特种车全速前进！豪士科推进数字解决方案普及

豪士科全球CDIO Anupam Khare正着力进军AI与预测分析领域，希望推动持续增长、为这家特种车辆制造商铺平新的成功之道。

豪士科全球CDIO Anupam Khare

很多人可能对豪士科品牌并不熟悉，但他们制造的特种车辆却早已渗透进我们的生活。消防车、邮递车、拖车、垃圾收集车、通道设备和军用车辆，豪士科的产品可谓无处不在。

事实上，如果大家看过地区性小规模军事冲突的网络节目，并在背景中发现一辆硬派强悍的车辆，那它很可能就出自这家位于威斯康星州奥什科什的国防企业。豪士科公司在全球24个国家/地区设有130处商用及军用车辆制造/分销网点。

除此之外，该公司在高级分析、数字制造、电气化、智能产品及自主/主动安全领域也颇有建树。这部分投资和探索已被应用于车辆产品，未来甚至可能为NASA所用，在重返月球及后续太空人类探索项目中贡献力量。

而这一切的背后，离不开豪士科公司IT部门的全力推进，特别是他们提供的市场条件、竞争、供应链、客户管理等数字解决方案及商务智能工具。领导这项工作的是豪士科全球首席信息与数字官（CIDO）Anupam Khare，他和他的团队始终专注于高级分析、人工智能、网络安全、业务转型、基础设施、弹性和数字投资组合管理等重点方向。

Khare坦言，他本人最重要的工作就是管理并激励IT团队和企业其他部门的同事。“我们的基本思路就是了解人们的需求，并最大限度释放他们的潜能。”

Khare最近在访谈中介绍了豪士科的一众创新技术计划，以及在供应链、IT人才及整体环境充满不确定性的挑战之下，如何引导团队密切关注前进道路。

记者：数据已经成为目前大多数IT部门的关注重点——包括从各种来源处收集数据，将其转化为商务智能，并将洞见结论交付给组织内的对应部门。你目前设计的数据驱动战略对应着多大的适用范围？

Anupam Khare: 我们从2019年起就踏上了这段数据分析与人工智能之旅，而且将其推广到了企业整体。我觉得豪士科一直是家数据驱动型公司，此次通过AI和分析技术塑造的其实是一种更丰富的数据与决策文化。我们会以用例为基础开发出分析模型，明确定义业务问题和相应价值。截至目前，我们已经部署了大约71个模型，也获得了明确且积极的营业收入与业务影响。我们拥有安全和人力资源模型，但会把更多精力投入到供应链和销售领域的高价值、高优先级问题。总之，我们的模型应用范围极广，涵盖整个组织体系。

那这些模型的应用，一定对客户体验产生了直接影响喽？

Khare: 是的，确实如此。从更宏观的角度来看，我们正在提升决策的智能水平，使其在本质上更具可预测性。由此带来的结果，就是让客户更准确地获取产品。虽然我们不能把这样的成果单纯归功于数据驱动，但它无疑对改善客户体验产生了重大的推动作用。

这些模型和智能计划的目标和优先级，是否与此前的业务划分保持高度一致？你们需要通过跨部门决策流程来确定优先实施哪些项目和活动吗？

Khare: 我们采取的是一套双层决策流程。其一专注于企业决策，每年我会大体勾勒出这个流程，并整理成如何利用数字趋势与数字技术协助业务发展的白皮书。这种企业级数字化战略和改进流程的核心目标是实现三大高级功能：AI与分析、智能自动化以及数字制造。CEO高管层也会参与到这个流程中来。其二则面向各行政或业务部门，我们会在其中关注各部门在下一年，甚至是未来三到五年中的重点发展目标。

此外，我们还设立了跨业务组合的支持流程，在这里优先考量价值和投资，并概述我们应如何专注于推动更高价值项目。这样的组合式流程不仅帮助我们减少了所须承担的项目总量，也帮助我们将更多资源和精力投入到对业务影响最大的项目身上。因此，业务组合支持就成了实现决策流程的这最后一环。

目前，不少组织都强调在致力于建立起创新文化。你觉得真正有效且充满活力的IT创新文化应该具备哪些特征？作为领导者，你要如何促进这种文化的成长和发展？

Khare:  我们建立了所谓CARE能力框架，这是豪士科公司整个管理层共同设计的。我们关注客户的需求，也关注客户最终产出的成果。具体来讲，C代表关注（care）客户需求，A代表敏捷（agility），R代表成果（result），E则代表企业家精神（entrepreneurship）。

CARE的核心意义就是创造出培养环境，由领导者们通过示例展示原则，并将组织意志与每一位员工联系起来。我们还设有明确的庆祝和奖励流程，希望在更广泛的环境中表彰那些职能表现出色、符合能力框架要求的员工。这方面尝试始于三年半之前，现在各个部门所提交的增量创新已经越来越多，甚至开始出现不少颠覆性的创新方案。

我们生活在一个充满不确定性的时代，几乎每天都需要面临新的挑战。你要如何应对这种不确定性，AI或者机器学习技术在这方面又有何帮助？

Khare: 我会从两个层面来认识这种不确定性。其一就是宏观层面的不确定性，其二则是微观层面。新冠疫情就属于宏观层面因素，毕竟我们根本无法预测这类事件。但另一方面，微观层面的不确定性是可以通过分析和AI来解决的典型案例。以去年为例，我们开发出一个零件短缺预测模型，能帮助我们更好地理解供应商以往行为及零件断供问题间的关系。利用这套模型，我们可以高度准确地预测零件是否会延误。我们能提前几周意识到问题，并立即就部件采购做出决策。运营分析和AI完全能够，而且正在为我们的业务贡献力量，帮助企业尽可能削减这种不确定性。