导读:前文里提到了ERP的边界,ERP比较适合处理确定性的业务过程和能从物理世界抽象的业务逻辑,那些基于概率的不确定性系统和非常接近机器、物理世界的软件系统可能不太适合ERP的逻辑。在过去,ERP需要从物理世界进行业务逻辑的抽象主要有两个原因,一是因为当年的企业管理软件的数据处理能力有限,不适合将所有的数据都放进核心的ERP系统,抽象后可以降低数据量和复杂度。例如对于标准的矿泉水,一个订单可以包含一千箱矿泉水,是抽象为一个完整的信息发给经销商,而单瓶矿泉水的各种信息往往是不用进ERP系统的。至于经销商将这一千箱矿泉水拆成几份,销售给哪些零售商,这个过程和数据就跟产品厂商无关了。在ERP系统里,几十T到几百T的数据就算量级非常大的系统了,并且高端数据库和存储的成本非常高,但是这个量级在面向2C的互联网平台里不值一提。第二个原因是抽象的业务逻辑更适合企业不同的管理职能和层级,在一个企业里,在财务的视角更关注凭证,在采购的视角更关注物料和供应商,在销售的视角更关注商机,在法务的视角更关注合同,在项目的维度更关注利润。通过将物理世界的各种关系,抽象为企业各个职能更容易理解的业务逻辑,更方便专业岗位之间进行沟通,发挥最高的效能。人类对信息的交互的带宽不超过100字节每秒,这个带宽远远小于机器之间的数据交互的带宽,如果不把大量的原始数据抽象为信息量更大、更通用的"关键词",那么人类之间就无法进行高级的交流。但是在今天的业务转型过程中,瓶颈往往不是系统和软件,而是企业的复杂度,团队的认知、沟通和共识能力。ERP需要将物理世界的业务抽象出来,需要战略的制定和业务的层层拆解,将拆解好的业务环节通过软件实现出来。企业规模越大,业务越复杂,外部专家难以了解企业,企业对专家的选择和信任也非常困难,企业不同专业岗位也很难互相理解,在转型期间很难达成共识。虽然计算机硬件和软件的技术在过去十几年有了非常大的进步,但是大型企业的核心系统项目复杂度并没有降低。数字化虽然听起来高大上,但是在工程效率上其实还远不如建筑业。自从2012年谷歌发表有关可扩展的分布式数据库Spanner设计的论文后,企业业务系统在数据的采集和管理上比以前的单节点数据库强大了很多。最近几年发展起来的图数据库、物联网数据库、时序数据库等也使得对物理世界的原生数据的处理和理解能力更强,原来越多的原始数据可以被收集和存储在业务系统中。在过去,单个产品的物流全过程不一定需要进入ERP系统,一些订单的物流状态查询可能需要操作多个系统才能完成。多个系统的联合查询要么需要通过延时的ETL和数据仓库来完成,要么通过API连接多个系统,开发新的实时业务查询视图。但是今天一个单品的详细信息,和抽象的物料信息、订单信息、财务信息,可以并存在同一个业务系统中,或者是在不同业务模块共享的同一个数据体系中。未来,随着OLAP和OLTP能力混合的HTAP分布式数据库的性能越来越强,功能越来越完善,用流式计算来快速完成原始数据到抽象业务的转化,技术造成的数据孤岛问题可以更容易被解决。在这种情况下,那些从ERP全家桶拆分出来的一些单个软件产品,又有机会汇聚在一起,形成一个更综合的基于一个统一数据平台上的完整业务系统,演化的越来越像SaaS的应用商店生态。ERP的系统更强调数据的一致性,尤其是在各种主数据和业务数据的复杂关联上,一个数据的不一致就可能造成连环的错误。所以,未来的ERP的边界将取决于分布式数据平台的处理和架构设计能力。另外,过去对业务的拆解都是从人能理解的视角展开的。人能理解的只有信息,而并不适合直接解读原始数据,原始数据更多的是适合机器来处理。在一些领域里,人类已经通过实践掌握了第一性原理,并从公式上验证了最佳实践,数字世界可以无损的模拟现实世界。但是在一些环节复杂的生产过程中,最佳实践的迭代和验证成本非常高。我们目前的商业流程,生产流程,销售流程是否是最优解,大家无法用理论的公式进行验证。这里分享一下天云数据雷涛老师对知识生产的4个阶段的观点:1 科学实验: 远古的钻木取火到伽利略的比萨斜塔,知识从实践中生产;2 理论推理: 牛顿利用微积分数学工具推导,知识从公理公式中生产;3 仿真计算: 基于已知对物理世界仿真建模,知识从规模计算中生产;4 数据原生: 面向答案求解不确定过程,知识从海量数据关联中生产。