乳企管理太累?认养一头牛靠AI自动处理发货、数据,省下的都是成本
在认养一头牛,豆包工作正在进入这些日常环节。7000头牛的“AI管家”:兽医每天省下一小时,健康预警更及时订单少了,奶牛不会暂停产奶;订单突然增加,也不能让牛立刻多产出所需的奶。负责低温生产的牛吨吨,接手的则是一项让人难以安心睡觉的工作。”认养一头牛集团产品管理负责人莫莫说。
大家一说起牧场, 心里头往往就会蹦出牛群、饲料还有挤奶设备这些个东西。可是真要经营一家生产乳制品的企业的话, 那里面还有许多压根儿就不太引人注意的活儿。
比如得把Excel表格里面的牛的编号挨个弄到那个管理奶牛的软件里去;又比如为了搞清楚怎么安排发货这件事, 非得从各种报表、群里头的聊天内容以及发出的邮件当中把那点儿信息全凑齐了不可;再比如说想要推出一种新的产品, 那就必须得跑遍每一个部门去问人家进度到底怎么样了。
这些工作它们有一个共同的点, 就是系统各自自己管理着自己手中的一部分业务, 然后由人来说起个头把这一块那一块给连接起来。
现在这个养牛和做奶的行业里头, 还得不停地去应付那些变来变去的情况。你想啊, 给工厂送的牛奶原料, 它自己的那个供应情况是有它自己的一份规律的, 可是接到的单子和仓库里的货有多少这些东西, 却没准什么时候就会发生改变。
万一那生产线上的活儿晚个几个小时才算干完, 那么后面运送到哪儿去补什么货这些事情, 就很可能得重新排班搞安排。去找相关的数字数据, 再去一个一个地核对明白, 然后坐着等待别人的回复确认, 这一套流程下来耗进去的是真金白银的时间, 也可能会把这个做生意的成本也给跟着增加上去。
在当前这个阶段, 豆包这个工作工具正在逐步深入融入到认养一头牛公司的日常业务流程里去。
大家关注牧场运营、供应链管理以及新产品的开发策略这三个方面, 试图去解决一个共同的问题, 那就是: 要是能够从发现环境变化到采取应对行动这个过程里, 减少一些人工交接的环节, 是不是就能靠着专业人员更快速地进行判断并推动执行呢。
关于这7000头牛所使用的智能管理系统, 其具体表现为: 负责日常健康检查的兽医人员每天能够减少大约一个小时的工作时长, 同时对于可能出现健康状况的预警信号能够进行更加快速的发现和响应。
兽医用完班之后, 得先把那些健康相关的数据给翻一遍, 以此来找出需要多加留意的牛只。繁育方面的工作人员, 需要对不同系统里面的记录内容进行对照, 从而筛选出可能正处于发情状态的牛。
奶厅那边, 每天会安排四个班次, 这些班次所产生的各种生产记录, 同样也在等待有人去认真核对、去汇总。在牧场的实际工作场景里, 专业的人员在进行最终判断之前, 通常都得先行开展一轮数据整理的工作环节, 这是非常常见的现象表现。
数据其实是并不缺乏的, 一头牛每天产出多少奶, 反刍的情况是不是属于正常状态, 都是有系统来进行记录的, 具体来说是由帝波罗来负责记录挤奶的数据, 由SCR来监测牛只的状态, 还有部分是关于管理牛只档案以及繁育和诊疗信息的工作, 此外飞书则是承接了审批、沟通等工作。
难的是, 一个具体问题的答案, 常常分散在好几处。发现一头牛的状态出现了异常的情况之后, 还要去查阅它相关的档案以及诊疗的记录。因为各个系统之间有着各自不同的分工, 所以涉及到需要在不同的系统之间去找寻数据并且进行核对的这样一些工作,就全部留给了人们去处理。
00后牧场信息主管小汤这个人呢, 他其实是想要把前面提到的这一部分功夫给省掉。

他给牧场引进的一位新同事, 它的名字叫做Raven, 这个人实际上是一个智能体, 是靠使用豆包工作这个工具搭建起来的, 它会去读取来自不同系统的数据, 然后对这些数据进行整理以及分析, 最后把分析的结果进行推送, 那些原本是需要人反复去执行的操作步骤, 现在被他把它们连接起来, 就变成了一个可以自动运行的流程。
