本站點使用cookies,繼續瀏覽表示您同意我們使用cookies。Cookies和隱私政策
華為以“列”的革命,實現了業務的高效運行及全球的管理協同。
文/許榕俊 華為流程與IT人工智能使能部部長
2019年,華為全球銷售收入8588億元,在全球約有19.4萬名員工,業務遍及170多個國家和地區,服務于30多億人口。如此規模龐大的“大象”,想要靈活地“跳舞”絕非易事。
為了更好地服務客戶,一直以來,華為始終堅持自己的降落傘自己先跳,利用自身豐富的企業應用場景,如銷售、研發、供應、制造、工程交付、服務、行政辦公等,打磨產品創新並開拓數字化、智能化實驗田。
從本質上講,華為公司屬于傳統企業,與生活在數字原生時代的互聯網企業不同,傳統企業的使命是提供產品及服務,作為社會大分工的產物,其運作環節眾多、分工細致而又相互依賴,相當于供應鏈在企業內化,這就導致非數字原生的傳統企業在實施數字化轉型時會面臨諸多挑戰。
例如淘寶訂單只有買家、賣家、商品3個對象,而華為訂單內化則有139個對象、5000多個列,瞄準用戶滿意度、成本、時間、質量、柔性改進等方面,若將內化的供應鏈聯動起來,華為就要走出一條具有非數字原生企業特色的轉型之路。
華為的數字化轉型之路始于2016年,在此之前,如同其他傳統企業一樣,華為也經歷過信息化階段,即將流程搬到線上。其典型運作方式是︰將各個流程節點的結果信息錄入到系統中,如ERP、OA、BI等,但作業、管理、決策等依然是在線下。
數字化轉型是在信息化的基礎上,將作業、決策、管理、指揮均搬到線上,提升以用戶為中心的業務體驗,敏捷、快速地響應用戶需求,端到端地提升整個分工鏈條的效率及質量。
這個過程帶來企業內部IT運作的巨大變化。華為采用對象數字化、過程數字化、規則數字化思路,通過把現實世界中的對象進行數字化,將業務流程、業務規則納入了數字化軌道,除了傳統系統中產生的Record數據之外,華為還利用各個觸點感知海量的Signal數據,再通過算法和人工智能形成認知,以及時、高效地支撐運營、決策。
作為大型非數字原生企業的典型,華為業務復雜且鏈條眾多,每年最重要的變革就是各種端對端流程的拉通,但是華為的流程活動有5萬多個,業務控制點有1萬多個,傳統的數字化轉型不僅難以及時響應且成本很高。為此,從2018年起,華為加大了人工智能技術的引進力度,在質量與流程IT管理部中下設了人工智能使能部,針對華為業務重復、海量、復雜的場景,利用AI技術進一步提升公司內部的運作效率。
在數字化轉型的道路上,華為也遇到了諸多挑戰。
挑戰一︰如何選取業務場景,創造數字員工為業務帶來價值。
業務場景紛繁復雜,在解決海量、重復的場景實現自動化時,可能反而增加了業務的復雜度和工作量。為此, 2020年華為提出了數字員工的概念,分解各業務角色,沿著整個作業流程系統梳理、構建作業和認知模型,通過AI提升整個業務的效率。
挑戰二︰海量對象的數字化,需要更高效的技術和手段。
基于數據,智能運營中心使運營和決策更及時、更準確、更有效,其基礎是將華為成千上萬的業務對象、規則及過程數字化。2015年,華為開始嘗試構築基于大數據的數據湖平台,將日志、IoT Sensor等納入數字化感知,2018年,又增強了圖像、語音、文字等AI感知。但歷史存量的對象往往缺乏足夠的觸點來支撐數字化,從感知到認知的規則抽象和數字化門檻非常高。
挑戰三︰要實現整個鏈條上的數據共享與消費,需要新的元數據技術以保障跨節點核心數據的一致、可信、及時。
由于節點眾多,哪怕一個數字化運營的信息加工鏈,典型場景也需要3萬多個數據,復雜場景更是需要30萬個數據,由于傳統的元數據信息都是人工錄入和管理,因此難以保障智能運營數據的一致性、可信性和及時性。而華為內部擁有5萬多個運營分析流程,需要AI驅動新型元數據開發。同時,由于列多,企業數據湖也需要擁有獨特的設計,以實現企業內部的數據共享。
挑戰四︰海量模型導致的效率瓶頸。
傳統企業要實現AI智能化,需要在節點內、節點與節點間,嵌入海量的業務算法建模,探究如何自動生成算法模型、機器求解、AutoML等,使其自動訓練、快速生成API,而不是讓數據科學家去逐個設計交付,這一點至關重要。
挑戰五︰數字員工拷貝。
華為目前的數字化、智能化轉型成果離不開復雜的配套平台、數據平台及工具平台,如何結合算力等做到軟硬一體,形成產品、易于拷貝,並粘貼到各個組織,目前仍有不少挑戰。
為了應對這些挑戰,華為探索采用場景、算法、算力、數據四位一體的方式,在華為雲底座上基于數據湖、數據工坊和數據治理,提供智能運營、智能助手、智能RPA等一系列智能服務,全面打造華為的企業智能大腦。基于此構建的業務場景數字員工,極大地降低了企業內部AI的建設成本,建設周期從初期的14-16個月縮短至目前的2周-2個月。
如上過程的核心是以智能元數據驅動,將復雜的分工數據串聯,構築可信、一致、及時的數據底座。基于DWI專門構築的數據倉,華為采用大數據邊緣計算、邊緣整合、數據圖譜等構建統一的數據模型,將各個節點之間用AI餃接,在數據與數據鏈之上,構建感知和智能,使能業務的智能運營。
目前華為內部已形成了數百個應用案例,持續使能各個業務場景更加智能。以如下場景為例︰
面向全球業務,華為將千萬級合同的處理智能化,圍繞合同的寫、讀、審各個環節全面+智能。
面向消費者、合作伙伴、企業內部熱線等提供智能客服能力,極大提升客戶體驗,每分鐘峰值接待4000個客戶,月度回答用戶問題量600多萬條,機器人坐席滿意答復率 92.8%。
面向工程作業,進一步深化遠近協同及集中共享的能力,實現100多萬個站點勘測與交付的智能輔助,600多萬人次EHS和作業的遠程智能管理,5000多萬安裝項的智能審核驗收。
基于數年的探索實踐,華為深刻地體會到傳統企業開展數字化、智能化轉型需注意幾個關鍵點︰第一,使用AI需要從海量、重復的業務開始;第二,人工智能要以數據優先,對傳統企業來說,這意味著需要進行數據治理,把AI嵌入數據流產生業務,穩定、及時地構築服務平台,搭建數據神經網路;第三,人工智能要實現普及化,必須將數據分析及人工智能平民化,傳統企業分工細碎,需從“列”的革命中,探尋數字化轉型的價值和呈現,做厚數據和智能的黑土地;第四,人才、文化的培養十分關鍵,要實現數字化、智能化轉型,需要進行業務、人才的變革,才能助力轉型成功。
面向未來,華為將不斷踐行自身的數字化轉型實踐,沉澱通用能力,在提升自身效率、效益的同時,為千行百業的數字化轉型做出貢獻。