广告
加载中

京东工业:数字时代 AI驱动采购模式新变革

亿邦动力 2024-09-14 22:34
亿邦动力 2024/09/14 22:34

邦小白快读

EN
全文速览

文章介绍了京东工业如何利用AI驱动采购模式变革的干货内容。

1. 采购新趋势:采购正从成本中心向利润中心转移,供应链发展呈现数字化、智能化、绿色化和网络化特点,分为信息化、数据化、智能化三个阶段,每个阶段通过技术投入提升价值,但面临瓶颈。

2. AI解决痛点:AI可解决采购十大痛点,包括合规、流程、效率和降本问题,形成新质生产力三种形态——工具型(如采购助手提升效率)、引擎型(如供应商治理引擎优化供应商管理)和飞轮型(如太璞供应链整合供需数字化)。

3. 实操案例:工具型应用如AI大模型采购助手辅助人工决策;引擎型通过数据模型矩阵实现供应商全生命周期管理;飞轮型太璞供应链缩短采购链路,显性成本降低15%,隐性成本降低30%以上。

4. 关键启示:数据要素是关键,高质量数据驱动AI决策,企业需结合自身情况构建AI路径,避免如对账结算中因数据精准性和AI不可解释性产生的gap。

文章提供了AI驱动采购变革对品牌供应链管理的启示。

1. 消费趋势和用户行为:采购数字化趋势显示企业需求转向高效和合规,影响消费行为如采购决策自动化;用户行为观察体现在企业通过AI优化供应商和商品管理,提升响应速度。

2. 品牌渠道建设和定价:太璞供应链整合供应商数字化和需求端数字化,缩短链路可优化渠道效率;价格竞争方面,智能合规体系解决价格合规问题,通过数据模型降低显性成本,间接支持品牌定价策略。

3. 产品研发启示:AI工具如采购助手和智能决策大脑展示技术应用,品牌可借鉴开发内部工具;产品设计需求上,商品标准化和同品识别案例提供数据驱动研发思路。

4. 风险提示:数据质量挑战如供应商准入需大数据画像,品牌需关注数据要素转化以规避合规风险。

文章揭示了AI采购变革中的机会和应对措施。

1. 增长市场和机会提示:采购市场向智能化转型,卖家可抓住AI工具应用机会,如引擎型供应商治理优化结构;太璞供应链模式提供合作方式,与京东工业合作可获数字化支持。

2. 消费需求变化:企业采购需求从成本转向效率,卖家需应对如智能合规和资源调配需求;事件应对措施包括利用智能决策大脑处理海量订单,提升响应速度。

3. 可学习点和最新商业模式:学习京东的三种AI形态——工具型、引擎型、飞轮型;太璞供应链作为新商业模式,整合四大数字化(合规、决策等),卖家可借鉴缩短采购链路。

4. 风险提示和正面影响:数据质量问题是风险点,需确保数据要素应用;正面影响包括成本降低(显性15%,隐性30%以上)和效率提升,通过AI解决流程短板。

文章提供了工厂推进数字化和电商的商业启示。

1. 产品生产和设计需求:供应链数字化趋势要求工厂优化产品设计,如商品标准化案例中同品识别和参数校验,可提升生产一致性;智能决策大脑案例展示资源调配,启示生产流程优化。

2. 商业机会:与京东工业合作机会,如通过太璞供应链整合供需,工厂可参与供应商数字化;引擎型应用如供应商治理提供数据模型,帮助工厂评估自身能力。

3. 推进数字化启示:数据要素是关键,工厂需关注数据质量以应用AI;案例显示成本降低显著,推进电商需优化数据链路,如让“数据多流动,商品少跑动”原则。

4. 风险提示:数据转化挑战如供应商准入需大数据,工厂应投资数据能力以避免瓶颈。

文章分析了行业趋势和解决方案的干货。

1. 行业发展趋势:采购供应链正从信息化向智能化跃迁,AI驱动模式变革,呈现工具型、引擎型、飞轮型三种形态;趋势包括绿色化和网络化供应链发展。

2. 新技术应用:AI和大数据技术是关键,如大模型在采购助手中的自然语言能力;智能决策大脑使用算法模型优化资源调度;数据引擎将信息转化为高质量数据元素。

3. 客户痛点和解决方案:痛点包括采购十大问题如合规、效率短板;解决方案如京东的供应商治理引擎(通过模型矩阵管理供应商生命周期)和太璞智能合规体系(用数据化解合规与效率矛盾)。

