yoyo.fang」的全部文章

智能奇点的科技观和人文脉络

 

智能技术爆发所引起产业典范移转必将继续,这是全球科技产业必须共同面对的课题,而「奇点」科技观和人文脉络有助于全盘系统性掌握其未来发展方向。台湾产官学界必须确实认清这个事实,如此才能真正展现领导力,并落实智能演化式的产业发展。

20230926-1_267X189
(图/取自网路)

在经历了2023年上半年生成式人工智慧技术ChatGPT 的激情之后,生成式智慧无所不在/无所不能的迷思,似乎充斥在全球每一个角落。虽然目前有零零星星的产业应用陆续浮上台面,但似乎仍然不能满足社会大众对人工智慧宏观面的期许。

五月中,OpenAI宣布2023年底即将推出具有通用人工智慧功能的GPT5 ,显示「奇点经济」时代的「产业转折」到来已迫在眉睫。虽然人们对奇点转折仍多停留下「观望」的阶段,但在众说纷纭的恐慌与期待中,奇点的真实性不断的被质疑:通用人工智慧技术与其奇点到底物理问题?是拟人化生物有机体转化/演化的科学问题?经营哲学问题?管理和经济问题?其中的科技观和人文脉络有助于全盘和系统性系统性了解「奇点」的特质。

奇点是一个很时髦的名词,也是一门崭新的学门,目前仍处于「横看成岭侧成峯」的阶段,其定义分岐,跨领域特性造成语义及认知(Semantic /Cognition)的问题,远非单一学科/学门所能独立完成,是教育界一项重大挑战,但也可能是产业重整的契机。

(图/取自网路)
(图/取自网路)

在人工智慧领域中,奇点的翻译相当有误导性,奇点并非「点」的形式存在,也不是清楚切割的「分水岭」,而是一个动态移动的介面及移动地标(Dynamic Moving Landscape) ,也就是诺贝尔物理奖得主Carl David Anderson 的「量变产生质变」的《系统演化进程论》中所描绘的现象。

奇点的概念源自于宇宙学及广义相对论的体系,但在不同系统中奇点有着不同的诠释:奇点在数学领域奇点代表「无限大」或者「无定义」的数质;在物理学领域代表熵增极大化/系统质量无限大(黑洞化);在宇宙学中奇点代表「上一代文明」终结所衍生出来的分布式共生结构;在社会科学领域代表转折点(Inflection point)和本体论奇点(Ontological Singularity) ;在哲学领域代表辩证式论证(Dialectical Singularity),在网路生态学中代表「演化进程」,(Emergence Systems和智能体系「拟人性化」的转折,而后者正是被最普遍接受的论点。

「奇点」的理论原创者Raymond Kurzweil 及耗损系统理论始祖普利高津(Ilya Prigogine,1977诺贝尔化学奖) 最具代表性,在此系统框架中,世界一分为二,即分成一个物理/量的世界;另一个生物/质的世界,这正是「奇点转折」的最佳诠释,其中「奇点」代表系统由「物理世界」转换成为「生物世界」的临界点,也是「量变产生质变」演化论的实践。

通用人工智慧AGI和奇点的关连性是智能产业经营的关键,可分割为「奇点前」和「奇点后」的两种策略规划,前者聚焦在内技术外互动和平台架构建设,而后者重视系统演化、共生和整合。从实务面来看,「奇点后」有两个发展主流:结构式平台和沈浸人工智慧(Embodied intelligence,如辉达的 CUDA),或结合智慧制造(如智慧工业4.0)。

「奇点后」的智能产业的发展必须依托在产业创新上,「自由心证、盍各言尔志」式的发散式创新并不符合资源不足的中小企业,「奇点前」然而聚焦在「专业化」的布局才是台湾智慧转型的王道,也是「量变产生质变」的实践:追求「蚂蚁雄兵变大象」的终极策略目标,摆脱传统以规模、技术、市场幅员为主要优势的传统方式,这也是拥抱智能典范转移的最佳方式。

智能技术爆发所引起产业典范移转必将继续,这是全球科技产业必须共同面对的课题,而「奇点」科技观和人文脉络有助于全盘系统性掌握其未来发展方向。台湾产官学界必须确实认清这个事实,在产业转折的机会中掌握发展的契机,如此才能真正展现领导力,并落实智能演化式的产业发展。

智能奇点来势汹汹即将来临,这个产业转折绝非善茬,智慧的选择应对之道是朝野领导力的表现,让我们拭目以待。

文章来源:徐作圣(阳交大学科技管理所 退休教授)

四大诀窍将AI整合进你的公司成为明智的领导人

AI是功能强大的工作伙伴,因此很多企业认为,想要透过AI获取价值,势必要劳师动众地建构繁复的技术设施。这恐怕是一个误解。明智的企业会采取更敏捷的做法。

20230807-1

艺术家/ 爱德华多.特雷索尔迪(Edoardo Tresoldi)

金融科技公司「水星金融」(Mercury Financial)创立于2014年,规模虽小但使命远大,它的使命是:协助顾客恢复金融信用。公司执行长吉姆.彼得森(Jim Peterson)在金融界相当资深,从创业之初就明白人工智慧(AI)对于打造个人化的顾客历程(customer journey)相当关键,这是水星金融公司产品与服务的核心。因此水星金融从2021年开始寻找一具AI驱动的引擎,期望它能够透过适当的管道,按照适当的顺序,在适当的时间给予顾客适当的推力(nudge)。这种推力可能是促使顾客以多张信用卡来支付,也可能是温和地提醒顾客信用额度将满。有些顾客适合以简讯通知,有些需要透过电子邮件。有些顾客最好在行动日期两个星期之前通知,有些两天之前通知即可。这些要素中的任何一项,或者更精确地说,这些要素的特定组合,可能决定顾客会与公司充分接触,还是深感不满。

本文观念精粹

机会:AI能够蒐集、分析、运用极大量的个别顾客数据,为每一个接触点量身打造顾客历程。

挑战:许多企业不推出AI专案,完全是因为它们以为若想从AI解决方案获取价值,就必须先开发出复杂的技术。

解方:企业可以运用开放原始码AI工具和第三方提供的数据,同时持续进行实验、学习、引进新数据,并改善顾客历程。

水星金融曾经是波士顿顾问集团(BCG)的客户,并不从事打造技术的业务,因此公司领导阶层决定从开放原始码(open-source)AI着手。这类工具大多数是根据使用状况收费,因此前期固定成本比较低。水星金融致力于将现有的AI解决方案,整合进入自家的内容管理、诈欺防范、适格性(eligibility)系统,以及许多其他的前端与后端系统。接着公司将行销流程自动化,同样是运用现有的AI工具,但使用自家的程式码来进行所有必要的测试,以了解哪些工具对哪些顾客有用,并追踪过去的结果。公司建立的系统专注于以细微的方式管理数百个变数,以便用于锁定客户的目的,并且制作内容。试行计画施行6个月之后,公司发出的讯息激发顾客采取行动的成效提高了10% ,水星金融知道这项计画非比寻常。

必须借重AI,才能达成更加精确、规模更大的个人化作业。AI能够蒐集、分析、运用大量的个别顾客数据,为每一个接触点量身打造顾客历程。:业界普遍认为,想从AI解决方案中获取价值,就必须打造复杂的技术,但是水星金融和CVS药局、星巴克(Starbucks)的经验(下文将详细探讨)推翻了这个观念。这种想法阻碍企业发挥AI的威力。企业不需要打造AI技术,只需要将AI恰当地整合到特定的业务环境之中。

你若能体认到集中资源去推动AI整合与流程变革的价值,就能更清楚知道自己期望AI系统达成什么。你会开始了解,把你的数据和技术架构的设计视为有竞争力的资产是很重要的。而且你会推动组织其他成员进行更多测试,来增进AI系统的智慧。

但在成功的祕方当中,AI只占10%左右;其他90%在于数据、实验与人才的组合,这个组合不断活化与提供资讯以强化AI系统背后的智慧。企业的目标在于个人化,这是公司策略的实质内涵。技术只是达成这个目标的工具。本文将介绍如何整合AI工具,以及如何才能够持续进行实验、学习,并且引进新数据来改善、精进顾客历程。

重新思考如何取得技术

我们在一场又一场对话中发现,必须为高阶主管破除关于如何创造AI优势的错误观念。公司不必期待自家成为下一个亚马逊网路服务(AWS)、微软(Microsoft)、Google或Adobe,这些企业打造核心AI工具并且对外销售。人们熟悉的那些善用AI的公司如Uber、Netflix与Spotify,也许会研究并设计新的解决方案,但它们通用的做法是扩展原有的应用软体,来因应自身无比庞大的规模,或者执行无法以其他方式进行的功能〔例如Netflix推荐演算法的影格分析(movie-frame analysis)〕。但是很少有科技业之外的公司,会将自家的数位创新拿来直接销售获利。对这些公司而言,创新是要根据自家的数位能力基础来提供新颖的解决方案。竞争对手全都能够取得同样的AI系统,但产生的业务成果天差地远。一项关键差异就是公司送进AI系统的数据。竞争优势取决于持续不断地蒐集数据、有组织地转化或强化数据,并将这些数据喂给AI函式库,他们有能力建议下一步可以采取的最佳行动。行销人员的职责是发挥创意,将这些由AI驱动的建议应用到行销活动,并且从其中反复学习。

今日已经有大量的开放原始码技术,包括大部分的AI工具(而且是应用广泛的工具,例如OpenAI的GPT4),以及内容完整的函式库(以开放原始码程式语言撰写的应用程式,组装为套件,用于特定的用途,例如训练特定类型机器学习模型的XGBoost)。大型科技公司提供自家许多函式库与执行特定任务的工具,例如Meta(BCG的客户)的「先知」(Prophet)函式库具有预测功能,Airbnb的Airflow则是一个工作流程管理平台,可以处理数据工程议程。许多常用的顾客体验工具都内建AI能力,例如Salesforce与Adobe(两者都是BCG的合作伙伴)的「体验云」(experience cloud)。这些工具也不断改进:拜应用程式介面(API)与现代科技系统架构之赐,如今让不同系统相互沟通要容易许多,下文将进一步讨论。

另一项有待厘清的观念是如何开始推动。一般认为一开始就要大张旗鼓进行,但其实并无必要。就如同真正的敏捷法,明智的做法是起步的实施范围要窄,聚焦于明确特定的使用案例,例如协助顾客熟悉产品(customer onboarding)或早期接触,而不是尝试完全从头重新设计整个顾客体验。明智的做法是先选择一个领域,可借由AI做出实绩,然后逐渐扩大运用。

上述做法并不表示,营造以AI为基础的顾客历程是容易做到的。就算你已经掌握适当的AI解决方案,三个常见的缺点还是会为整个过程带来挑战。

数据撷取受到限制。这种情形发生在大部分数据未结构化(例如医疗业),或者未留下纪录(例如餐旅休闲业)。旅馆客人不会在留给他们的顾客意见卡写下回馈意见,而这些意见可能含有当下很有价值且可处理的资讯。如果旅馆能够记录有关你对于床型、打扫时间、食物过敏、曾使用的各项设施的喜好,那么下一次你入住时,旅馆就很容易为你量身打造符合你品味的住宿体验。

