作为家居用品领域家喻户晓的品牌,惠而浦年销售额达220亿美金,在全球拥有54个制造和技术研究中心,产品组合包括KitchenAid、Maytag、Amana、Yummly等多个为人熟知的品牌。惠而浦公司在全球拥有69000名员工,该公司高级副总裁、首席信息官Danielle Brown对于如何最好地领导公司的数字化转型战略,有着他独特的见解。
Brown在2020年11月加入惠而浦,负责公司的全球信息系统,他明白,交叉协作和有效利用数据来创造新产品和新服务,不仅对公司未来取得成功至关重要,而且体现了拥有发言权并了解技术的发展方向将有助于在谈判桌上占有一席之地。
她说:“我们的愿景是成为最好的厨房和清洁企业,不断追求改善家庭生活,这一点在过去几年中变得更加明显和重要。数据显示,人们更为持续地使用我们的产品。我们还看到人们在家中进行更多的网上研究、浏览和购买。所有这些都引发了变革。”
当然,惠而浦端到端的消费者之旅,始终是一项正在进行的工作,这一工作在Brown到来之前就开始了。“但在我们的领导团队中,关于IT我经常说的一件事是我们对公司有独特的见解。我们可以看到所有不同的过程,凭借这一独特的优势,我们的其中一部分职责,就是将其中的一些点连接起来,让我们有机会将其作为一个完整的旅程进行讨论并了解消费者拥有什么。我们必须考虑技术以及作为技术组织如何把这些技术融合在一起,这就是我们带来的其中一部分价值。因此,随着我的加入,这些成为了IT组织作为领导团队所要关注的一些事情。”
Brown最近和我们分享了惠而浦公司是如何通过传感器数据推进产品功能、加速数字孪生战略、重塑供应链动态的。
关于企业数据策略:我承认自己是一个数据极客。当你利用内部数据的时候,你需要围绕数据进行治理,两者都是极其重要的。我们的首要任务是提供产品创新,拥有以数据为基础的数字孪生或数字主线。这一点再加上我们产品组织的战略,以及如何简化数据并确保以数字方式贯穿始终,或者是否嵌入我们的记录系统中,正在发挥作用。围绕产品数据的治理措施也必须到位,从而在整个产品生命周期中采取这些措施,这体现了数据治理对我们组织的重要性,而数据分析也是释放价值的一种方式。
四个战略重点:一是实现产品领先地位,包括在整个产品生命周期中支持数字孪生和数字线程等内容的数据和技术,这就是IT组织真正可以发挥作用以帮助实现产品领先地位的方面。第二,是利用物联网和人工智能,为我们提供支持,为消费者交付新数字服务和新数字产品。第三,是利用技术在购买前和购买后与客户互动,从而在数字化消费者旅程中取得成功。第四个战略重点,是重塑价值链,提高可视性,这是我们IT组织能够与业务合作伙伴并肩工作推进目标的另一种方式。因此,我们的战略重点始终经受住了时间的考验。
关于重新招聘人才:现在的员工要比过去有更多的选择。作为一家企业,我们必须传递我们的价值主张。有句话说:“人们会离开老板,但不一定会离开公司。”他们希望老板能够关心他们的职业生涯。首先是员工的角色,但因为他们视角有限,所以要和老板或主管展开合作。因此,我们有一个名为“Career Compass”的工具,可以分享员工经验并帮助员工知道经理是关心他们职业生涯的。当组织中有不同的领导者或新的领导者时,你不希望自己的经历被遗忘掉。因此,我们从这个员工迄今为止的职业生涯开始,探索想要在职业发展方向,但不是给出传统的路径。有很多不同的路线可供选择,这不一定是和工作或晋升有关的,而是关于员工想要在职业生涯中拥有的经验,因为如果你想成为全球首席信息官或企业架构师,这些经验是必需的。诸如此类的事情确实很重要,可以让公司留住人才。
关于创新生态系统:你必须考虑哪些技术是真正成熟的,哪些技术是偏投机性。如今,人工智能和机器学习已经成熟。你还可以进行自然语言处理、通过RPA做技术以及类似性质的事情。因此,我们正在业务和市场中利用这些东西。但你也有更具投机性的技术,比如元宇宙和区块链以及类似性质的东西。对于此类新兴技术,我们会在内部进行实验,并思考这些技术如何应用于我们的业务,如何创造新的或者不同的机会,但最终必须是给消费者增加价值的,不能只是为了技术而技术。
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。