4. ROI评估:服务商可参考价值与成本要素分析,如价格智能化投入高但价值大,供应商管理价值显著,需针对客户数据定制路径。

文章阐述了平台需求和运营管理的干货内容。

1. 商业对平台的需求和问题:企业需求包括合规与效率平衡、资源调配优化;问题如数据质量挑战,平台需解决供应商准入和商品标准化。

2. 平台的最新做法:京东工业平台如太璞供应链,采用智能合规控制塔实现全链条风险防控;智能决策大脑通过算法定商定仓,提升运营效率;数据引擎和算法引擎支撑全链路数字化。

3. 运营管理和风向规避:运营上,通过AI模型矩阵管理供应商和商品;风险规避体现在供应商智能准入和风险监控,避免合规问题;平台需优化数据流动以缩短链路。

4. 机会提示:平台可招商合作,如整合供应商和客户数字化;案例显示成本降低,平台应推广AI应用以提升价值。

文章探讨了产业动向和商业模式的干货内容。

1. 产业新动向和新问题:采购模式正从成本中心转向利润中心,AI驱动变革;新问题包括数据要素应用挑战(如质量问题和不可解释性gap)、合规与效率矛盾。

2. 商业模式分析:太璞供应链作为飞轮型模式,整合供应商数字化和需求端数字化,形成四大数字化(合规、决策等);三种AI形态(工具型、引擎型、飞轮型)提供创新框架。

3. 政策法规启示:虽无直接政策,但智能合规体系案例启示法规可借AI实现客观化决策;数据要素模型建议企业投资数据能力。

4. ROI和未来方向:研究者可分析价值成本曲线,如价格智能化投入高价值大;商业模式显示指数型提升潜力,但需解决数据瓶颈。

返回默认

声明:快读内容全程由AI生成,请注意甄别信息。如您发现问题,请发送邮件至 run@ebrun.com 。

我是 品牌商 卖家 工厂 服务商 平台商 研究者 帮我再读一遍。

Quick Summary

JD Industrial's AI-Driven Procurement Transformation

1. Procurement's new trajectory: Procurement is shifting from a cost center to a profit center. Supply chain development is characterized by digitalization, intelligence, green initiatives, and networking, evolving through three stages: informatization, datafication, and intelligentization. Each stage enhances value through technology investment but faces inherent bottlenecks.

2. AI's problem-solving capabilities: AI addresses ten major procurement pain points—covering compliance, processes, efficiency, and cost reduction—forming three new productive forces: Tool-based (e.g., AI assistants boosting efficiency), Engine-based (e.g., supplier governance engines optimizing management), and Flywheel-based (e.g., Taipu Supply Chain digitally integrating supply and demand).

3. Practical applications: Tool-based AI assistants aid human decision-making; Engine-based systems use data model matrices for full supplier lifecycle management; the Flywheel-based Taipu Supply Chain shortens procurement links, reducing explicit costs by 15% and implicit costs by over 30%.

4. Key insights: Data elements are critical—high-quality data drives AI decisions. Companies must tailor AI strategies to their contexts to avoid gaps from data inaccuracy or AI's lack of explainability, such as in reconciliation and settlement.

AI-Driven Procurement's Implications for Brand Supply Chain Management

1. Consumer trends and user behavior: The digital procurement trend shows corporate demand shifting toward efficiency and compliance, influencing consumer behaviors like automated purchasing decisions. User behavior insights reveal how AI optimizes supplier and product management to enhance responsiveness.

2. Brand channel development and pricing: The Taipu Supply Chain integrates supplier and demand-side digitalization, shortening links to optimize channel efficiency. In pricing competition, intelligent compliance systems address price compliance issues, using data models to lower explicit costs and indirectly support brand pricing strategies.

3. Product R&D insights: AI tools like procurement assistants and intelligent decision-making brains demonstrate technological applications brands can adapt for internal tools. Cases like product standardization and SKU identification offer data-driven R&D approaches for product design.

4. Risk alerts: Data quality challenges, such as the need for big data profiles for supplier onboarding, highlight the importance of data element transformation to mitigate compliance risks.

Opportunities and Strategies in AI-Powered Procurement Transformation

1. Growth markets and opportunities: The procurement market's shift to intelligence offers sellers chances to leverage AI tools, like engine-based supplier governance for structural optimization. The Taipu Supply Chain model provides collaboration avenues, with JD Industrial offering digital support.

