以下是现场速记。
微软全渠道事业部首席技术官 徐明强
徐明强：大家好!刚才我发现上面的嘉宾把我前面的第一页都讲完了，首先讲讲新常态，新常态要以挑战开始。我们遇到什么样的挑战?左边这一栏可以看到需求的不确定性和中断，造成了供应链的不确定性和中断，雪上加霜还有贸易壁垒造成了我们物流的中断。安全返岗，物理距离是非常重要的。所以大量的劳动力因为经济的衰退而流离失所。
这是一个什么样的新常态?虽然我们不乐意接受，但是我们可以看到。第一在供应链上刚才说到的敏捷，过去供应链可以以四个字：巨大、过硬。因为规模要巨大，不光巨大，效率非常高，浪费非常少。今天要用两个字，不得不用我们的公司来蹭一下今天的这个热度，今天我们讲的是微和软。微是少量的制造，要更多细分的领域去制造。软是柔性制造，你的供应链要有复原的能力。
再往下我们看到操作员安全，劳动力的培训，既然现在经济不好，那么成本的透明度被提到议事日程上来。
今天CIO面对的数字化建设的方向是哪一些?这一定是要和我们的企业业务模式和运营模式紧紧连在一起的。过去我们知道数字化转型之前，我们讲求的产品是什么?要差异化，今天要变成个性化。康明斯原来想造的是全世界无论放在哪里都是最高质量的柴油机，今天发现装上了IOT以后，数据显示其实它并不用这样做，跑在青藏高原上的以及潮湿的南方以及北方所需要的物理特征不一样，将来不一定要造最差异化的，然而是要造最个性化的柴油机。
过去讲求交易，今天讲求的是参与，大家的参与度，活跃度高了，在当中做转化。我们的运营模式讲的是规模效益，所以规模效益就是成本要减少，今天我们成本已经到了一定的瓶颈，真正要达到零边际成本，数字化转型可以做到。通过AI可以发现，我们业务流程当中有太多重复人为的劳动，而这些人为劳动都需要用视力、听力以及语言理解能力，而这些今天AI的突破已经可以让我们把人从这些重复繁杂的劳动力中解放出来，解放出来以后，结果大家发现一旦数字化，AI应用得好的时候就发现当一个企业的业务增长时候，它所需要的就是从云资源提供商那里多要一个非常少的一部分的计算资源和算力存储资源就可以了。而不像过去，它要再招更多的人。所以它真正的是达到了零边际成本。数字化做好以后，你会发现它很容易把外面供应商接了进来，因为它数字化做得好，这些数字就可以不断的持续用机器学习更好的提高效力。今天就是企业转型业务驱动的发现。
微软有95%的top500的公司都是我们的客户，我们的客户应该是说遍天下。所以这些客户告诉我们说，要做数字化转型。从数据开始，收集哪些数据?基本上这四类：客户数据、收集运营数据、员工数据、产品本身数据。中间经过AI的应用，下面大家都知道了这是老生常谈通过数据产生洞察力，进而产生有效的行动。
数据处理、数据治理，在PPT上看来，数据都是非常听话的。然而在现实是非常骨干的，在现实里头数据是有原罪的。若不被救赎的话，企业数字化转型没有办法做好。大家说数据何罪之有?四个字：自由散慢。数据不自由吗?多少人搞过第三方数据?数据拿来以后发现这个数据到底是怎么采集的?是什么意思?没有人知道，就大胆的去用。
英国曾经做过一次医疗机构的普查，后来发现有80%的医生都是1911年11月1日出生，怎么回事?后来才发现，当你要问一个隐私的问题，你就要准备你的答案，结果可能就是垃圾。所以很多医生本来就想打000000就完了，结果这个APP比较智能不需打000000，所以他们就打111111，结果统计结果是90%的医生出生日期是1911年11月1日。散是指数据散落在世界各地，数据本应该由数据各个业务拥有，因为散落在各处所以无法集中所以给大家造成真正数字化做洞察力带来了阻碍。