以查询牛只的健康信息为例, 过去兽医必须先进入SCR去查看异常名单, 然后再进入牛群管理系统那里把相关信息补全, 而现在兽医能够在手机上用语音直接进行提问, 这时候智能体就会负责调取SCR和牛群管理系统里边的相关数据, 把这些数据整理好之后提供给兽医查看, 这就让兽医能够把更多的时间花费在判断以及现场处置上面。
小汤介绍, 这套健康预警流程覆盖 7000多头泌乳牛。过去, 每天需要两个人花一小时筛查健康数据, 预警信息滞后 4至 6小时。如今, 相关信息的自动整理和推送已经实现, 兽医在手机设备上就能及时查看相关信息。

挤奶报表也是同样的情况, 因为每个班次在结束以后, 新的记录必须经过核对以及汇总之后, 才可以用于日常管理这个用途, 所以Raven接手了数据处理这部分工作, 然后再通过飞书来传递那些结果, 这样就减少了从系统里面已经有记录了到同事能够拿到可以用的信息之间这一整个过程所需的人工操作内容。
这就和汤先生在早期阶段使用人工智能时所采取的那种做法, 已经存在区别了。在他此前所经历的时期里, 他曾指示并让人工智能协助他去执行编写程序代码的任务, 而该任务的核心目标在于处理数据导入的工作, 具体而言就是把存储在电子表格软件中的多达五千个牛只编号, 转移到另一套独立的系统进行录入操作。
在那段时间里, 他拿着由人工智能辅助编写的程序代码去进行实际操作;而在其开始运用名为豆包的工作流之后, 他开始让人工智能来调用相应的工具插件, 进而把后续的一系列步骤全部整合并完成掉。
然而, 对于这个新来的同事来说, 究竟应该读取什么样的数据, 又应当依据哪些具体的规则来进行整理工作, 最后还要明确将处理好的结果发送到何处, 这些事情仍然需要小汤和那些从事业务工作的同事们一起去把它讲清楚并确定下来。
因为只有那些真正懂得现场实际情况的人, 才有权有能力去把“这件事实在是太过麻烦”这一句简单的话, 进一步地拆解成为一系列具有实际可操作性的执行步骤和方案。
曾经那个对于动物科学这一个专业, 他的兴趣并不是非常浓厚的小汤, 他如今在这一些细节里面找到了一个发挥作用的余地。现在的牧场这个地方, 它已经有了不少设备和系统, 他正在着手修补和填补的, 则是存在于这些系统和设备之间, 那些仍然需要人进行来回奔波和努力才能完成的那些工作环节。

这伙子小青年弄出来的那个“AI同事”, 一天能省掉差不多五个钟头的时间, 这样做的结果, 就是能够让牛奶这个事儿抢在那个新鲜的劲头上先行一步。
因为订单量变少了, 奶牛是不会停下来不产奶的, 同样的道理, 就算订单量突然猛增, 也没办法让奶牛一下子就把够用的奶全挤出来。
这时候消费者那边又希望收到更新鲜一点的产品, 于是乎, 供应链就得在本来有自己的节奏、跑不动更快的奶源, 和那些来来回回、不停变化的需求之间, 把生产环节的事情、存货该怎么放的事, 还有发货这件事, 全都给安排好。
认养一头牛低温供应链负责人一橙和他的同事一起, 借助豆包工作平台给团队搭建出了三个“数字小牛”, 其中一个是牛犇犇管奶源, 另一个是牛吨吨盯生产, 还有最后是牛达达做分销。
在最上面的牛犇犇这边, 他主要管着那个奶是不是够用的事情。他是靠着那个多维表格来把供应情况、生产时候耗费的东西、还有外边买进来和卖出去这些所有的信息全都汇总到一起, 然后去算清楚有多余还是不够用, 再把变化的情况给推送到相关部门。
根据企业方面提供给出来的数据, 这个测算工作所用的时间从以前的每天需要4个小时硬生生的缩短到了30分钟, 这就为后面去调整奶源的安排留出了足够的时间。
负责低温生产过程的那个名叫牛吨吨的人员, 他接下来要去接手的一项关于工作的任务, 是关于到让大家都很难去安安稳稳地睡觉的一种状态的描述。