2. Evolving customer demands: Corporate procurement priorities are moving from cost to efficiency, requiring sellers to adapt to needs like smart compliance and resource allocation. Response strategies include using intelligent decision-making brains to handle high-volume orders and improve speed.

3. Learnings and new business models: Adopt JD's three AI forms—Tool-based, Engine-based, Flywheel-based. The Taipu Supply Chain, as a new model integrating four digitalizations (compliance, decision-making, etc.), offers a blueprint for shortening procurement chains.

4. Risks and benefits: Data quality is a key risk, necessitating effective data element application. Positive impacts include cost reductions (15% explicit, over 30% implicit) and efficiency gains by addressing process weaknesses through AI.

Commercial Insights for Factories Advancing Digitalization and E-commerce

1. Production and design needs: Supply chain digitalization trends require factories to optimize product design, such as through SKU identification and parameter validation in standardization cases, enhancing production consistency. Intelligent decision-making brain cases illustrate resource allocation insights for production flow optimization.

2. Business opportunities: Collaboration with JD Industrial, e.g., via the Taipu Supply Chain integrating supply and demand, allows factories to engage in supplier digitalization. Engine-based applications like supplier governance provide data models for self-assessment.

3. Digitalization推进insights: Data elements are crucial; factories must prioritize data quality for AI application. Cases show significant cost reductions, emphasizing the need to optimize data flows in e-commerce—applying the principle of "more data movement, less product movement."

4. Risk alerts: Data transformation challenges, like big data requirements for supplier准入, underscore the need for factories to invest in data capabilities to avoid bottlenecks.

Industry Trends and Solution Analysis

1. Industry development trends: Procurement supply chains are transitioning from informatization to intelligentization, driven by AI, manifesting as Tool-based, Engine-based, and Flywheel-based models. Trends include greener and more networked supply chains.

2. New technology applications: AI and big data are pivotal, e.g., large language models in procurement assistants for natural language capabilities; intelligent decision-making brains using algorithms for resource调度; data engines transforming information into high-quality data elements.

3. Customer pain points and solutions: Pain points include ten procurement issues like compliance and efficiency gaps. Solutions include JD's supplier governance engine (managing lifecycle via model matrices) and Taipu's intelligent compliance system (using data to resolve compliance-efficiency conflicts).

4. ROI assessment: Service providers can参考value-cost analyses—e.g., price intelligence requires high investment but delivers significant value. Supplier management offers notable returns, requiring customized paths based on client data.

Platform Requirements and Operational Management Insights

1. Business demands and challenges: Corporate needs include balancing compliance with efficiency and optimizing resource allocation. Challenges like data quality require platforms to address supplier准入and product standardization.

2. Latest platform practices: JD Industrial's Taipu Supply Chain uses an intelligent compliance control tower for end-to-end risk management; the intelligent decision-making brain employs algorithms for supplier and warehouse selection, boosting operational efficiency; data and algorithm engines support full-chain digitalization.

3. Operational management and risk mitigation: Operations leverage AI model matrices for supplier and product management. Risk avoidance involves智能supplier准入and monitoring to prevent compliance issues. Platforms must optimize data flow to shorten chains.

4. Opportunity提示: Platforms can pursue partnerships, e.g., integrating supplier and customer digitalization. Cases demonstrate cost reductions, urging platforms to promote AI applications for enhanced value.

Analysis of Industry Dynamics and Business Models

1. Industry trends and emerging issues: Procurement models are shifting from cost centers to profit centers, driven by AI. New challenges include data element application issues (e.g., quality gaps and AI's unexplainability) and the compliance-efficiency矛盾.

2. Business model analysis: The Taipu Supply Chain, as a Flywheel model, integrates supplier and demand-side digitalization, forming four digitalizations (compliance, decision-making, etc.). The three AI forms provide an innovative framework.

3. Policy and regulatory implications: While no direct policies are discussed, the intelligent compliance system案例suggests AI can objective regulatory decision-making. Data element models advise firms to invest in data capabilities.

4. ROI and future directions: Researchers can analyze value-cost curves, e.g., price intelligence's high investment but substantial returns. Business models show exponential potential but require solving data bottlenecks.

Disclaimer: The "Quick Summary" content is entirely generated by AI. Please exercise discretion when interpreting the information. For issues or corrections, please email run@ebrun.com .

