价值230亿美元的发动机制造商Cummins的首席信息官Sherry Aaholm分享了她创造大规模基础变革的策略。
Cummins的一切都是那么的大。这家财富500强企业在为大型汽车制造发动机，拥有63000名员工，创造了230亿美元的销售额，业务也遍及全球。随着数字化技术进入了Cummins的产品，这家大公司的很多方面都在同时发生着变化，包括IT在产品工程中的角色，销售团队对新数字产品的态度，以及领导层围绕数据的思维方式。其首席信息官Sherry Aaholm表示，她推动大规模变革的方法主要是在展示业务价值和极大的耐心上面。
Martha Heller:数字化战略对Cummins来说意味着什么?
Sherry Aaholm:我们的数字化战略有两个要素:第一个是核心基础设施，我们会将硬文档和物理流程数字化，并将其迁移到云中。
现场的服务业务就是一个例子。我们的许多产品，比如我们安装在火车头上的发动机或是矿山用的自卸卡车上的发动机，都需要现场服务技术人员，因为这些产品太大了，无法在商店里进行维修。
传统上，技术人员在进入现场前都会在一张纸上检查现场的安全状况。现在，这个过程是数字化的。服务技术人员能够通过图片和评论捕捉到他们在现场实际看到的东西。然后，我们会使用图像分析来为在世界各地的区域办公室工作的团队领导提供实时的报告，并评估是否存在跨多个站点的安全问题模式。
然后，我们就可以根据我们从该领域其他人那里学到的知识，向技术人员推荐安全设备了。这不仅仅是一个自动化“提笔”过程的例子。我们实际上是在创造更安全的现场体验。
但数字化流程是一个赌注;我们所有的竞争对手都在这么做。作为原始设备制造商的一级供应商，我们的竞争优势在于将我们的产品数字化，并发明各种方法来帮助最终客户。这是我们数字化战略的第二个要素。
我们销售的是发动机和发电机组，因此正常运行时间对我们的最终客户来说非常重要。通过物联网，我们正在从引擎领域中获取真知灼见，并告诉我们的终端客户可以如何更有效地操作他们的车辆，以及如何延长服务间隔。我们的终端客户正在获得更好的燃油经济性并减少排放。
在采矿业，如果一台挖掘机不能工作，每台矿井每天就要花费1万美元，但是矿井的运作方式并不都是一样的，而且它们可能处于不同的海拔高度，这会影响发动机的性能。我们对来自引擎的数据运行人工智能的能力使我们能够为矿主提供更好的正常运行时间和利用率。
你是如何改变你的IT组织来推动产品数字化的?
与大多数制造企业一样，Cummins也一直在为工资单、财务和车间提供着核心企业技术。我们正在悄悄的进入产品工程领域，这一点很重要，因为我们比我们的产品工程师更了解网络安全和软件开发。
挑战在于如何改变IT组织的技能，从购买和安装软件包到将软件构建为知识产权。我需要从建立一个全新的软件工程团队开始，团队成员都是有物联网经验的人。
我们现在正在从这个新的软件工程小组中学习，并将新的软件开发工具和实践引入到“传统”的IT组织中，这样我们就可以从不同的角度来考虑企业核心了。
例如，DevOps诞生于数字产品组，我们正在将这种能力迁移到企业IT中，就像我们将更多的核心系统放到了云上一样。我们的数字产品组使用了敏捷开发，所以我们也开始对企业IT进行敏捷培训。
你的业务伙伴对你的数字化战略的接受度如何?
我们与工程团队发生了一些摩擦，因为他们从未将其视为产品的一部分。我们必须向他们解释我们是产品设计的重要组成部分，因为每一个新产品的发布都应该包括一些基本的数字功能。让工程师适应它在产品开发中所扮演的角色是一项正在进行的工作。
让我们的销售团队了解我们数字产品的市场价值也是一个挑战。他们想把这些见解作为我们传统产品的增值，而不是收费。为了推动变革，我在数字产品团队中加入了具有营销和定价背景的人员;他们正在为我们的数字产品创造新的宣传资料，并对我们的业务伙伴进行培训。
让我们的业务伙伴加入进来仍然是一项正在进行的工作，但它正得到市场需求的支持。三四年前，当我们在制定数字产品的战略时，业务部门会说，“这是一件好事，但我们的客户没有一个在真正要求这样做。”但今天，所有的原始设备制造商都在数字化他们的产品，所以我们的业务部门知道，如果我们不这样做，我们就将失去竞争优势。
制造引擎的产品开发周期是七年，所以在我们确切了解这些产品的市场前景之前，我们就必须在产品中加入物联网设备了。这意味着我们必须在不知道如何使用它们的情况下，加入一些功能。让人们“在没有明确商业案例的情况下构建IT”的思维模式是我们所面临的最困难的挑战之一。
你创建数据驱动业务的方法是什么?
首先是获得高管对数据民主化的支持。在企业中，数据往往非常分散，业务部门也认为他们拥有数据。一个业务部门可能会拒绝与另一个业务部门共享他们的数据，因为担心他们会如何处理这些数据。除非你的首席执行官明确表示数据属于所有人，而不是少数有权势的人，否则你就无法利用数据做很多事情。
第二种方法是只清理那些能够解决明确业务问题的数据。如果我在公司里转了一圈，然后说，“我需要所有的制造数据都是干净的，而且都在一个地方，”人们会说，“这听起来真的很贵。你为什么要那样做?”这将花费我100年的时间。
相反，我们一直在解决一些更大的问题，比如如何使用分析来降低保修成本，以及只清理与此相关的数据。采用“使用数据解决特定问题”的方法，我们确定了大约50个相关数据的关键来源，然后将其减少到了20个。我们清理了这些数据并将其放入数据池中，让人们可以使用这些数据，但又仅限于实际的业务问题。我们是否可以在不发布一个完整的客户活动的情况下发现客户的保修问题?我们可以使用模式来确定哪些引擎会出现问题吗?我们能提高正常运行时间吗?
当我们开始证明我们可以解决大问题时，人们就会开始相信数据并要求更多了。
我们所采用方法的第三个方面是数据隐私。我们的大部分数据都来自终端客户的车辆，这些数据被发布给我们进行分析，但实际上并不是我们的。我们的法律部门在指导我们如何将数据从所有这些小裂缝中提取出来并集中到一个地方，这是我们保护数据隐私的唯一方法。
我们处理数据的方法包括了以上这三个方面。已经结束了吗?绝对没有。我们可能已经完成了八分之一。我们的商业领袖现在已经知道，数据是一种资产，就像制造工厂也是一种资产一样。虽然我们还有很长的路要走，但我们正在朝着正确的方向前进。
