过去这几年发生的疫情、封锁、运输困境、集装箱船停在港口外和其他造成严重破坏的一系列问题,使得数据驱动型供应链仍然是一个热门话题。这些事件引起的问题一直存在,但如果从主动而非被动的角度去解决,就有办法减轻这些事件带来的不利影响,尤其是当分析和流程变得越来越清晰时。
Singleton说:“当我们专注于数据驱动型供应链的时候,我们从客户那里看到的情况是,客户组织在各个层面上都在推动数据支持的决策。从历史上看,供应链在采用技术和分析方面进展缓慢,但在升级系统以获取供应链中关键数据方面取得了长足进步。现在的问题是,如何将我们拥有的所有数据再用于转型之中,使我们的员工能够在这些数据的支持下做出决策,从而创建一个主动的、而不是对市场条件做出被动反应的供应链。”
主动预测供应链的问题而不是被动响应这些问题,是企业比竞争对手更具优势的一个主要手段,因为这么做不仅能够访问更多的数据,而且能够以定制的、有针对性的方式有效地利用这些数据。
Abel说:“总体上看,从各个方面和所有垂直领域来看,多年来数据一直呈现爆炸式增长,特别是在供应链领域,鉴于疫情、战争、危机和其他一切带来的挑战,利用这些数据并在整个供应链上下实现透明度,并对这些数据进行分析的能力,是一种改变游戏规则的力量。”
但是,当这些不利因素发生的时候,很多方面都会法引发一场竞赛,这个时候分析和数据就变得更加重要了,因为管理供应链不同点的多个危机,需要一种更精细、更有针对性和准确的方法,最终目标是在危机发生之前消除危机的气氛,但有一个共同点就是人才,让有能力找到答案的人才就位。
Patel说:“我们倾向于关注那些和数据库、商业智能和分析解决方案相关的技术,所有这些都已经相当成熟,多年来许多公司已经实施了这些技术。所以我们有很好的技术是可用的,我们希望有效地使用这些技术。但是当我们查看供应链的时候,很多数据往往是不同的,将这些数据收集在一个位置或连接起来、以便可以对所有这些数据集进行更深入的分析和可视化是一个难以解决的问题。最难的一点是人的因素,太多人习惯于报告、仪表板和做最基本的事情,而我认为我们需要提高对数据的理解水平,然后帮助他们找到能够回答难题的专家。”
以上这三位专家最近分享了如何通过数据驱动的供应链实现组织优势,以及如何让合适的人才解释这些数据以实现更高的智能化。
Extreme Networks公司首席信息官John Abel
John Abel谈数据管理:供应链规划一直存在。我知道我自己的角色是什么。我习惯了向后看的视角。有些人不知道潜在的可能性,所以并不是他们不知道如何应对,而是他们的团队中没有人具备创造潜在可能性的技能。
因此,就需要将技能组合引入组织内部创造可能性,这是大多数公司目前落后的地方,这超越了供应链专业人员仅基于传统KPI交付成果的传统观点。因此做到这一点,把传统的信息供应链与客户数据、或者数据使用情况、或者客户体验相结合,你就可以开始了解企业在生态系统中发挥什么作用,以提供更好的结果,从而带来更高的收入或者降低成本。
这些结果最终推动了大多数的企业组织。一个关键点是,如果你还没有开始这段旅程,那么宜早不宜迟是关键,你只需要查看现有数据就可以知道这一点。然后你要用合适的人才武装自己,了解你的生态系统,以及如何获得正确的结果。
Sanmina公司高级副总裁、首席信息官Manesh Patel
Manesh Patel谈应对意外情况:很多公司做的一件事就是以标准能力管理他们的供应链。如果我们考虑MRP,和下游供应商和供应商进行沟通等等,这就是一个复杂的问题。而且我认为,从一开始就进行日常的、每周的流程是很繁重的,但很多公司都热衷于此。
然后随着疫情的爆发,我们开始对这些意外情况做出反应和应对,这一点很难,因为这些和以往任何时候都是不同的。而且我认为,我们在过去三年中变得更加擅长处理这些意外情况。不过,我们还有很长的路要走。掌控这些意外情况变得非常关键,我们已经意识到这不是一次性的事件,无论是战争、气候还是其他原因,这都是我们未来的常态了。
North Highland Worldwide顾问Erik Singleton
Erik Singleton谈数据素养:以前的仓库主管可能会看着码头或者仓库说:“好吧,我今天做得很好。”但现在他们可以看到关键指标和具体的UPH或者KPI,他们如何对此采取行动?仅仅拥有数据是不够的。数据正在教你的员工以数据思维的方式思考,真正让他们清晰地表达、解释和分析那些有意义的数据。因此,仅仅是对数据整合就包含了很多部分,但这也让人们能够使用他们所拥有的数据。
John Abel谈数据量:各地的数据量都在增长。好消息是技术方面可以应对这个问题。我们能够处理和选择大量的数据,但现实情况是人们已经不堪重负。那么,你如何将最近产生的大量数据转化为价值,你使用的分析是什么?
一个场景是,我们正在帮助体育界的客户为体育场馆配备网络设备,以获取大量数据并返回分析结果,然后他们可以为客户创造更多价值。能够查看流入的交易量、对其进行分析、并将其转化为价值,这是一项独特的技能,这方面的人才很难获得。这归根结底是要在你的生态系统年内部和外部获取大量的数据,并找到你可以通过使用分析来驱动的价值。
好文章,需要你的鼓励
OpenAI推出ChatGPT Images新版本GPT Image 1.5,承诺更好的指令遵循、更精确的编辑功能和高达4倍的图像生成速度。该模型面向所有ChatGPT用户和API开放。这是OpenAI在CEO奥特曼宣布"红色警报"后与谷歌Gemini竞争的最新升级。新模型提供后期制作功能,支持更精细的编辑控制,能在编辑过程中保持面部相似度、光照、构图和色调的视觉一致性,解决了传统AI图像工具迭代编辑时缺乏一致性的问题。
艾伦人工智能研究所开发的olmOCR 2通过创新的单元测试训练方法,将文档识别准确率提升至82.4%,在处理复杂数学公式、表格和多栏布局方面表现卓越。该系统采用强化学习和合成数据生成技术,实现了完全开源,为全球研究者提供了先进的OCR解决方案,推动了AI技术民主化发展。
Zoom推出AI Companion 3.0,采用联邦AI架构结合自研模型与OpenAI、Anthropic等第三方大语言模型。新版本具备智能工作流、对话式工作界面等功能,可将会议对话转化为洞察、进度跟踪和文档内容。系统支持加密传输,不使用客户内容训练模型。用户可通过ai.zoom.us访问,或以每月10美元独立购买。
苹果公司发布了包含40万张图片修改案例的AI训练数据集Pico-Banana-400K,涵盖35种修图操作类型。该数据集采用严格质量控制,包含成功失败案例对比和多轮修图场景。研究显示AI在全局修改方面表现优秀,但精细操作仍有挑战。这为AI修图技术发展奠定基础,未来将让修图软件更智能易用。