I am a Brand Seller Factory Service Provider Marketplace Seller Researcher Read it again.

【亿邦原创】9月13日消息,在2024电子商务大会上,京东工业相关负责人发表了题为《数字时代,AI驱动采购模式新变革》的演讲。他指出,在数据时代,企业系统正在通过数据要素形成相应模型,驱使业务自动发展,做出更高效的决策。

温馨提示:本文为速记初审稿,在不影响原意的基础上,由亿邦动力编辑整理。

以下为演讲实录:

尊敬的各位领导,各位来宾,大家下午好。京东工业是京东集团旗下专注于工业供应链技术与服务的业务单元。京东工业经过这些年的发展,目前已覆盖大约7000多家的大型重点客户,以及超过260万个中小企业。京东工业之所以能发展迅速,源于我们的数字供应链能力。

今天非常感谢主办方的邀请,我来到这里和各位来宾一起探讨,京东工业通过AI如何驱动采购模式的新变革。我也会结合我们京东工业这些年来在数字供应链方面的探索和研究,分享一些思考和成果。

01 采购新趋势:从成本中心向利润中心转移

首先,让我们来看采购供应链的发展趋势。目前随着全球竞争的加剧,每个企业都转换了采购使命,采购正在从成本中心向利润中心转移。加上数字技术的快速发展,这两大驱动力共同推动了采购供应链的数字化转型。

供应链从浅水区往深水区的发展具体表现出四个特点,首先是数字化供应链,然后是智能化供应链,绿色化供应链以及网络化供应链。

其中,从浅水区来讲,以功能和流程为主;到深水区,以数据和智能为主。我们从采购数字化的技术跃迁角度来看,我们把采购分为三个阶段:信息化采购、数据化采购和智能化采购。

每个阶段都有发展曲线。每个曲线里面都包含了通过技术投入带来采购价值提升的快速增长点,当然也有瓶颈。比如我们看信息化采购的时代,采购在线化带来了比较快速的提升。但当我们实现一站全流程之后,靠功能和信息给我们带来的增长价值,边际效率已经很低了。

到数据化的时代,数据要素发挥关键作用。数据要素和信息化有非常大的区别。信息化主要给我们对应的采购人员、管理人员,采购供应链里面的人来使用的。但是数据要素除了给人使用之外,更多是给模型来使用。也就是说让我们的系统具备通过数据要素形成相应的模型,从而驱动我们的业务发展,做出更高效的决策。当然数据也有边界点和瓶颈。

02 AI如何解决采购十大痛点?

智能化时代通过AI技术的加持,开始了从场景到模式的变革,这是快速增长的阶段。可能在后续还有更为先进的阶段,我们今天不做延展,我们来看当前大型企业采购的痛点,实际上体现在三个方面,大概有十个点。

这十个点分别是从合规角度来看,有供应商合规、商品合规等;从流程来看,有运营流程的短板;从效率来看,有运营的短板、流程的短板;从降本来看,有显性成本、隐性成本。

经过我们的实践,除人才短板之外,其他的场景都可以通过AI发挥关键作用,解决这些痛点。那么AI发挥的作用,就是AI+采购所形成新质生产力三种形态。

第一种形态我把它叫做“趁手的工具”,第二种形态叫“产能的引擎”。第三种形态更高级一些,叫“发展的飞轮”。工具实际上很多企业已经应用了,无论是简单的小工具还是比较强大的工具,都是工具型的。

第二个产能的引擎,可能会打通一条线,或立起数字化的面。其中,数据起到非常关键的作用。数据和AI的结合也会为我们的管理线路或者某个场景带来比较大的提升。

第三个是造飞轮的阶段。实际上,人工智能场景、业务和数据会形成有机的结合,为数字化带来指数型的提升。

下面举几个具体的例子,我们先看工具型。这是我们京东工业基于AI大模型的采购助手。

这个采购助手比简单的小工具先进很多,但它仍属于工具型的典型形态。我们通过AI大模型的自然语言能力,以及对采购知识的理解能力、合成能力、生成能力和检索能力,辅助人工,提升效率。这是类似于助理员工,或者虚拟员工的角色。

然后就是引擎型的。引擎型比工具型要更为复杂一些,它往往不是单点的应用,而是一条线的应用。

这个引擎叫智能化供应商治理引擎。我们通过把供应商的数据收集起来,然后建立对应的这个模型。为什么要建立这个模型呢?我们要把供应商各方面的情况,各方面的能力,包括评价、风险、实力都要建立客观的数据化的评估维度,通过这些指标,我们再去构建模型矩阵。

