食品代理业2年心得

毕业后两年的时间里,一直工作在一家市里一家比较大的食品代理公司,从事着这个行业的软件开发。从公司辞职后,一直想写些感想却一直没能成功,今天有空,随便写些。

从总体来看,这个行业处于超市与供货商中间的位置,这些年来一直是夹缝中求生存,总的前景并不是很好。来往票据频繁,账目混乱,与超市和供货商之间的合同繁杂,这些是这个行业的主要特点。

相对于其他行业而言,代理业与房地产业相当类似,资金链是他们的重中之重。当货款在超市方被积压时,就需要迅速寻求融资渠道。在这个行业里一笔账款压3-6个月是很平常的事情,加上年末算给超市的各种返点,一个资金在5000万公司,如果每种进货均加价20%-50%卖给超市,而一年只盈利不到100万,是很正常的事情。

而作为软件开发人员而言,应当开发什么样的软件给企业呢。

以我这两年的经验看来,软件的主体固然是进销存,但库存数量与往来的账目并不为企业所看重。这是因为,由于资金链的问题,在这个行业中不会形成比较大的代理公司,出于经济原因,公司主体与仓库往往处于同一地点,其公司人员又往往带有中国特色的裙带关系(娘家亲多,^_^),所以软件如果在库存或者账目上出现错误,实际上并不会造成很严重的错误,虽然在软件开发人员看来,这样的错误是很严重并且是让人非常头痛的(从行业产品来说,速达系列在库存和开单方面做的是最出色,也是最贴心的)。

但是,需要注意的是,一个良好的进销存体系并不能使你的软件卖一个好价钱。作为公司经理而言,他所关注的是企业的资金链,超市的回款信用,以及单品带来的实际利润。我原来的经理就经常为这些问题通宵工作,尽管在外人看来,他的资产接近上亿,但实际上,一个微小的错误都会使他破产。

经常可以看到,很多同行在进行软件的设计时往往会被如何计算产品的成本而与其他人在CSDN上争得很凶,针对食品行业而言,对一个进货渠道稳定的企业来说,单品成本的波动是极其微小的。不管使用何种加权方法进行计算,其计算结果注定是与预期的差别非常大。其原因在于中国特色的经营成本是非常大的。

举例说明:A公司新代理了一种产品,要在B连锁超市的N个店进行推广,参考天津市的进店费,单计算商品的进店费为5万/店,那么进店费总额为5N万,在此前提下,应如何向用户建议一个合理的成本价就是一个更有意思的问题了。但很不幸的是,在N多新手销售人员的大包大揽下,事实的需求总是很难反馈给设计人员,从而导致开发出的产品总是严重的偏离实际需要。如果用户真的按照系统计算的成本进行建议的话,一定是一个双亏的结果。

也许有人说:这种非预期的费用让我们如何计算。那么假设我们抛开这个因素,单纯的进行售价-成本的利润计算,同样存在问题。在正常的商业活动中,回收的货款往往被立即投入采购中。因此,我的一个客户曾经这样抱怨,我承认这个月在这个单品上盈利了3%,但是,这3%在哪里呢,我应该如何向我的BOSS汇报我的利润呢。所以,就产生了一个让我很没有办法的事情,他们在月末结账时往往会把3%说成2%,以应付自己的BOSS,把错误归结给我的程序。有什么办法吗,所以,单纯的计算这种利润,实际上意义不大,除非,你的客户只有BOSS那一个员工。

再回头看一下总的账目,有的人倾向于将应收应付账目与会计电算化结合起来。这点我也很赞同,但是要注意的是,涉及发票的地方一定要灵活,因为林子大了什么鸟都有,如果客户的销售人员千辛万苦拿回来一笔欠了很久的几十万的账款,但他拿回来的是现金的话,这种违背会计要求的需求,你的系统能处理吗。

-----------------------------------------------------------------------------------------------------------------------

今天说了很多,有些累了,先写到这里了,不接受别人的不同意见,请勿留言,谢谢

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值