最后，慢。不是天真浪漫的漫而是慢。拿到数据结果慢。
怎样解决数据散慢的问题?客户给我们提出的是希望微软的产品还有你们的合作伙伴都能够把数据集成在一起，首先我要信任你、相信你微软不会拿了我的数据去分享，不会拿了我的数据进行变现做货币化;第二，我需要有大的规模。安全和合规，因为我们企业不光在一个国家做生意，今天越来越多国内的企业跟着微软一起出海，他们还知道国外的信息安全法规是怎么样子的。
下面我给大家讲微软Azure，就一张APP说Azure特点吧。特点就是我们有60多个全球的区域，十年前曾经有一个美国公司说他就靠在美国，然后就可以做全世界的业务，后来发现这个人的物理已经交还给老师了，我们的客户说要和最终客户零距离、亲密接触，意味着延迟低，带宽要高，所以今天的做法是让我们的数据中心遍满全球，60+。这是什么概念?可以等同于其他所有云厂商区域加起来的总和还没有我们这个多。为什么你们要那么多?因为我们不光做我们的云，还有office 365等这些客户全世界每一个企业都是我们的客户，因此我们要让我们的客户跟他们有这样的接触。
第二，130K+。这是什么概念?从这个地方拉到月球，只能拉到一半。让应用和客户之间可以有非常低的延迟，可以有非常亲密的接触。
刚才听到AI可以让我们的运维变得可以有零成本。我介绍一下这个数据，左边这个数据，当我要问哪一个公司的专利最多?大家可能想起来以G字母开头的公司，实际以M字母开头的公司最多。
不光有专利，我们看左边真正第一个让AI有人一样的视力、听觉、语言能力包括翻译能力，第一个做到的也是微软。所以我们在这些非常落地，真正和企业生产力有关的领域，微软有很多的突破。
举几个例子：首先我们把它用在office上。首先我确实是一个理工男，所以我写的PPT非常难看，我这些PPT都是市场部的人帮我做的。但是以后我可能会少麻烦我的市场部门，为什么?大家请看右边这个。现在有AI可以提设计灵感，你拿一些进来，它就给你建议，这些模板。我个人觉得还是很漂亮，或者你写一个列表，它可以给你选各种各样的图案。另外，我们当中是不是有人打字二指蝉。现在我们有听写功能，支持60多种语言，你念它帮你记。
最后一个是我个人最喜欢的，这里有表哥、表妹，或者为领导要做这样的事情。我知道CIO经常要为这些表哥、表妹提供数据，这些表哥、表妹数据要有洞察力，一个表哥不一定要柱状，有的时候数据都集中在一起有两个是差异性，最好把两个标上不同的颜色，这些今天用AI，只要把数据表放进去，我们的AI就可以提供各种的推荐。你不用写一行公式就可以达到这种效果，所以表哥、表妹今天可以在老板面前好好表现他们AI助力的洞察力。
另外我们Power BI，它的洞察力在哪里?这边可以看到是一个公司，废品回收的一个公司。它在这里我们看到是有三个KPI，发现有一个KPI好像废品的量少了，为什么少了?过去这个问题是表哥、表妹花很多时间去找，现在大家注意你就直接可以说分析、解释为什么少了结果它就可以数据里面挖掘出来，你会发现在这边是非危险性的废物少了。这是非常、非常方便的，给我们提供了洞见AI助力。
下面天下之事，天下大事要从细节着手。有多细?这是微软和咨询公司和合作伙伴还有客户一起总结出来在数字化转型中各个行业的优选的场景，我要把它讲完，今天就不用吃饭了。大家可以看一下，这些优选场景当中我们有合作伙伴的解决方案，我们有自己第一方的工具可以帮助大家去促成。
我们跟以后大家的合作不再是windows或者技术能力，而是根据场景。下面为大家举几个例子来说，我们是怎么应用的呢?
