五个引领数码转型的机构

今年夏天,哈科特集团公布了其2019年数字奖的获奖者,该奖项聚焦了位于数字转型前沿的公司,包括智能自动化、机器人过程自动化(RPA)、认知计算和高级分析。

Nic Walden,英国采购项目负责人哈科特集团,列出了五家排名靠前的公司。

创新企业继续使用颠覆性的数字技术,在效率、效益和经验方面取得巨大进步。哈克特集团的2019年关键问题研究显示,所有部门采购团队的排名第一的主要万博体育下载app改进项目是进行重大技术平台投资,选择使用新的和新兴的工具,如机器人过程自动化(RPA)、认知自动化和高级分析。

许多公司的数字化转型努力仍处于试点阶段。但其他人,如哈克特集团2019年数字奖的获奖者和决赛者,成功地实施了成熟的大型项目,通过削减成本、发现新机会和从数千小时的管理工作中解放人才等方式实现了额外价值。

根据哈克特集团与企业合作加速采购数字化转型的经验,我们认为有五家公司目前在这一领域处于领先地位。

沃达丰(Vodafone)

沃达丰集团每年发出约80万张订单,收到500万张发票。为了消除大规模采购操作中的低效现象,沃达丰建立了供应链管理控制中心,使采购过程的实际运作完全透明。供应链管理控制中心可以在不到10秒的时间内发现隐藏的效率低下,使沃达丰供应链管理(SCM)团队的600多名成员能够快速了解出现的问题。它还可以通过先进的分析、人工智能和预测建模能力提高效率和合规水平。

壳牌

壳牌的目标是创建和利用一个通用的、基于云的数据科学平台和相关的数字能力,以填补其“数据科学技能缺口”,并解决大量的业务问题,从合理的库存规模到改善供应链,从预测维护到优化下游制造单元的操作。

初步结果令人印象深刻。壳牌现在使用预测分析来优化陆上/海上钻井平台备件库存的订购、存储和利用,范围从井口到管道部件。该项目带来了数百万美元的收益,并在4周内收回了成本。类似地,壳牌正在使用机器学习来预测跳闸或关键设备(如阀门和压缩机)的故障事件。利用相同的核心技术集,该团队能够在部署后的最初几周内交付数百万美元的收益。

拜耳

拜耳数字化之旅的关键成果是让事情变得更简单、更快。开发了一个自动化预测平台,以利用统计数据,提供独立的跨职能覆盖,降低总运营成本。该平台扩展了拜耳的业务分析能力,从描述性到最先进的预测分析——所有这些都是内部开发的。

该解决方案已与企业业务数据仓库基础设施集成,并显著提高了预测和基于场景的规划的速度和准确性。结合外部成本的降低,该解决方案实现了显著的效率和预测精度的提高,这反过来将有助于改善库存状况和产品可用性。

IBM

IBM拥有300多个不同的遗留系统、数据库和应用程序,销售订单的业务流程在IBM内部仍然是碎片化的。其结果是大量手工、重复的任务,限制了8000名订单到现金从业者将时间花在高价值活动和任务上的能力。

为了解决这个问题,创建了一个自动化卓越中心,以建立一个数字劳动力来执行普通的任务,这样焦点就可以转移到提高速度和质量,并真正以客户为中心。这项工作已经在美洲、亚洲和EMEA实现了36万小时的生产效率提高。

反过来,这产生了额外的数据,这些数据对流程和工作问题提供了更好的洞察——实现了更智能的工作流,可以使用多种自动化技术,如RPA、聊天和认知自动化。

惠普

惠普正在利用RPA、机器学习和自然语言处理来自动化特殊定价,这是其全球销售引擎的一个战略元素。这种新的数字方法改进了报价的时间、报价的准确性,并显著增加了报价转化为订单的可能性。

迄今为止,该解决方案已在三个国家成功部署,端到端机器人解决方案和自然语言处理输出的成功率很高。惠普预计,随着该解决方案被引入更多国家,交易定价报价过程的准确性和周转时间将会提高。

在哈克特集团,我们越来越多地看到“3a”的强化影响——自动化、分析和人工智能。尽管它们来自不同的方向——自动化依赖于流程优化,分析源于数据科学,而人工智能则由机器学习等计算机科学技术驱动——但这三个数字杠杆正被公司计划同时而非孤立地拉动,以从其数字项目中获得可能的最大回报。

值得注意的是,正如这些案例研究所表明的,越来越多的公司正在使用这些快速实施的、具有成本效益和颠覆性的方法来推动更广泛的业务成果,不仅是在效率和成本降低方面,而且还引发了更高影响的业务成果,如减少支出、加快销售和提高留存率。自动化、分析和人工智能的协调将成为未来采购和数字业务日益重要的能力。

可以要求提供免费研究——《世万博体育下载app界级采购:在数字时代重新定义绩效》在这里

如果你正在考虑进行技术平台投资,不要忘记“花钱很重要”333manbetx 可以帮助您确定一组潜在的供应商。

免责声明:本文仅代表作者个人观点,并不代表Spend Matters的观点

在Procurious分享

讨论:

您的电邮地址将不会公布。

这个网站使用Akismet来减少垃圾邮件。了解如何处理您的评论数据