当前位置: > 热传

原创 | 自动化管理的实施:意义与路径

时间:2022-08-25 23:26:42 热传 我要投稿

导语

自动化生产与自动化管理对企业的发展都具有重要的影响。自动化生产所影响的更多是与企业生产相关的过程,而自动化管理对企业的影响则更加全面和深远。在数字化时代,企业必须要重视运用自动化管理以获得可持续的优势。那么,企业究竟应该如何认识和开展自动化管理呢?

文 / 刘杰

企业对自动化管理的定位

近年来,伴随着物联网、云计算、大数据以及深度学习等技术的发展,自动化管理也成为赋能企业管理的一项重要应用。自动化管理的实质是运用基于人工智能(Artificial Intelligence - AI)的解决方案来完成管理任务。虽然AI这个概念在二十世纪五十年代就被提出,并且半个多世纪以来也经历了多次发展浪潮,但是,AI的基本组成并没有改变,仍然由数据、模型(也称“算法“)和算力等三大基石组成(如图1)。

图1 组成人工智能的三大基石

正是由于大数据(数据)和云计算(算力)的高速发展,特别是机器学习技术的长足进步,AI又一次成为企业的热点应用技术。而对AI三大基石中的算法可以从不同视角加以理解。一般而言,企业可以将算法理解为是一个明确的计算过程,该计算过程在计算机中表现为一个或一组程序,该程序接受某个数据或某一组数据作为输入,通过算力的运用,产生一个或一组新的数据作为输出。从表面上看,算法就是程序,是程序员或者软件工程师的工作。然而,本质上程序的核心是发现、分析和解决实际问题的方法与过程。进一步思考可以知道,相关的方法与过程取决于具体的实际工作,甚至还与每个工作人员的思想方法和认知水平等密切相关。所以,程序的核心思想来自实际工作的抽象,这项任务一般由算法工程师承担。可以认为算法也是模型,而模型表达的是业务本身。算法也就是可以计算的业务职能,因而可以通过一定的方法对算法不断理解、解析、学习和迭代。当业务职能成为计算机可以运行的程序时,相对于人工从事该项业务职能而言,就表现出高效率、规范化和易控制等特点,能有效地降低企业内、外部的交易成本。

由于自动化管理能够带来管理协调成本的降低,因此对于企业规模的扩大提供了有利的条件。其实,计算机的出现和互联网的发展,就已经引发了企业竞争市场的变化。从个体经营对象看,以前是“一铺养三代”,近两年很多人使用一部手机做直播的收入,可能会超过一个固定的商铺,个别带货主播在双十一这一天的销售收入就超过了100亿人民币。数字化系统使得很多小企业也有了进入全国甚至国际市场的机会。美国代顿大学历史学教授拉里·施韦卡特等在《美国企业家》一书中就指出,1950年时美国初创小企业有九万三千家,而随着70年代末及80 年代个人电脑和桌面排版系统的出现,在1980年时,初创小企业的数量就增加到四十五万家,尤其是在1995年,初创小企业的数量超过了八十万家,相比1980年几乎翻了一番。分析《财富》世界500强企业,也可以发现在1996到2020年之间,企业的营收规模整体上增长了近两倍。

就整体而言,无论是理论上的分析,还是企业实践中的现象,都说明了随着数字化技术的应用,企业生产率水平普遍有了进一步的增长。可以肯定的是,当以AI为核心的自动化管理在企业中加以应用,能为企业带来两大优势:一个是管理决策的效率与质量优势,另一个是将数据作为生产要素真正地开始加以运用的优势,亦即自动化管理成为企业发挥数据要素的一个抓手。

M公司供应链自动化管理示例

以笔者参加过的一家钢铁贸易企业M公司供应链自动化管理为例,采购与供应链管理是公司持续竞争优势的核心来源。M公司上游有数十家供应商,下游有数千家客户,这里分别仅用B钢铁公司和汽车企业G公司来说明,图2是一个简化的示意图。由于钢铁产品有生产周期的限制,在传统模式下, G汽车公司通常依据自己的生产计划给M钢贸公司下达下下个月的多个车型、数百种零部件的采购计划,亦即M公司需要为G公司保留两个月生产所需的原材料库存。M公司汇总所有客户的订单后还需要向B钢铁公司传递相应的采购计划。该过程中不仅存在合同、加工、仓储、提货、物流和结算等复杂的环节,而且还常常会遇到“计划没有变化来得快”等问题,哪怕G公司对某个品种零部件一天的实际需求量达到了两个月的计划量,M公司也必须满足。

