ERP项目成功的后天条件

在实施ERP的过程中还必须注意以下“后天条件”,做不好,同样存在失败的风险。

1.任命得力的项目经理,项目组织人选得当

项目经理负责项目实施的全部具体工作,起着承上启下,沟通内外的作用。到一个实施ERP的企业,只要观察是什么人在担任项目经理,项目实施小组由什么成员组成,就可以八九不离十地判断出企业高层对ERP项目的重视程度,以及今后项目成败的命运。

2.重视培训教育,提高全体员工素质

长期习惯于传统管理的员工的知识如果得不到更新和充实,就不可能驾驭一个“从来不是这么干法的”ERP系统,项目将无法启动和开展。我们在第27.3节还将重点讨论。

3.管理人员与信息技术专业人员配合默契

管理人员是ERP系统的主宰,但若没有信息技术专业人员的支持,系统也很难正常安全运行和扩展。两类人员如果不能密切配合,各行其职,或是越俎代庖,都会使项目陷于瘫痪。

4.重视数据准确、及时、完整,建立保证制度

数据是各种信息的基础,我们在第12章已经反复强调,数据不准,运行ERP系统犹如玩数字游戏,这样的项目最后必然失去员工的信任,被束之高阁,无人问津。

5.选择适用的供应链管理软件及长期合作的软件商及咨询服务单位

选择软件重在“适用”,而不是追求“门当户对”或“世界第一”。选择不当,犹如花钱背包袱,必然陷入进退两难的境地。

6.项目管理实施方法和实施指导及服务支持,有严明的工作纪律

不按照项目管理的原则办事,就像在混乱和黑暗中瞎闯,最后,把人们对新事物的积极性耗费殆尽,使项目陷入不死不活的状况。

7.深化改革,重视业务流程重组

实施ERP系统如果不结合管理改革,最后就像在泥泞的道路上跑林肯或卡的拉克高级轿车,再先进的B2B软件也使不上劲,最后必然退回到实施前的老路上去。

8.健全有利于进取不懈和市场竞争的激励机制

无论在项目实施进程中或项目实施之后,都必须修订或建立一种有利于追求卓越的激励机制,没有这样的激励机制,再高的热情也会熄灭,不能持久。

9.建设一支具备管理、行业、信息技术和项目管理知识的复合型人才队伍

市场竞争首先是人才的竞争,实施ERP系统,如果没有建立起一直复合型的人才队伍,不仅信息化建设不能继续前进,而且已经得到的成果也可能丧失殆尽。

10.制定严格执行新流程的工作准则与规程

实施ERP系统是一场深刻的管理革命,变革的成果必须用新的“法律”来巩固。没有这样的“宪法”,迟早会倒退到老路上去,功亏一篑,前功尽弃。

以上最后3条,对巩固ERP项目的实施成果,是非常重要的。成果不能巩固,同样也是失败的下场。

所有信息化管理系统的成功条件都有共性和类似之处。这里我们不妨参考著名CRM软件公司Siebel System技术服务部高级副总裁Steve Mankoff总结出的10项成功实施CRM系统的条件,供读者对比参考。

(1)建立量化的业务目标;

(2)协调业务与IT人员的运作;

(3)高层管理的支持;

(4)使业务目标成为原动力;

(5)尽可能减少二次开发:

(6)使用有经验的顾问人员;

(7)最终用户积极参与:

(8)培训最终用户提高其能力:

(9)分阶段的实施计划;

(10)评价、监控、跟踪[@more@]

test

http://publish.itpub.net/a2009/0826/669/000000669290.shtml

来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/93029/viewspace-1026416/,如需转载,请注明出处,否则将追究法律责任。

转载于:http://blog.itpub.net/93029/viewspace-1026416/

  • 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