、建筑、社区和城市。