AI解决方案与行销之间欠缺连结。连锁超市或许会认定哪些顾客偏好非肉类食品、哪些顾客一心要寻找便宜货,但缺乏证据可确认。AI能够以自动化方式大规模地提供这类个人化的预测。但若要测试这项假设,你需要一套行销科技(martech)系统,将这些数据以对话的方式导入系统之中。从中产生的见解必须透过实际应用,才能创造价值。

系统无法自动调整规模。想要让大量有关顾客的见解派上用场,系统就必须将每一项见解转化为针对个别顾客量身打造的行动。而且你不能仰赖人工输入或分析,来打造完美的一次性个人化行销活动。如果没有一个效能强大、可扩大规模的系统,顾客见解会受到抑制,或者过分狭隘地只在单一职能内使用。

智慧型整合的四个关键

我们曾经指导多种类型的公司打造以AI为基础的顾客历程,从这些经验中发现智慧型整合有4个关键特质:各个目标清晰且彼此方向一致、健全的数据工具组(data instrumentation)、松散连结的技术架构、敢于实验的文化。值得注意的是,这4个特质都不需要更优质的AI演算法,不过确实会要求加强对演算法的训练。

1、目标清晰且彼此方向一致

以AI为基础的行销活动,需要对每一个使用案例设定明确的优化目标,而这些目标必须限制在合理的狭窄范围内。广泛的一般性目标如「加速销售成长」,会让人无法确定达成各项结果的原因。对AI而言,更适当的目标或许是「尽可能缩短等候时间」、「降低每次销售的诱因成本」(incentive cost per sale),或是「提出顾客会接受的建议」。如果顾客可能采取的行动有多种选项,你就必须事先决定要AI去优化的哪一类选项:是对公司最有价值的选项,还是顾客最有可能采行的选项?

AI应用程式在进行预测时,主要是根据历史数据。AI专注的范围如果太大,就无法优化;如果AI面对的情境没有先例,所做的预测就会失准。你不应仰赖单一的AI引擎来主导一切,而是需要多个AI引擎来打造更广泛的顾客体验。例如,有一家健康照护业的领导业者使用一具AI引擎,来找出最有可能出现紧急状况的顾客;另一具引擎则用来建议如何与顾客接触;一具引擎针对实验提出测试设计;还有一具引擎是优化特定预算额度内的整个推广活动组合。

企业的目标在于个人化,这是公司策略的实质内涵。技术只是达成这个目标的工具。

星巴克以AI为基础的个人化行销相当成功,原因之一在于目标清晰明确。为了以行销推广活动来提升销售,星巴克考量一项事实:公司内的许多产品团队都希望促销自身的产品,因此公司决定优化最能够促使顾客购买的做法(除了实际的回应数据,星巴克也撷取顾客的潜在兴趣——例如顾客浏览哪些内容,以及是否长时间观看某幅图片、点击产品介绍、在一个星期内造访同一个网页3次)。星巴克除了不断进行实验,还全力透过行销来提升全公司的净增额营收(net incremental revenue),而不是优化特定饮品的盈亏。这种做法让公司从更全面的角度来定义成功。

2、健全的数据工具组

公司采取一些机制来记录、整理与分享有关各个接触点的顾客互动、公司相关行动和结果的数据,这些机制是公司AI个人化计画的核心要素。这种数据工具组包罗万象,从电话客服中心纪录、来自第二方与第三方关系的数据(例如通路合作伙伴、媒体公司、数据仲介),到生成与追踪数位通讯的自动化软体(例如Salesforce、HubSpot、Illumin供应的产品)都是。

公司需要「接收器」来撷取有关顾客在每一个通路的每一次互动的资讯,而这些资讯必然非常细微。举例而言,在客服中心互动的过程中,公司会想知道顾客来电目的之外的资讯:顾客的口气是不悦还是困惑?是否边说话边使用电脑?是否依循客服人员的指示,还是被其他的事分心?

公司寄发测试电子邮件的时候,一定要能够监测遣词用字、内建图像、字型大小与色彩,以及其他可能影响顾客回应的变数。标签架构(tagging architecture)可以撷取与分类这些互动与沟通的诠释资料(metadata),适合用来测试与学习。

本文作者之一的艾德曼在担任安泰集团(Aetna,已被CVS Health收购)行销长的期间,主要工作目标是促使人们采取可以增进身体健康的行动,例如接种流感疫苗和定期服用药物。公司知道应该要让哪些人采取这类行动,但是不知道如何说服这些人配合。公司必须进行大量的实验:改变讯息(建议方案与创意内容)、测试诱因、调整发送时间与讯息顺序等等;而要进行所有这些实验,先决条件是要有机制能够建立测试行动,并追踪能够驱动顾客回应的微变数(microvariable)。安泰集团必须确认每一次互动都会全面贴上各种描述符(descriptor),记录互动中包含的一切(文字颜色、图像性质、讯息语调、遣词用字),而且撷取每一个互动点的细微细节:顾客何时进行互动、点击了多少次、是否离开与回来、第一次点击之后的顾客历程走向。要做到这一点,必须在互动的每一处(网站、app、电子邮件与简讯等等)都内建程式码,并且整合从这些来源回传的各个数据流。这才是公司应该投注时间的地方,而不是建立新的AI。随着AI系统愈来愈擅长编写程式码以进行数据整合,并以自动化方式为行销资产贴上标签,相关工作也变得更为容易。

想要让有关顾客的大量见解派上用场,系统就必须将每一项见解转化为针对个别顾客量身打造的行动。

来自第三方来源的数据,如天气、停电、人口统计与心理变数(psychographic)数据,以及关于单一邮递区人口的一般健康数据,提供了更丰富的背景。相关资讯的范围愈广大、内容愈细致,建立的模型也就愈扎实丰富。这种丰富性有助于强化你的绩效优势。顾客是立刻回应,还是隔了几天才回应?他们是否卷动页面浏览更多资讯,然后点击,还是立刻跳出?他们会立刻回应哪些诱因?数据工具组让公司能够持续进行测试与实验以得到答案、协助系统持续学习,以及让公司更了解如何促使不同的顾客做出回应。

3、连结松散的技术架构

顾客体验的技术堆叠包含一具预测引擎、一具序列引擎(或称体验管理引擎)、一具内容引擎、一具通路投放引擎,还有一具实验与分析引擎。此外,利用AI来营造顾客历程至少需要5个系统:行销、顾客服务、产品使用、收费、线上通路,有时还需要零售商店。由于过程中可能会添加新的能力,而且可能必须投入多个AI引擎,因此技术堆叠最好采取模组化设计。

AI提供了智慧及电脑运算的速度与规模,以推动日益透过自动化来进行的企业营运作业。因此负责执行自动化的技术必须能够接收AI的讯号,并将资讯回馈给AI来协助它改善。一个连结松散的技术架构是理想的设计,可让架构内的各个系统相互合作,但是并不相互倚赖。

可公开取得的API能够协助建立这种模组化的架构;这类API让开发者透过一套简单、多功能的通讯标准来取用专属软体。API是数位对话的共通语言,适用于不同的平台。一个简单的例子,是一家公司以API把自家的顾客关系管理(CRM)系统连结到一套云端通话系统,让客服人员不必退出CRM软体,就可以通报新产生的销售线索。利用开放原始码的API,资讯就可以无缝顺畅地移动,模型可以轻易地更新,而新能力可透过模组化的方式加入。松散连结的架构让公司得以快速采取有竞争力的做法,因为每当有新能力可使用,公司很容易就能以最低的转换成本来抽换组成元件。

电信业者康卡斯特(Comcast)的案例,说明了一个松散连结的架构如何促成整合技术堆叠的不同要素,并支援大规模的个人化(这两者正是智慧型整合的要点)。康卡斯特明白不可能将自家所有的顾客数据系统正式连结起来。但这些系统必须有某种程度的连结,公司才能以AI决策来主导要透过何种管道传送哪些讯息给哪些顾客,并且将回馈数据传回AI。

康卡斯特的AI决策工具「Pointillist」身兼两项职责。首先,它将全公司系统里有关某个顾客的所有数据(包括app互动、电话客服中心、产品使用纪录等)进行比对,然后建立关于这位顾客的整合式观点。接着,Pointillist发挥中介软体的作用,将多个数据库结合为一个整合式的数据库,如此就不必建立另一个正式的数据库。Pointillist会找出有关某个顾客的所有资讯,附上时间戳记,以协助建立公司对这份顾客历程的观点。这套系统可以即时完成比对、建立历程地图、确认必须注意的异常状况,并深入挖掘根本原因。Pointillist根据康卡斯特核心顾客系统「Genesys」(也是本文作者艾德曼的客户)制定的标准,将有关这位顾客的资讯导入所有面对顾客的互动系统,而这些系统都与Genesys的API相容。

系统是依据时间戳记的先后顺序来追踪顾客互动。例如当有位顾客无法从行动app获取服务方案的资讯时,系统就会即时通知康卡斯特。在这位顾客打电话给康卡斯特之前,公司就会先传送简讯给她,提供快速解决方法。如果她没有动作,或者有动作但仍旧无法解决问题,软体就会显示她可能会打电话;因此当她打电话来的时候,客服中心已经知道她的问题所在,可以研判能否以自动化回复来解决,如果可以就直接提供,如果不行就让她与客服人员对话;后者成本较高,因此是最后选项。这套系统的巧妙之处在于能够即时回应,提供快速且顺畅无阻碍体验。

随着时间过去,Pointillist持续收集资讯,让康卡斯特能够不断测试新的、更有效的方式来处理任何问题:决定理想的讯息内容、找到拦截顾客的最佳方式,甚至可以追踪遭遇问题的顾客是否真的有打电话找公司。AI驱动的Pointillist实施后,一年半之内为康卡斯特省下超过10%的客服中心成本。公司得到的回馈意见及线上顾客体验的改善,减少了顾客打电话的理由。在这套系统协助之下,康卡斯特的Xfinity Mobile连续几年称霸市调公司J.D. Power的评比排行榜。

4、敢于实验的文化

AI可以激发创造力,因为能让公司快速测试各种构想,并且大规模地进行。不仅如此,AI向过往数以百万计的数据点学习,启动创新的速度更胜于人类。但是AI无法「发明」,它只能依据过往的模式来「预测」。行销人员才能发明,然后AI学习哪些做法有效,以及对谁、何时、如何有效。「发明」需要一种重视实验与冒险的组织文化。

如果其他条件都相同,公司的实验数据会是它竞争优势的来源。领导人必须体认到,想要将那些数据从原物料转化为「货币」,测试与学习的心态不可或缺。这意谓著接受实验会产生机会成本,而且正因如此,有些实验必然不会成功。不过就算实验失败,还是会提供有价值的教训。

