机房360首页
当前位置:首页 » 会议/培训/展会 » 蒙牛智能化转型的思考与实践

蒙牛智能化转型的思考与实践

来源:技术加 作者: 更新时间:2024/8/1 9:56:58

摘要:蒙牛成立于1999年,如今已成长为全球第八大乳业集团。在中国,蒙牛的产品家喻户晓,包括常温奶、鲜奶、奶酪、奶粉、冰激凌等。现在的二赛道产品还包括运动蛋白饮、益生菌等更贴近日常健康的产品。随着产品线的精细化,二赛道的产品需要更紧密地与消费者联系,更深入地了解细分需求,这就需要更多的“新智生产力”来帮助这个细分的服务做的更加到位。

大家早上好,我是蒙牛集团副总裁、集团CDO李琤洁。很高兴在CDIE论坛与大家相聚,共同探讨数字化创新与转型。今天,我将分享蒙牛的AI转型之路。

图:蒙牛集团副总裁、集团CDO李琤洁

蒙牛成立于1999年,如今已成长为全球第八大乳业集团。在中国,蒙牛的产品家喻户晓,包括常温奶、鲜奶、奶酪、奶粉、冰激凌等。现在的二赛道产品还包括运动蛋白饮、益生菌等更贴近日常健康的产品。随着产品线的精细化,二赛道的产品需要更紧密地与消费者联系,更深入地了解细分需求,这就需要更多的“新智生产力”来帮助这个细分的服务做的更加到位。

在整个AI转型里面,为什么说对大型企业很困难但也很有价值呢?因为既要处理遗留问题,又要考虑现有业务。这就像是在飞行中更换飞机引擎,既要保持飞行,又要完成升级。当一家大型企业要去做一些AI的新的生产力融入的时候,原来数字化的基础做的如何,对后面生产的加速度是有休戚相关的影响的。如果这些积淀被有效利用,它们将成为宝贵的财富;反之,则可能成为负担。对原来数字化的基础不太多的企业,AI可能起到弯道超车的作用。

蒙牛的数智化历程

蒙牛信息化、数字化始于2000年,是一直写在基因中的,数字化进程经历了三个主要阶段。

第一阶段是“货”的数字化,蒙牛实现了从牧场到餐桌的全链条数字化,详细记录了从牧场的一棵草到一杯奶的每一个环节,积累了大量产品数据。第二阶段是“人”的数字化,蒙牛目前在中国能够触及的不重复消费者数量约为2.2亿人。了解这些消费者的消费习惯和服务倾向,识别他们的细分需求,对于提供更贴合的产品和服务至关重要。只有在第一阶段和第二阶段建立了坚实的数据基础,第三阶段的AI应用才能在供应端和消费端实现质的飞跃。


AI工具能够让工作效率更高,只是冰山一角。企业要插上AI的翅膀,让AI成为企业转型和赋能的工具,让企业能够降本增效发生质的变化,在AI助力之下产生新的业务模式、最新的生产力,其实需要的不仅仅是对工具的使用,更需要的是考虑到AI作为大脑在业务工作中处处融合,才能够让人机协同的效力,以10倍的价值去释放。那么做到这个10倍以上价值释放的再下层是什么呢?其实是AI能够融入到企业里的每一个业务流程,能够融入到组织变化,这是整个冰山的最底层。只有在构思顶层建筑时,考虑到所需不仅是工具的简单赋能,而是整个企业运作模式的全面重塑,AI的整体战略才能真正为大型企业带来巨大的价值。

从经典理论出发,看如何构建“新质生产力”

今年,"新质生产力"一词频繁被提及。从经典理论看,生产力三要素包括了劳动者、劳动资料、劳动对象,而新质生产力的核心在于拥有新理念和新能力的更高素质的劳动者,利用先进的工具,十倍、百倍的提升价值创造的效率,不仅增强现有业务,也为未来业务发展和商业变革指明方向。


在AI的推动下,新质生产力的实现需要将技术基础与智能流程相结合,形成企业运营的核心驱动力。对于大型企业,这不仅仅是引入单点式的提升生产力的工具,而是要构建一台“造机器的机器”,这不是开箱即用、不是在云端上接一个API就能做到的,而是需要经过一系列精心设计的步骤。那这一系列动作蒙牛是怎么布局,怎么一步一步实现的呢?

