2012年,一家中国新能源企业以全球化视野开启征程。历经13年发展,这家企业已在全球内设立40多个分子公司,这就是持续改写新能源产业格局的沃太能源。
沃太能源股份有限公司从创立之初就选择押注海外市场,瞄准电网分布不均、协调能力不足的痛点,提供灵活高效的储能系统则成为解决之道。如今,这套"中国方案"已护航全球130多个国家和地区、累计安装超过20万套储能系统。
在沃太能源的全球化进程中,ERP如同一位精准的"数字舵手",高效整合研发、生产、订单与交付的全流程数据,推动运营模式的重塑,点亮这条全球化业务与智能化升级的远征之路。
全球化与数智化,双战略驱动
自成立以来,沃太能源就专注于储能产品的研发、生产和销售,掌握BMS、EMS、系统集成、云管理平台等储能核心控制技术,是行业领先的全功率段储能系统提供商。沃太能源的使命是让清洁能源最大化地惠及全世界的每一个人,不论是家庭还是工商业园区、电网、发电站、电力公司都能够提供综合的新能源智慧解决方案,为可持续发展贡献一份力量。
在全球化布局上,2015年,建立欧洲和澳大利亚子公司;2020年,在新加坡设立海外总部,形成“双中心”管理模式;2023年,在马来西亚的海外生产基地正式投产。
沃太能源的产品也在多年间实现了三级跳,最初从家用产品切入;到2017年响应国家“一带一路”号召,在东南亚、非洲等地建立微电网项目;再到过去3年向新型电力系统倾斜,在国内打造了多个风光配储项目。
现在的沃太能源拥有国家级“专精特新”重点小巨人、国家高新技术企业认证、国家知识产权示范企业等多项荣誉,主要产品涵盖微型、户用、工商业和大型四大储能核心领域,广泛应用于电力系统的发电、输电、配电、用电等环节。
从海外市场起步,走向全球新能源行业领军企业,沃太能源随着全球业务不断增多,销售网络、产品方案、采购渠道的多元化发展趋势愈发显著。
在全球化战略之外,沃太能源另一个核心战略就是数智化。沃太能源董事、董事会秘书孙梓淇谈到,数智化是沃太能源全球一体化运营的关键,目前通过打通各个环节之间的数据共享通道,实现业务数据全面整合,对在全球市场进行本土化运营和服务起到了关键作用。
2021年起,沃太能源经过深入调研与系统规划,逐步搭建 CRM、PLM、SAP、WMS、SRM、MES等信息系统,以SAP S/4HANA Cloud作为数字化管理底座,构建全球一体化的数字管理平台,在满足各个国家数据安全和财税合规要求的基础上,全面覆盖从研发供应链、生产、质量、物流、销售、交付、售后、财务核算等业务,实现业财一体的数字化管控体系,大大提升了产销协同、供应链协同与财务核算效率,支撑了快速增长的全球业务。
穿越数据海洋,构建未来财务体系
4年间,沃太能源已经实现了财务数据的集中化管理。目前沃太能源南通总部、德国、澳大利亚、新加坡、马来西亚都已经上线SAP S/4HANA Cloud,英国、意大利、南非子公司目前正处于上线过程中。
“全球化的企业需要搭建全球财务运营的组织管控,这也是推进数智化转型的必经过程。”孙梓淇说道,之前各个国家的政策、会计准则、币种、税种、语种都不相同,分散在全球的分支机构数据收集也有时差,但使用SAP S/4HANA Cloud后,平行分类账目能够兼容各个国家的不同要求,帮助财务报表合并,实现一套账的全球财务管理需求。
尤其在财务核算及管控、预算管理、数据集成和协同三大领域实现全面升级。
核算管控从滞后到实时:传统月结模式下,经营利润核算与成本分析依赖手工报表,效率低、误差率高。SAP S/4HANA Cloud上线后,通过标准化成本体系实现利润实时可视,数据自动化分类,月结效率大大提升。
预算管理从手工到智能:预算编制和对比告别Excel表格时代,实际与预算对比数据一键导出,支持多维度汇总分析。通过定制化开发满足个性化需求,比如预实对比功能使工作效率提升。
数据协同从烟囱到一体:SAP S/4HANA Cloud不仅实现全球分子公司纵向贯通,更与横向业务平台深度集成。"业财一体化"管理体系夯实数字化基础,达到功能效率双提升,为应对市场变化与组织调整提供敏捷支撑。
变革的成效体现在多个方面,财务管理:月结收集核对数据更为自动化流程,财务成本核算时间缩短至2小时,整体报表月结周期缩短5天,极大提升了经营决策的时效性;预测管理:通过采购需求预测前置,工作效率提升15%;信保通的无缝对接显著提高了资金周转效率,内部订单与销售订单的自动核销减轻了人工操作负担;关税对接和采购价格等方面的效率和效果也全方位提升。
可以说,如今的沃太能源通过数智化串联了公司全球业务,实现企业级全球信息统一,大大提高了业务流程和管理流程效率,为后续AI的引入提供了一个良好的基础,为沃太能源的可持续发展和全球化业务扩展奠定根基。
好文章,需要你的鼓励
这篇研究论文介绍了"Speechless",一种创新方法,可以在不使用实际语音数据的情况下训练语音指令模型,特别适用于越南语等低资源语言。研究团队通过将文本指令转换为语义表示,绕过了对高质量文本转语音(TTS)系统的依赖。该方法分三个阶段:首先训练量化器将语音转为语义标记;然后训练Speechless模型将文本转为这些标记;最后用生成的合成数据微调大型语言模型。实验表明,该方法在越南语ASR任务中表现出色,为低资源语言的语音助手开发提供了经济高效的解决方案。
《Transformer Copilot》论文提出了一种革命性的大语言模型微调框架,通过系统记录和利用模型训练过程中的"错误日志"来提升推理性能。研究团队受人类学习者记录和反思错误的启发,设计了一个"副驾驶"模型来辅助原始"驾驶员"模型,通过学习错误模式并在推理时校正输出。这一方法在12个基准测试上使模型性能提升高达34.5%,同时保持计算开销最小,展现了强大的可扩展性和可迁移性,为大语言模型的优化提供了全新思路。
德克萨斯大学Austin分校的研究团队提出了RIPT-VLA,一种创新的视觉-语言-动作模型后训练范式。该方法通过让AI模型与环境互动并仅接收简单的成功/失败反馈来学习,无需复杂的奖励函数或价值模型。实验证明,RIPT-VLA能显著提升现有模型性能,在轻量级QueST模型上平均提升21.2%,将大型OpenVLA-OFT模型推至97.5%的前所未有成功率。最令人惊叹的是,仅用一个示范样本,它就能将几乎不可用的模型在15次迭代内从4%提升至97%的成功率,展现出卓越的数据效率和适应能力。
北京大学与华为诺亚方舟实验室研究团队共同开发了TIME基准,这是首个专为评估大语言模型在真实世界场景中的时间推理能力而设计的多层级基准。该研究提出了三个层级的时间推理框架,包含11个细粒度任务,并构建了涵盖38,522个问答对的数据集,针对知识密集型信息、快速变化的事件动态和社交互动中的复杂时间依赖性三大现实挑战。实验结果表明,即使是先进模型在构建时间线和理解复杂时间关系方面仍面临显著挑战,而测试时扩展技术可明显提升时间逻辑推理能力。