【IT168 评论】随着数字化转型的进程加快，企业开始重新评估ERP的作用。传统ERP经过多年僵硬化定制过于追求生产的一致性，而忽视了客户的需求变化，导致系统缺乏灵活性，已经无法满足当今数字业务模型的增长需求。目前，人工智能(AI)、机器学习发展迅速，成为了很多企业的必备帮手，云ERP供应商要想解决传统ERP系统的问题，或许需要这两大王者的帮助!
用更高的智慧和洞察力挽救传统ERP系统
要想新的商业模式取得成功，企业需要快速响应各种突发情况，及时作出应对策略。但是，对于传统ERP系统来说，这几乎是实现不了的，因为传统ERP技术堆栈和系统并不是基于交付中最重要的数据而研发的。
成功的商业模式必定是基于成功的云ERP。在技术支持下，云ERP平台和应用程序为企业提供了灵活性。许多人采用应用程序编程接口(API)的方法与传统ERP系统集成，来获得增量数据。在如今的云ERP时代，基于云平台重新构建IT架构可以获得更快的速度、更大的规模以及客户透明度，但是事实好像并不如此。
当ERP系统不断学习改进时，新的商业模式就开始蓬勃发展，这也是ERP平台能够发挥的最大作用之一。云平台可以提供更强大的集成选项和更大的灵活性来定制应用程序，并提高可用性。
以下是人工智能改进云ERP的10种方法：
1、云ERP平台需要创建一个知识自学系统，用人工智能进行调配，从实地操作到架构设计，并且跨越供应商网络。创建一个基于云的基础设施，集成核心ERP Web服务、应用程序和实时监控，为人工智能和机器学习算法提供稳定的数据流，从而加快整个系统的学习速度。云 ERP平台集成路线图需要包括API和Web服务，以便与供应商和买方系统连接，同时与传统ERP系统集成，来整理分析他们生成的数据。
▲波士顿咨询集团，未来工厂的人工智能，2018年4月
2、从语音系统到高级诊断，虚拟代理有可能重新定义制造领域。Apple的Siri，Amazon的Alexa，Google Voice和Microsoft Cortana都有可能被修改，以简化操作任务和流程，为复杂任务提供指导方向。比如，机械制造商正在试用语音代理提供的工作指令，简化按订单配置、生产的工作流程。Amazon已经成功与汽车制造商合作，并且获得过很多奖项。
▲公司网站
3、在数据结构层面设计物联网(IoT)。通过数据结构层面的设计，云ERP平台能够利用物联网设备产生的海量数据流，向人工智能和机器学习应用程序提供物联网数据，弥补很多公司在追求新业务模式方面的智能差距。Capgemini(凯捷管理顾问公司)提供了一个物联网用例分析(如下图所示)，着重介绍了生产资产维护和资产跟进的实现方式。其中，云ERP平台可以通过物联网支持加速整个过程。
▲资料来源：凯捷物联网(IOT)研究，释放物联网在运营中的商业价值
4、人工智能可以改进整体设备效率(OEE)，但是目前效果并不明显。通过人工智能和机器学习，制造商将有机会深入了解OEE，然后实现OEE绩效平稳化。当云ERP平台成为一个持续的学习系统，机器和生产资产的实时监控就可以更好的维护车间的平稳运行。
▲行业分析
5、将机器学习算法设计为可跟踪、可追溯的，以预测供应商和产品质量。机器学习擅长通过基于约束的算法查找不同数据集的模式。供应商在他们的质量和交付计划性能水平上差距很大，使用机器学习可以跟踪应用程序，以确定供应商的风险大小。
6、云ERP供应商可以通过人工智能和机器学习来缩小PLM、CAD、ERP和CRM系统之间的配置差距。成功的产品配置策略依赖于一个基于生命周期的产品配置视图，它不仅可以缓解工程师的设计压力，还能缓解销售和市场营销以及制造者在构建产品时的各种冲突。人工智能可以实现生命周期配置管理，简化流程中的CPQ和产品配置策略，避免时间浪费。
7、通过高质量的数据，可以提高需求预测的准确性，并基于机器学习预测模型与供应商达成更好的协作。通过创建自学知识系统，云ERP供应商可以极大地提高数据延迟率，从而提高预测的准确性。
8、通过分析机器数据来确定何时需要替换给定部件，从而减少设备故障并提高资产利用率。使用配备IP地址的传感器，可以在每台机器的健康级别上捕获稳定的数据流。云ERP供应商有机会捕获机器级数据，使得机器学习技术可以通过生产车间的整个数据集来查找生产性能模式，在机器出现故障的情况下，这一点是极为重要的。
9、使用生产事故报告预测可能的生产问题需要在云ERP平台实现。比如，当地的飞机制造商正在通过预测模型和机器学习比对过去的事故报告。传统的ERP系统无法发现这些问题，最后会导致生产速度变慢甚至停止。
10、通过机器学习算法汇总分析供应商检测、质量控制、退料审查(RMA)和产品故障数据，来提升产品质量。云ERP平台处于一个独特的地位，能够在整个产品的生命周期内进行扩展，并从供应商到客户捕获高质量的数据。对于传统的ERP系统而言，制造商通常按类型分析废料。所以，现在有必要弄清楚产品失败的原因，机器学习恰好可以完成这个任务。
