数字化转型是“老生常谈”?其实用“历久弥新”更为恰当。因为数字化转型是一项需要企业全力以赴打拼的事业,是技术驱动的管理变革与业务创新过程。
数字化转型这个“老生”,在接下来很长一段时间会被反复提及。原因有二,一个是大环境,今年是“十四五”开局之年,政府工作报告提出,要加快数字化发展,打造数字经济新优势,协同推进数字产业化和产业数字化转型,站在崭新的时代背景下,企业数字化转型已成为应对世界变化的一个新节点;二个是数字化转型领军企业占比依然很小,据埃森哲最新发布的《2021中国企业数字转型指数研究》指出,数字化转型成效显著的中国企业比例由去年的11%升至16%,领军企业和其他企业数字化差距会继续加大,业绩也会加倍分化,想要“不掉队”,就需要持续推动数字化转型进程。
数字化转型领军企业和其他企业之间是有“壁”的,怎么破壁?
还是那句话,数字化转型不是目的,而是方法,它能够让企业快速地成长,获得更高的收益,这才是企业数字化转型的根本的目标。
破壁,就要从投资回报高的部分开始,埃森哲研究发现,相比传统运营,智能运营给企业带来的投资回报率要高3至4倍,用技术来驱动智能运营,可以提升运营成熟度,强化企业盈利能力,它也是企业保持业务韧性、敏捷性和转型能力的关键。
运营是企业实现永续发展的基底和核心,智能运营也需要沿着这一思路来走,首当其冲的就是财务与人力资源部门,这两个部门掌握了企业的核心资源——钱和人。尤其在新冠疫情冲击下,经济发展也进入了新阶段,CFO和CHRO的角色和重要性受到了更多重视,企业对他们的期望也更高更复杂。
CFO如何脱颖而出?关键在于怎样为行动和决策提速
CFO有哪些工作?能够正确、按时完成财务报表就可以了么?今时不同往日,根据埃森哲全球调研,79%的CFO表示,新冠疫情加剧了他们转型的紧迫性。CFO承载着董事会、CEO和最高管理层的新期望,需要通过变革不断创造出新机遇,并实现突破性价值。
埃森哲大中华区智能运营事业部总裁岳彬表示,技术、速度、价值是CFO关注的三个关键词,“超级CFO”不仅仅是一个能够把数字算对的人,他们的立场和要做的事情也发生了很大的改变。
CFO的角色也在发生变化,主要扮演了三个角色,一是经济价值护卫者,领导高效且有效的财务职能;第二是商业价值架构师,推广能力与协同,促进全企业范围的合作;第三是数字战略驱动者,要为新商业模式创造洞察力,在数字化世界中实现价值。
智能运营则是CFO改变工作方式、提高盈利能力和效率的关键所在。例如企业运营财务人员,要看资本怎么最有效地运营好,是不是中间每个环节都是高效运转的,钱省在哪里,应该省在哪里,应该投在哪里等等。他们可以通过自动化和人工智能等数字技术优化核心功能,为计划、预测和决策方面提供数据洞察。
百年不变的人力资源 也要“求变”
人力资源的核心就是管理“人”。
数字化和新冠疫情都在重塑企业组织方式和员工队伍,作为组织与人才建设的核心部门,人力资源如果由于资源受限,导致整体应变不足,价值就会受困,据埃森哲全球调研,全球只有14%的企业对员工的数字成熟度表示满意,81%的中国受访企业高管认为人力资源工作需要重塑,才能跟上业务创新的步伐。企业如何通过数字化挖掘员工潜力,实现可持续增长,并实现HR新角色及新智能转型,是人力资源努力的方向。
埃森哲大中华区战略与咨询董事总经理陈继东认为未来人力资源有四大目标,彼此之间有逻辑关系。他表示,战略透视是我们需要从战略上意识到人力资源的管理对于未来企业的发展非常重要;动态架构,在深入理解业务后,搭建敏捷适配的组织架构以推进业务开展;以人为本就是以员工体验为核心去做人力资源管理的工作;数据重构是整合数字化中台,实现业务需求、员工数据以及人力服务的打通,动态分析预测人才需求变化。
埃森哲内部人力资源就通过建立鼓励机制,推动员工转岗或者流动,不同的岗位、不同的职能,要求不同的专长,埃森哲希望改变思维方式,不是“留人”,而是员工“不想走”。这些都可以通过智能运营来实现。
在埃森哲智能运营服务中心,埃森哲开发了名为“智赢”平台(SynOps),汇总了1,000多个客户的服务数据和洞察,以及几十年来埃森哲积累的跨职能、行业和领域的专业知识,形成了一个深厚广博的数据库,来帮助企业灵活实现数据整合和洞察,提升预测性决策的时效性和有效性。
我们现在所处的时代是一个技术不断颠覆传统的时代,企业需要与时俱进,不断地颠覆自我,实现创新,向成为数字化转型领军企业的目标一步步迈进,持续创造出更大的商业价值。
好文章,需要你的鼓励
这篇研究提出了OThink-R1,一种创新的大型推理模型,能够像人类一样在快速直觉思维和慢速深度推理之间自动切换。研究者发现,现有推理模型即使面对简单问题也会生成冗长的推理过程,导致计算资源浪费。通过分析推理轨迹并使用LLM评判员区分冗余和必要推理,OThink-R1能根据问题复杂度动态调整思考深度。实验表明,该方法平均减少了23.4%的生成文本量,同时保持或提高了准确率,代表了向更高效、更人性化AI推理系统迈出的重要一步。
这项研究提出了SHARE,一种新型文本到SQL修正框架,它利用三个小型语言模型(SLM)协同工作,实现高效精准的SQL错误修正。SHARE首先通过基础行动模型将SQL转换为行动轨迹,再经过模式增强模型和逻辑优化模型的层次化精细化修正。研究团队还创新性地提出了层次化自演化训练策略,大大提高了训练数据效率。实验结果表明,SHARE在多个基准测试上显著提升了SQL生成准确率,计算成本仅为传统方法的十分之一,并展现出强大的泛化能力,适用于各种生成器模型和SQL方言。
这项由香港大学和南京大学等机构研究人员联合开发的双专家一致性模型(DCM)解决了高质量视频生成中的效率难题。研究团队发现扩散模型蒸馏过程中存在优化冲突:早期阶段负责语义布局与运动,后期阶段关注细节精修,两者学习动态差异显著。DCM创新性地将这两个任务分配给不同的专家模型,通过参数高效的实现方式,使模型仅需4步即可生成接近50步原始模型质量的视频,大幅提升生成速度,为实用化AI视频创作铺平道路。
这项研究介绍了QARI-OCR,一种基于Qwen2-VL-2B-Instruct模型微调的阿拉伯文字识别系统。研究团队通过三阶段合成数据训练,成功解决了阿拉伯文字识别中的主要挑战:曲线连笔特性、上下文变化的字母形状和发音符号。QARI v0.2模型创下了0.061的字符错误率和0.160的单词错误率,超越了现有开源解决方案,为阿拉伯文化遗产的数字化保存提供了重要工具。