图2 M公司供应链

M公司传统的做法是,借助于信息系统安排多名工作人员,分别负责不同产品的采购与销售。其实,M公司要满足G公司对库存的需求是有难处的:一方面存在着国家之间发生贸易冲突的可能,上游B公司的原材料铁矿石存在不确定性;另一方面,保持两个月库存量所占用的资金等成本很大,而且钢铁产品市场价格波动也很大。尽管M公司近年来对信息系统进行了持续的投资,供应链中的主要环节均实现了信息化,但是,随着下游G公司的产品越来越多品种、小批量化,M公司供应链管理开始面临三大挑战。

一是数据挑战。信息系统中的数据呈指数级增长,这些累积了若干年的大量数据不仅没有发挥作用,反而占用了系统的资源,系统本身和工作人员的处理能力越来越不足。

二是交互挑战。对销售与采购这两项活动,公司虽然不断增加人员,但是与上下游之间以及公司内部部门之间的沟通与协调愈加不畅,相应的管理成本大幅上升。

三是创新挑战。原有模式下,M公司的销售对接G公司采购,M公司的采购对接B公司销售,而“对应着计划的变化”却主要取决于G公司的营销部门对某款车的营销成果和B公司的采购部门所掌握的原材料供应的稳定程度。

M公司原有的模式难以保证持续地扩大业务规模,同时,效率和效益也有降低的趋势。“功不十,不易器;利不百,不变法”,在此背景下,M公司选择进入数字供应链(Digital Supply Chain)转型阶段,这将改变传统的采购与供应链的运营、组织和关系模式,管理自动化就是其中的一项重要任务。

企业的目的是创造客户,为客户带来价值的并不是企业的某个部门、某个岗位,而是一个完整的业务流程。因此,M公司明确开展自动化管理的对象应该是业务流程,而不是某一项具体的活动。而企业流程自动化的目标主要是使流程更精简、高效,大规模业务流程管理自动化也是企业数字化转型的重要特征。

M公司采取了多项举措来部署与实施供应链管理自动化:

首先,公司召开了四天的全员研讨会,主要讨论供应链管理中面临的需求和挑战,并开展AI基本原理的培训,提出公司下一步的自动化管理解决方案。

第二,与咨询公司合作,对与上下游以及第三方之间的业务流程进行抽象整理,从上百个主要流程中识别具有高度重复性的数十个核心业务流程,确定优先为这些流程开发可以开展自动化管理的解决方案。这里的高度重复性是指在多个岗位执行或某个岗位高频率执行。

第三,将选定的业务流程转换为算法模型开发人员能够阅读的工作流程,进行算法建模。在建模过程中,分类确定程序化流程、非程序化流程和半程序化流程,对程序化流程和半程序化流程中程序化部分的算法模型进行构建,同时确定算法模型需要用到的数据及对数据的要求。

第四,预算构建、运行和维护算法模型的成本,同时计算算法模型可替代的全职员工的工时,估算运行算法模型所产生的效率与效益影响,进而创建每一个算法模型的投资回报率。

第五,依据上述过程的结果选定相应的业务流程开展算法模型的软件实现、调试、试运行和实际投入运用。在此过程中,对全员持续进行培训,开展变革管理教育,创建员工自动化管理的思维和企业的文化。

第六,持续优化、增强已投入运行的算法能力,逐步增加自动化管理流程的数量。

在M公司库存管理的流程中,典型的一个程序化流程就是依据客户需求自动生成订单,主要活动包括:系统每天定时接入G公司计划系统抓取最新发布的生产计划,依据BOM表自动分解为公司的采购计划;接受其他客户的电子邮件、Excel或Word文档等文件,自动生成采购计划。

然而,上述自动生成的采购计划并不能作为M公司给上游B公司下的订单。因为M公司不愿意、也不需要为G公司保持两个月的库存,同时上游B公司的生产也存在不确定性。这就是半程序化管理决策的问题。一方面,因为G公司的计划一定会有波动,针对这个波动可以依据历史数据建立相应的算法,自动化管理系统就可以确定每一种零部件的波动值。另一方面,M公司的销售与采购部门定期(如每天或每周)分别与客户的营销部门、供应商的采购部门沟通,以把握客户的产品营销活动和供应商的原材料保障信息。

国家政策的变化、市场发展的趋势、突发性的疫情或其他自然灾害甚至区域战争的影响等,就是非程序化的管理决策问题,需要管理者的智慧。

综上,M公司最后才确定自动转发给供应商B公司的订单。该系统的建立与运行,不仅为M公司带来了日常工作效率,而且还带来了巨大的效益。就为G公司准备库存而言,周转期从127天减少到47天。

M公司建立供应链管理自动化系统,其初心并不是取代员工,而是充分运用积累的大量数据,在采购和销售两个环节上协助员工与企业内外开展交互,简化端到端的流程,并为客户、为公司创新增加业务价值。该系统除了参与完成日常的工作流程外,每日还为不同岗位的人员创建市场数据报告、客户评估报告、库存异常报告等,管理自动化也改变了公司文化以及员工的工作方式。