敏捷团队在这方面是不可或缺的。他们有能力与创意来追求新构想,并且精益求精。运用敏捷的工作方式,意谓着你要根据自身的能力来规画,但要保留一些空间,能够依据实验所显示的结果来快速转向。因此,领导人必须检视自家的诱因与营运方案,以确保这些诱因和方案能推广敏捷的实务做法,容许无法产生成功结果的测试,并培养改变方向的弹性。但领导人自身也必须具备敢于实验的心态,以及承担风险的财务权限。实验需要对照组来证实测试的结果。你必须取消行不通的做法,并加码推动成功的方案。你必须提供经费,为测试中的营运变革措施与新诱因进行必要的测试。经费愈紧缩,就愈难以创新。你若是无法承担风险,就无法进行实验。

公司寄发测试电子邮件的时候,一定要能够监测所有可能影响顾客回应的变数。

星巴克的诱因行销(incentive-based marketing)大获成功,主要原因是公司秉持不断进行实验的策略,而且为实验提供必要的资源。星巴克除了借助以数位方式蒐集的数据及数位技术,也依赖自身的零售经验。它的技术完全来自开放原始码工具和程式语言,并专注于不断丰富自家的数据集,而且将数据集连结到自家的技术架构,而不是专注在开发出演算法。

星巴克每星期都会对某个顾客子集合进行随机实验,以进行测试和学习,并且强化或者挑战各项行销假设。星巴克提供诱因,鼓励那些习惯到店的顾客透过星巴克的app进行互动,留下「数位面包屑」(digital breadcrumb)。星巴克的app蒐集丰富的数据:顾客点餐的时间、内容与地点;是照惯例点餐,还是加点新品项;促销讯息的细节(用语、诱因、何时发送、何时被阅读)。这些细节都交由app运用,以便在个别顾客层次量身打造行销推广活动。

星巴克实验的对象涵盖既有产品与新产品。举例而言,它可以选择改善讯息内容或讯息格式,而所做的改变可以细微到讯息所用的语言、颜色或内建的图像。它也可以针对顾客区隔或者最有效的通路,测试订价法或产品推荐。测试的条件参数愈多,出现的排列组合也就愈多。测试可能需要较长时间,这是必须持续进行实验的另一个原因。

星巴克的AI整合历程在进行4个月的简化版概念验证(proof of concept)之后,为公司的净增额营收(行销活动导致的销售,但排除折扣)带来45%的成长。到了第12个月,星巴克已做过几次随机试验、获取稳定的新数据流、进行更进一步的测试,并将这项计画推展到整个顾客群,结果净增额营收增加了150%。随着更多管道、更多产品搭配、更多排列组合加入,增幅更达到300%。

复杂顾客关系的智慧型整合

不同于星巴克的是,CVS Health所属的产业受到法规严格管制,不得对顾客提供诱因。同样重要(甚至更为重要)的差别是,CVS Health的病患/顾客群及他们的健康状况之间的差异,以及公司期望促使他们出现的行为与行动之间的差异,远比星巴克之类的零售商来得复杂。

CVS Health的历程,从它2018年收购的安泰集团内部开始启动。安泰希望鼓励自家的美国联邦医疗保险计画(Medicare)顾客采取更有益健康的行动。协助人们变得更健康,也可能让各方都降低成本,并让公司能够改善顾客服务。

安泰认为可以鼓励顾客采取的健康行动多达数十项,但也了解,以连续领取处方药为例,不同病患需要不同的鼓励途径,而即使是同一位病患,在不同时期也可能需要不同途径。若要预测在特定时刻影响病患行为的最佳做法,用来做预测的数据可能来自顾客最近领药纪录、顾客对行销活动的反应、顾客使用数位工具的情况、基本的人口统计数据与地区变数、临床治疗计画等等。为了量身打造沟通内容,安泰投资建立一种能力:改变推广活动的每一个面向(管道、时机、频率、讯息、语言),因此创造出数百万个可能的排列组合。测试这些排列组合,就意谓着要将通用的行销科技工具客制化,以便有足够的弹性来撷取、运用这些范围持续扩大的数据。但若想要优化所有的潜在变数,现有常用的AI工具需要取得比目前可取得的更多的历史数据。因此安泰设计出一套方法,以有对照组的实验来大规模测试所有的排列组合。

有对照组的实验要如何进行?举例而言,测试一则简讯、一封电邮、一次药局互动对顾客造成的相对影响,并且在测试时改变讯息内容、时间点与相关诱因。排列组合的数量会快速增加,因此安泰使用一套AI工具来检视测试选项的范围,并且决定最少需要进行多少次有对照组的测试,才能够追踪每一个排列组合的相对影响。

安泰并没有开发出一套新奇的演算法,而是选择使用开放原始码演算法,并且组建一个团队来持续探索。业务专家及数据科学家和工程师齐聚一堂,为系统提供新奇的构想与变数——例如关于文案或图像的新构想、新诱因或触及顾客的新方式,然后分析结果并修正路线。安泰也雇用几位行为经济学家,来协助拟定不同情境下的接触策略:有些强调损失的风险,有些则强调更健康生活方式的重要性;有些会对顾客提及家庭,有些则运用当地社区的数据来强化健康讯息。

终究来说,CVS Health这种做法将人类,以及为推动商业模式而量身打造的个别技术系统结合在一起。这具智慧型引擎向下游驱动了一系列针对特定管道执行顾客互动的系统:电子邮件、顾客关系管理、客服中心脚本撰写作业、简讯传送、app通知,甚至还包括药剂师电脑萤幕上的弹出式讯息。这些执行系统将互动的结果回馈给AI的演算法,让后者得以持续获得新数据以进行学习。一段时间之后,其中一部分数据会变得更为复杂:例如,以自然语言处理法来分析客服中心的一段对话,以了解来电者的性格、用语、理解力等等。CVS Health将重点放在数据流、创新的可能、实验与架构,因此让开放原始码AI工具如虎添翼,借由降低医疗成本、提升服务评价、改善顾客健康状况、利用新的交叉销售商机,为公司带来可观的增额年度利润率。

整合工作学问大

为了运用AI来强化竞争优势,你必须整合自家内部系统与外部系统,首先是要用来蒐集准确的顾客数据,然后将因此获得的见解转化为个人化的产品与服务。这两个流程在执行时都必须不断扩大规模与范围,持续添加新的变数与愈来愈细微的细节。对于必须采行智慧型整合者思考模式的高阶主管,这种做法需要一种新的领导模式,当务之急是善用新做法的无限可能性。妥善做好整合工作,愈发能够提供优质的顾客体验,而且未来将成为企业建立品牌权益(brand equity,或称品牌资产)方式的决定性因素。

文章来源:哈佛商业评论 8月号

员工失误CEO为何笑着原谅?善用失败的潜力做创新

成功的创意成果,往往都是一次次失败经验的累积。从Google的亚里斯多德专案的例子到IBM执行长沃森(Thomas Watson Jr.)的成功,都不是一朝一夕、一蹴可就的;虽然说失败是成功之母,但也不该为了失败而失败——究竟要如何正确地失败?如何放大每一次失败的价值?

20230801-11299X865

图片来源:shutterstock

失败为创意之母?前提是,失败后不要休息太久

许多领域的研究人员,都探讨过创意成果和失败疑虑之间的关系,而这个关系让人很不舒服。

来看看论文的题目名称,商业界应该可以看到这样的标题:〈创意的第一大敌:害怕失败〉(The No.1 Enemy of Creativity:Fear of Failure);神经学界则会看到〈恐惧导致大脑萎缩,降低创意〉(Fear Shrinks Your Brain and Makes You Less Creative)。顺便让大家知道一下,若干脑部的区域会萎缩,影响最明显的就是海马回——这不太需要大惊小怪。海马回参与的许多流程,对于创意产出来说很重要,其中包括把短期记忆转换成长期记忆的过程,海马回萎缩到某个程度后,这个功能就会大幅受到影响。

为什么害怕失败会造成这么大的负面效果呢?为什么创新的能力那么容易受到影响?要回答这些问题,就必须讨论婴儿、科学家、创业家的共同之处,也就是他们的学习方式。

婴儿的学习方式,是透过一系列自我纠正的想法,这些想法就像是在出生时已经预先载入了假设测试软体。婴儿会:

1、不断观察自己对于世界运作模式的看法。

2、不断测试自己的想法,逐步逼近正确解答。

3、根据取得的资料,修改并理解。如果你觉得这很像是科学家在做研究,也就是优良的传统科学方法,就没错了。

多年前有一本书,叫做《摇篮里的科学家》(The Scientist in the Crib),内容说的是婴儿跟科学家其实很相像(而且我个人的经验是,有很多的相似之处)。这样测试假说的作风强而有力。迭代、重复的过程够强大,就能够发射火箭到遥远的小行星上;同时,又很柔和,能够看到原子里的祕密。

这些流程中,放眼所及的都是失败。其实,失败这个想法,也在这个机制当中根深蒂固。也就是我们可以剔除错误,逐步逼近解答。

失败和创意间的关系,处处可见。很少有创业专案能够第一次、第二次就成功了,甚至可能要革命十次才会成功。有非常多科学家提出的理论,都经不起严谨的实验。就算是撑过实验的科学理论,经过实验后,几乎都会修订。我们看过的婴儿,走路都要摇摇摆摆好几周,跌倒再爬起来,之后又再跌倒,有时候得经过好几个月后,才能够挺直往前走。

如果你因为失败而一蹶不振,就会影响到创新专案,最终生产力也会受到影响。所以,一定要调整心态,面对失败。还记得吗?创意有一部分是要想出新颖的点子,另一部分则是要应用。我们的研究结果发现,失败能够把新奇美好的东西,转换成有用的东西。

20230801-2

失败是帮助创新的点子实现的必经之路。图片来源:Unsplash

善用失败的潜力

这些点子能够套用在商业行为上。探讨某些团队表现亮眼的原因的Google的亚里斯多德专案发现,研究人员认为,安心是成功的重要关键,所以大家愿意承担风险,这个风险当然也包括失败。

从亚里斯多德专案开始之后,安心和创新之间的关系,已经有长足的研究进展,像是能够量化承担风险的规范。有一个实验发现:

  • 同时测试许多想法(3∼5个)的组别
  • 挑选最好的2∼3个结果,进一步试验

与不重复或是重复次数不够多的组别相比,成功机率高达50%。失败就像是烤一批饼干一样,可能会一直出现。

或许,是因为这些研究的关系,有更多的研究团队开始深入探讨失败。他们后来发现,要是允许失败,之后就会取得胜利。达成巨大成就的人,和遭遇重大挫败的人相比,失败次数大约一样。差别在哪里呢?成功的人会试着从错误中学习。他们大方的面对错误,尽力吸取教训。

没有这种职业勇气和韧性的人,比较可能会继续失败。

另外一个发现,跟连续失败中间允许的休息时间有关。休息时间愈少,之后成功的机率就愈大;每次投入的间隔时间拉愈长,就愈可能继续失败。所以,不只要从失败中学习,还要马不停蹄,继续尝试。如此快速的再次投入,前提就是大家要能够犯错。

有家公司因为允许员工犯错而名闻遐迩,这家公司就是国际商业机器股份有限公司(IBM),由传奇执行长沃森(Thomas Watson Jr.)稳稳掌舵,走过了最成功、最创新的时代。这家公司有一个知名的故事:有一位副总做了一个实验,但失败了,导致公司损失将近一千万美元。他道歉的方式,是写了一封辞职信,亲自交给沃森。然而,老板接下来的反应,却令那位副总大吃一惊。「你怎么会觉得我们舍得呢?」沃森读完信后笑着说:「我们才刚花一千万美元让你受训。」

