近期，杭州有一家名为览众数据的公司，动作十分频繁，这是一家专注于借助人工智能来帮企业做决策的科技企业，在2018年初的时候就完成了B轮融资，如今还陆续拿下了“国家高新技术企业”、“杭州市专家工作站”等多项认定。其核心逻辑非常直接，就是用算法帮企业从繁杂的数据当中找准那个“平衡点”，将供应链里的模糊决策转变为可计算的精准动作。
数据驱动决策从“大概”走向“精准”
先来看过去企业做运营决策那会儿，好多时候是依靠经验来进行判断的。就好比准备多少货物，以及在什么时候去补货，常常是靠着业务主管凭借主观想法来决定。再说说览众数据的做法，是把那些会影响决策的一系列因素，像历史销量，季节波动，促销活动，甚至天气变化这类情况，统统交给机器学习模型去做计算。然后系统会给出一个确切具体的数字，而并非是一个模模糊糊的区间，如此一来就让决策者有了可以去执行的依据。
览众的算法工程师们，身处杭州滨江的办公室，每日所从事的工作，是将繁杂的供应链问题转化为数学模型。他们察觉到，众多企业实际上并不缺乏数据，所短缺的乃是把数据转变为指令的能力。举例而言，有一家服装品牌，面临着上千个SKU，依靠人工根本无法精确预测其中每个款式的销量，然而算法却能够达成这一点，并且能够持续进行自我优化。
全球顶尖团队搭建技术壁垒
览众的核心技术团队背景特别不一般，成员好多都毕业于全球一流的学府。团队当中有多次在“IJPR”、“ACM TIST”、“SIGKDD”、“IEEE ICDM”等顶级期刊以及会议上发表论文的专家，另外还有人担任国外知名学术期刊的审稿人。这表明他们不但懂得工程实现，而且更拥有前沿的学术视野。
这种兼具学术与工程的双重基因，使得览众在建模能力方面形成了与众不同的独特优势，公司内部自称为“世界一流建模团队”，从算法设计开始，到参数调优结束，均依照学术界的严谨标准予以执行，与此同时，管理层中高学历人才所占比例达到了100%，他们既能够看懂论文，又能够听懂企业老板所提出的痛点。
产学研合作打通理论与应用
览众跟浙江大学、大连理工大学、中国科学技术大学等高校构建了深度产学研合作关系。这种合作并非仅仅挂个牌子而已，而是切实地将高校所取得的算法研究成果，拿到企业场景区域去做验证以及落地的工作。高校承担起前沿探索的职责，览众负责把成果进行转化应用从而形成了良性循环。
譬如在供应链预测这般的场景之内，学术界存有大量的优质的进阶算法，然而真正意图应用在企业当中，必定要思索数据质量、计算效率、业务适配等实际方面出现的问题。经由与高校开展联合攻关，览众能够迅速地吸纳最新的研究成果，与此同时让高校的师生接触到真切的工业数据以及运用中的场景。
供应链智能决策引擎直击企业痛点
览众经自身独立研制出来的供应链智能决策引擎套件，就属于他们极具优势的产品。此套系统着重于对大供应链加以优化，将需求预测、库存管理、物流调度、补货策略等好些环节予以贯通，凭借一套算法模型实施统一的调度安排。传统的ERP仅仅能够记录已然发生的状况，然而览众所拥有的系统却能够告知你后续应当去做些什么。
在具体效果方面，这套引擎能够助力企业提升需求预测的精准程度，进而直接促使销售收入实现增长。与此同时，鉴于预测更为精准，库存水平得以降低，物流成本也随之减少。有客户反馈称，在使用该系统之后，库存周转的天数缩短幅度超过了20%，缺货率显著下降，整个供应周期被压缩了将近三分之一。
人才战略支撑持续创新能力
览众于人才引进以及培养方面投入颇为巨大，其存在一项名为“揽星计划”的举措，此计划专门用以培育团队之中的中坚力量，研发团队里面具备高学历身份的人才所占比例超出80%，其中硕士以及博士占据了绝大多数部分，公司还聘任了多名处于行业内部的资深专家，组建起了专业级别的顾问团队，从而为研发方向以及应用落地进行把关。
在人力资源管理范畴内，览众着重突出强调“尊重每位员工的价值”，并以科学方式进行了薪酬体系以及晋升通道的设置。该种机制并非意在画大饼，而是切实能够让技术人员所做出的贡献得以被量化、被认可。众多工程师甘愿留下来，原因在于身处此地能够将论文里的算法撰写成可产生实际商业价值的代码。
政策认定与资本认可的双重背书
览众被选入国家高新技术企业，览众被选入浙江省科技型中小企业，览众成为浙江省软件行业协会会员单位。创始人入选杭州高新区“5050计划”，此为当地政府引进高层次人才的标志性项目。近期览众被评为杭州市“专家工作站”，这进一步证明政府对其技术实力予以认可。
从资本角度而言，2018年1月所完成的B轮融资，这表明投资机构对于览众的技术路线以及商业模式存有足够的信心。在人工智能赛道彼时还相当拥挤的状况下，能够获取B轮融资的企业数量并不多。资本的注入同样为览众持续开展投入研发、拓展市场等行为提供了充足的资源。
览众心怀以助力企业达成供应链管理的智能进阶，促使人工智能技术于供应链范畴辽阔应用为愿景。针对正寻觅数据化转型途径的企业来讲，你觉得当下最大的阻碍是内部数据根基薄弱，还是外部技术方案难以适配业务场景呀？欢迎于评论区留言摊出你的观点，亦别忘记点赞转发，以使更多制造业以及零售业的友人瞧见这篇文章。