企业开展自动化管理的基础建设

正如本文第一部分所分析的,自动化管理的核心技术是AI,而模型(算法)、数据与算力是AI的三大基石。落实到自动化管理中,模型实现的就是连贯的业务流程,模型的正常运行需要输入正确的数据,而模型、数据的运行必然需要IT基础设施。

业务流程梳理

亚当·斯密的分工理论指导企业管理者们细化工作任务单元,一方面大幅度提高了企业的生产率,另一方面也带来了营销、生产、财务等专职职能部门以及科层式组织架构形式,使得企业中存在着大量各自为政的破碎性流程。企业开展自动化管理首要的基础就是需要将业务流程连贯化。正如迈克尔·哈默等在《端到端流程:为客户创造真正的价值》一书中所阐述的,工作不应该是一系列分散的活动,应该用端到端的连续体来代替。

其实,反过来说,业务流程连续化的前提还是做好分工,因此,通过分工的重新安排就是连贯业务流程的路径。重新安排分工有两种思路:一种是从下游客户出发推动需求,再推向内部的流程,即由外而内跨组织打通业务流程;另一种是把提高效率作为出发点,对内部能力和资源进行跨职能整合成连贯的流程。

适合管理自动化的企业业务流程应该具有明确的规则,因为只能对结构化的问题才能构建算法模型,同时,自动化程序的执行也需要精确的指令。然而,对企业而言,不可能没有异常的情况发生,如果对异常进行自动化管理的算法建模,复杂度就会大幅增加。此外,即使还存在没有异常情况出现的流程,但是可能一周或一个月才执行一次,那么由人工完成这些异常的或低频率的流程即可,这不仅是出于成本的考虑,也是从减少系统运行的复杂度出发的。

应用数据准备

运用系统开展自动化管理的方式和人工不一样,它们不是通过模仿人们的思维方式而建立的,而是建立在算法模型和数据基础上的,也就是将过去需要人类的智慧去解决的问题转变为了计算问题。人类的思考与推理等智慧活动常常并不需要很多的数据,而且人脑处理数据的能力也很有限。人们常常会运用自己的直觉和经验进行决策,这也是人类擅长的活动,所以,以前的银行等机构就称经验丰富的员工为“老法师”。自动化管理系统需要更多的数据和计算能力,而“不知疲倦”地运行和处理大量的数据是计算机系统所擅长的,算法模型和数据就成为当今的“老法师”了。

自动化管理系统需要的数据主要来自业务管理系统。在很多企业,这些数据大部分已经存在于现有的系统中,包括在企业之间进行数据传输的电子数据交换(Electronic Data Interchange - EDI)系统,还有ERP、PLC、SCM、CRM以及MES等集成系统。这些系统覆盖了企业从销售到采购以及物流、付款等流程,共同组成了企业自动化管理系统的数据神经系统。因为系统访问系统的能力很强,即信息管理系统从一个系统转换到另一个系统可以在“黑箱”中进行,其速度快于人工,不仅效率高,而且能减少人工成本。

因此,企业构建自动化管理系统并不需要把原有系统推倒重来。当然,企业针对自动化管理的实际需求,可以开发诸如物联网应用系统并运用区块链技术等,采集流程所需求的及时数据并保证数据的安全性。

IT基础设施提供

实施企业管理自动化所需要的IT基础设施大部分都可以与原有系统共享,包括计算机硬件、操作系统、企业应用软件、数据管理及存储、网络/通讯平台以及咨询系统集成服务等。

就企业管理自动化的应用软件而言,一般有两类,一类对应程序化流程,通常被称为机器人流程自动化(Robotic Process Automation ,RPA)。常见的 RPA 软件具有两个特点:一是配置简单,应用人员不需要掌握很强的编程技能,只需要拉动图标把流程中的步骤表达出来,代码便会自动生成;二是RPA产品不需要侵入和触及其他诸如ERP等系统底层,不存储任何数据,只需要通过表示层即可对其他系统进行访问。

另一类对应半程序化流程,通常被称为认知自动化(Cognitive Automation - CA)或认知智能(Cognitive Intelligence - CI)。这类软件工具需要与业务工作人员通过逻辑推理等开展交互活动,并应用知识解决问题,应用过程比RPA复杂。

虽然说引入新的IT技术能够大幅度提高系统运行效率,但对大多数中小企业而言,新技术的成本很高,需要智能地使用,即必须要考虑投入产出。企业开展管理自动化,一项有效降低成本的技术选择就是虚拟化 IT 资源的云计算,包括基础设施即服务(IaaS)、平台即服务 (PaaS)和软件即服务(SaaS)等形式。

关于作者 | 刘杰:复旦大学管理学院教授、博士生导师

责任编辑 | 刘永选(liuyx6@sem.tsinghua.edu.cn)

文章来源 | 本文刊登于《清华管理评论》2022年6月刊,内容有删减