企业的运营流程会产生数据,而这些数据经过抽象和沉淀,转化为知识。知识作为AI的基本生产资料,通过不断学习和提升,AI能够形成自己的判断和类似人类的行为。在这个过程中,企业将数据转化为知识。这些知识不仅包含数字化过程中积累的数据洞察和研究,还包括大量未被结构化的文献、标准操作程序(SOP)和图形资料等。企业需要构建一个知识银行,并在原有的数据中台基础上进行叠加,形成AI学习的基础环境。

业务中台则是企业抽象出来的共性能力,是一系列开箱即用的API,能够在企业内部灵活、快速地使用。在AI时代,AI作为大脑可以调度这些API,知道如何组合它们以形成新的能力,这些新能力加入到企业运营流程中,就形成了智能流程。而调度这些API需要一个企业大脑,因此知识银行加上企业大脑构成了企业AI能力的核心,也就是所谓的“造机器的机器”。

完成相应的布局后,企业将迈入人机协同的新阶段。传统上,人机协同侧重于点状赋能,如OCR和RPA技术,这些工具虽被多人使用,但更多依赖于人的参与。随后,我们进入了人机互动的Copilot时代,在这个阶段,人与机器的依赖开始趋于平衡,AI开始在更多领域辅助人类,其作用日益深入。

那么在Copilot之上会是什么呢,当AI开始学习企业理念和知识,具备调度企业资源的能力,就会形成一个个的Agent。不同于以往简单的点状任务,Agent能够执行端到端的工作流程。例如,在直播场景中,Agent不仅提供脚本,还能协调角色、数字人和平台,甚至响应观众互动,实现类似人类的全流程操作。当有Agent存在的时候,人在事情中的参与度就随之降低,这个时候,人就能更多地转向上层建筑的规划和整体战略。当企业拥有大量Agent时,Agent之间的协作将成为常态,而人类则专注于规划性工作。这将极大提升企业的自动化和智能化水平。

AI时代下的企业运作

在AI技术的推动下,企业运作流程将发生显著变化。未来,通过企业大脑的智能调度,将由AI生成和执行端到端的流程。AI将明确目标,围绕这些目标设计和执行流程,并在过程中不断积累数据,进而利用这些数据进行自我优化。

要做到这样的运作,企业需要构建什么样的能力呢?每个企业都有销售、市场、人力或财务等职能流程,这些职能流程的存在是为了串联到价值链中,实现企业价值链的价值。通过将职能流程拼装为端到端的价值流,如LTC、MTL。因此,企业存在很多流程AI化的机会。AI的发展为企业提供了将每个职能流程AI化的机会。流程越清晰,数据积累越好,目的性越明确,企业就越有可能将其Agent化。

当Agent化后,替代了某些职能流程,在端到端里面发挥了更高智能效益,端到端的流程就会越来越好,而且不断进化。对于首席信息官(CIO)来说,这就意味着在数字化驱动下,企业将越来越多地从传统的高代码应用转向低代码应用。通过明确和沉淀下来的API,企业大脑可以更灵活地调动资源,推动企业向更智能、更自动化的方向发展。

在做这件事情的时候,我们将“质量”的“质”衍化为“智力”的“智”。整体的“新智生产力”的衍生是靠三种能力的互相碰撞形成的:一是技术;二是人,就是拥有新的知识领导力的人群;三是新的业务场景。技术与场景的结合催生了AI赋能的商业环境;技术与人的结合意味着人拥有了更新的生产力,推动了领导力的AI转型;而场景与人的互动则促进了智能化流程的重塑。
 

“ALIGN”五步方法论

在这一过程中,我们面临诸多挑战。蒙牛总结自身经验,提出了一套“ALIGN”五步方法论,从统一思想、共享认知到定位合适的场景,再到正确的AI应用,逐步展现AI价值。分别给大家做一下介绍:

Awareness:统一思想,形成共识

我们做的第一件事情是统一思想。通过在企业内部举办多场针对性人群的会议,让不同部门的员工,包括业务和技术团队,共同了解AI生产力的先进性和潜力。不仅要展示AI能实现的事情,还要促进跨部门的碰撞和交流,识别出最适合AI赋能的业务场景。

不是所有的场景都适合在当前去落地并产生价值,我们鼓励团队成员共同探讨并达成共识,选择一个场景进行试验,开展概念验证(POC)。这个过程不是简单地采用外部提供的API开箱即用,而是通过内部讨论,找到合适的场景,利用现有的人才和技术能力进行试点实现。

在蒙牛,我们举办了多次这样的统一共识会议,包括与业务团队的会议、业务与技术团队的联合会议,以及仅与技术团队的会议等。通过这些会议的建立了共识,明确这种新型工具能带来的价值,并确定了在当前最佳的试验场景。