这不是一个模型,而是一系列的模型,既有数据模型,也有人工智能模型,既有小模型,也有大模型。这些模型形成矩阵,在供应商全生命周期管理的各个环节发挥作用。然后应用过程中所产生的数据,我们再通过回流反哺引擎的链路。所以说它是有持续产能作用的引擎,能够帮助我们企业建立非常智能化的供应商管理体系,帮我们优化供应商结构。

说到这个引擎,实际上这个引擎的核心是什么呢?我把它稍微量化一下,就是我们看供应商数字化项目,在我们的案例里面有六大类供应商的画像,有超过30个维度,360多个数据指标。基于这些指标,我们构建供应商全链路的场景模型。这里面不光有人工智能的模型,也有数据类的模型。

这些模型综合起来,再融合我们大模型的能力,形成了这个供应商AI引擎的核心组成部分。我们为了让采购更简单更高效,背后需要我们去建设更强大的数据能力和AI能力,从而形成我们的引擎。

另外就是AI的背后,数据是很关键的。现在很多企业在进行数字化转型,遇到非常大的难题,往往就是数据的问题,数据质量的问题,或者说数据要素如何转化、如何应用的问题。这些实际上是我们AI在采购里面应用的大前提和关键点。

然后再分享飞轮型,我们京东工业的太璞供应链,实际上它是飞轮型的体现。这个结构像两个轮子一样。实际上它左边是链,是我们的京东工业的数字商品供应链,我们叫供应商的数字化。然后另外一侧,实际上是客户角度、需求端的数字化,是通过我们从顶层设计到全链路的能力,帮助我们的客户去搭建数字化的转型链路。

这两个飞轮结合起来,能够快速地带来供应链的数字化提升和价值增长。我们把太璞供应链拆解开,实际上是四个数字化。这四个数字化共同构筑了我们采购供应链中的数据高速公路。我们通过让数据多流动,让商品少跑动的原则,不断优化采购效率,缩短采购链路,为我们的客户带来更多价值,也为供应商带来更多价值。

03 太璞供应链的四大数字化

在这四个数字化中,我们通过人工智能和大数据的技术,把对应的这些链路打通,然后把相应的决策做好。然后链接采购双方形成非常高效的从商品到采购,到履约到运营的体系。

首先我们讲这个采购数字化变革,对于大型企业来说合规在先。合规和效率在很多大企业里往往是矛盾的存在。为了合规,要采用招投标等方式,但是周期可能需要二十多天,那么它的效率就会降低。我们怎么解决这个矛盾呢?

在数字化时代,靠人工智能和大数据能够很好地解决这个矛盾,带来模式上的变迁。合规和效率之间的矛盾点在于因为有大量的人工要参与,所以会产生很多合规的问题。当我们通过数据和人工智能来决策的时候,当一切都客观化之后,很多合规问题就迎刃而解。

因此我们太璞供应链的智能合规体系,是这样的结构:我们核心是通过中间层,从供应商合规、商品合规、价格合规、交易合规还有履约合规、结算合规等一系列的智能化能力,形成我们合规的控制塔。合规控制塔能够实现可视化全链条的合规可预警及全域合规风险的可追踪和防控。下面是一系列智能化的能力根基,没有这个根基,我们是无法构筑合规控制台和全链路合规的能力。

每个根基里面,比如说供应商合规,涉及到供应商的智能准入。这个智能准入与过去供应商注册之后提交资料,人工审核完全不同。这里面要通过大数据的能力帮供应商构建画像。我们要充分了解这个供应商的各方面能力,通过算法模型自动评估。所以智能准入就会发挥大数据和人工智能的关键能力,让我们供应商从准入起,就规避很多风险,同时能够监控供应商在全生命周期中的风险情况。

然后在京东工业太璞供应链里面,每个环节都有对应的智能决策系统,我分享比较关键的是京东工业智能决策大脑,京东工业通过数据联通采购双方。这其中涉及到很多资源调配,资源整合利用,包括我们的商家仓、厂家仓、京东仓。这样能极大地提升效率,降低成本。

刚才提到,我们的海量客户,每天产生大量的订单。同时在供端也有大量的供应商,涉及到我们各种资源的调配。我们通过智能决策大脑,定商定仓,定时效,定承运商,定末端资源。实际上,每个“定”都是我们通过一系列的算法和模型,实现整体的调度。