这边讲到的是我们这样的工具叫Ingest，大家会说不就是数据抽取，抽取完你来探索，探索完之后形成模式，模式之后给它运营化，最后建一些表盘，让领导看吗?但是关键的问题是多快?当别人把数据源找到以后，到最后表盘出来多快?微软可以做到几天，现在越来越快。首先刚才说到数据自由散慢，所以我们有很多，比如有SAP包括还有竞争对手的salesforce很多数据适配器，我们还有自己的Azure云，还有谷歌云存储的适配器，非常容易这些数据集到一起，中间我们还有数据清理的过程，比如它有一些数据是脏的，80%都是11年11月1日出生的这些会被标注出来。有的没写工资，以平均值代替等等。所以整个这一条在客户来说，可以方便的去使用。过去你说CRM也有这样的能力，但是一旦要上千万条、亿万条数据的时候，一般单机CRM不行了。我们的CRM可以直接把数据吐到集群里去，可以做加速的。
再讲一个中国的案例—上汽。上汽过去仓库的盘点，一次要360多个小时。为什么时间这么长?现在到了4小时。给大家看看为什么要这么长?这个叉车首先要把货物叉下来，放到地上。它还要下来，然后过去，把物上的标扫一下。大家注意一下，这个还是两层楼，他们有的仓库可是三层楼。试想想，这个叉车，举到三层楼，它坐在一层要看三层楼，从这么宽的槽叉进去，真的像我的奶奶要把线穿到针里头难，一旦叉错后果不堪设想。
用我们合作伙伴的解决方案—无人叉车。顺着扫，应该说AI落地很容易吧?大家看AI落地难在哪里?标题帖的位置都不一样，帖的歪歪扭扭。有的货物东倒西歪，很多时候AI落地，不在乎你的模型多好，而是时机要到现场去，现场光线拍那些那才是真正的数据，数据回来以后，前期有很长一段的预处理要做。这样AI才可以落地。它一旦做了以后，它就达到了零成本。货物增多，货物多了以后，它一样通过数字化就可以解决了，不用增加人力成本。
既然讲到这个以后，我们可以看到，这是我们另外一个集客+，它今天把仓库变成了货架可以移动。我们看智能拣选这一项，尤其是在沃尔马，大家一想起沃尔马是超级大超市，现在沃尔马也有社区的超市。问题在哪里?过去都是整箱做供应链，现在要零拆零取，问题是他们现在用了这个技术，就是在一个小的范围内，一个人站在那里，这些机器人就把货架拿过来，而且通过电脑来控制，它自己不用每天走上3万步，而且错误率也大大的降低。
再一个案例，因为刚才讲了很多是供应链的。我们看看供应链其实是三道防线，如果需求预测第一版没做好，后面要有安全的货存，安全货存再不行以后后面要想想补货的执行力怎样。所以这个啤酒品牌，跟中国很多黄河啤酒、新疆啤酒都有好的合资公司，他们最大的问题就是怎么样把前面预测做好?
我们看右上它的效果，大家不要光盯着10%几来看，那些10%几其实都是自己知道的，客户不一定关心的。缺货率是客户关心的缺货率是客户的满意度再加上它的竞争对手，和你的业务都有关联。所以能提高2.8%近3个点对他们来说是相当大的成就，对客户满意度也是有很明显的提升。
怎么做的?过去他们是拍脑袋，一个人自己手动调价，他考虑的只能是单一的因素，要么是渠道、区域产品，而现在可以通过建模来调价，用历史数据来预测它的需求。
在这里也有搞金融的，因为讲了很多预测，我也讲讲预测在这里多少人自己手下有数据科学家?其他那些没有数据科学家的，其实也挺好的。为什么因为现在我们微软推出一个叫自动机器学习。自动机器学习是什么?就拿一个信贷预测来做比较，一个数据科学家听起来抬头很高大上，其实他做的事情很low，拿到餐馆里最多是二厨，拼命打开冰箱做各种各样的准备，最后大初看手机抽烟，东西到了以后，大厨火一开然后放到盘里。今天在企业里，大厨就是表哥表妹。
我们看下面他要选哪些都是才是影响我的，然后要选算法、选参数，出来不满意。然后还要再继续各种迭代，比如选参数等等。最后两个星期过去才出来结果。现在自己机器学习，只要把数据告诉我们是分类、预测还是回溯，我们参数就可以帮它去找，最后达到好的效果。
微软的云可以帮助各位，尤其是那些出海客户和在国内的客户，让你的应用可以合乎93个国家不同行业的安全标准。谢谢!
京公网安备 11010502049343号