写点什么

专访华润啤酒首席数字官,探讨智能技术如何助力酒企数字化转型

  • 2023-09-04
    北京
  • 本文字数:4227 字

    阅读完需:约 14 分钟

大小:3.28K时长:00:01
专访华润啤酒首席数字官,探讨智能技术如何助力酒企数字化转型

近些年,智能技术正在深刻影响着消费零售业的各个环节,包括营销、运营、生产、供应链管理,技术在其中扮演着重要的推进作用。


至于技术是如何发挥作用、企业在数字化的过程中又是怎么判断技术的采用与否、采用什么技术?技术如何与业务配合?针对这一系列问题,InfoQ 数字化经纬近日与华润啤酒首席数字官郭华作了交流,希望能通过酒企的数字化实践为大家解答一二。


华润啤酒在国内啤酒市场销量领先多年,当下的发展重点在于实现质量发展。在这背景下,华润啤酒的生产、供应链、营销等方面都在发生剧变。郭华指出,如果缺乏技术的支持,那么实现业务转型的充分条件将无法达成。



从“去包袱、蓄能量”,到“放大器”


华润啤酒的技术应用是在业务转型和管理升级的推动下逐步发展的。”郭华表示,在数字化的进程里,内部并没有深入探讨智能技术本身,而是更多地从业务的角度出发,根据需求和问题来判断要满足或解决的内容。其思路是以业务目标为导向,先确定需要推动的目标,然后再寻找适合的技术或可利用的技术来实现这些目标。


提升内部管理效率

整体上,华润啤酒的数字化发展过程可以大致分为两个阶段。第一个阶段是 2017 年至 2019 年,该阶段的主要目标是“提升效率”,主要关注内部组织管理效率的提升、业务执行效率的提高,以及优化整体运营效益。


该阶段在内部被描述为“去包袱,蓄能量”,利用技术整合各个工具和系统。该阶段还需要确保能够提供大量的、有效的组织效率提升工具,以应对人员减少、工厂调整和组织架构调整等挑战。依靠技术手段,华润将各个关键业务领域,如订单、费用、渠道进销存、终端管理等,建设成全国性的平台,统一管理工具和业务团队,实现能力的共享和协同。


郭华强调,“在这个时期,如果没有技术和工具的助力,那么在业务急剧变化的情况下,是很难支持业务的转型的。”


加持业务增量


第二个阶段,从 2020 年至今,华润啤酒更多地关注技术的价值创造和对业务增量的辅助。在品牌高端化、消费者运营、产品结构调整以及相关多元化业务的探索方面做了大量工作。


该阶段也可以视为“技术产品化”阶段。在这一阶段,技术对基础性工作的支持和能力快速复用是至关重要的。因为各项能力如果不能够复用,就无法支撑公司的复杂运营工作。


郭华举例道,华润啤酒拥有成千上万的销售团队以及更大规模的渠道队伍,如果做任何事情都仅依靠口头传播,那么就会很难推进。因此必须借助技术将其工具化、产品化,并与整个团队相结合,才能实现“效应”的放大化。


其比喻道,此时技术的作用更像是一种“放大器”,结合了显微镜和望远镜的作用,可以将某些能力放大,同时也有助于将微观层面的操作与宏观管理相结合,使得管理更加科学化,让团队更清晰地看到未来的方向。


技术从五个维度助力业务数字化

明确了技术的所扮演的角色之后,华润啤酒需要哪些技术解决哪些问题?对于该话题,郭华认为可以从以下五个维度进行分析。



第一类是提升效率的技术,首先要审视业务的标准化程度以及业务发生的频率和概率,从中选择高频且大量可复制的场景,再去应用相应的技术工具或数字化手段。比如,在共享业务中,华润会广泛使用 RPA(Robotic Process Automation)或自动化机器人来优化流程。这种方式是将业务标准化,然后通过自动化替代人力,从而降低人工参与、提高准确性和及时性。


第二类是赋能型的技术。以供应链为例,通过应用算法来平衡现有需求和供应之间的关系,当前华润啤酒的供应链计划和仓网规划都运用了大量的计算逻辑和算法来进行资源配置和优化。郭华表示,这一类技术本质上是解决一些结构性难题,比如调整业务的分工合作、优化流程,以及在组织层面培养一些中心化的能力。


第三类技术主要关注提升业务团队的管理质量,使其更准确、可量化和精准。华润啤酒会在终端拜访环节应用 AI 技术,一方面提升了访销效率,另一方面获取了终端客户的信息以及竞品信息,同时也可以进一步确保业务团队在终端操作方面更为准确。另外这类技术的应用场景还有产品追溯,华润开展了白酒“五码关联”、啤酒“三码关联”等举措。


第四类技术主要侧重于企业内外部的交互,增强上下游合作并应对各种边际问题,比如沟通效率的提升、信息共享,传递品牌能力等。具体而言,华润啤酒做的供应商协同平台、经销商大客户平台、三级会员体系以及消费者运营 CDP(客户数据平台),这些应用的目标都是为了解决企业与外部相关方之间的合作难题,提升大客户的能力,为其提供专业培训,将终端操作规范化为标准操作流程(SOP)并以工具固化等等。


