学习别人的成功经验是成本最少,见效最快的。企业数智化转型也是如此。
学习最佳实践,我们往往会将目光放在一些超大体量的企业身上,因为他们已经取得了成功,企业希望将这个成功进行复制。但俗话说,十个最佳实践,九个学不会。这是因为“最佳”往往基于特定的背景,很多企业只学到了“形”而没有“神”。
现在我们发现,创新不问出身。很多行业领先企业,在特定行业或细分领域、细分场景,正在产生大量的创新。这些解决某一具体问题的创新,经过提炼总结可以成为知识和资产,复制到其他要解决同类问题的企业中,这种实践我们可以称其为新一代的实践“领先实践”。
举个例子:在养殖业,生猪养殖通过数智化手段,已经可以实现智能饲喂。传统养殖下,一头猪一天吃多少饲料,吃什么饲料纯靠养殖人员的经验,而且不同体重、不同体质的猪每天吃的饲料总量也不会做细致区分,这种方法养殖可能会带来饲料浪费,或生猪体质不佳,还有人工成本高等问题。通过结合大数据、人工智能等技术,可以实现自动化、精确化饲喂管理。根据猪只的需求和生长阶段,精确供给合适的饲料量和营养成分,提高饲料利用率和猪只生长效率。这并不是所有企业可以学习的实践,但是它解决了企业的一个具体问题,就是改变了传统生猪饲喂的模式,实现智能饲喂。并且这个实践是可以持续迭代的,当饲料发生改变时,投喂的量也可以随着改变。这种创新可以为它的企业降本增效,还可以为其它同行企业带来学习的样本。
从以上案例可以看出,领先实践是走在前面的,更加具备创新性、独特性,这种领先无处不在,不限于行业、领域、企业规模。相比广泛推广的最佳实践,领先实践针对细微场景的创新实践则更具学习的价值和意义。
现在“领先实践”已经可以称得上是企业数智化的领航员,引领着数智化不断前进。一方面在时间维度,根据企业不同发展阶段的不同发展需求,领先实践可以不断迭代升级;一方面在空间维度,帮助企业解决具体场景的具体问题,领先实践可以更细颗粒度的服务最终客户。
我们再举一个例子:在服装行业,以销定采可以让采购原料实现零库存。在传统模式下,服装的销售很难预测爆款,如果所有产品都规模化生产,结果是要么长期库存,要么被降价处理。以销定采不仅可以让企业能够对自身的全流程进行精细化管理,更重要的是,它能够轻松实现数据的追溯和分析,为企业高层提供有力的决策支持。一家大型头部服装企业通过数智化的创新,4个月就实现了以销定采,MRP计算效率实现60秒以内完成、以销定采完整流程时间缩短了20%、实现按合同号进行0余料管控、报表效率提升2倍。
这个是用友联合客户产生的“领先实践”。在用友看来,领先实践是一个理念,涵盖的内容非常丰富,主要包括四个方面。第一,领先实践是基于对千行百业进行洞察所产生;第二,领先实践一定是能够实现,能够快速落地;第三,领先实践是不断迭代不断进化的;第四,领先实践可以通过沉淀形成资产。
用友之所以能够推动领先实践,一是基于几百万高客户价值的数智化实战经验积累。另外用友沉淀了很多领先的数智化技术、敏捷动态的系统架构、高价值的企业应用服务。再结合用友的前沿洞察研究,聚焦企业在业务创新、经营管理方面关注的问题,加以提炼、总结,就形成了十大核心领域、近百个细分行业的领先实践,实现客户高价值交付服务,让客户尽享数智化价值。
用友推动领先实践是有体系且有组织的,他们成立了领先实践创新部与15个领域部门一起协作,推进10大领域的领先实践方案;根据23个行业划分,推进行业领先实践方案;从客户层面推进领先实践方案;与生态伙伴一同沉淀领先实践方案。
我们发现,当前很多企业数智化需求已经由解决单一场景问题,升级为解决具体的业务和管理痛点,这就要求数智化服务提供商为企业提供的是主题化、融合化的产品与服务。一个主题下包含多个作业场景。主题也是分层的,比如业财融合主题下面,会包含精准排产、智能定价等二级主题,再往下还可以包含日成本、作业成本、日绩效等更具体的三级主题。要解决企业某个主题问题,需要不同的应用、平台融合实现。那么这些主题化、融合化的应用创新就可以提炼成一个个领先实践。
除了面向不同主题的创新应用,企业也在关注不同热点下的管理与业务问题。比如国产化、全球化、数据治理、降本增效等热点话题。在这些热点下,企业要解决不同维度问题,解决这些问题的数智化创新应用同样可以提炼成不同行业或领域的领先实践。
领先实践不是某一家企业的具体成果,也不是用友一家数智化服务提供商的专属。为了让更多企业了解“领先实践“,成就”领先实践“,至顶科技联合用友推出《企业数智化领先实践》专刊,将从企业普遍关注的数智化问题出发,分享领先实践的创新方法论、学习不同行业的领先实践样本。
本期我们将围绕“数智化引擎下的中企出海”分享中企出海的领先实践,如何借数智化之力让中企出海的步伐迈的更稳,迈的更远。
好文章,需要你的鼓励
本文揭示了AI时代CIO的七项关键行为特征,基于对多位CIO和AI专家的深度访谈。专家指出,AI精通的CIO需具备实用AI素养、战略视野和变革领导力,能将技术与业务战略对齐,建立强大数据治理基础。文章详细解析了分析型AI、生成式AI和智能体AI三大技术领域,强调数据基础的重要性,并提出CIO应从项目思维转向产品思维,通过跨职能团队实现端到端价值交付。
斯坦福大学等机构联合开发的CIFT系统首次解决了机器人"近视眼"问题,通过精确控制真实数据和合成数据的混合比例,让机器人在陌生环境中的表现提升54%以上。该系统包含多视角视频增强引擎MVAug和数据组合优化策略,能够预测数据失效的"去相干点",确保机器人学习真正重要的任务特征而非环境表象,为实用化通用机器人奠定了重要基础。
尽管苹果在AI竞赛中看似落后,但其私有云计算基础设施展现了技术优势。当行业为追赶大语言模型而降低隐私标准时,苹果坚持原则,开发出保护用户数据隐私的技术方案。谷歌最新宣布的类似实施方案验证了苹果技术路线的正确性,这可能推动其他AI实验室采用相同做法,为用户隐私带来重大胜利。
香港中文大学研究团队开发的Search-R3系统成功解决了大语言模型推理与搜索分离的问题,通过两阶段训练让AI在深度思考过程中直接生成搜索向量。该系统在多个领域测试中显著超越现有方法,特别是启用推理后性能提升明显,为AI系统设计提供了推理与搜索统一的新范式,展现了从专门化向通用化发展的重要方向。