在传统的企业业务治理和ERP系统上线的过程,更多的是类似于钻木取火的过程,专家和企业通过实践和过去经验的总结,将企业进行业务拆解成最适合自己理解的各个环节。如果专家和企业对其中某个业务环节无法认知,无法达成共识,企业的数字化工程就无法开展,无法落地。在人类的视角里,过于简单的抽象一定程度上会阻碍创新和敏捷。例如在CRM领域里有名的“销售七步法”,是否适合所有的行业和所有规模的企业?为什么不是六步,不是八步?对于一个企业的组织架构,是分成前中后台三层架构,还是前后台两层架构,什么样的企业多大的规模适合做怎样的划分?是否有第一性原理的公式,来支持这些理论?在企业管理里,也可能会因为领导的偏好或者为了让更多的团队容易理解,总结出很多个“一二三四五六七八九十”的方法论来。甚至有些专家对业务环节的拆解的结果,甚至因为PPT布局的限制,临时添加加一个或者减少一个业务环节。在这种场景下,甚至很可能会因为大家用16:9的屏幕尺寸,还是3:2的屏幕尺寸,而得出不同的业务拆解方案来。人类对信息的理解、拆解、传播和共识,受到了非常多的条条框框的限制,组织越大,信息更难被正确的理解,更难做到一致性的传播,更难达成共识。但是AI对原始数据的理解并没有那么多的限制,对原始数据处理的带宽更是比人类强上一万倍,更容易把输入和输出匹配好,从而对齐最终的目标。在数据+AI的体系中,不一定需要原始数据逐步拆解为人类容易理解的业务环节。只要有足够的数据,像自动化交易系统,自动驾驶系统,图像识别系统,都能够从海量数据和目标反馈中,找到适合机器视角来理解物理世界运行的深度学习网络。在2021年DeepMind与英国气象局合作,将深度学习应用于降水预报中,并把成果发表在《自然》杂志上。在这之前,降雨预测主要是用传统的数值天气预报 (NWP) 系统,通过采集风速、雷达数据,通过模拟大气运动的耦合物理方程,来推算后续的降雨概率。但是这种方法只能在粗颗粒的维度预测出一个城市未来几天的整体降雨概率,而无法预测未来几个小时后某个街区的降雨概率。
基于深度学习的即时预报,使用高分辨率的气象雷达数据(1公里的精度,每五分钟),来预测未来未来90分钟的地面降水,尤其是那种变幻莫测的中到大雨的场景下,准确率要超过传统的物理公式推算方法。天气的预测就像是一个复杂链路的业务场景,也许可以通过专家认知的方式将这个业务场景拆解成大家容易理解的各个环节,每个环节由一个物理公式来模拟。但是可能每一个拆解、每一个抽象都会造成误差,一旦环节多了,这些误差的积累就会导致现实世界与数字世界出现严重的偏离,最终的结果并非大家预期。类似的场景可能有:南水北调、长距离高压电的输送、工业物联网领域、长链条的供应链体系等。但是用“AI+数据”来替代专家知识体系也是有一定的前提,那就是需要有大量闭环的场景数据,这个在大部分企业里其实很难获取。例如,很多企业想做内部的自动问答的知识体系,但是在梳理问题和答案的时候,却只有少数的几个数据样例,企业也很难获得员工的完整画像和数据集。对于这样的小数据集的AI场景,其效果可能还不如人工,或者是专家拍脑袋的目录知识库体系。另外数据的收集也是需要成本的,很多数据收集和处理的成本是远远高于其收益的。像RFID这样的物联网标签技术在二十多年前就已经发明,但是大型的零售行业还没有全面推广,因为一个RFID的标签的成本要高于大多数的低价商品,从投资收益比上来看,无法获取正向现金流。AI需要合适精度的数据,规模的数据,闭环的场景。智能的ERP系统离不开数据平台能力的建设,离不开数据的积累,离不开场景的完整数据画像。当某个业务可以闭环通过AI来进行调节和执行,就实现了从专家系统到数字原生系统的一个跨越。也许一开始只是1%的业务通过"数据+AI"的方式对单个业务进行优化;然后是每个业务环节留一个可供AI调节的参数,对全局进行优化。在过去的几年里,“大数据+AI”的体系赋能了许多的互联网平台,实现了快速的业务增长。那么在未来,基于专家知识体系的ERP系统,是否能跟“大数据+AI”有更好的融合呢?