如果换成人来做这件事的话,是不可能的。没有人能够在如此短的时间内去计算清这么大量的订单和资源,以及链路调配。但是我们通过智能决策大脑就可以完成。

对很多客户来说,数字化供应链的转型可以带来很明显的成本降低。其中,从这个显性成本来说,显性成本能降低15%,甚至更多。如果从隐性成本上来看,那包括采购的成本,管理的成本,运营的成本,可能还有更多的这种成本,能降低30%以上。

太璞供应链建立了非常完善的全链路的采购供应链,我们把太璞供应链里一些核心的AI场景拿出来看,就是这个图上面是我们采购的全流程,包括采购前、采购中、采购后。我们在不同的环节对应人工智能可应用的关键场景。

比如说,供应商智能化,供应商管理中涉及到智能的审核、智能巡员、全景画像、风险防控等。商品的管理涉及到商品标准化、商品治理,商品审核等。仅商品的标准化再细分又涉及到每个供应商商品信息不同,我们怎么样把多元的商品建立统一标准,比如同品识别,商品参数的校验,类目乱挂的检测等等一系列的算法能力。

所以说每个场景背后,涉及到对应的一系列的能力构建。它底层还有两个引擎,这两个引擎也非常重要。我们叫数据引擎。数据引擎是帮助我们企业把原来只以承载信息为主的数据变成了数据元素,变成了高质量数据,这个数据可以被我们的人工智能、被我们的模型使用,做出精准决策。

如果这类数据属于知识类的数据,那么对应知识图谱的能力非常重要。中间这一层则是算法引擎。算法引擎涉及到一系列的算法,基于AI模型,我们有相对偏小的模型,也有大模型,还有基于模型和应用的智能体。这其中又分为识别引擎、推理引擎、决策引擎这三大类。所以这是我们采购全链路数字化转型的全景框架。

基于这个框架,在采购场景里,人工智能应用还是有ROI值得衡量的,就是我们通过十个要素的评估,包含价值方面度量的五个要素,和成本方面度量的五个要素。因为每个企业所属行业不一样,每个企业的阶段不一样。我们站在企业视角,看怎么应用人工智能是符合企业发展的,那么它的投入是相对来讲更有价值的。

我们就通过这些要素来进行这个分析。经过我们的实践,大体上呈现这样曲线,其中,在价格智能化方面,投入的成本相对更大。它对数据的投入成本要求比较高,但是它的应用价值也比较大。其次,在智能化供应商方面,它的价值也比较大。但是投入的成本相对来讲会比价格的少一些。

当然,在对账结算上,人工智能可发挥的价值好像没有那么大了。原因主要在于财务数据的精准性要求和当前人工智能的不可解释性之间还存在一些gap。

因此,企业要结合自己的情况,结合自己的数据,结合自己的目标,去构建自己的人工智能建设路径。我的分享如上,再次感谢主办方,感谢各位领导和各位来宾。

关于本次会议:

电子商务大会自2011年以来已连续举办十四届,作为中国国际服务贸易交易会(简称“服贸会”)重要组成部分,已成为引领电子商务发展前沿理念、展现电子商务创新成果、洞悉电子商务发展趋势的国际化专业化交流平台。

文章来源:亿邦动力

广告
微信
朋友圈

FAQ回顾

京东工业AI驱动的采购模式如何解决企业痛点?

京东工业通过AI技术解决采购十大痛点,涵盖合规、流程和效率三大方面。具体包括供应商合规、商品合规、运营流程优化等,除人才短板外,其他场景均可通过AI工具、引擎和飞轮三种形态实现自动化决策与效率提升。

太璞供应链的四大数字化具体包括哪些内容?

太璞供应链通过四大数字化实现高效采购:采购数字化确保合规与效率平衡,商品数字化实现标准化治理,供应商数字化构建全链路画像,履约数字化通过智能决策大脑优化资源调度,显性成本可降低15%以上。

京东工业AI采购模式能降低多少成本?

根据京东工业实践,AI驱动的采购模式可使企业显性成本降低15%以上,隐性成本(如管理、运营成本)降低30%以上,主要通过智能决策、资源优化和流程自动化实现。

这么好看,分享一下?

朋友圈 分享

APP内打开

赞 +1
+1
微信好友 朋友圈 新浪微博 QQ空间
关闭
收藏成功
发送
/140 0