确实,公司不是慈善团体,沃森也不是要让IBM破产。但你可以观察到:要增加致胜的机率,就要增加失败的忍受度。或许,沃森当时心里就知道这一点了。

科技专栏作家麦可.马龙(Michael S. Malone)这么说的:圈外人会把矽谷当作成功的代名词,但其实应该说是成功的坟墓。失败是矽谷最强的优势。

断开恐惧的枷锁

要是因为害怕失败而无法创新,该怎么办?是否能够培养实用的态度,来断开这个有毒的连结?答案是──可以。首先,就要了解害怕失败的原因。

研究显示,有许多员工会把犯错看成是个人的缺陷。你要是有这样的感觉,失败不仅仅是做错事,而是决定人格的大事。如果你这么想,可能就会想要文过饰非,说谎隐匿,推诿卸责。

不把失败当做缺陷,不因此羞愧、撒谎、推卸责任的人,会积极迈向失望,最后获得勇气的回报,变得更加成功。这样的人在这个多方尝试的世界中,可以创造出下一个最好的事物。确实,有证据显示,失败能够让人加速想出热腾腾的点子。心理学家艾普斯坦(Robert Epstein)这么说:「失败其实能够直接刺激创意,很宝贵。」

由此可知,大家能够培养健康的态度来面对失败,遵循三个简单的步骤即可。解说三个步骤最好的方式,就是佛罗里达州的一位消防员──很奇怪。他叫做霍拉迪(Matt Holladay),雄壮威武,剃大光头,看起来就像是第一线急救人员。

有天霍拉迪正在训练新进人员。当时佛罗里达州阳光明媚,警铃突然大响,有民宅发生大火,房子几乎深陷火海当中。他带着同事冲入民宅,停下来,审视情况。整间房子弥漫着浓烟,只有一间卧房除外,或许有人还在里面!他马上跳过原本是窗户的开口,一落地就看到一位年迈的老太太,而且还活着!霍拉迪扛起老太太之后,把她从窗口递给在外等候的同事,然后很快的离开火场。

他的行动可以分成三个阶段:首先,他往前冲,而不是逃离火场;然后,评估灾害,寻找可能的生命迹象;最后找到方法后,他付诸行动。他进入卧房,发现自己的评估正确,救了这位阿嬷一命。

失败是能够直接刺激创意的宝贵经历,保持正向的态度面对它,将有助于创新发想。

20230801-3

图片来源:Unsplash

我们要研究如何遵循类似的三步骤流程,来因应失败:

1、迎向失败,就像是霍拉迪奔向火场一样。

研究显示这么做符合逻辑。愿意面对威胁,是最重要也是唯一的解决办法。

2、开始评估情况。

确认是否有阿嬷在房间里,然后想办法营救。就算周遭火势猛烈,也要设法救援。

3、从评估当中尽量取得资讯快速行动。

找出房子失火的原因,然后采取行动,解决错误。

 

文章来源:创业小聚

数位转型机会藏在困境之中

现在企业数位转型已经不是要不要做的问题,而是该如何量身订做适合自己企业需要的数位转型对策。尤其随着ChatGPT的普及应用,就算是个人也需要数位转型。那如何按部施工,转型成功?!第一步就是调整心态,黑幼龙先生书中写的「机会藏在困境之中」这段文章很应景。

20230615-2

积极的人会在困难中找机会,消极的人是在机会来临时还要找困难,找他们无法利用这机会的理由”    黑幼龙

最近很多人面临转变:要不要换工作,甚至要为被裁撤做准备。有的人一定在想,为什么刚好给我遇上了,为什么我这么倒霉。要是你能想一下活在这个年代的人的机会,一定会有不同的想法,一定觉得很兴奋。莱特兄弟试飞成功到现在也不过100多年。那个时代的人,怎么想也想像不出后来的波音747、空中巴士能载着几百人,横越大海,只要一天的时间就能到另一洲。这一代的人运气相当好,航空带来了很多机会,也改变了人类的生活。我们不需要等一百年。十年、二十年以后就不得了。

你我刚好活在其中

二十年前,我们没料想到网路、通讯、资讯科技会造成这么大的改变,让我们可以人手一机,上网处理财务。再过十年,人们的生活、工作状况会是什么样子?我们虽然无法准确预测,但可想而知的是,一定很精彩,会带来更多机会。更重要的是,你我刚好活在其中。

我们该怎样好好的活呢?

我觉得最重要的是态度。我们要很兴奋、很积极、想将危机视为转机。但显然不是每个人都这么正向。一八九九年,美国的专利局局长就提议将专利局裁撤掉,原因是他认为该发明的东西已经都发明出来了,人的智慧已发挥到极致,专利局的工作将逐渐萎缩。对这些人而言,新的改变一定不代表机会。积极的人就不一样了,他们会在困难中找机会,而消极的人是在机会来临的时候还要找困难,找他们无法利用这机会的理由。

态度决定一切

态度不同,一切就不同。 有的人在接受一个重大任务,或必须找一个新工作时,第一个反应是:很难,但能做到。
因此他们很想试一试。 另外有些人的反应却是:能做到,但很困难。于是他们就放弃了。 有个很有意思的故事,许多人应该都听过:有两个卖鞋的业务员被派到同一个小镇去工作。他们到了镇上发现满街的行人都不穿鞋,其中一人立即打电话回公司,要求换一个工作地点,因为那里没有销售机会也没有顾客。另一位业务员也打了个电话回公司,感谢老板派他到这小镇来,他很兴奋,因为满街都是他的销售对象,到处都是机会,自己运气真好。

相信自己

我们处在这新年代、新气象中,要改进那些态度呢? 首先我们要有自信。发掘自己的优点,找到自己的长处。好多人在机会来临时没有抓住,或甚至退缩,因为他们常找自己的毛病,注意自己的软弱。其实,即使有了很好的工作,你还是需要加强自信,因为这样你才能不卑不亢的与同事相处,合作得更好,发展的机会也因而大增。

其次是学会减轻压力,控制忧虑。你看,失业、没有工作的人很痛苦,但有钱、有工作的人也不快乐,因为这些人常会担忧。现今各行各业的压力愈来愈重,未来更会有增无减。压力可能无法消除,但我们可以学习如何减轻,如何控制。不只是困境或大难到来时有能力处理,我们更要学会享用自己所拥有的。生命很短暂,要从中寻找快乐。
人的一生都在做选择。今年,今天,你要选择的是什么?

我们常把一句北欧谚语当作口号:「刺骨的北风造就了北欧海盗。」 我们怎么会有这种想法,认为舒适安全的生活、轻松安逸没有困难的日子,会让人更快乐幸福?刚好相反,爱自怜的人舒舒服服地躺在沙发上也能自怜。 由历史看来,在任何状况下都有人觉得幸福。不论顺逆,只要对自己负责,他就能觉得快乐。

参考文章:「每一天让自己加分」黑幼龙著

在沃尔玛让AI负责采购协商,推行自动化商谈系统的四项心得

企业在向供应商采购时,很多时候是签订未经协商的制式合约,使供应商失去弹性。但要采购人员实际去协商,也往往耗费大量成本。沃尔玛如何用AI自动化协商软体解决这些问题?

20230502-1

图片来源: Shutterstock

就像大部分进行大型采购的组织一样,沃尔玛(Walmart)不可能与所有超过10万家的供应商进行个别协商。于是,有20%的供应商都是签订制式合约,条款通常没有经过协商。这并不是与这些「尾端供应商」往来最好的做法。但是,如果雇用更多人力担任采购人员来与这些供应商协商,增加的价值也不敷成本。

沃尔玛以人工智慧(AI)驱动的软体解决这个问题。这套软体有一个文字介面(也就是聊天机器人),能代表沃尔玛与真人供应商协商。加拿大沃尔玛在2021年1月试行这项解决方案,并以供应商提供的回馈来训练这套系统。此后,沃尔玛又在另外三个国家部署这项解决方案,而有更多国家的沃尔玛,计画在不久之后采行这项科技。 本文要分享四个心得,谈谈如何运用自动化采购协商,让采购商和供应商都能受惠。这类系统能够节省开销、提升双方的交易条件,并增加供应链的弹性和韧性(resiliency,或译复原力)。

试行计画

有鉴于AI的进步,沃尔玛开始探索尾端供应商采购协商自动化的可能性,并在2019年核准了一套叫做Pactum AI的软体产品。新冠疫情延宕了这项部署,但是一年后,也就是2021年1月,本文作者之一的迪维特,在他的组织沃尔玛国际(Walmart International)重新启动了这项计画。

由于沃尔玛已经在沙箱环境实验过这套软体,因此沃尔玛国际直接在它的加拿大公司进行小型试行计画。这项为期三个月的试行计画纳入各种利害关系人(包括89家供应商、5个采购单位,以及来自加拿大沃尔玛金融、财务和法律部门的代表),还有Pactum,也就是创造背后那套AI科技的公司。

一开始,沃尔玛国际估计,如果聊天机器人可以和20%参与试行计画的供应商达成交易,这套系统就能产生正向的投资报酬。这家零售商选择了「非转售商品」(也就是诸如车队服务、推车和其他在零售店内使用的设备),而不是销售给沃尔玛顾客的产品。它决定聚焦于支付条款有精准数据的供应商,以及有明确机会可以改进支付条款、可以确保沃尔玛拿到额外折扣的供应商。

 

沃尔玛国际以支付期程为目标,希望能谈成提早支付有折扣,或是延长支付期限而不拿折扣。做为交换,沃尔玛愿意放弃无理由终止契约的权利(就是所谓的「任意终止契约」),改成沃尔玛必须在30天、60天或90天前书面通知解约。沃尔玛也会选择性地让供应商有机会增加品项和销售量,来换取价格折扣。

内部采购人员挑选目标供应商,并为Pactum AI的机器学习演算法建立训练情境。这些情境用来建立结构化脚本,引导供应商完成协商。供应商可以按照自己的步调回应这些情境。

沃尔玛国际邀请大约100家尾端供应商试用这套解决方案,其中有89家同意参与。聊天机器人与64%同意参与的供应商成功达成协议(远远超过原订目标,也就是20%),平均协商时间为11天。平均而言,沃尔玛省下1.5%的协商支出,而支付期限也平均延长35天。

试行后,沃尔玛国际访谈协商成功的供应商,发现其中有83%认为这套系统容易使用,而且喜欢这套系统能给他们讨价还价的空间,并给他们时间,让他们能用自己的步调考虑协商。例如,烘焙设备制造商MIWE的总裁班.嘉里斯托(Ben Garisto)就说:「面对面协商时,你不一定在事前就会想到问题,你得即时反应。其他类型的自动提议系统有时候有点像是范本,没有我们发挥的余地。」

不过,有几家供应商仍然偏好面对面协商。有些供应商则想要更为精简、更为流畅的脚本,不要禁止供应商在协商过程中返回前面的步骤。

沃尔玛在试行后改良情境与脚本,并把这套解决方案推展到美国、智利和南非的供应商。截至目前为止,聊天机器人与68%供应商达成协议,省下了3%的支出。

四大心得

对采购自动化有兴趣的企业,在开发与引进这类系统时,可以应用以下几个心得:

  1. 尽快进入试行阶段。许多企业的AI旅程在概念验证阶段就走不下去了——根据顾能公司(Gartner)的数据,只有不到一半的计画进入试行阶段。这是因为概念验证阶段的重点是技术能力,而非业务目标。沃尔玛决定跳过概念验证阶段,直接进入以业务目标为重点的试行阶段。

沃尔玛的「业务负责人员」(也就是负责预算以及与供应商往来的人员,例如负责店面用品的营运部门,还有负责硬体与软体的IT部门),协助建立协商用例和情境。沃尔玛的采购人员针对训练聊天机器人所需的协商情境,提供重要的专业意见,并提出参与试行的供应商名单(取决于哪些供应商和沃尔玛有足够的交易量可以确保协商进行,以及哪些供应商愿意得到协商的机会)。法律团队则确保聊天机器人的脚本和协商完成的合约,符合沃尔玛的订约标准和政策。

  1. 从间接支出的产品类别与事先核准的供应商开始。沃尔玛从非转售商品(也就是不卖给零售顾客的商品)开始试行,尽量降低新采购做法的测试对于企业的风险。沃尔玛也聚焦于事先核准的供应商,这样一来就不会因为需要核准新的供应商而延迟开始试行。
  1. 决定可以接受的取舍。自动化采购需要精准界定采购者为了换到自己想要的东西,愿意退让到什么底线。例如,AI聊天机器人需要知道采购者愿意做出的具体取舍,比如说从收到发票后10天内全额支付,转变为接受收到发票后15、20、30、45或60天内支付,换得更好的终止合约条款,并让供应商有机会扩大与沃尔玛的生意往来。
  1. 扩大地区、产品类别和用例,来扩大规模。沃尔玛对这项计画的信条是「办到它、扩大它」。成功的试行帮沃尔玛将这套解决方案推展到其它事业单位。加拿大、美国、智利和南非试行之后,即将要部署到墨西哥、中美洲和中国。此外,产品类别也扩大了,纳入运输路线费率的协商以及部分转售商品的协商。有些中层供应商现在也采用这套系统,而聊天机器人也具备了多语能力。

规模的扩大提升了生产力,因为这套软体每一次协商都在学习,从而缩短新产品类别的建置时间。此外,聊天机器人能同时进行2,000场协商,这是真人采购人员做不到的事。 我们可以看到发展的轨迹:随着条款愈发具有演算法性质,没有管理到的供应商就愈少。如此一来,采购专业人员就能减少花在协商协议的心力,加强关注策略关系、例外情况和持续改善。

文章来源:哈佛商业评论 4月号

企业实施数位转型时运用TRIZ方法的七大重点案例

 

企业在实施数位转型时需要运用创新思维。数位转型本身就是一个创新的过程,它要求企业在面对崭新的数位化环境时,重新思考其商业模式、产品、流程和组织架构等方面的内容,进行系统性和全面性的变革,以适应和把握数位经济的机遇,成为创新型企业。

20230307-1

创新思维是指在解决问题和面对挑战时,采用全新的思考模式和方法,从不同的角度出发,发掘新的解决方案,以实现更好的效果。在数位转型中,企业需要运用创新思维来创造出新的价值和商业模式,例如:

1.运用数据分析和人工智慧等技术,发掘客户需求和消费行为的隐藏信息,开发出更精准的产品和服务。

2.创造出全新的商业模式,如平台化、共享经济等,以满足客户的多元需求和习惯。

3.推出全新的产品和服务,整合数字化技术和设计思维,以提高用户体验和增强品牌影响力。

4.优化组织架构和流程,运用数据分析和自动化技术,实现更高效的业务运作和管理。

总之,在数位转型中,创新思维是不可或缺的一环,它能够帮助企业在竞争中保持领先地位,实现商业价值和社会价值的双赢。

而TRIZ是一种解决问题的系统性创新方法,可以帮助企业在数位转型中更有效地解决问题和创新。以下是企业在实施数位转型时运用TRIZ方法的七大重点:

1.定义问题:首先,企业需要定义问题并确定问题的范围和程度。TRIZ强调问题的明确定义,并且要关注问题的根本原因。

2.分析矛盾:TRIZ方法强调矛盾分析,即解决问题时存在的相互矛盾的需求。在数位转型中,企业需要注意数位化所带来的新问题和现有的问题之间的矛盾。

3.寻找解决方案:TRIZ方法提供了众多的创新技术和解决问题的工具。企业可以根据问题的性质和范围,选择适合的TRIZ工具来寻找解决方案。

4.引入新技术:数位转型需要引入新技术,并且要确保新技术的有效应用。TRIZ方法可以帮助企业确定如何使用新技术,并且如何解决在使用过程中出现的问题。

5.整合资源:数位转型需要整合不同的资源,包括技术资源、人力资源、财务资源等。TRIZ方法可以帮助企业整合这些资源,以实现数位转型的目标。

6.优化流程:TRIZ方法可以帮助企业优化流程,并且减少不必要的浪费。这对数位转型来说非常重要,因为它可以提高效率和生产力。

7.持续改进:数位转型是一个长期的过程,企业需要持续改进并且不断创新。TRIZ方法可以帮助企业持续改进,并且不断发掘新的创新机会。

以下是一个使用TRIZ方法成功实施数位转型的七大重点案例说明:

某家制造公司在数位转型过程中遇到了一个问题,即产品生产线上的机器经常出现故障,导致生产效率低下。为了解决这个问题,该公司运用了TRIZ方法,并且采取以下措施:

1.定义问题:公司首先明确了生产线上的机器故障问题的范围和程度,并且找出问题的根本原因。

2.分析矛盾:公司运用了TRIZ的矛盾分析工具,找出了不同机器间存在的矛盾需求,例如稳定性和速度之间的矛盾。

3.寻找解决方案:公司运用了TRIZ的创新技术和工具,探索了不同的解决方案,例如加强机器的自我诊断能力、引入更高效的数据分析技术等。

4.引入新技术:公司引入了机器学习技术,使机器能够根据生产过程中的实时数据,自动调整参数和预测潜在故障,从而降低故障率。

5.整合资源:公司整合了技术资源和人力资源,设置了专门的维护团队,负责监测和维护机器的运行状态。

6.优化流程:公司对生产线上的流程进行了优化,减少了不必要的等待时间和生产环节,提高了生产效率。

7.持续改进:公司持续进行改进和优化,不断探索新的创新机会,使生产线更加智能化和自动化。

通过运用TRIZ方法,该公司成功实现了数位转型,提高了生产效率和生产质量,并且降低了维护成本和停机时间。

建议课程:TRIZ系统性创新问题解决方法

 

从敏捷到创新:半导体业如何用敏捷创新方法打造超越期待的产品

半导体产业是现代科技发展的重要推手之一,它的产品涉及到了多个行业,从电子产品到交通运输,甚至到医疗保健等各个领域。在这个竞争激烈的市场中,如何打造超越期待的产品,是半导体企业需要思考的一个问题。本文将从敏捷创新的角度,探讨如何用敏捷创新方法打造超越期待的半导体产品。

20230301-1_650X422

图片来源:工商时报

一、什么是敏捷创新?

敏捷创新是一种用于产品开发的方法论,它旨在通过快速试验、不断调整和迭代开发,打造出超越期待的产品。敏捷创新的核心理念是“学习、测试、调整、重复”,在这个过程中,不断地学习和回馈是至关重要的。

二、敏捷创新在半导体产业中的应用

半导体产业是一个技术含量极高的行业,产品的研发需要长时间的技术积累和不断的优化。但是,在这个竞争激烈的市场中,时间是非常宝贵的。因此,半导体企业需要采用敏捷创新的方法,以快速研发出超越期待的产品。

20230301-2

敏捷创新的研发设计流程

敏捷创新的开发流程通常包括以下步骤:

(1)确定产品需求:在产品开发之前,需要与客户和产品经理进行沟通,确定产品的需求和期望。

(2)设计原型:基于产品需求,设计出一个简单的原型,用来进行测试和回馈。

(3)进行测试和回馈:在设计原型之后,需要将原型交给客户进行测试和回馈。这个过程通常会重复多次,以确保产品能够满足客户的需求和期望。

(4)不断优化和调整:在测试和回馈的过程中,需要不断地优化和调整产品,以确保产品的品质和性能。

(5)重复进行以上步骤:根据产品的进展,需要不断地重复以上步骤,直到产品能够满足客户需求和期望为止。

20230301-3

以下是半导体行业中三家优秀企业成功应用敏捷创新方法的案例:

台积电:TSMC是全球最大的半导体制造商之一。该公司在其产品研发过程中成功地采用了敏捷创新方法。例如,该公司使用敏捷开发方法来设计其新一代的制程技术,并进行了多轮的测试和改进,最终成功地推出了10纳米制程技术,大幅提高了其产品的性能和效率。

苹果公司:Apple是一家全球知名的科技公司,其创新和设计能力为人所熟知。该公司成功地采用了敏捷创新方法来开发其产品。例如,苹果公司在开发其iPod产品时,采用了一种名为“敏捷设计”的方法,该方法将设计师和工程师置于同一团队中,并使用迭代开发的方式进行产品开发。这种方法大大提高了团队的效率和沟通效果,最终成功地开发出了iPod产品。

英特尔:Intel是全球领先的半导体公司之一,其产品涵盖计算机、伺服器、嵌入式系统等多个领域。该公司在其产品研发过程中成功地采用了敏捷创新方法。例如,英特尔在开发其新一代的处理器时,采用了一种名为“快速敏捷开发”的方法,该方法将设计师和工程师置于同一团队中,并使用迭代开发的方式进行产品开发。这种方法大大提高了团队的效率和沟通效果,最终成功地开发出了高效能的处理器产品。

三、结语

在半导体产业中,敏捷创新已经成为企业成功的关键因素之一。敏捷创新方法可以帮助企业提高产品的品质和性能,降低研发成本和时间,提高企业的市场竞争力。在当今快速发展的市场环境中,采用敏捷创新的方法已成为了半导体产业中的一种主流方法。企业可以透过敏捷创新方法,快速地将产品推向市场,并不断改进和优化产品,以满足客户的需求和期望。在半导体产业中,敏捷创新已经成为了许多企业成功的秘诀,通过不断的优化和改进,半导体企业可以不断地提高产品品质和性能,并赢得市场竞争优势。

尽管敏捷创新方法在半导体产业中已经获得了广泛的应用,但仍然有许多企业尚未采用这种方法。这些企业需要更深入地了解敏捷创新的概念和方法,并进行相应的调整和改进,才能在快速变化的市场环境中保持竞争优势。

另外,敏捷创新方法的成功也需要依靠企业内部文化的支持。在敏捷创新方法中,企业需要建立一个开放、积极、创新的文化氛围,并提供相应的资源和支持,鼓励团队成员进行自由大胆的思考和探索。只有这样,企业才能真正实现敏捷创新,不断地推动产品和企业的发展。

