后ERP時代的數字化賦能

作者：凱哥 2017-06-23 10:21:32

在過去二十年中，大部分國內企業都通過實施ERP實現了核心業務的標準化管理及運營，ERP系統支撐著企業的主要業務流程。眾多傳統企業在進行數字化轉型的過程中，都發現過去代表著先進管理能力的ERP系統正受到眾多用戶的詬病，下面分享我們碰到的三個案例。

[[194832]]

后ERP時代的困境

案例一：A客戶，某大型汽車經銷集團A——如何解脫ERP從管理到服務的困境?

圖1 如何解脫ERP從管理到服務的困境?

這是一個大型的汽車經銷集團，經過二十年的發展，它已經成長成為在全國擁有幾百家高端車品牌的4s店集團。我們在訪談的過程中，發現他們的客戶滿意度非常差，存在等待時間長、信息不一致等問題。在我們深入研究其原因時，發現很多一線服務人員花了很多時間來填寫集團要求的數據、流程，他們錄入的ERP數據是嚴格的考核指標。而眾多的業務人員對ERP系統卻有著諸多抱怨，比如響應不及時、業務復雜、不能夠滿足銷售及客服人員服務用戶的需求等。其中最普遍的反饋，是ERP系統不僅不能夠提供相應的方便快捷服務工具，比如客戶信息查詢、二手車車源查詢、增項查詢匹配等，以真正提升他們的工作效率、優化客戶服務的流程，還制定了一堆KPI來讓他們必須在指定的時間、場景下，錄入指定的信息，如果不錄入就會有懲罰。他們每天在各條線、各業務部門設置的ERP指標中疲于奔命，花了大部分時間去滿足ERP系統的錄入要求，而無法專注的思考如何為客戶提供更好的服務。

這一個場景其實不能怪ERP，因為ERP從誕生起，它的定位就是“標準化業務流程的管理工具”。

案例二：B客戶，某大型家電制造企業B——如何在支撐穩定業務運轉的同時加速創新實驗?

圖2 如何在支撐穩定業務運轉的同時加速創新實驗?

國內的一個大型家電制造企業，他們所使用的ERP是十年前購買的套裝軟件，支撐著各個工廠從訂單到生產的全過程。在后來的應用過程中，不斷有新的需求產生，他們就在上面補丁摞補丁的做了非常多的客戶化開發。

在當今移動互聯網、IoOT等數字化技術迅速發展的時代，他們希望將這套老的ERP對接到新技術平臺上，利用新的數字化技術，從數據中挖掘出新的價值。但是，目前的ERP系統數據正在以T數量級增長，而由于前期的客戶化開發版本非常多，又缺乏頂層設計，所以底層數據的邏輯已經很混亂。對于這些生產數據，誰也不敢擅自行動，于是情況就變成，一邊是大量高價值的供應鏈數據在ERP中沉淀而無法使用，一邊是各個業務部門的新業務需求得不到全量數據的支持。

案例三：C客戶，某大型日用消費品集團C——如何將企業內部的ERP數據和外部的電商、社交等數據整合，產生新的業務洞察?

圖3 如何整合企業內外部數據

這個客戶是一個大型的日用消費品集團，近幾年，隨著電商的興起，他們也將自己的ERP對接到了外部電商平臺。他們現在面臨的問題是內部ERP管理的供應鏈數據結構無法和外部電商平臺的的客戶信息、瀏覽信息等打通。

10年前，通過SOA架構集成了以ERP為核心的企業內部管理系統，打通了內部人、財、物，從訂單到生產的內部數據孤島，在如今的互聯網時代，局部供應鏈在大的數字生態中又成了新的數據孤島。典型的場景就是當線上要做活動的時候，線下的供應鏈無法滿足庫存等需求。

同時，該客戶***的需求是能夠實現更加精準精細化的運營。

過去的運營更多靠的是運營人員的經驗，所以那個時候即使數據不打通，也無所謂，反正導出一個Excel、自己根據經驗算個表就出來了。而在電商時代，運營數據量大，特征值和維度都非常多，所以利用經驗很難實現精細化運營，往往一個參數的錯誤，就會帶來巨大的損失。

從以上三個用戶問題中我們發現，曾幾何時，ERP是作為先進管理經驗被引入國內企業的，從SAP到Oracle EBS，從用友到金蝶，ERP作為固化企業流程，提升管理水平，實現精細化、標準化管理的核心系統，在數字化時代，卻淪落到如此尷尬的局面。

很多的客戶都問道，是不是我們需要一套新的原生數字化ERP?

這三家企業都意識到了自己所面臨的問題，并且采取了相應的策略來應對這些挑戰。讓我們來看看他們是如何行動的，這些行動給我們哪些參考。

A公司解決方案：

經過我們的分析，重新采購或者搭建ERP是不現實的：

***，時間來不及
第二，投入太大
第三，其實ERP系統依然可以滿足他們的管理需求

所以該客戶制定了“三步走”的策略：

圖4 A集團“三步走”策略

***，構建自服務的數據湖，將ERP的數據全量抽取到數據湖中，然后基于數據湖，建立以用戶為核心的數據模型，對用戶進行分層，建立單一客戶視圖。

第二，構建微服務的數字化平臺，將數據湖和ERP的數據封裝成API開放出來。

第三，在開放數字化平臺的基礎上，為獨特的崗位角色定制不同的移動端APP，盡可能的自動化，簡化審批，同時將單一用戶視圖中的數據推送給每一個服務人員，從而幫助他們提升服務的滿意度。

