在JetBlue担任首席数字和技术官近10年后,Eash Sundaram接受了Tailwind Capital的运营主管这一新职位。Tailwind Capital是一家专注于商业和工业服务市场内中端市场公司的私募股权公司。
CIO转型私募股权行业高管的职业轨迹着有咨询所具备的多样性,同时具备投资人视角。所以,Sundaram聊了聊他在这个职位上的经历。
Eash Sundaram表示,总体而言,他的职责是利用技术和技术人才来帮助Tailwind的投资组合中的公司转型,这是Tailwind价值创造模型的核心原则,即加速变革。
担任顾问一职可以深入参与整个投资组合——为的公司带来技术领域的专业知识,包括供应链、客户参与和整体数字战略。这里的一个重点是帮助投资组合中的公司的管理团队阐明业务转型的愿景。由于CIO可以与投资组合中的多家公司合作,因此可以带来比他们自己更广阔的视野。
Sundaram还在投资组合中的多家公司里担任董事会成员,并评估正在考虑购买的公司,了解其中的技术机会和风险。其职责中的一个关键部分就是确定合适的数字和技术领导者,帮助运营投资组合中的公司。
技术如何影响私募股权公司?
私募股权公司历来通过整合释放协同效应。基金会购买多家公司,将这些公司合并在一起提高价值,然后将合并后较大的公司出售获利。这是一种“低买,整合,然后高卖”的模式。但是这些公司往往没有得到适当的整合,这就会成为下一任所有者的问题。
但是在过去几年里,公司的收购价格确实上涨了,因此私募股权公司无法再仅仅通过将几家公司合在一起就获得同样的回报了。今天,价值只能来自真正的转型。由于大多数转型都是由技术驱动的,因此技术领导者的角色对于PE公司来说就变得更加重要了。此外,买家更关注并购的整合,如果没有适当的技术投资,这是不可能的。
五年前,大多数PE公司的团队里都没有技术专家。他们的经理层具有财务或运营的背景,他们会将技术战略留给投资组合中的公司自行处理。如今,PE公司正在聘请高级技术领导,因为技术战略已经变得和财务考量一样重要,甚至更加重要。
Sundaram也开始看到一些PE比以往更加频繁地投资于早期创业公司,这已成了一种趋势,不过Tailwind没有采用这种策略。创业公司快速做出决策,快速证明一个概念,而且他们无需大量开销就可以让产品成熟。与规模更大、历史更久的公司相比,这可以让PE公司更快地获得投资回报。
在为投资组合中新收购的公司寻找CIO时,你希望对方具备哪些技能?
Sundaram寻找有技术背景但又能像业务部门负责人一样思考的人,这与具有商业头脑的人不同。商业头脑是对业务驱动因素、绩效和市场的理解。业务部门领导力是改变一家价值5亿美元公司的业务模式的能力。投资组合中公司的CIO必须考虑经营业务,而不是经营一个部门。
假设公司收购了一家传统的分销公司,并看到了将其转变为电子商务企业的机会。该公司的CIO必须推动战略立即改变整个业务,而不是自动化人力资源或供应链。这是完全改变了赛道,而不是业务流程的改变。
你在整个投资组合中看到了哪些技术趋势?
数据科学正在推动许多变化,尤其是动态定价等功能。在大多数公司中,产品定价一直是静态的,并且采用了“向后看”的方式,因为市场定价数据非常昂贵;这些数据集很难获得。如今,如果你在AWS上经营电子商务,你就可以轻松地了解市场如何在全球范围内定价产品,并据此制订你自己的定价。小型制造公司现在可以根据消费者的需求进行动态定价并显著提高利润率。
Sundaram看到的第二大趋势——供应链背后也有数据科学的身影。如果你所在的中端工业公司从中国购买产品,你现在可以使用服务,从头到尾跟踪、追踪产品。你不必通过五个不同的来源获取这些信息。和动态定价一样,过去只有较大的公司才拥有这些功能,但是部分由于云计算的采用,预算较少的公司也可以用上这项技术了。
第三个趋势是增加零工经济中的劳动力。通过创新性地思考,利用共享生态系统吸引全球人才,CIO们已经能够为公司投资组合中的公司招募优秀的人才。根据经验,人们喜欢在自己可以真正影响其增长轨迹和价值主张的中端市场平台中工作。
你对私有化公司的CIO有什么建议?
当PE收购一家公司的时候,他们关心的是上市速度。他们持有的期限通常是三到四年;他们没时间等着看看市场会发生什么情况。所以,作为CIO,不要指望设定好了12个月的预算然后就照此行事。你必须要更加动态地思考。
你还必须把自己当成首席集成官,在整个公司范围内工作以创造巨大的变化。在大型上市公司中,CIO逐个部门地逐步创造变革。在PE拥有的公司中,CIO们在思考他们正在创建的新公司时,必须跳出条条框框。
这就是为什么对于经验丰富的上市公司CIO来说,投身私募股权公司是激动人心的时刻——无论是投身基金还是投资组合中的公司。对于在较小公司环境中工作的CIO们来说,这是一个创造真正的价值并产生更大影响的机会。
好文章,需要你的鼓励
谷歌发布新的AI学术搜索工具Scholar Labs,旨在回答详细研究问题。该工具使用AI识别查询中的主要话题和关系,目前仅对部分登录用户开放。与传统学术搜索不同,Scholar Labs不依赖引用次数或期刊影响因子等传统指标来筛选研究质量,而是通过分析文档全文、发表位置、作者信息及引用频次来排序。科学界对这种忽略传统质量评估方式的新方法持谨慎态度,认为研究者仍需保持对文献质量的最终判断权。
Meta公司FAIR实验室与UCLA合作开发了名为HoneyBee的超大规模视觉推理数据集,包含250万训练样本。研究揭示了构建高质量AI视觉推理训练数据的系统方法,发现数据质量比数量更重要,最佳数据源比最差数据源性能提升11.4%。关键创新包括"图片说明书"技术和文字-图片混合训练法,分别提升3.3%和7.5%准确率。HoneyBee训练的AI在多项测试中显著超越同规模模型,同时降低73%推理成本。
Meta发布第三代SAM(分割一切模型)系列AI模型,专注于视觉智能而非语言处理。该模型擅长物体检测,能够精确识别图像和视频中的特定对象。SAM 3在海量图像视频数据集上训练,可通过点击或文本描述准确标识目标物体。Meta将其应用于Instagram编辑工具和Facebook市场功能改进。在野生动物保护方面,SAM 3与保护组织合作分析超万台摄像头捕获的动物视频,成功识别百余种物种,为生态研究提供重要技术支持。
上海AI实验室团队提出ViCO训练策略,让多模态大语言模型能够根据图像语义复杂度智能分配计算资源。通过两阶段训练和视觉路由器,该方法在压缩50%视觉词汇的同时保持99.6%性能,推理速度提升近一倍,为AI效率优化提供了新思路。