永进机械牵头数位转型链,共同转型优势倍增

追求数位转型,是许多公司的目标,永进机械总经理陈伯佳却有更远大的企图心,希望带着供应商、协力厂一起转型。这位新任的公会理事长,要如何激励产业共同打拼?眼前之路任重道远。

20230130-A1
永进机械总经理陈伯佳;黄菁慧摄。

2022年10月,台湾工具机暨零组件工业同业公会,推举永进机械总经理陈伯佳出任第六届理事长。初次见到陈伯佳,常被他下颚一丛浓密的大胡子吸引,虽然胡子已经半白,但具有美国会计师资格的陈伯佳,其实还不到50岁,是工具机公会有史以来最年轻的理事长。

永进机械成立于1954年,生产各式复合加工机及控制车床,是台中工具机聚落的大厂。创立近70年,永进一直十分低调,身为第三代接班人的陈伯佳,进入永进近20年,但在接任公会理事长之前,鲜少在媒体曝光。

虽然不太习惯站在镁光灯下,甫接任理事长的陈伯佳,却迫不及待在诸多公开场合对外界宣示,工具机暨零组件产业的数位转型,是公会现阶段的重点工作,唯有透过整体供应链的数位升级转型,才能提升台湾工具机业的国际竞争力。

建立供应链数据库

永进机械本身就是一个数位转型的典范。自2006年导入「丰田式生产管理系统」(Toyota Production System,TPS),近年更依据「永续经营,成为最有附加价值的工具机厂」的企业愿景,推出智慧自动化、智慧设备、及智慧管理共三大策略,追求即时依照订单需求,进行少量多样的生产,提供顾客最高品质的产品及最有效率的服务。

陈伯佳强调,除了自己数位转型,永进也希望供应商一起升级,花了四年建立「供应链管理数位平台」,整合所有的资讯,包括下单交货的资讯、未来几个月的订单等。

与永进合作的近四百家供应商,可以将生产的数据上传到这个平台,双方清楚地看到生产进度、交货日期、品质检验结果等等。「让大家不要再用传真,所有的沟通都在系统平台上进行,」陈伯佳说。

资讯串连后,生产效率就可大幅提升。举例来说,过去在生产过程中常发生欠料的问题,有了即时资讯,可以快速反应,如果A供应商没货,就立刻调B供应商的料件支援,便能提高如期交货的比例。

另外,现在制造业面临碳中和的挑战,厂商都希望能快速把碳费或碳税的资料填写给客户。过去用纸本很难即时掌握资讯,而如今在生产过程中,就可以把碳排放的计算资讯纳入,快速、透明,也让相关决策有了具体依据。

SAP全球副总裁、台湾总经理陈志惟观察,陈伯佳对数位转型的概念非常清楚,知道怎么把工具机生产的相关资料串接,让生产流程标准化、再复制,理念明确而且有很强的执行力。

以沟通化解矛盾

但就跟所有推动数位转型的企业一样,最需克服的就是「人」的问题。

尤其许多资深员工都会觉得,过去事情都是这么做,几十年下来也没有出什么问题,为什么要转型?

「我知道这些经验很有价值,但经验的累积是来自于你经历过的事;那你没有经历过的事情呢?」陈伯佳都是这样回应内部的质疑。他强调,资深同仁的专业经验是公司的核心,但能不能在这个核心之上,再建构一些创新手法?

就像现在台湾的工具机产业还是常被客户质疑为什么无法达到日本或德国的水准?必然是有些不存在过往经验的特质。 而数位转型就是要把过去做事的方法,变成一套可以复制的原理原则,找出「做任何事情的最佳化方式。」

除了内部的沟通外,能串连外部的供应商共同配合,其实也很花功夫。在推动「供应链管理数位平台」之初,陈伯佳亲自拜访了四十多家大型供应商,除了沟通理念外,也想了解上游厂商在使用这个系统时,碰到了哪些问题?

过程也要不断协调折冲,一方面所有的采购资讯统统进入系统,不愿意配合的厂商就拿不到订单。但永进也会顾及数位落差,因此系统由永进建置,厂商只要透过帐号密码就可以使用。若是有任何使用上的问题,也可以随时提出,由永进的资讯团队协助处理。用母鸡带小鸡的精神,把整个数位转型链串接起来。

永进机械的数位转型还有另外一项特色,就是全公司从上到下共同参与的「活化运动」。

五年前开始,永进将全公司750位员工拆成49个小组,进行年度竞赛,针对目前的工作内容或是未来公司的发展策略,提出创新的做法。

陈伯佳强调,数位转型对于公司的成长不能只有大步迈进,更应该是跳跃发展。把既有的行事方式数位化还不够,更需要把创新的数位方式当做手段。

举例来说,过往公司同仁出差的时候,要把出差的时间、地点、拜访对象及行驶里程填于纸本,以申请油资补助,后来就有人提出,可以设计一个APP,把资料的填写转到线上。

这的确是一项数位变革,但能不能有更跳脱的做法?像是采用一个类似Google地图的工具,同仁出门时按一个键,到达目的地时再按一个键,就可以把起迄点、行程时间和公里数全部计算完成。「同仁们都很努力,但我会鼓励大家再进一步,协助自己的工作做得更好,」陈伯佳说。

力求产业共好

除了致力于自身的数位转型,接任工具机公会理事长后,陈伯佳还需肩负起带领整体产业共同成长的重任。

台湾是全球第七大工具机暨机械零组件生产国,依据台中市经济发展局的资料,2021年产值为新台币1227亿元,约90%都集中在中部地区。过去的优势是透过群聚效应,具备极高的弹性和反应速度。

但眼前的挑战是,在品质和精密度不及德国、日本的情况下,又面临中国大陆和韩国等地的产业崛起竞争,过去这个大家共同赖以维生的生态圈,能否共同转型成长,才是未来维系竞争力的关键。

陈志惟指出,工具机产业一直都是打群架的概念,但是面临数位转型的时候,业内还是有不小的落差,如何把大家拉到一致的水平,共组台湾队,打国际杯,提升附加价值,「公会的角色就非常重要,理事长更是任重道远。」

「我一向不喜欢讲永进机械做得有多好,因为整个产业好更重要,」陈伯佳也反复强调。

工具机公会近几年来已积极拉动整体的产业转型,2020年成立技术委员会、2021年发布第一本工具机产业白皮书,都是为了提升整体生态系的数位能力。

现在在新任理事长陈伯佳推动集体数位转型的目标下,台湾的工具机产业能否持续保有领先地位,这一波转型力道,将是未来决胜的关键。

文章来源:哈佛商业评论 2023/1月号

这五件神器都是德国人发明的

20230117-1

(德国之声中文网)德国是发明者的国度。很多奇思异想首先在这里问世,众多开拓性发明在这里成为现实:胶带、咖啡过滤纸、mp3、直流发电机,都是德国人的发明,而电脑更可算是其中最令人注目的一朵奇葩了。

懒于计算

第一台数位计算机就是在柏林问世的。发明、制造人类历史上这首台电脑的是德国工程师楚泽(Konrad Zuse)。1930年代,机器制造专业出身的楚泽要设计飞机部件,必须作大量计算、心算或用推尺计算。对这位聪明但并不特别勤奋-他自己承认-的工程师来说,这可是一件痛苦的事情。他说,他懒于计算,因而,开始建构一架机器,承担计算工作。

他在父母的起居室专心建构"计算机"约两年。1937年,他对外展示了取名为"楚泽1号"(简称Z1)的计算机:一台重达数吨的钢铁巨怪,光金属部件就有3万个,足有一张双人床大小,一启动,其声音震耳欲聋。不过,只要曲轴、平板和钢管们运作正常,不出现卡壳现象,Z1还真的总能提供正确计算答案。

为让计算机不易受干扰,楚泽工程师在后来的型号中用电子机械元件代替了机械离合杆。改进型号相继问世,先是试验型的Z2,后来便是完全有效的Z3。Z3有一吨重,宽如大壁橱,键盘大若一台电视机。Z3只能储存64位数或单词,却是世上第一台全自动的、可自由编程的数位计算机。Z3根据二进制浮点计算原理工作,今天的现代化个人电脑和麦金塔电脑也运用这一原理计算。

可惜,楚泽工程师在世时未能看到自己的发明在全球的成功。二次大战期间,他的计算机被炸弹炸毁。不过,今天,在慕尼黑的德意志博物馆内可以看到全球首台电脑的模仿件。

除电脑外,咖啡过滤纸、胶带、mp3以及直流发电机等早已广泛应用于人类日常生活的这些"宝贝"也原创于德国。说起来,这些发明都有一则饶有趣味的故事呢:

 咖啡过滤纸

1908年,在德累斯顿的一个厨房里诞生。被杯中咖啡渣惹恼了的家庭妇女本茨(Melitta Bentz)拿来一个铅罐,在底部钻满洞眼,然后,从儿子的练习本上撕下一张擦纸垫上。过不多久,她申请了专利。从此之后,一代又一代咖啡爱好者们便可以在无渣情况下享受饮咖啡的快乐了。

胶带

1896年问世。当时,作为实业家的特罗珀洛维茨(Oscar Troplowitz)本想开发一种新的创口贴。不过,所发明的创口贴粘力太强,揭下时竟会把皮肤也连带揭下。于是,该产品起先被用于粘补自行车橡胶带,以堵漏气;从1936年起,成为万用粘贴带。由女秘书的名字"Elsa Tesmer"简化而来的"Tesa"胶带如今几乎是各类、各种胶带的同义词。

mp3格式

1987年问世。这一年,设址埃朗根(Erlangen)的弗劳恩霍费尔(Fraunhofer)集成电路研究所开发出一种新工艺。根据该工艺,音乐数据可以在无质量损失的情况下压缩到极小状态。短短数年内,mp3格式使音乐工业发生了革命性的变化。有了这一发明,一台多功能手机可以储存数百张专辑。

直流发电机

1866年问世。摩擦产电原理虽早为人类所熟知,但是,冯·西门子( Werner von Siemens)在这一年首次将该原理运用于一台机器。从这时起,通过卷起来的金属丝和一块磁铁,不仅能很方便地获得电能,而且还可以向各地传输电流。西门子公司逐渐成为一家世界性企业。今天,西门子已成为电子技术的代名词。

 

文章来源:德国之声

掌握关键十招,全面启动AI变革–数位转型的重要支柱

说到推行AI运用,许多公司的执行规模都太小,试探性质太强。据调查,在90%已经进行一些AI投资的公司中,三年来取得商业效益的不到40%,因为小规模运用的成效有限。那么,那些大力投入AI运用并取得成功的公司,做对了什么?