最后一类技术解决的则是企业决策能力和决策质量的问题。以提升数据质量和加强数据应用为例,将不同类型的数据产品化,构建各种“驾驶舱”,将数据能力嵌入业务决策中,从而提升市场判断、业务感知和执行策略的准确性。具体场景包括终端和经销商费用配置的精益化分析,还有消费者运营中的标签构建和群体划分等,这些都需要大量的数据分析和决策支持。


“总的来说,一些大家比较耳熟能详的数据中台,在数据层面用的追溯技术、图像识别等,以及一些与国家战略相关的信创技术,在上述五个方面都会涉及到。”郭华总结道。


技术应用路径跟业务状态紧密相关

面对不同作用、不同类型的技术,如何将其应用到业务当中的各个关键环节?与上文所述的核心逻辑一致,在华润啤酒数字化的进程里,技术的应用路径还是跟业务的状态和阶段紧密相关,先解决系统整合问题,然后解决经营管理、资源配置和决策支持等问题,以适应业务的不同发展阶段。


以生产环节为例,第一阶段技术主要解决管理上的整合问题,通过标准化来提高效率。华润啤酒原来有 98 家工厂,经过产能优化后还有 63 家。但这 63 家工厂一开始并没有按统一的标准进行管理,导致工厂之间的可比成本和质量一致性难以做横向的对标。



此外,尽管销售侧的业务复杂,但早期的策略就是在 ERP 中定制化开发大量销售模块,这也导致系统变得过于庞大和沉重,后期无法满足业务需求。


为了解决整合的困境,华润啤酒对原有的 ERP 系统做了优化,采取了“上合下沉外延”的策略。比如,将 ERP 中不擅长存在的功能剥离出去,如将计划部分上合并入 S&OP,以避免数据频繁交互、核对不准确等问题。

解决整合问题之后,生产领域数字化的第二阶段着重于提高管理效率,如通过工业数据采集、设备资产管理、生产成本分析等工具来精细管理工厂的核心资产和关键资源。此外,也关注如何通过技术优化产线计划和排产,解决产能、资源配置等问题,实现产销联动能力。


另一方面,华润啤酒也在通过自动化手段提高工厂作业效率,包括立体库、AGV 等,实现厂内作业整体联动,从而提高效率。


不忽略技术,也不夸大技术

在探讨企业数字化所面临的挑战时,多数企业都认为最难的、最大的挑战并非技术。同样地,在落地技术应用中的过程中,技术也不会是唯一的挑战,组织、文化、数据也都是需要解决的难题。


对于该话题,郭华进一步表示,驾驭技术和工具的背后是人,人对技术的误判和态度,才是最大的挑战之一。积极态度可能导致过度理想化,忽略管理、业务等方面的客观条件,从而使技术应用效果不佳。而消极态度可能导致对技术的忽略,导致与竞品的竞争处于落后位置。


除了组织能力的问题,郭华提出第二个比较棘手的难题是数据。数据是数字时代的“生产资料”。华润啤酒也无可避免地面临一些传统快消企业所面临的数据挑战。


首先,内部数据的历史遗留问题是质量低下,数据散乱,导致技术应用受限;其次,面向外部数据,存在获取难、成本高、质量差、精度不足等问题。


历史数据质量问题可以通过建立数据治理体系解决,包括流程、组织、平台体系,从而实现数据的常态化管理。但要解决外部数据获取难的问题,则没那么容易,既需要考虑技术成本的问题,还需要考虑终端和合作方不愿意把数据透明化的行业性难题。


例如,消费品企业希望实现渠道对品牌的透明度,那么需要关注销量、库存量、价格和客情等高质量数据。然而,这些数据背后还涉及到利益分配问题。终端为什么要提供这些数据,提供这些数据会让企业的运营变得更透明,但对于终端来说也许就意味着其可操作的空间被削减了。


“这个不是纯粹的技术能解决的,我觉得不能去忽略技术,但是也不能夸大技术。”


除了数据获取难之外,郭华表示判断数据可用性也是个难题。对于采集哪些数据以及该利用这些数据,许多企业是不清晰的。


比如,品牌想要收集消费者的行为数据、过程数据和订单交易结果数据,以获得更多洞察。然而,消费者的行为数据是具有不确定性,这些数据可能并不足以准确指导运营动作。以电商为例,如果一个消费者购买了一件商品,后续再向他推送相同的商品就大概率是无效的。因此,企业在采集行为数据时可能会面临高成本、但效果不佳的问题。此外,消费者的动机数据往往无法获取,比如消费者是否正在进行家庭装修、学习烹饪等,而这些动机数据才是对业务具有重要意义的。


虽然在判断用户动机这点,短视频平台作了很好的示范,即采用按用户浏览内容的概率推送内容。“然而,这种方式也可能将用户局限在信息茧房中,限制了他们的信息的拓展能力。”

