后ERP时代的困境

在过去二十年中，大部分国内企业都通过实施ERP实现了核心业务的标准化管理及运营，ERP系统支撑着企业的主要业务流程。众多传统企业在进行数字化转型的过程中，都发现过去代表着先进管理能力的ERP系统正受到众多用户的诟病，下面分享笔者曾经碰到的两个案例。

案例一：A客户，某大型汽车经销集团A——如何解脱ERP从管理到服务的困境?

如何解脱ERP从管理到服务的困境?

这是一个大型的汽车经销集团，我发现他们的客户满意度非常差，存在等待时间长、信息不一致等问题。在深入研究其原因时，发现很多一线服务人员花了很多时间来填写集团要求的数据、流程，他们录入的ERP数据是严格的考核指标。而众多的业务人员对ERP系统却有着诸多抱怨，比如响应不及时、业务复杂、不能够满足销售及客服人员服务用户的需求等。

其中最普遍的反馈，是ERP系统不仅不能够提供相应的方便快捷服务工具，比如客户信息查询、二手车车源查询、增项查询匹配等，以真正提升他们的工作效率、优化客户服务的流程，还制定了一堆KPI来让他们必须在指定的时间、场景下，录入指定的信息，如果不录入就会有惩罚，使他们每天在各条线、各业务部门设置的ERP指标中疲于奔命。

案例二：B客户，某大型家电制造企业B——如何在支撑稳定业务运转的同时加速创新实验？

如何在支撑稳定业务运转的同时加速创新实验？

国内的一个大型家电制造企业，他们所使用的ERP是十年前购买的套装软件，支撑着各个工厂从订单到生产的全过程。在后来的应用过程中，不断有新的需求产生，他们就在上面补丁摞补丁的做了非常多的客户化开发。

在当今移动互联网、IoOT等数字化技术迅速发展的时代，他们希望将这套老的ERP对接到新技术平台上，利用新的数字化技术，从数据中挖掘出新的价值。但是，目前的ERP系统数据正在以T数量级增长，而由于前期的客户化开发版本非常多，又缺乏顶层设计，所以底层数据的逻辑已经很混乱。对于这些生产数据，谁也不敢擅自行动，于是情况就变成，一边是大量高价值的供应链数据在ERP中沉淀而无法使用，一边是各个业务部门的新业务需求得不到全量数据的支持。

曾几何时，ERP是作为先进管理经验被引入国内企业的，从SAP到Oracle EBS，从用友到金蝶，ERP作为固化企业流程，提升管理水平，实现精细化、标准化管理的核心系统，在数字化时代，却沦落到如此尴尬的局面。

很多的客户都问道，是不是我们需要一套新的原生数字化ERP?

他们是如何解决的？

A公司解决方案：重新采购或者搭建ERP是不现实的

第一，时间来不及第二，投入太大第三，其实ERP系统依然可以满足他们的管理需求

所以该客户制定了“三步走”的策略：

A集团“三步走”策略

第一，构建自服务的数据湖，将ERP的数据全量抽取到数据湖中，然后基于数据湖，建立以用户为核心的数据模型，对用户进行分层，建立单一客户视图。

第二，构建微服务的数字化平台，将数据湖和ERP的数据封装成API开放出来。

第三，在开放数字化平台的基础上，为独特的岗位角色定制不同的移动端APP，尽可能的自动化，简化审批，同时将单一用户视图中的数据推送给每一个服务人员，从而帮助他们提升服务的满意度。

这个解决方案的第一步，是建立基于数据湖的企业全量数据存储能力，为什么是数据湖而非数据仓库？最大的区别在于，数据仓库是抽取明确的对业务目标进行分析的数据，在数据进入数据仓库前，已经被清洗和分类，而数据湖则是全量复制原始数据。图5说明了数据湖和数据仓库的实现区别：

数据湖和数据仓库实施方式的差异

ERP时代的数据分析，侧重于决策支持，管理层或业务部门已经明确知道了业务指标，只是需要将存量数据的分析结果展示出来，然后由业务或决策层在数据可视化的基础上运用经验和战略，做出人工决策。

在后ERP时代，企业内部的管理体系已经相对固化和成熟，面临的是对客户和市场的关注，也就是探索和创新。这种情况下，企业面临非常大的不确定性，没有人知道具体什么样的数据能发掘出什么样的业务规则，也无法对未知的业务指标进行建模。与此同时，大容量低成本存储技术的出现，则让这一创新需求得到了充分的支持。

传统数据仓库的局限性

B公司解决方案：

开放数据，加速试验

数据湖是企业的异构／分布式的全量数据源，只存储下来是不够的，如何让数据湖变成企业数据创新的源泉？

首先，要在数据湖的基础上，建立自服务的数据发现平台，利用ES技术构建了数据检索和发现平台。

自服务数据发现平台的典型架构

架构如图所示。通过这些数据查询的技术，让数据分析人员和业务用户用简单快捷的方式，获取到他所需要的数据集，从而进行数据发现和应用，加速业务创新实验的过程。

传统基于数据仓库的数据分析有以下几个特点：

基于经验的分析，分析主题的价值高低，很大程度上取决于业务人员对业务理解的深度，其水平直接决定了业务价值的天花板；响应速度比较慢，从业务理解到业务目标的实现，通常会经过7个环节，每一个环节都会和真实的业务规则有所偏离和衰减；每一个数据分析主题的建设周期较长，迭代缓慢。

这是传统企业数据分析的典型做法，适合那些业务确定性较高，逻辑相对简单的分析场景。但是对于数据量大，数据结构复杂的探索和预测性业务，效果通常不是很好。

随着机器学习算法的愈发成熟，该客户希望建立面向机器学习的数据创新能力，利用数据来发现过去无法从固有经验中挖掘出的新规则，从而提高创新的成功率。通过Data Discovery，纳入了以前所没有被纳入的其他非直接交易数据，将这些全量历史数据打上标签（是否营销成功），由机器学习平台去训练，然后不断加入增量数据调优算法。这个方案将该客户的营销准确度提高了10倍左右。

以机器学习为核心的数据预测，有以下典型步骤：

第一步，建立业务假设。不需要业务人员总结出明确的业务规则，只需要有一个大概的方向，提出假设就可以；第二步，基于业务假设，在数据发现平台中抽取训练数据到机器学习引擎中去训练；第三步，基于训练结果，加入新的增量数据，验证和优化训练模型，直至达到预期的准确度；第四步，将模型投入生产，去对新的数据进行预测。

以机器学习为核心的数据预测的步骤

机器学习和传统数据分析对比

总结：

通过前面两个案例的学习和总结，可以抽象出这样一张逻辑架构图：

传统ERP系统构建了企业数字化的基础，拉通了企业内部供应链、价值链、人财物的管理，它的数据价值是永不过时的。面对新的数字化挑战，我们需要借助新的技术和理念来最大化利用这个数据宝库。

比如，在传统企业ERP系统基础上，我们可以通过构建数据湖、数据发现平台及数据创新平台，利用机器学习的技术，激活以ERP为核心的企业后端业务数据，构建创新敏捷、快速实验的、以数据为核心的创新能力。