20220109-1_1200X675

关于本文艺术作品/卡罗琳.杜塞特(Carolyn Doucette)的数位修改照片,探究自然界中人的存在。

若请某个人举例,说出有哪些公司将人工智慧(AI)置于业务核心,你可能会得到一张意料之内的科技巨擘名单:字母公司〔Alphabet(Google)〕、Meta〔脸书(Facebook)〕、亚马逊(Amazon)、微软(Microsoft)、腾讯、阿里巴巴。但在其他产业的传统组织中,许多领导人认为,使用AI来推动自身转型,超出了公司的能力范围。这项技术相当新颖,十年前还没有一家公司采用AI,因此所有在这方面已经很成功的公司,都必须完成相同的基本任务:安排人员负责创建AI;收集所需的数据、网罗人才,以及投入经费进行必要的投资;并且尽可能积极地培养本身的能力。

本文观念精粹

问题 许多公司只是试验性应用AI,而不是规画或编列预算,准备全面部署AI。

原因 这通常是因为没有分配足够的资源、能力和时间于AI专案。

解决方案 十分积极采用,加上与策略、营运作最佳的整合,最后将带来最大的业务价值。

说比做容易?是的。许多组织的AI行动方案都规模太小、试验性质太浓,而且从来没有走到能够增添经济价值的唯一一步,即大规模地部署AI模型。《麻省理工学院史隆管理评论》(MIT Sloan Management Review)和波士顿顾问集团(Boston Consulting Group)于2019年进行的调查发现,有十分之七的公司表示,本身的AI工作所产生的影响微乎其微,或者根本没有影响。同一项调查显示,在90%已经进行一些AI投资的公司中,三年来有获得商业效益的不到40%。这并不令人惊讶:试行计画或实验只能产生有限的成效。

过去几年我们所作的研究,找出了30家公司和政府机构已全力投入AI(这些组织不见得是以精通技术著称),并从中获益。其中许多公司在银行、零售和消费品等产业中竞争。我们研究这些公司的AI发展历程之后,确认这30个组织采取了十项行动,因而得以成功采用AI。

你的组织若想从AI获取可观的价值,就必须彻底重新思考工作环境中的人机互动方式。你应该聚焦的应用,是能改变员工执行工作的方式,也改变顾客与公司互动方式的应用。你应该考虑在每个关键职能和营运作业中,有系统地部署AI,以支持新的流程和数据驱动的决策方式。同样地,应该要让AI推动新的产品和服务,以及商业模式的发展。换句话说,最终应该要让AI技术改造你公司业务的每一个层面。

你的组织若想从AI获取可观的价值,就必须彻底重新思考工作环境中的人机互动方式。

本文列出的十项要务,每一项都会使你的组织更接近转型;但若要完全转型,你必须避免片段零星的修补行动,而应该推行所有这十项要务。文中会提出案例,详细说明一些组织如何取得成功。你的组织可以选择以不同的方式处理这些要务,或者以不同的顺序来处理。

  1. 知道你想要达成什么

具有企图心的公司很清楚知道为何要应用AI。它们当然希望财务表现更亮丽,但若要确认和发展转型AI,就需要更明确的目标。一些企业开始使用AI技术来改善流程速度、降低营运成本,或者提高行销能力。不管你运用AI的原因是什么,我们都建议要先确定一个妥善定义的总目标,并以这个目标作为你采用AI的指导原则。

2014年,德勤(Deloitte)的审计和鉴证实务部门开始发展专有的AI平台Omnia,当时的指导原则是要改善全球的服务品质。要在那个领域创建一项全球性的工具,并不像将数据转译成多种语言那么简单。各国用以规范数据的法规,包括隐私标准、审计流程和风险管理,都存在重大的差异。

公司审计的一个重要部分,是以易于分析的格式,来收集财务和营运数据。各公司的数据结构不同,因此提取相关的数据并载入审计平台,可能相当耗时费工。Omnia在一家美国客户公司试营运,但想让它成为全球性工具的目标,在一开始就产生几个独特的挑战,例如开发一个能在不同客户和地区运作的单一数据模型。

德勤的开发人员在创建Omnia之前,就将它设想为全球性的工具,因此能够专注于把来自不同国家、不同公司的资讯标准化;而这是一项艰钜的任务,在开发过程的后期会更具挑战。

  1. 与伙伴组成的生态系统合作

建构Omnia需要审计和鉴证实务部门来察看世界各地的新创科技公司,以找到符合德勤需求的解决方案。若没有那些伙伴,德勤就不得不在内部开发这些技术,而这虽然有可能办到,成本却高得多,时程进度也慢得多。公司需要强大的合作伙伴关系,才能在AI方面取得成功。

德勤和加拿大的新创公司Kira Systems合作,后者开发的软体能从法律文件撷取合约字词。德勤的审计师以前必须读完许多合约,用人力执行这项任务,但现在Kira Systems的自然语言处理技术,可以自动辨识和撷取关键字词。另一家伙伴公司Signal AI则建构了一座平台,可分析公开提供的财务数据,以找出客户业务中的潜在风险因素。德勤的Omnia平台最近新增了「诚信AI」(Trustworthy AI),这个模组是与评估AI模型偏见的话匣子实验室(Chatterbox Labs)合作开发的。

  1. 擅长分析

大多数成功采用AI的组织在迅速推动AI之前,都会慎重执行分析行动方案。任何形式的机器学习,都可能包括其他不是以分析为基础的技术,例如自主行动、机器人技术和元宇宙,但核心仍然是分析。正因如此,擅长分析对采用AI非常重要。

但「擅长分析」究竟是什么意思?在本文探讨的情况当中,这是指致力使用数据和分析来制定大多数的决策,而这表示必须改变你和顾客往来的方式、将AI嵌入产品和服务,以及用更为自动化和智慧的方式执行许多任务,甚至执行整个商业流程。企业若要运用AI来改造业务,必须日益拥有独特或专有的数据,因为如果他们所有的竞争对手都有相同的数据,大家都会得到类似的机器学习模型和类似的成果。

希捷科技(Seagate Technology)是全球最大的磁碟机制造商,旗下各工厂里有大量的感测器数据,并在过去五年广泛使用这些数据,来改善制造流程的品质和效率。这项工作的一个重点,是将矽晶圆的目视检查作业和制造矽晶圆的工具都自动化(矽晶圆用于制造磁碟机的磁头)。整个晶圆的制造过程中,各种不同的工具组会拍下多张显微镜图像。希捷科技在美国明尼苏达州的工厂使用这些图像提供的数据,创建一套自动化系统,让机器直接寻找和分类晶圆的瑕疵。其他的图像分类模型会侦测监控工具中的失焦电子显微镜,以确定是否确实有瑕疵。这些模型在2017年底首次部署启用,此后希捷设于美国和北爱尔兰的晶圆工厂日益广泛使用这些模型,节省了数百万美元的检查人力成本和废料预防成本。目视检查的准确率在几年前是50%,现在超过90%。

数据是机器学习成功的基础,如果缺乏大量的好数据,模型便无法做出准确的预测。可以说,大多数组织扩大AI系统规模面临的单一最大障碍,是获取、清理和整合正确的数据。为新的AI行动方案积极寻找新的数据来源也很重要。本文稍后会谈这一点。

  1. 创建模组化、弹性的IT架构

你会需要一种方法,可在企业的各项应用上轻松部署数据、分析和自动化。这方面需要的技术基础设施,要能够沟通和理解来自公司内外其他资讯科技(IT)环境的数据。传统数据中心里的软体,通常设计为只能与同一数据中心的软体沟通。把这套软体与来自那个基础设施之外的软体整合起来,可能耗时又昂贵。

弹性的IT架构会使复杂的流程更容易自动化,例如德勤从法律文件撷取关键字词的流程。如果你不能自行开发这种架构(极少中小企业办得到),可能就必须和其他公司建立伙伴关系,例如与微软Azure、亚马逊网路服务(Amazon Web Services,简称AWS)或Google Cloud等公司合作。

第一资本(Capital One)几十年来一直被公认为分析领域的翘楚,运用分析法来了解消费者的支出型态、降低信用风险,并改善顾客服务。(资讯揭露:本文作者之一的汤玛斯,一直是第一资本的付费论坛演讲人。)2011年,第一资本做了一项策略决策,要重塑和现代化本身的公司文化、营运流程和核心技术基础设施。这项转型包括:转向敏捷模式来交付软体、建立大型工程组织,以及雇用数千人担任数位职务。这项转型也推动公司将数据送上云端。

第一资本和AWS合作建立本身的云端架构。但在迁移到云端之前,第一资本的高阶主管必须重新设想银行业的未来。顾客迁移到数位通路,例如银行的网站和行动应用程式(app),而这些数位通路产生的数据,远多于面对面互动的数据,这使第一资本有机会更加了解顾客如何与其互动。转向云端具有策略意义,部分原因是这会降低数据储存的成本。根据美国南加州大学马歇尔商学院(USC’s Marshall School of Business)的数据,1960年储存10亿位元组(GB)数据的成本是200万美元。1980年代这项成本降到20万美元,到2000年代初只要7.70美元,而由于云端储存的出现,2017年更低到2美分。

第一资本判断,AWS可以在云端提供由软体驱动、可扩大规模、即时可用的数据储存和运算能力,而且成本远低于在公司内部储存数据。AWS也提供创新的新机器学习工具和平台。由第一资本的IT组织为所有这些数据建构和管理基础设施的解决方案,已不再有意义。相反地,IT组织开始专注于培养软体和业务能力。今天,第一资本即时分析来自网路和行动交易、自动柜员机和信用卡交易源源不绝的数据流,以满足顾客的需求和防止诈骗。到2020年,这家银行关闭了最后一座数据中心,将所有的应用程式和数据移到AWS云端。

许多公司的确已经将数据和应用程式移到云端(或者数据和应用程式原本就起源于云端)。还没有这么做的公司,会更难成为积极的AI采用者。

20230109-4

  1. AI整合到目前的工作流程中

缺乏弹性的商业流程可能和缺乏弹性的IT架构一样具有局限性。本文提到的公司不遗余力地将AI整合到员工和顾客的日常工作流程中。要在你的组织做到这一点,必须确定你的哪些工作流程适合AI的速度和智慧程度,并且尽快开始将AI整合到其中。不要试图将AI塞进无法从机器的速度和规模获益的工作流,例如既不包含也不会产生大量数据、没有一再重复进行,且极少使用的商业流程。

若要进行工作流程整合,需要比第一项任务「知道你想要达成什么」更具体得多的行动计画。假设你已经确定要改善顾客服务。但若要将AI整合到目前的顾客服务工作流程中,就必须对这些流程有敏锐的实地了解,而极少最高层主管能有这种知识。然而,生产线员工拥有理想的视角,能够确定哪些流程可以从AI受益,以及这些流程可以如何具体改善。

美国有些政府机构,便找到一些很适合AI速度和规模的具体任务与工作流程。例如,美国国家航空太空总署(NASA)在应付帐款和应收帐款、IT支出和人力资源方面,启动试行专案(由于这项人资专案,航太总署86%的人资交易是在没有人力插手的情况下完成的)。社会安全局(Social Security Administration)在裁定工作上使用AI和机器学习,以处理繁重的案件数量带来的挑战,并确保决策的准确性和一致性。在新冠疫情(Covid-19)严峻之初,美国退伍军人事务部(Department of Veterans Affairs)设置AI聊天机器人来回答问题、协助确定确诊病例的严重程度,并且寻找患者可以入院的地点。国土安全部科学技术局(Department of Homeland Security Science and Technology Directorate)的运输安全实验室,正在探索一些方式将AI和机器学习纳入运输安全管理局(TSA)的安检流程,以改善乘客和行李扫描作业。美国国税局(Internal Revenue Service)正使用AI测试哪些正式通知的组合,最有可能诱使欠税的纳税人寄出缴税支票。