Locate:定位最有价值的场景系列

在达成共识后,我们便定位最具价值的场景。在蒙牛,我们将业务场景总结为5种类型。在这5个大的场景里面各自往上递延基本上是对企业内部的企业知识跟行业知识越来越依赖的一个过程。并不是所有的场景落地都靠企业内部力量实现。


第一种场景是通用技能上的AI工作效率优化,如企业普遍使用的即时通讯(IM)工具,会议纪要总结等,这些能力可以通过现成的解决方案和小型数据库实现。第二种场景是专业领域技能的AI效率优化,主要指起到降本作用的后台业务,这些能力也无需自研,如智能招聘,通过连接企业知识大脑,借助头部的SaaS厂商的AI能力即可实现。

第三种场景是做增效的前台业务,这些业务往往对企业内部规则和个体依赖性较强。例如,销售赋能涉及到对企业产品知识、销售流程等的深入理解等。这些场景的落地对企业内部的知识库和API调度能力的需求越来越高,也就越依赖于企业自身的能力。

第四种场景是食品饮料行业专业和流程优化,就更依赖于企业自身。比如数据分析,企业的运营报告有很多张,这些报表中充满了企业内部和行业内的专业术语,被称为“企业黑话”或“行业黑话”。以乳业为例,所谓的“大日期”是行业内对临期产品的专有称呼,这类术语在企业数据观察中经常被使用,但如果没有企业的长期积累,外部人员很难理解。因此,数据分析和业务运作在很大程度上依赖于企业内部的知识输入。

第五种场景就是商业模式的变革,更多是结合行业、结合洞察、结合对未来的一些预判以及企业自己的强项跟弱项,寻找机会点做一些AI的变革,所以先把场景进行细分,然后结合能力来看,到底应该在那个场景里面去落实。

Grow:增长智能范围,制定长期计划

明确落地场景后,需要开始做整体的赋能增长。有三个关键点:第一需要有一个明确的长期计划,技术团队需要搭建造机器的机器作为技术能力;业务团队需要找到场景来做人机协同,寻找AI Agent的机会;管理层需要明白在AI技能上的使用对AI的价值是长期为主,还是增效为主。只有制定一个长期的战略目标,这样往下走才不会失焦。

确立长期目标后,需要对内部流程进行梳理。以蒙牛为例,我们将所有业务分为四大领域:营销、渠道、供应链和管理,并将所有业务流程从L1到L5进行细化。在这一过程中,识别出可以被AI Agent替代的流程。然后利用“造机器的机器”的技术能力,开发相应的AI Agent,并将它们嵌入到业务流程中,实现自动化,并通过流程的不断自我适应和成长,实现智能化。

那这台造机器的机器由什么构成呢?2022年蒙牛做这件事情的时候从下到上具备几个能力:一是基础设施,基础设施到今天已经比较完善了。本质上做的是大模型的调度跟选择,市场上有很多模型,每一个模型我们一直都在做各种测评各种了解,不同模型在不同地方有不同的强项,在什么地方适合用什么,以及调度进来这些模型之后,需要做数据区隔、做权限管理,要做很多基础设施的底层事情,所以叫作基础建设。如果企业要造一台机器,这是一定要有的能力。


再往上是最关键的两个引擎。第一个引擎是知识银行,是企业内部沉淀的结构性、非结构性的所有数据。知识银行不只是有一个数据湖把数据放进去就行了,传统的要做数据的治理、数据的清洗,知识银行里面也是同样的,是有很多要求在里面的,要有不同主题的内容放进去。要自动把主题做关联,寻找知识的时候才不会遗漏,不会偏差。比如,企业有很多专有名词需要建立确立的索引,在知识银行里面,AI在寻找的时候可能需要一些索引去找到相关联的内容,比如文章里的内容有很多代词,蒙牛里面我们叫常温,常温既是常温奶,也是常温事业部,到底在什么情况下叫常温事业部什么时候是产品,都是有一定规则的,这些规则AI都要知道,才能更好的运作。同时,知识银行也需要做一些判断性的内容,比如用知识银行里面现有的东西做一些数据分析,想做一个季度的财务分析,是不是能够找得到,部分内容缺失,AI知不知道要去哪里找,这些都是企业知识银行所要具备的一些基本能力。这些能力当前并没有看到特别适用的开箱即用的产品,所以这一部分是在蒙牛内部进行自研,并对这个产品进行非常关键的打磨,所有以后越往上走的场景使用越跟这个知识银行的能力紧紧挂勾。 

