后ERP时代的数字化赋能

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，下面分享我们碰到的三个案例。

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?

图1 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，经过二十年的发展，它已经成长成为在全国拥有几百家高端车品牌的4s店集团。我们在访谈的过程中，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。在我们深入研究其原因时，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。他们每天在各条线、各业务部门设置的ERP指标中疲于奔命，花了大部分时间去满足ERP系统的录入要求，而无法专注的思考如何为客户提供更好的服务。

这一个场景其实不能怪ERP，因为ERP从诞生起，它的定位就是“标准化业务流程的管理工具”。

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？

图2 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。

案例三：C客户，某大型日用消费品集团C——如何将企业内部的ERP数据和外部的电商、社交等数据整合，产生新的业务洞察？

图3 如何整合企业内外部数据

这个客户是一个大型的日用消费品集团，近几年，随着电商的兴起，他们也将自己的ERP对接到了外部电商平台。他们现在面临的问题是内部ERP管理的供应链数据结构无法和外部电商平台的的客户信息、浏览信息等打通。

10年前，通过SOA架构集成了以ERP为核心的企业内部管理系统，打通了内部人、财、物，从订单到生产的内部数据孤岛，在如今的互联网时代，局部供应链在大的数字生态中又成了新的数据孤岛。典型的场景就是当线上要做活动的时候，线下的供应链无法满足库存等需求。

同时，该客户最大的需求是能够实现更加精准精细化的运营。

过去的运营更多靠的是运营人员的经验，所以那个时候即使数据不打通，也无所谓，反正导出一个Excel、自己根据经验算个表就出来了。而在电商时代，运营数据量大，特征值和维度都非常多，所以利用经验很难实现精细化运营，往往一个参数的错误，就会带来巨大的损失。

从以上三个用户问题中我们发现，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?

这三家企业都意识到了自己所面临的问题，并且采取了相应的策略来应对这些挑战。让我们来看看他们是如何行动的，这些行动给我们哪些参考。

A公司解决方案：

经过我们的分析，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：

图4 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：

图5: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。

图6 传统数据仓库的局限性

来自精益数据专家Ken Coller的总结，很清晰的说明了传统数据仓库的局限性：

• 基于拉动的批量抽取策略对实时数据的支持有限；

• 企业级的数据模型复杂沉重，跟不上前端业务的需求变化；

• 过于复杂的ETL数据流，修改困难，任务运行周期长；

• 不支持紧迫的、随时随地的设计修改；

• 对非关系型数据的支持很差；

• 数据仓库产出的分析结果更多是提供给管理层去看，很难直接自动化地应用到当前业务系统中。

经过我们全球众多数据项目的调研发现，很多客户在过去很大投资在数据仓库和BI上，但是现在这些技术已经限制了业务的创新。

B公司解决方案：

图7 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。 

图8 自服务数据发现平台的典型架构

架构如图8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。

C公司解决方案：

图9 优化流程，数据驱动

我们帮助客户利用DDD的设计方法，构建了新的电商运营平台，同时将线上线下的相关运营数据打通，抽取到全量的数据湖中，在数据湖基础上，利用机器学习建模，帮助客户优化运营数据。

在第二个案例中，我们说到，有了数据发现平台，企业的用户可以随时随地查询和探索企业数据湖里的源数据，但是如何在源数据中发现“未知”的机会、突破业务经验的局限呢？

我们来看一下传统数据仓库分析的过程，如图10所示：

图10 传统数据仓库分析的过程

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。

     前面讲的那个金融客户一直以来都面临着营销能力有限而潜在客户群巨大的冲突，如何在每天20万的新增消费用户中找出最可能做分期付款的前4000名业务用户，从而提高营销准确度呢？

过去，他们采用人工建模分析的方式，能够关联分析的特征值有限，准确度一直不高，基本处于半拍脑袋、按照业务常识做预测的阶段。

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。

图11 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相比较有以下三个典型特点：

• 传统的数据分析更适用于对已有业务规则的统计分析，而机器学习适用于发现新的业务规则和传统业务经验所不能理解的新场景。

• 传统数据分析非常依赖于人的业务经验，而机器学习更依赖于数据的质和量。随着算法的成熟化，未来每个企业所采用的机器学习的算法都是类似的，而决定最终效果的是用来训练的数据的质量。

• 传统数据挖掘是静态建模，通常需要人工不断地去优化调整，而随着持续学习、迁移学习技术的逐渐成熟，机器学习能够在数据基础上自主进化。

图12 机器学习和传统数据分析对比

【结语】

          前面三个案例的学习和总结，可以抽象出这样一张逻辑架构图：

图13 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。

        本文记录多于总结，凯哥最近忙于多个大型企业的数字化转型，数字化运营平台的实战，实在没空写文章。

         等有空了，在进行总结，和各位汇报。