自 1939 年成立以来,家族企业集团古斯曼矿业一直致力于在国内外覆盖矿物和食品配料等领域。如今,总部位于瓦伦西亚的公司以古斯曼矿业品牌名称,专注于管理分布在 53 个国家的 4,000 多个客户,坚持可持续发展和人性化的愿景,持续增长并扩展国际业务。但如果没有对技术和数字化的承诺,这一切将难以实现。
公司首席信息官 Luis Sabater 表示:"从一开始,古斯曼矿业就坚定地将技术作为战略支柱。这一理念始终如一,我们不断寻求适应变化,随市场和业务需求而发展。这种方法使我们保持竞争力,为未来的挑战做好准备。"
Sabater 说,在古斯曼的数字化转型核心中,所有服务器都托管在 Azure 上,使公司能够集中管理每个设备。他说:"所有员工都使用集成了高安全标准的设备,确保内部信息和客户信息的效率和保护。"
公司目前正在改进工厂的数字化进程,包括自动化流程和采用优化运营的技术。Sabater 说:"我们正在改进商业报告,以获得清晰的全球业务视野,进行更详细的分析,实时做出更明智的决策。这些举措对推进我们的数字化转型和增强竞争力至关重要。"
追求数字凝聚力
这个数字化进程并非一帆风顺。古斯曼矿业面临的主要挑战之一是集团内不同业务的分割。对 Sabater 来说,这代表了重大的技术难题,因为每个业务单位都有需要系统适应的特定需求。他说:"但这也让我们获得了更深入的知识,使我们能够更灵活地适应各个业务的需求,更有效地改进流程。"
目前,古斯曼矿业的技术实施是通过一系列相互连接的平台进行的,确保实时数据流。Sabater 说:"我们的云基础设施作为主干,实现集中化和安全管理。除了强大的 ERP 系统外,我们还有专门用于改进商业管理的 CRM,以及用于工单管理和支持的特定工具。这些解决方案与员工移动应用程序一起,确保业务各个领域的完整高效技术集成。"
公司目前正在工厂实施计算机辅助维护管理系统 (CMMS) 和物料需求计划 (MRP),旨在优化和自动化生产和维护流程。他说:"我们即将开始实施 Business Central,这将标志着业务管理系统更新和现代化的重要一步,进一步加强运营并改善企业层面的决策。"
这些项目影响古斯曼矿业的所有部门,因为它们涵盖了从产品制造和加工到销售的全过程。此外,CMMS、MRP 和即将推出的 Business Central 等工具直接影响生产、物流、维护和行政等领域,确保整个公司更高效、更紧密的管理。
在工厂区域,公司正在进行 CMMS 和 MRP 的最终配置和测试阶段,以改进规划和维护。此外,销售团队已经在全面使用 CRM,便于客户和机会管理。至于 Business Central,该项目处于早期阶段,代表着从当前的 Dynamics NAV 2017 ERP 解决方案的重大转变。
为了更大的利益
古斯曼矿业的 IT 战略与其可持续发展和效率愿景保持一致。采用新技术不仅寻求改进内部运营,还要确保环境影响最小化,运营更具社会和经济责任。他说:"我们相信技术必须是实现更大可持续性和为公司及社会创造长期价值的工具。"
Sabater 解释说,为实现这一目标,古斯曼有相当可观的年度 IT 预算。当启动 Business Central 等大规模系统时,预算会进一步扩大。他补充道:"技术投资对保持竞争力和继续推进数字化转型至关重要。此外,我们在马来西亚的新设施也需要投资,以实现全面的业务管理。"
多年来,公司一直致力于聘请专业顾问协助实施项目。"在很多情况下,我们担任项目经理角色,与不同顾问密切合作,确保项目满足我们的需求。"
与合作伙伴协作
重要的合作伙伴关系是推动古斯曼矿业数字化转型的关键。据 Sabater 说,他们的经验使公司能够随时间推移保持 NAV 2017 适应其需求,但展望未来,他确信今年将顺利过渡到 Business Central,确保业务流程重组高效进行,并与公司目标保持一致。
"采用新技术已融入我们的 DNA,所以我相信在未来几年,我们将整合人工智能来优化和自动化流程,进一步提高效率和决策能力。"
好文章,需要你的鼓励
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
随着医疗数据数字化与互操作性的进步,跨机构纵向患者数据的研究应用成为可能。本研究通过对20位领域专家的访谈,识别出8种数据收集方法,涵盖智能手机应用、结构化数据导出、区域/全国研究查询及聚合数据源等。研究发现,各方法均有其优缺点,无单一最优方案。参与者中介交换方式可绕过复杂治理安排,但存在数据缺口;全国性网络尚不支持研究查询。公共政策的持续推进将对该领域发展起关键作用。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。