|
最近几年已经是所有的研讨会、课堂、培训，一定会被讨论到的议题，数字化到底对企业能够产生什么价值？为了回答这个问题，我带着我EMBA课堂的同学，参观一家全球知名的软件公司中国研究院，希望学习一下这家公司对数字化、智能化的经验。该研究院派出一位拥有留美计算机博士学位、全球副总裁级别的高管，为我们做公司介绍与观点分享。这位高管花了一个半小时，讲述了该公司发展历史，以及他们在全球的客户基础，又讲了很多该公司关于企业智能化的想法。他还强调，现在再讲数字化，已经又落伍了！现在我们公司的方向是打造智能化的企业。听完后，我觉得他讲的都是概念，我没听得太懂，于是我问他，能不能举个例子，你们所谓的智能化软件,能为企业带来什么战略价值？ 这位主管很得意地举了一个例子说，他说：我们有一个客户，拥有将近四十万员工，你想想，四十万人的工资应该怎么发，对所有电脑系统都是极大的挑战，我们的ERP软件能够让他们在短短数天之内，计算出所有员工的薪资，并且对接我们的财务系统以及银行转账系统，迅速的完成了薪资发放！ 我听了觉得很懵啊，因为将近30年前我任职于IBM时，我们早就已经帮相似规模的另外一家大型国企，解决这问题啦！于是我又问道，这家大型国企既然已经存在几十年了，难道过去这几十年来，他们都没有给员工发薪水吗？你们所谓的智能化，也并没有为这家企业处理薪资的时间缩短多少！请问，你的意思是用了你们的ERP软件，就是智能化、数字化了吗？听了我的问题，这位世界五百强大型软件公司的高管接不下去了，很快的切换到其他问题！ 最近，我又密集的参加了几场研讨会，希望听到，关于数字化战略价值更具启发性的说法。我总结发现上台分享者，主要大概有四类主讲人。 第一类演讲者是政府部门的代表，他们会告诉你，数字化是必然趋势、数字化对企业的未来生存至关重要，但是却没听到。这些人告诉我们，数字化到底是什么？怎么做？能够产生什么价值。 第二类演讲者是卖软件的厂商，这些人会告诉你，他们的ERP、CRM就是企业数字化最佳的选择，可是ERP、CRM这些软件已经讲了十几二十年，怎么突然间他们换了个身份，从支持操作业务功能的软件，一下子成了“让企业变得更聪明的软件！”。 第三类演讲者，是服务于大型企业的IT 主管，这些人会给你看一个非常复杂的架构图，通常里面会提到他们这家企业的前台软件，例如电商、门店收银、天猫等线上线下的渠道使用的软件，后台又有ERP、WMS、TMS、数据仓储等熟悉的名词，最后他们会讲出最喜欢的中台系统，他们会告诉你，中台系统整合了后端数据，进行快速运算，提供前台系统的数据调取以及交易处理。 第四类演讲者是不同行业中的大型企业职能主管，如果是制造行业的他会告诉你，它可以提升产品生产效率以及质量，零售企业会告诉你，数字化可以帮你增加获客、做好客户关系管理，但是，这些说法都已经陷入职能的视角，好像你安装各种系统就完成了企业的数字化。但是你却会发现，这些东西和五年前、十年前，我们在讲工厂自动化、营销自动化相关议题的内容，没什么太大差别，不过是新瓶装旧酒。 企业数字化发展五阶段战略思考模型 看起来这些人关于数字化或是智能化是说法，都像是盲人摸象，每个人讲的好像很有道理，可是好像又不完全正确。那么到底有没有一个比较好的战略思考框架，帮助企业审视，他们的数字化到底做到什么程度，还有没有其它更有价值的应用机会？ 为了回答这个问题，通过我对十余家国内外大型企业数字化的路径研究，我归纳出了一个企业数字化发展，五个阶段战略思考模型，详见图－１。 应用这个战略思考框架你可以立即对自己企业数字化程度或等级做出判断，同时，你也可以清楚的看到现况是否有不足、你还可以朝那些方向进一步提升，为企业创造更大的价值。