根据一位被称为一橙的人来进行相关内容的介绍, 低温奶类的需要处于24小时的连续生产状态当中, 团队里的成员在有的时候, 是需要守着时钟到达零点的时候再去开启机器, 然后还要去确认生产线那边是不是能够正常地运转。
一旦在生产中出现了某些故障的话, 就必须要重新去进行判断, 关于生产应该怎样安排以及交付应该如何处理的这些事情。
关于故障的具体修复时间, 以及货物能否按照既定的时间节点完成制作, 这些情况必须依赖各个相关方共同提供的详细信息来说明清楚。在一橙这边, 由于没有其他更有效的途径可以获取这些信息, 所以只能再次采取打电话的方式去联系相关的业务同事。
此时此刻, 豆包工作会从订单系统那边把需求导出来, 然后更新到多维表格里面去。接着呢, 牛吨吨会结合着生产进度, 来测算完工是啥时候, 还有订单缺口有多大。万一遇到故障的时候, 它还会去查询历史台账,辅助估计恢复需要多长时间, 并且判断风险等级到底怎么样。
对于那些风险比较低的情况, 因为预计是很快就能解决的, 所以就不需要进行一层一层的提醒工作了;只有在需要人工来进行介入的异常情况出现的时候了, 才是需要给推送提示卡片的。

位于下游环节的牛达达这个人, 他就要去帮助那个计划员做决定, 也就是说要决定这个货物到底应该被安置在哪一个仓库里面。
就拿一橙举个例子来说, 当浙江那边的消费者下达订单的时候, 原来完全有可能是通过南京这个仓库来直接发货的;可是如果遇到了补货不及时这样的状况, 导致南京仓库缺货的话, 那么就可能不得不改为从武汉这个仓库来进行发货了, 而与此同时, 快递方面的费用也就跟着增加了上来。
牛达达把库存的那些批次、排产到货的时间, 还有相关的活动需求放在一起对比, 这样一来就可以给出关于补货的调整、货物调出的安排以及后续发运的种种建议。
这三个数字员工他们大家共同使用一样的数据和业务上面的规则, 通过预警的方式来传递上游和下游所发生的事情以及变化, 这样就可以帮助计划人员们在订单真正到来之前, 就把货物安排到更加合适的地方去。
数字员工也需要有一个去熟悉业务的漫长过程, 刚上手的时候它根本读不懂工厂里面所说的“大清洗”或者是“小清洗”是什么意思, 很容易就把正常的干活操作给误认成出了故障, 于是团队就开始忙活, 整理出了一份包含专业术语和具体场景的说明文档, 通过一遍又一遍地反复调试系统, 慢慢教它弄清楚哪些状况是属于正常范围不用管, 而哪些状况是必须要发出警告要提醒人的。
在过去, 一橙首先需要去找IT部门的同事去解释供应链里面的需求, 等着那个系统建好了之后, 业务的情况可能又要发生改变, 但是现在的情况就不一样了, 让一橙感觉到特别明显的一个变化就是, 她自己现在也能够独立地去对这个工具进行调试了, 那些本来就很懂业务的管理人员现在开始直接参与到对这些工具的改进工作里面来, 这三个叫做数字员工的员工也在随着使用时间的增长变得越来越聪明, 学会了越来越多的新技能。
以前“所有人都找你”,现在先问AI
因为一盒牛奶的外包装进行了修改, 所以相关的创意设计稿需要进行调整, 采购人员需要重新去询问价格, 工厂那边用于制作后包装的生产线可能都需要发生变化, 甚至连在运输过程当中到底能够容纳多少数量的箱子的这个问题, 都得让大家重新去思考。
产品经理必须保证所有这些变更能够被涉及到的人员及时地获知并加以处理。
“所有的人都来找你。”认养一头牛集团产品管理负责人莫莫说。不同的产品线有着各自不同的开发流程, 不过它们是共用研发、采购这些团队的。每一个部门只负责其中的一段, 产品经理必须把整个过程都记在脑子里, 要知道谁缺少相关的资料, 谁正在等待回复, 以及哪一个改动还会对接下来的步骤造成不良影响。