产学研需进一步联动

毫无疑问,消费品行业正身处数字化的浪潮,企业纷纷希望通过引入新技术来提升效率、优化用户体验、拓展市场等,但同时也面临成本门槛和应用门槛的难题。


郭华以图像识别技术为例,解释了通用技术在不同垂直行业的应用需求,以及在特定环境下的瓶颈问题。他说,“如果有专业人士深入研究食品饮料行业在图像识别方面的特定诉求,举一个例子,产品包装中的环境因素会严重影响识别率。因此在不同的光照条件和温度下,图像识别效率可能会下降,难以保持稳定。”


然而,他指出,目前没有多少人尝试解决这类问题,大多数只是将其拍摄成照片,然后通过图像引擎训练来近似描绘。虽然这种方法可能提供快速的结果,但它的准确性和实际意义有待商榷。


其进一步指出,许多技术服务公司都没有深入解决这些痛点和问题,而是只是在通用技术上拼价格,这实际上不是真正的降低成本,而是恶性竞争。


此外,其直言业界在产学研结合方面的表现并不好。技术型公司常常试图找到试验田,商业公司则更关心解决问题、增加收入或降低成本,而学术界希望发展新的理论。“三方有各自的需求,本来这些需求是可以统一起来的,但是由于整合不足,大家往往各自为战,没有形成协同合作。”


因此,郭华希望一些平台型的机构、以及行业中的头部企业可以去推动整合不同的需求,这将有助于促进产业界、学术界和商业界之间的合作,达到更好的数字化协同效应。


欢迎关注「InfoQ 数字化经纬」公众号,我们将持续为您推送更多、更优质的数字化案例内容和线上线下活动。

2023-09-04 15:243749

评论

发布
暂无评论
发现更多内容

LabVIEW控制电脑关机、休眠、注销和重启

不脱发的程序猿

LabVIEW LabVIEW控制电脑

Java 线程池原理分析

爱好编程进阶

Java 面试 后端开发

JVM+分布式+算法

爱好编程进阶

Java 面试 后端开发

甲辰篇 創世紀《「內元宇宙」聯載》

因田木

元宇宙 貴人網 電子書

22道Java Spring Boot高频面试题

爱好编程进阶

Java 面试 后端开发

Java语言特点

爱好编程进阶

Java 面试 后端开发

redis优化系列(二)Redis主从原理、主从常用配置

乌龟哥哥

4月月更

将新增和编辑的数据同步更新到列表

岛上码农

flutter ios开发 安卓开发 4月月更 跨平台开发

LabVIEW实现应用程序停止或退出

不脱发的程序猿

LabVIEW

世界读书日:我想推荐这几本书

宇宙之一粟

书籍推荐 书单 4月月更

自动化的艺术

俞凡

架构 大厂实践 PayPal

kotlin 如何解决 java 开发痛点,让程序员 happier

爱好编程进阶

Java 面试 后端开发

[Day23]-[数据结构]手写LRU

方勇(gopher)

LeetCode LRU 数据结构算法

2021年秋招,薪资排行NO

爱好编程进阶

Java 面试 后端开发

AtomicIntegerArray源码分析与感悟

爱好编程进阶

Java 面试 后端开发

Java单例模式实现,一次性学完整,面试加分项

爱好编程进阶

Java 面试 后端开发

Java岗大厂面试百日冲刺 - 日积月累,每日三题【Day39

爱好编程进阶

Java 面试 后端开发

k8s client-go源码分析 informer源码分析(1)-概要分析

良凯尔

Kubernetes 容器 云原生 Client-go

解锁OpenHarmony技术日!年度盛会,即将揭幕!

OpenHarmony

大会 OpenHarmony

Choreographer全解析

爱好编程进阶

Java 面试 后端开发

krpano全景之vtour文件夹和tour

爱好编程进阶

Java 面试 后端开发

解决方案架构师的小锦囊 - 架构图的 5 种类型

亚马逊云科技 (Amazon Web Services)

技术 职业 亚马逊云科技

我是如何用 Amazon Serverless 创建一个门铃的

亚马逊云科技 (Amazon Web Services)

Serverless Lambda AWS showdev

在docker上编译openjdk8

程序员欣宸

Java JVM 4月月更

顶级元宇宙游戏Plato Farm,近期动作不断利好频频

小哈区块

Java泛型机制详解;这些你都知道吗?

爱好编程进阶

Java 面试 后端开发

“亿”点点技术情怀

不脱发的程序猿

程序员 程序人生 技术情怀

初探 Lambda Powertools TypeScript

亚马逊云科技 (Amazon Web Services)

typescript Serverless Lambda AWS

采用百度飞桨EasyDL完成指定目标识别

DS小龙哥

4月月更

Plato Farm-以柏拉图为目标的农场元宇宙游戏

西柚子

Java 结合实例学会使用 静态代理、JDK动态代理、CGLIB动态代理

爱好编程进阶

Java 面试 后端开发

专访华润啤酒首席数字官,探讨智能技术如何助力酒企数字化转型_机器学习/深度学习_罗燕珊_InfoQ精选文章