這個解決方案的***步，是建立基于數據湖的企業全量數據存儲能力，為什么是數據湖而非數據倉庫?***的區別在于，數據倉庫是抽取明確的對業務目標進行分析的數據，在數據進入數據倉庫前，已經被清洗和分類，而數據湖則是全量復制原始數據。圖5說明了數據湖和數據倉庫的實現區別：

圖5:數據湖和數據倉庫實施方式的差異

ERP時代的數據分析，側重于決策支持，管理層或業務部門已經明確知道了業務指標，只是需要將存量數據的分析結果展示出來，然后由業務或決策層在數據可視化的基礎上運用經驗和戰略，做出人工決策。

在后ERP時代，企業內部的管理體系已經相對固化和成熟，面臨的是對客戶和市場的關注，也就是探索和創新。這種情況下，企業面臨非常大的不確定性，沒有人知道具體什么樣的數據能發掘出什么樣的業務規則，也無法對未知的業務指標進行建模。與此同時，大容量低成本存儲技術的出現，則讓這一創新需求得到了充分的支持。

圖6 傳統數據倉庫的局限性

來自精益數據專家Ken Coller的總結，很清晰的說明了傳統數據倉庫的局限性：

基于拉動的批量抽取策略對實時數據的支持有限;
企業級的數據模型復雜沉重，跟不上前端業務的需求變化;
過于復雜的ETL數據流，修改困難，任務運行周期長;
不支持緊迫的、隨時隨地的設計修改;
對非關系型數據的支持很差;
數據倉庫產出的分析結果更多是提供給管理層去看，很難直接自動化地應用到當前業務系統中。

經過我們全球眾多數據項目的調研發現，很多客戶在過去很大投資在數據倉庫和BI上，但是現在這些技術已經限制了業務的創新。

B公司解決方案：

圖7 開放數據，加速試驗

數據湖是企業的異構/分布式的全量數據源，只存儲下來是不夠的，如何讓數據湖變成企業數據創新的源泉?

首先，要在數據湖的基礎上，建立自服務的數據發現平臺，利用ES技術構建了數據檢索和發現平臺。

圖8 自服務數據發現平臺的典型架構

架構如圖8所示。通過這些數據查詢的技術，讓數據分析人員和業務用戶用簡單快捷的方式，獲取到他所需要的數據集，從而進行數據發現和應用，加速業務創新實驗的過程。

C公司解決方案：

圖9 優化流程，數據驅動

我們幫助客戶利用DDD的設計方法，構建了新的電商運營平臺，同時將線上線下的相關運營數據打通，抽取到全量的數據湖中，在數據湖基礎上，利用機器學習建模，幫助客戶優化運營數據。

在第二個案例中，我們說到，有了數據發現平臺，企業的用戶可以隨時隨地查詢和探索企業數據湖里的源數據，但是如何在源數據中發現“未知”的機會、突破業務經驗的局限呢?

我們來看一下傳統數據倉庫分析的過程，如圖10所示：

圖10 傳統數據倉庫分析的過程

傳統基于數據倉庫的數據分析有以下幾個特點：

基于經驗的分析，分析主題的價值高低，很大程度上取決于業務人員對業務理解的深度，其水平直接決定了業務價值的天花板;
響應速度比較慢，從業務理解到業務目標的實現，通常會經過7個環節，每一個環節都會和真實的業務規則有所偏離和衰減;
每一個數據分析主題的建設周期較長，迭代緩慢。

這是傳統企業數據分析的典型做法，適合那些業務確定性較高，邏輯相對簡單的分析場景。但是對于數據量大，數據結構復雜的探索和預測性業務，效果通常不是很好。

前面講的那個金融客戶一直以來都面臨著營銷能力有限而潛在客戶群巨大的沖突，如何在每天20萬的新增消費用戶中找出最可能做分期付款的前4000名業務用戶，從而提高營銷準確度呢?

過去，他們采用人工建模分析的方式，能夠關聯分析的特征值有限，準確度一直不高，基本處于半拍腦袋、按照業務常識做預測的階段。

隨著機器學習算法的愈發成熟，該客戶希望建立面向機器學習的數據創新能力，利用數據來發現過去無法從固有經驗中挖掘出的新規則，從而提高創新的成功率。通過Data Discovery，納入了以前所沒有被納入的其他非直接交易數據，將這些全量歷史數據打上標簽(是否營銷成功)，由機器學習平臺去訓練，然后不斷加入增量數據調優算法。這個方案將該客戶的營銷準確度提高了10倍左右。

以機器學習為核心的數據預測，有以下典型步驟：

***步，建立業務假設。不需要業務人員總結出明確的業務規則，只需要有一個大概的方向，提出假設就可以;
第二步，基于業務假設，在數據發現平臺中抽取訓練數據到機器學習引擎中去訓練;
第三步，基于訓練結果，加入新的增量數據，驗證和優化訓練模型，直至達到預期的準確度;
第四步，將模型投入生產，去對新的數據進行預測。

圖11 以機器學習為核心的數據預測的步驟

機器學習和傳統數據分析相比較有以下三個典型特點：

傳統的數據分析更適用于對已有業務規則的統計分析，而機器學習適用于發現新的業務規則和傳統業務經驗所不能理解的新場景。
傳統數據分析非常依賴于人的業務經驗，而機器學習更依賴于數據的質和量。隨著算法的成熟化，未來每個企業所采用的機器學習的算法都是類似的，而決定最終效果的是用來訓練的數據的質量。
傳統數據挖掘是靜態建模，通常需要人工不斷地去優化調整，而隨著持續學習、遷移學習技術的逐漸成熟，機器學習能夠在數據基礎上自主進化。