  1. 在整个组织中建立解决方案

你的组织已经在内部测试和精通特定工作流程的AI之后,就应该要更积极地在整个组织的各单位里部署AI。你的目标不应该是为一个流程设计一套演算法模型,而应该是要找到一种统一的方法,可以在整个公司里复制使用。

克里夫兰医学中心(Cleveland Clinic)的企业分析与资讯管理执行总监克里斯.杜诺文(Chris Donovan)表示,这所医学中心「AI随处可见」。他的团队致力推动由员工主导的AI开发和部署工作,也提供由高阶主管领导的治理方法。到目前为止,这项工作一直由植根于企业分析、IT和道德部门的跨整体组织实务社群所推动。

与开始积极推动AI转型的大多数组织一样,克里夫兰医学中心面临数据和分析方面的巨大挑战。杜诺文表示,医院拥有的数据远比其他产业的组织要少,而且比较不可能是清理过且结构良好的数据。他表示,克里夫兰医学中心的数据有品质上的问题、以不理想的方式撷取、输入方式不同,而且在整个机构里有不同的定义。即使是血压等常见的指标,也可以在患者站立、坐着或仰卧时测量(这样通常会有不同的测量结果),并以各种不同方式记录。必须了解每种实务做法的数据结构,才能正确解读血压的数据。杜诺文的团队并没有将每个数据集的数据准备工作,留给医学中心内部的每个医疗单位去做,而是让它成为每个AI专案的一部分,并且努力提供有用的数据集给所有的AI专案。

克里夫兰医学中心也使用AI来评估人口健康领域的风险。它已在这个领域建立一个预测模型,以协助设定使用稀有资源的优先顺序,为最需要的患者提供医疗服务。目前,该中心主要是根据预测风险分数,来决定谁能接到电话通知去看医生。例如,难以控制病情的糖尿病患者,会获得高风险分数。这所医学中心建立另一个模型,来找出有某种疾病罹患风险,但没有病史或病征的患者。这个模型用于主动安排患者接受预防性照护。克里夫兰医学中心也致力找出生活或工作条件有问题,导致健康受到影响的患者;他们除了需要医生,也可能需要社会工作者的协助或一张公车票去看医生。

  1. 创建AI治理和领导结构

安排某个人负责决定如何在整个组织部署AI,会使转型更为容易。最优秀的领导人知道,整体而言AI能做什么、能为他们的公司做什么,以及可能会对策略、商业模式、流程和人员有什么含意。但领导人面临的最大挑战,是建立一种文化,强调依据数据做成决策和采取行动,以及引导员工对AI改善业务的潜力充满热忱。若缺少这种文化,即使组织中零星散布著一些AI拥护者,他们也无法取得建构出色应用所需的资源,无法聘雇到优秀的人才。而且即使建构了AI应用,企业也无法有效地运用。

领导人面临的最大挑战,是建立一种文化,强调依据数据做成决策和采取行动,以及对AI改造业务的潜力充满热忱。

什么样的领导人可以培养正确的文化?首先,由熟悉IT的执行长或其他长字辈主管来领导AI行动方案,会有帮助。虽然没有技术背景的人也可以在你的公司领导AI工作,但那个人必须很快地学习很多东西。其次,领导人多管齐下开展工作很重要。他或她选择加入的具体计画会因组织而异,但资深高阶主管的参与特别重要,有助于表达出对技术的兴趣、建立由数据驱动决策的文化、促进整个企业的创新,以及激励员工采用新技能等等。第三,领导人掌握财务资源的权力。探索、开发和部署AI的费用很高。领导人必须投资或说服其他人投资足够的经费,让所有的层级都能采用。

有一个专门负责AI的领导人当然有帮助,但终究来说,对这项工作的投入必须深入到组织之中。如果上层、中层主管,甚至第一线经理人只是口头支持要用AI来转型,事情的进展就会相当缓慢,组织很可能会故态复萌。我们曾看到一些高度投入的领导人,以多项行动方案建立起聚焦于AI的公司。可是他们的接班人不相信这种做法,因此不再那么关注AI。

  1. 发展卓越中心并配置适当人员

大多数AI和分析主管仍然得花很多时间,向其他经理人宣导这种技术的价值和目的。所有事业单位的决策者都应该确保AI专案获得足够的经费和时间,也应该在自己的工作上实施AI。重要的是,要教育那个群体了解AI如何运作、何时适用,以及大幅投入AI要做些什么。对绝大多数公司来说,这种技能提升和再培训工作仍然处于早期阶段,而且不是每位员工都需要接受AI的培训。但有些公司显然这么做了,而且可能做得愈多愈好。本文提到的每家公司都晓得,经营要成功,就需要AI、数据工程和数据科学等方面大量的人才与培训。

所有事业单位的决策者都应该确保AI专案获得足够的经费和时间,也应该在自己的工作上实施AI。

2009年,星展银行(DBS Bank)聘用高博德(Piyush Gupta)担任执行长时,是新加坡顾客服务评等最低的银行。高博德大力投资于AI实验,在过去几年内,每年投入约3亿美元,并给予事业单位和职能部门一些弹性去聘雇数据科学家,观察他们能够达成什么。这家银行的人资主管没有技术背景,却设立一个小型的工作小组,以确认和试运行各种AI应用,包括AI招募系统Jobs Intelligence Maestro(JIM),这套模型用于预测人员的流失,并协助该银行招募条件最符合的员工。今天在星展银行工作的1,000名数据科学家和数据工程师中,有许多人是透过这套JIM系统聘雇的。

高博德表示,星展银行现在的工程师人数是银行业务人员的两倍。那些工程师投入区块链和资产支持代币等新兴技术,以及各种AI专案。而且这家银行的文化已大幅改善。从2018到2021年的四年间,《欧洲货币》(Euromoney)杂志年年评选星展银行为全球最佳银行,而且它的资本状况和信用评等目前在亚太地区名列前茅。2019年,《哈佛商业评论》评选全球表现最佳执行长的排行榜上,高博德位列第89名。

  1. 持续投资

选择积极采用AI,并不是领导人轻易做出的决定。这项行动将在未来数十年对公司造成很大的影响,大型企业最后可能需要投入数亿或数十亿美元。我们研究的每一家成功采用AI的公司都告诉我们,这是在整个企业层级中致力大幅采用AI所需的成本。组织起初可能会觉得,像这样大规模投注资源相当吓人。但我们调查的AI驱动公司,在看到自身从早期的专案获得的效益之后,发现投注经费在AI导向的数据、技术和人员上要容易得多。

例如,CCC智慧解决方案(CCC Intelligent Solutions)已经每年支出超过1亿美元在AI和数据上,并且预期会继续这么做。(资讯揭露:汤玛斯一直是CCC的付费论坛演讲人。)这家公司成立于1980年,原名是认证抵押公司(Certified Collateral Corporation),经营的业务是提供汽车估价资讯给保险公司。

如果你曾发生车祸,需要大修,可能那时曾受益于CCC的数据、生态系统,以及以AI为基础的决策。四十多年来,CCC已经演变发展为收集和管理愈来愈多的数据、和汽车保险业的各方建立愈来愈多的关系,并且根据数据、分析,最后则是根据AI,做出愈来愈多的决策。在过去的23年里,这家公司一直由曾任技术长的吉塞希.拉玛默西(Githesh Ramamurthy)领导。CCC成长稳健,年营收接近7亿美元。

CCC的机器学习模型是根据以下资料建立的:价值超过一兆美元的历史索赔资料、数十亿张历史图像,以及汽车零组件、维修厂、碰撞损坏和法规等其他数据。它也透过车载远程通讯技术和感测器,收集了超过500亿英里的历史数据。它提供数据给一个广泛的生态系统,其中包括约300家保险公司、26,000家维修厂、3,500家零组件供应商,以及所有的主要汽车原厂设备制造商,而且它提供的决策也愈来愈多。CCC的目标是连接这些各式各样的组织,形成一个密接无缝的生态系统,以快速处理索赔申请。所有这些交易目前都在云端上处理,CCC是在2003年把各种系统移到云端。它们连接3万家公司和50万名个人用户,处理价值达1,000亿美元的商业交易。可以想像,已经花了不少钱和时间才能做到这个程度。

  1. 时时寻求新的数据来源

对大公司来说,收集数据通常不成问题,但AI策略在很大的程度上是由可以收集到的任何数据所驱动的。能有更多的数据,不错。能有更准确的数据,很棒。可以立即用于AI模型的更准确、结构化数据,很理想。德勤的AI发展历程里最具挑战性的部分,可能就是整合来自客户的系统里的数据。第一资本一直拥有强大的数据,但需要设法在弹性的IT架构中储存和使用那些数据。CCC用自身的第一个商业模式来累积数据,因此为转向以AI为基础的模式做好准备。但是当CCC学会使用五年前还不存在的大量数据库时,才巩固了从数据导向业务过渡成为AI导向业务的过程。

谈到数据时,不要以为数据只是文字和数字。对CCC来说,车辆的图像是可以应用于几个关键流程的数据。CCC历年来累积了数十亿张图像,但那些是由车辆损坏现场的保险理赔理算师或维修厂商拍摄的照片。这些照片需要配备特殊显示卡的专业相机来储存和发送。

2012年左右,CCC的高阶主管注意到业余相机的性能正在迅速改良,并且被纳入智慧型手机之中。他们设想的未来是:受损车辆的车主可以自行拍照,并从手机直接发送照片,来估计保险理赔金额。高阶主管预期,在不需要专业摄影师和相机的情况下,这个流程会更快,而且更具成本效益。他们找来顶尖大学的几位教授探讨这种能力。在此同时,CCC的高阶主管开始研究一种新的AI图像分析方法,称为深度学习神经网路,只要有足够的训练数据,有时候这种方法的成效可与人力分析相当,甚至更高。

CCC网罗了一群才华洋溢的数据科学家,他们学会如何将照片对应到各种车辆的结构上,以及注释或标记照片以供训练之用。到2021年的年中,这套系统已经准备好可以部署,美国联合服务汽车协会(USAA)成为它的首批顾客之一。更多的数据、更好的模型、更多的业务和更多的数据所形成的良性循环,使得CCC的智慧型手机图像应用功能强大。新的数据会继续流进该公司,用于改善估算预测和其他的功能。这有助于CCC的客户做出更好的决策,很可能因此为CCC带来更多的业务和数据。

全力投入

我们相信,最积极采用AI、AI与策略和营运整合得最好、执行最佳的公司,将获得最大的商业价值。了解居于领先地位的采用者正在做什么事,可协助其他公司尝试评估运用AI技术推动事业转型的潜力。你的组织可以采取本文所述的十项行动,朝相同方向迈进。

我们也相信,策略性地大规模应用AI,攸关未来几乎每一家企业的经营成败。数据正在快速增加,这情况不会改变。AI是大规模理解数据,并确保在整个组织做出明智决策的方法。这一点也不会改变。AI将继续存在。积极应用AI的公司,未来数十年将称霸本身所属的产业。

文章来源:哈佛商业评论 2023/1月号