再一个引擎就是企业大脑。就是用哪个大模型能够去调度一些小的模型跟那些企业既有能力的API关联起来,形成新的能力,这就是企业大脑。再往上是低代码平台,能够在前端通过一些拖拉拽的方式,快速形成一些能够运用的界面。

Ignite:建立精品Agent和应用,激励持续前行

蒙牛企业内部打造的企业大脑和知识银行是如何互动、如何做的?这台造机器的机器到底是怎么运作及生产的?有了growth challenge之后,就要建立一些精品应用,把所有之前做的准备变成一个一个Agent的能力,在业务里面能够运用起来。

为了实现这一目标,蒙牛组建了一个跨领域的团队,团队成员的角色比个人身份更为重要。我们的经验表明,在这一过程中,至少需要六个关键角色,包含偏业务属性和偏技术属性角色。这些角色要共同构成一个团队,作为一个先锋部队,帮助那些需要AI Agent介入的场景进行梳理,并共同培育Agent的能力。

这些在蒙牛内部已经全量跑起来了,已经在内部成功部署了七个Agent,在业务流程里面扎根使用。最早我们做了AI营养师。因为快消品很难和消费者产生真正意义上的高强度的粘性,所以我们为所有消费者提供了一个叫做AI营养师的服务,用户通过扫描蒙牛产品包装上的二维码即可获得一个能够提供个性化营养建议的AI营养师,可以基于生活场景和诉求提供服务,比如减肥、孩子长高、老人健壮骨骼等。奶粉事业部做了AI育婴师,为新手父母提供专业的育婴知识。运动营养事业部则开发了AI运动营养师,指导消费者在运动后、运动前及运动过程中到底应该怎么做才能够让运动效益发挥更大价值。

在营销端,蒙牛每年有大量广告投放,投前如何做策略、人群如何选择,内容如何自动化、高效生成,以及投后如何不断优化,都是非常关键的端到端的能力。依赖以前积累下的数据跟营销,以及已经建立起来的知识图谱,我们快速构建了一个叫广告投手的AI Agent,来帮助整个广告业务运转起来,今天有12个品牌在使用该平台进行广告投放,广告的投放响应率提升了12%-13%。

我们还开发了AI SEO专家Agent,每篇文章发在不同平台怎么自然的排名到前面,其实都有一定规则,营销知识也需要做加工,所以我们做了Agent,把所有文章在不同平台做友好的改写,优化其在各个平台上的表现,从而提高内容在自然搜索中的可见度。

此外,我们也推出了数据分析专家,是三个Agent在协同工作,出策略的Agent、查数据的Agent、出报表的Agent,各自都是自己有自己的智能方式,学习了知识后组合在一起,形成了一个所谓查数工具,在前端进行语义交互的使用。这推动了数据分析的AIGC,使一线人员能够通过自然语言查询,直接获取所需信息,实现数据的平权使用。

Nurture:培育全员,共创未来

完成上述步骤后,还需要从下往上把全民的生产力激发出来。因此,蒙牛内部举办了集团创新大赛,鼓励所有员工在各自领域内发掘场景需求并参与创新。同时,我们还实施了提示词工程师培训计划,目前已有大约370名员工通过了培训和考试,成为合格的提示词工程师。这些工程师平均每15分钟即可在公司的平台上创建一个新的应用卡片。公司通过积分奖励鼓励所有员工参与应用的创作与使用,从而让所有员工都能感受到AI的生产力。


总结

蒙牛AI转型走过的路径:首先,通过统一思想和形成共识,确立共同的目标和方向。其次,在明确的方法论指导下,识别并定位适宜的场景,正确地应用AI技术,让大家看到一定的价值。最后激发全民一起能够在这个平台上,协助整个企业做AI的成长和转型,让企业的流程能够越来越智能化,组织越来越能够在原生AI的群体上靠拢。

责任编辑:Cherry

机房360微信公众号订阅
扫一扫,订阅更多数据中心资讯

本文地址:http://www.jifang360.com/news/202481/n0590157366.html 网友评论: 阅读次数:
版权声明:凡本站原创文章,未经授权,禁止转载,否则追究法律责任。
转载声明:凡注明来源的文章其内容和图片均为网上转载,非商业用途,如有侵权请告知,会删除。
相关评论
正在加载评论列表...
评论表单加载中...
  • 我要分享
推荐图片