第一阶段 数据连通 数据连通是解决目前企业普遍存在的信息孤岛或是应用孤岛的问题，数据连通也是企业数字化、智能化的基础工作。 以石化、炼钢等这些连续型生产企业来说，生产流程上有很多的程序控机器（PCS，Process Control System），这些设备时时收集你各个生产单元相关的数据，例如你需要知道锅炉里面的温度、压力、杂质含量，决定是否对锅炉温压进行调整，或是添加一些材料。 再例如，机械加工、制造行业，你需要知道你生产线上加工设备，例如刨刀、钻孔工具的加工深度，也需要知道这些机具设备的耗损状况。 在零售行业，你需要从前端销售设备上取得时时的产品销售数字，在仓储物流行业你需要得到时时的库存进出数据更新。在新农业上，你会通过物联网（IoT, Internet of Things）随时取得农地、水塘的湿度、温度、含氧量等。 无论是生产、销售、物流，这些数据通过前端设备，将数据时时回传到企业总部的控制室或是老板的办公室，并且画出非常壮观的数据看板（Dashboard）。没错，如果你的企业完成了数据连通，最终就体现在这个数据看板。虽然我并不反对这也属于企业数字化的范畴，但是，当很多企业兴奋地向我演示它的数据看板，并且告诉我，这就是他们数字化的成绩，我心里想的是，唉，其实这只是企业数字化最初级的工作，其实它们完全不涉及任何智能化的工作！ 第二阶段 运营监控 当数据被输送到企业的控制室或是总部办公室，我们需要立即拿这些数据进行比对分析，掌握操作过程是否发生异常现象。例如在前面讲的连续型生产行业，我们对于每个制成的锅炉温度、压力，是有一定的标准，过高或是过低的输出，都会影响产品质量。制造行业的加工过程，打孔深度以及空位置是否准确，我们需要立即与产品的规格做比较，判断加工是否精准。在零售行业，我们需要将每一个小时的销售数字进行同比环比的比对，这样才能判断出当天的销售是否有异常。在物流仓库行业，通常我们也需要在一小时内比对收货与发货效率。在新农业当中，我们需要时时比对，农地、水塘的的温度、湿度、酸碱度是否超标，一旦发现异常，就需要立即向责任人做提示或通告。很多企业也会将这些信息异常展示在数字看板上，这种看板就是企业具有初步智慧的可视化工具。 讲到这里，你可能会问，都是将信息呈现在数字看板上，第二阶段与第一阶段的关键差异在哪里呢？为什么我对第二阶段更认同？很简单，就是第二阶段开始具备发现异常的能力，而不像第一阶段只是在展现实况！ 在第一阶段，我们只是展示当前的状况，并没有处理是否异常的相关问题。是否异常可以用流程、工艺的标准作为比对的基础，例如在工厂、农渔业应用场景，属于这一类，但是，有时候缺乏工艺标准，我们就可以通过和过去实际达成数字作为比对基准，例如零售企业里面，我们通常直接将今天这个小时之内的销售数字与昨天或是计划数字进行比较，发现销售数据同比或是环比下滑，当然就是警讯。 所以我们说，第二阶段比第一阶段多做的是比对数据、发现差异，并且提出示警，没做到这些工作，你的企业就仍停留在第一阶段。 第三阶段 自主优化 自主优化开始进入到涉及更多的智能化处理, 数据在前面的比对过程，电脑发现当前操作状况发生异常，我们需要立即做出两个动作，1）进行诊断，找出原因， 2）做出调整方案，也就是我们一般称之为处方行为（Prescriptive）。系统如何能够进行自我诊断呢，很重要的就是知识的积累。我们还是先以连续型制造业的生产流程来看，如果我们发现钢材进入锅炉加热，已经到达预定应该将铁水倒出的时间，我们通过传感器，取得锅炉内铁水的温度以及贴水含杂质比例，我们发现未达标，这时有可能是这次加工制成添加铁矿的成份与过去不同，这时我们可能需要再延长热处理时间，也有可能需要再添加某些催化剂让其他杂质产生沉淀化学反应。在机械加工型的间断式生产行业，我们通过传感器测量钻孔的孔位是否正确，以及钻孔的深度是否达标，如果从传感器回传的数据中，我们发现有误差，我们就需要调整钻头的位置，再进行加工。