她曾经亲身参与过一道流程, 这道流程足足耗费了18天的时间,专门用来完成新产品的立项评估工作。在这个过程中, 做产品的人明明不了解生产线的具体能力状况, 却必须要去找工厂方面去对接。
与此同时, 工厂那边对于某种工艺存在疑问, 又把情况反馈给了产品研发团队, 随后还得由产品研发人员回过头来寻找研发部门的同事进行确认。虽然说该有的工作流程已经建立起来并被固化存在了, 但是实际发生的问题依然无法实现自动化处理, 只能依靠人力在各个环节之间不断地来回传递信息。
做采购、做供应链还有做计划这些活儿, 莫莫以前都干过, 所以她常常能比其他人在更快一点的时间里给出判断。但是, 她根本就不可能让每一个产品经理都去把这些岗位的经历全都走一遍。因此, 她想把自己的判断方法交给人工智能, 想让同事在遇到问题的的时候, 能够多出一个可以帮得上忙的伙伴。
她以及她的团队, 运用豆包工作这款工具, 构建出了一款智能体, 将那些涉及到跨部门合作所需的知识, 还有做出判断的方法, 都汇聚在了一起, 同时, 还赋予了这款智能体, 诸如成本核算、产能评估, 以及工艺评估之类的专业本事, 所以, 当同事提出一些需求的时候, 它就能够结合相关的资料信息, 给出一个初步的判断结果, 另外, 项目的资料信息, 还有关键的里程碑节点, 都会沉淀保存在飞书多维表格这个载体里头, 这样做的好处是方便大家后续进行查询, 也有助于事情的推进。
她想要省掉另外一种重复的事情, 具体的做法就是不必同一个内容说上好几遍。对于同一样项目进度而言, 在向供应链团队讲解完毕之后,还需要在部门的周会上再次进行汇报说明。
针对这种情况, 团队的计划是利用智能体来处理来自项目沟通记录、日报文件以及周报文档里的信息内容。这些经过处理的信息会被转变为可以方便人们查询的项目档案数据, 以此达到减少需要重复进行的汇报工作, 并且避免人工进行归档操作的这一目标。
现在, 这个智能体已经开始承担接收需求的工作, 同时也在进行基础的评估, 它跨部门去主动对接的能力, 还在不断推进之中。
莫莫怀着这么一种期望, 就是希望产品经理能够减少花在传话和催办上面的时间, 以便把主要的精力留给对产品做出的判断, 以及留给对关键节点进行的验收工作。她提到, 从60分提升到90分的最后这一段路程, 得靠人来实现。
从牧场那边, 一直到供应链环节, 再到新产品的开发工作里面, 人工智能去接手做的事情虽然各有不同, 但是不管哪一块, 都得让做业务的人先把他们自己平时干活的法子给讲得明明白白。
到底什么样的异常情况值得大家去关注, 什么特定的情形之下需要去做物资的调拨, 还有在对新商品进行评价和考量这件事情上, 具体得要依据哪些方面的资料才行。那些原来一直都只存在于某个人脑子里面的经验判断, 现在正一点一点地被整理出来, 变成了同事们每一天在实际工作中都能用到的小工具。
莫莫也发现, 个人使用AI来提升效率这件事儿其实是比较容易做到的, 但如果想要让一群人能够共同去使用和依赖这一个伙伴, 那就还需要大家统一好相应的方法才行, 并且还要积极地去做经验的分享与交流。
对其他那些企业来说, 起步的关键点不一定非要是一个规模特别大、内容特别多的一套改革方案, 它也可以是某一个在过程中会重复出现、并且最终的结果能够被清楚地核实好的具体工作事项。应该让那些懂得业务流程的人员参与进来, 把这些相关的操作规矩讲得明明白白, 然后在实际的使用场景里不断地去进行修正和调整。
如果每一个需求在流转的过程中能够减少几个需要传递的环节, 如果任何一个出现在系统中的异常情况能够在一开始就被人员及时发现, 那么相关的专业人员就能够获得一些更多的时间去用来进行专业的判断, 并以此来推动后续工作的下一步开展。