企业不同角色对ERP实施难点的诠释

       企业 ERP系统 实施是一个庞大的系统工程,如何在企业ERP系统实施这条布满沟沟坎坎的大道上一路走好,是众多企业越来越迫切需要解决的问题。而ERP在实施过程中,什么最难呢?请看项目实施过程中不同角色扮演者的诠释。

      项目经理:功能明确是关键

      在ERP系统实施过程中,最难驾驭的就是“产品功能”,如果产品功能经常伸缩,项目需要的资源(时间、人力、资金)就处于一个不确定状态,项目的组织就难以做到计划性和有序性。在给定资源的情况下只有完成一定的功能才是有保障的,功能无限延长,项目必定无法实施下去。

      功能要求可以描述得很细,当然在项目开始的时候把工作内容描述得越清楚越好,做不到很细的时候,也必须做到“大账不能糊涂”。例如,实施的地点在哪里,实施的部门包括哪些,实施的模块是哪些,需要梳理的流程是哪些。

      技术人员:BOM是“基石”

      企业必须首先解决BOM(物料清单)的相关问题,因为这是ERP的基础,BOM不解决,MRP(物流需求计划)就无从谈起,其他的问题也不用谈,更不用说APS(高级计划与排产),BOM的基础数据永远是基础。

      BOM实际上是分解企业生产的过程和分解资源因子的一个基本手段。有了真实可靠的BOM,企业才有一个生产调度、采购、库存、计划、核算、控制的可靠基础。比如我们常说的标准成本就是主要依据BOM来制定的;什么时候安排什么机器生产什么产品也受BOM的约束。

      而且,生产的配置也是基于初始的完整BOM(也就是说可能的一切情况),然后决定物料、工序、用量,甚至是成本,再形成一个定制化的BOM。例如家具行业,家具的花色、架色和手把色的变化是最常见的,原材料也存在一个由大到小的问题;而且原材料的大小规格,每次也都可能不同,这时BOM的设计需要结合产品配置。尽管配置完之后仍会存在物料变更的问题,但变更的次数会降低很多。

      实施顾问:“约束”是瓶颈

      在ERP系统实施过程中,APS是最难实施的一部分,当然并不否认“企业必须首先解决BOM的相关问题”。APS的难点,最主要表现在约束问题上。

      首先是资源的约束,包括资源的维护、效率的变化、资源的共享、主要资源与次要资源的分配等。其次是顺序约束,但有时也存在工序间的调换。第三,物料约束。企业的能力不仅表现在生产能力,也包括物料的供给能力,但“能力出现约束后如何处理”就是一个难题,现在大多数实施人员都将其视为管理问题,认为有了MRP就不会出现类似问题。但实际上“如何在物料约束发生后做相应的调整”和“如何为管理提供相应的信息”这两个问题并没有解决。

      项目总监:流程是根源

      从流程角度来分析问题,能够找到问题发生的根源。一个流程是由多个活动和环节组成的,在流程的流转过程中,不同的活动可能会涉及到不同的部门。对流程进行问题分析,就需要项目组从构成流程的具体活动出发,寻求导致问题出现的具体环节与根源。

      例如,某家具公司,公司椅子的BOM无法确定,后来分析原因,主要是因为颜色在变(客户也有可能易变),而这问题的根本解决需要通过产品配置流程来完成;在原材料方面,铝管(椅子所需材料)的需求是有标准的,但采购回来的直管却没有标准,所以,原材料消耗量难以确定。研究后发现,没有标准的采购,在使用和管理时会存在很多弊端,如物流的发放、物料的损耗等。后来,该公司还是从采购流程的重组上根本解决了这一部分问题。

     以上这些问题,如不妥善解决,就会加大实施企业ERP系统的投资风险。

     如需了解更多,欢迎访问怡海软件官网 http://www.frensworkz.com/

 

 

转载于:https://my.oschina.net/frensworkz/blog/2049982

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
【7层】6900平米左右一字型框架办公楼毕业设计(建筑结构图、计算书) 1、资源项目源码均已通过严格测验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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