在农业或是养殖渔业，我们通过传感器得知田地的湿度或是酸碱度与规则上有差异，这时我们可能需要洒水或是添加磷、氮等物质，改变土壤的酸碱度。这些关于生产制造型的问题判定或是处方性行动，相对来说是比较有固定的操作标准可依循。 在商业上的自动化则比较难以标准化，我们可以对业务行为的因果关系进行解构，了解数值变化当中的机理，才能做出正确的判断。例如，无论对线上或是线下的销售成绩进行监控，一般我们都可以采用电商行业惯用的术语– 交易的市场价值毛额 (GMV, Gross Market Value）。我们可以将GMV进行拆解如下 ： GMV = UV x CVR x ASP 其中，UV（Unique
Visitor）是来客数，就是有多少客人到我们的门店，或是有多少客人访问我们的网站，CVR (Conversion Rate) 是转化率，就是这些到达门店或是网站的客户当中，有多少人最后完成了购买行为，ASP (Average Sales Price)是平均客单价，很直观就不用解释了！ 一家企业的销售金额 - GMV， 就是由这三个数值组成。 假设一种业务场景，获取某个门店从早上十点到十一点，这一个时间段的营业数据，我们发现GMV 与昨天相比较下滑了，那么下滑的原因，ASP与CVR都没改变，来客数改变了，我们拿出昨天数据查看，同样时段的这一小时来了120人，今天只来了100个人，基本上就可以断定造成今天销售业绩下滑的主要原因是来客数降低，我们如果要进行干预，在门店场景，我们就需要求店员到店外发传单，提高引流到店的人数。如果是电商，我们可能就需要加大互联网广告的投放，例如增加搜索的关键字投放。如果是转化率和昨天相比较有些下降，这时无论是在线上或是线下门店销售场景，我们可能都需要降低主要陈列产品的价格，或是更换页面上的“钩子”产品，使得客户购买的意愿提高，这样转化率才能回升。如果是平均客单下降，我们可能需要推出满减活动或是捆绑套餐，使得客户能够一次性购买更多产品，提高客单价。上述这些方案一旦采行，数据系统仍然需要持续反馈销售状况，以确定销售下滑的问题获得解决。 在零售的客户管理上，这种自主优化也极为重要，例如以前我在管理大型连锁便利店时，我们拥有六千万的会员，我们需要制定一些规则（rule）来监控所有客户行为，一旦发现某些客户产生潜在的流失倾向，我们就需要立即采取行动。以六千万的会员量来看，你不可能让市场营销人员，每天做手工分析，找出哪些人正在流失，我们采取的做法是将每位客户最近来店的日期距离与过去三个月平均间隔多久来店一次，进行比对。例如某位客户过去三个月来店12次以上，就表示他的消费行为是每周都会来店一次。这时我们对比他最近一次来店时间，如果超过七天，就表示这位客人应该要来店，但是没有来，这时我们会再比对这位客户的消费类型，确定他不是经常消失一两周的差旅常客，如果这个人是差旅常客，他突然小时一周到十天，应该还算是正常，如果这位客户不是差旅型，我们可能就需要发出激活的邀请，例如告诉他今天来店买咖啡可以获得两元的优惠，或是今天中午12：30以后来店买盒饭可以获得75折的优惠，那么你会问，到底应该建议客户买咖啡还是买盒饭，以及应当给予多少折扣幅度，就决定于他们过去消费记录中，对哪种商品消费更为频繁，以及他们对于价格的敏感度，再决定我们应当推荐什么产品、给多少优惠。这整个逻辑判断都是通过采集大量数据，并且进行反复AB测试得出的商业规则，再根据这些规则展开处方行动，这种更智能的数字化处理效果才会更好。与此同时，我们还需要获得每次处方行动的效果反馈，再进行模式的修正。这些数据采集、异常判别、做出处方、处方效果学习反馈都是全自动化的电脑处理，如果你的业务流程已经做到这样的智能化处理与经验学习，就可以说你的企业在这个业务环节，已经达到了自主优化的阶段。 由于文章篇幅限制，下一篇文章待续，请持续关注！ 作者简介 胡兴民
博士 曾任： IBM 零售与生产行业高级顾问、eBay 中国副总裁、麦德龙董事全球数字化执委、海尔集团日日顺CEO、康师傅顶新国际新零售事业群CEO 现任：中国自贸区数字经济研究院
副院长、多所985高校EMBA特聘教授 著作：eBay中国实践之启示、智慧零售、营销5.0-后互联网时代战略营销、企业数字化转型
|
|
|
