如何实现费用的精细化管理?
很多乳品企业的销售费用占比高达营收的32-40%。如此大额的费用投入存在政策不透明、触达率低,投放不精准、投放未闭环,重复投放等问题,且难以分析费用投放的市场效果,无法针对不同渠道进行精准投放。该企业尽管属于行业龙头,同样面临着这些问题:
一,过程脱节、数据孤立:费用申请和审批发生在OA上,后续结案、费用核销和兑付各自处理业务信息和数据通过线下流转,业务信息不够完整。流程数据存在于excel和OA表单中,格式不统一、数据之间没有直接勾稽关系;
二,业财分离、管控有限:财务与财务没有无缝对接,营销费用预算没有系统化,无法及时监控业务。费用的申请和发生,不能与预算建立直接关系,导致不执行的活动仍然占用预算。业务大多通过事后监督修正或补救,缺乏有效地事中监控数据。
三,效率低下、价值有限: 数据无法直接追溯,数据核对和转换工作量大,耗时耗力。统计分析数据的颗粒度不够精细,不足以支撑营销政策影响力和效果分析。增投费用或削减费用时,无法提供充分有效数据支持。
该乳品企业希望通过构建数字化系统来解决这些问题。一方面希望系统规范业务流程,另一方面用来支撑企业精细化管理。同时,在前端业务系统中能够做到最小颗粒度的数据采集,支撑企业规定的数据分析。
最终,该乳品企业选择了用友BIP营销费用管理系统,从三个层面上,做了整体方案设计。该乳品企业的营销费用主要分为营销人员类费用、终端活动类费用、市场促销类费用、物料/服务采购类费用、合同协议类费用。通过用友BIP营销费用管理系统,根据各费用项的营销业务管理特点,归集产生了相应的五种模型,以适应营销业务快速多变的要求。
营销费用管理系统支持按科目、省区、费用归属等多维度预算导入。销管可以依据历史数据和下年度的整体销售目标,以及各业务部门业务所对应的费用科目,对预算额度进行测算和分配,将下达的预算导入系统。系统支持按照省区、费项、产品费用归属等多维度编制营销预算;
对于费用的使用状态可以随心查看,实现对每个费项全流程各个环节的控制,各个环节前后相互制约,数据集成展现,系统上线后,减少了一线大量的工作量。整个费用的执行和流转过程清晰透明,费用对接人和业务人员可以清楚地知道当前费用所发展的阶段,费用从提出申请、领导审批、执行,到核销兑付各个环节上的费用变化如何,在哪一个环节,因为什么原因被扣减或者驳回,整个过程都很清楚。
另外,对于已申请却未执行的费用,系统可以自动提醒费用对接人去处理,及时对预算做释放;对于已发生未总结或者未核销的费用,系统也能根据规则做自动识别,提醒相关人进一步处理。
实际上,费用管理很重要的一个方面是费用分析,是审视过去、支撑当下判断及未来做费用投放决策的依据。通过用友BIP营销费用管理系统,该乳品企业可以自动获取预算执行数据进行分析。比如自动获取预算执行数据,费用申请时或预提预占,核销时扣减,增强费用统一管控能力,结合公司预算,事前预占,事中跟踪,事后分析,让花出去的每一分钱都形成闭环。
实现了最小颗粒度的数据呈现,结构化的数据采集,时时自动输出分析报表,减少了省区表报工作量。并且可以根据各费项的管理特点生成费用专项看板,呈现其特有业务管理字段,辅助费用对接人进行各类指标分析。比如省区专项看板、终端费用看板、路演费用看板等。
通过全费项汇总看板,可以辅助省区、大区、总部各级费用管理人员查看各项费用的申请及执行情况,了解申请了哪些费用,费用的执行状态是申请中、申请完成、核销中、核销完成、报账中还是报账完成,督促相关业务及时核销,对于已申请长期未执行费用及时处理,合理使用费用。
数智化浪潮下,食品行业只要积极拥抱新技术,就可以借助数智化手段帮助企业实现精细化管理,让企业更加自信地面对新的变局,实现可持续的高质量发展。
好文章,需要你的鼓励
IBM Spyre加速器将于本月晚些时候正式推出,为z17大型机、LinuxONE 5和Power11系统等企业级硬件的AI能力提供显著提升。该加速器基于定制芯片的PCIe卡,配备32个独立加速器核心,专为处理AI工作负载需求而设计。系统最多可配置48张Spyre卡,支持多模型AI处理,包括生成式AI和大语言模型,主要应用于金融交易欺诈检测等关键业务场景。
加拿大女王大学研究团队首次对开源AI生态系统进行端到端许可证合规审计,发现35.5%的AI模型在集成到应用时存在许可证违规。他们开发的LicenseRec系统能自动检测冲突并修复86.4%的违规问题,揭示了AI供应链中系统性的"许可证漂移"现象及其法律风险。
意大利初创公司Ganiga开发了AI驱动的智能垃圾分拣机器人Hoooly,能自动识别并分类垃圾和可回收物。该公司产品包括机器人垃圾桶、智能盖子和废物追踪软件,旨在解决全球塑料回收率不足10%的问题。2024年公司收入50万美元,已向谷歌和多个机场销售超120台设备,计划融资300万美元并拓展美国市场。
这项由剑桥大学、清华大学和伊利诺伊大学合作的研究首次将扩散大语言模型引入语音识别领域,开发出Whisper-LLaDA系统。该系统具备双向理解能力,能够同时考虑语音的前后文信息,在LibriSpeech数据集上实现了12.3%的错误率相对改进,同时在大多数配置下提供了更快的推理速度,为语音识别技术开辟了新的发展方向。