ERP厂商困境

RP软件行业的链条是刚性的,没有哪个环节能取消掉,而且链条太长,哪个环节没做到,最后ERP价值就显现不出来。本来大量企业对IT价值认识不够,再显现不出价值,因而大部分企业觉得上ERP贵,相对比那么高的价格,也没怎么解决问题啊。


和ERP软件相对应的是中国企业。中国企业不少链条也是刚性的。不管是电子商务B2C,还是传统企业,从设计到生产到销售到服务,也是链条很长,也是哪块没做到就最终结果差强人意。


真是一对难兄难弟。


反观SAP:
1、其实SAP的增长源泉也在衰退。只不过SAP的保有量大,大部分企业需要持续运维、不断改进定制。新的客户开拓一直在巴西、印度、中国。
2、SAP赚的是美元和欧元,咱们赚的是人民币。这汇率就差十万八千里了。
3、SAP只做平台和标准产品、行业解决方案。其他客户化定制、咨询、项目管理、培训、需求管理、验收管理、安装部署、初始化、数据清洗导入等等低利润脏活累活刚性活都交给了下游。


而国内ERP软件,交不出去,学不了SAP,形不成生态链:
1、是价格低,没有多余利润再分给别人。
2、是全国有能力的代理商也可数,大部分代理商实施人员销售人员服务人员对ERP还只是熟悉财务核算那块。
3、是国内ERP厂商在标准制定与标准培训/标准督导上面下力不大,下游无能力成长,所以放给下游就是一放就乱。
4、是软件定制性差、软件功能薄弱,下游商也不爱接。都是成本、时间长、反复求总部


现在国内ERP厂商的主流产品,哪个不是在10多年前开始数据架构设计、平台架构设计、功能应用架构设计。你说说鼎新、天心、NC、EAS、浪潮等等
那时候对国外ERP架构的研究深度、对ERP的理解深度、对业界主流架构的研究深度、对软件工程的应用深度以及软件开发团队的规模,可和现在没法比。
所以,10多年前那样的现状下生产出来的基本定型产品,几经改进,其本性难变。根上的问题,谁敢动,谁敢快动。全公司一干人马都指望着这套产品吃饭升官发财呢。


不过有些遗憾的是,直到现在,不少ERP厂商的研究还是浅薄:
1、业务模型。不是业务模型太粗,就是没有业务模型,甚至拿功能模型当业务模型
2、平台架构、数据架构,对标研究不深不透彻,甚至还有的厂商不知道研究谁所以一直在自己意淫摸索(其实早有桥了还不知道还在自己摸石头)
3、有的ERP厂商现实已经生米成熟饭,没办法,研究了,要转弯,得拐很多年
4、有的ERP厂商因为利益问题/市场考虑,比如新旧产品问题,所以有桥也不走,老路走惯了,稳妥,可见可控,心里有底,不愿尝试


不过重新开发全新一代的ERP,已经不是现在这种模式了,
因为这个模式已经被国外厂商玩的炉火纯青、收放有度。所以想再这个模式下脱颖而出,再重新做一次也没有意义,而且也没有出头机会。
唯有:
我们必须要去赶下一波,基于云计算+SaaS+移动端+传感器模式去竞争。
但,这个潮流还没有来,大家全都处于青黄不接时代。新时代还没有到来,老时代没有质变的可能。


大家的共识是:
1、过去我们落后了,确实没积累,但ERP已经在那时候研发成型了
2、下一代,我们好好积淀,争取赶上,争取不分伯仲,而不是超越。超越不是靠意淫。我们在下一代的技术积累方面也已经慢了一拍了,所以赶上是现实目标。
3、再下一代,可能有超越的可能了。目标也是超越。


因为ERP,每代ERP,生命周期大约是15-20年。所以下一代ERP产生时间在2017年,生存到2037年。
再下一代ERP,也就是2037年后,可能是中国ERP超越国外ERP的时候。
其实这个节奏和中国企业超越欧美企业的时间节奏也差不多。
没有强的中国企业,也不可能产生强的ERP软件厂商。管理和管理信息化是个相辅相成的。


别笑2037年,以为这是个意淫的时间。其实不是。你真正走进香港、日本、美国,你看看他们的教育、研究、实业,你就会知道不是想快就能快的,不是喊口号加油的。踏实承认差距,努力往前走,日拱一卒做好自己。


不过通过并购获得技术和人才,我们或许也可以加速前进。已经越来越多的中国企业在并购国外企业,现在也越来越多的IT企业在并购国外企业。但中国ERP厂商,不知道会不会有这个阶段。因为盈利性不佳,所以股票上市/中国股市现状、风投都有限,没有资金,何来并购?所以怎么走到并购阶段,我也没想好。


或许在中国企业不景气/ERP销售不好、现有产品不好改进/需要花几年才能改进、未来产品没有资金持续研究、上市无望或股市行情不好、风投不看好、政府税收加紧/延迟退税、人力成本/经营成本变高的情况下,不少ERP厂商都将很难熬甚至死掉。


由于刚性链条,所以ERP厂商的关键是精细化踏实做好自己的每个环节,做好:

1、流程标准化、动作精细化、

2、加强信息共享/信息透明、

3、加强PDCA执行/监管、

4、员工持续培训考核体系,


是度过困境是唯一出路。

智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
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,能够捕捉数据中的时间依赖性。 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,它们在神经网络中用于添加非线性,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。
评论 6
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