ERP也AI，可以期待。

现如今天，人工智能、机器学习等概念和时间很热，热到路边的环卫工人都能对人工智能对未来人们的生活工作的影响发表意见或感慨。在以ERP为代表的企业应用领域，机器学习能做什么呢？

老兵认为，在企业应用领域，AI还真是可以有所作为的。

万丈高楼平地起，不积畦步无以成千里。AI在ERP这样的企业应用领域要想有所作为，必须从一些细节点入手形成突破。

要从哪些点入手呢？

还是从老兵十三年前经历的一件事情説起。

十三年前老兵参与一款ERP的研发，当时团队老大提出了一些激动人心的产品特征（Character），其中就有一个想法：“ERP的样子是由user用出来的，不是由专业顾问配出来的”。

十三年前，没有象今天如火如荼的“人工智能”、“机器学习”的概念和实践，“人工智能”、“机器学习”应该是少数博士生在研究的课题吧。

当时对这个梦想进行了落地细化，细化为一些特性（Feature），其中有一条实现了的Feature是这样的：

放弃传统单据模板机制，由User自行对ERP中的表单画面的做个性化处理。

传统的ERP是提供“单据模板”，ERP上线时，由专业顾问根据企业的要求配置“单据模板”并分配给相关的User。

这个过程挺费时间的。

新的思路是，谁也不用配模板，由User使用，在使用的过程中User不断修正画面布局和内容，时间久了就形成了每个User独一无二的专属于自己的表单画面。

基于此目标，当时的开发团队在.NET平台（应该是2.x版本吧）实现了运行态和设计态合二为一的表单模型，我本人不太懂技术，听一些程序员讲这是相当牛逼的实现，即便放到今天也不落伍。

怎么样，是不是有点儿今天所説的“机器学习”的味道？得承认，很原始，也就是哪个意思，和现如今机器学习的算法根本扯不上。

机器学习讲究对机器进行训练。遗憾的是，这个训练的过程对User不是个容易事。

到最后，在厚重的环境和时代认知面前，User“自行修正”、“机器训练”最终还是沦为了顾问亲自上阵，将画面的设计态当成了传统的单据模板来用了。

老兵当时还真琢磨过一段这事儿，认为确实是个方向，但需要从具体的业务环节一点一点地抠，甚至还想到了局部的“配置自调整”，应该算是一种机器训练吧，这就是ERP中的参数自优化：

做ERP的都知道：创建1个表单时，这个表单上会从各处携带一些默认值，你可以根据业务的需要在表单上修改这些默认值。这是ERP系统易用性的设计。

当你改变了表单上某个字段的默认值，系统会蹦出个对话框询问：您这是临时调整呢？还是永久调整？

如果选择了后者，这个字段 在系统 中预设的默认值 就被更新了。

这就是ERP中的参数自优化。一些简单的参数是可以这样处理的。

确实还有一些参数需要资深的顾问在反复推敲、深思熟虑后才能敲定，这些参数恐怕就无法“自优化”了。

以往ERP上线时，为了让User们用的得爽，乙方顾问们都要花大量时间将系统中的各种预设默认值设好。

如果有参数自优化机制，真的可以让User在做测试环境中学习时，多做几张单子，把系统“训练”好，各种参数默认值就都有了。

再延伸开来，诸如哪些部门分管哪些客户、哪些业务员分管哪些客户，哪些客户的货要从哪个工厂或仓库发，每个仓库都分别存放什么物资，由哪些库管员管理。。。。这些内容是可以“训练”的，在你整理期初数据，向系统中导入其期初数据时，就是“训练”的过程。

可惜，现在的ERP还没有意识到这些“配置自优化”、“配置训练”的可能性。

基于目前的技术，这些“训练”和“优化”是能实现的，如果实现了，对项目交付中成本的节约、对顾问资源及能力的要求，将会有非常积极的意义。

单一选项/参数，用上面的思路很好处理，如果是多种条件才能确定一个结果的场景，能训练为自调整自优化吗？

能。

先看一张图片

上图是某企业自行定制开发的内容，要解决的问题场景如下：

企业中各使用组织、使用部门提出物资需求后，要按所属部门及组织、物资的分类甚至是具体的物资、什么工程项目、什么样的计划类型，来映射哪个采购组织的哪个采购员来负责采购。

在其它企业中，可能还存在更复杂的条件组合：要根据本次采购预算金额决定是不是要走招标，什么样的招标方式，要根据所使用资金的性质（国家资金、自筹资金等）决定要不要招标，走哪种招标方式，不同招标方式负责人不同。要看物资是内贸或外贸的，负责人不同。等等，不一而论。

看上面这张图，使用了一张大的对照表来解决多条件来解决多条件映射问题。

这样做的好处在于确实能解决问题。

这样做的麻烦在于：

1：对标准产品来説你永远无法穷尽所有的条件；

2：系统上线时，配置这张表是个艰巨的任务；

机器学习这时就能派上用场了。

按机器学习的思路看，图中的一堆条件能提炼成为机器学习中的“特征项”，根据user对系统的训练，对样本数据进行分析，得出各特征项及特征项的值集边界与目标结果的对应关系，相当于在后台自动配置出了这样的一个大表（有可能有是实例化的样本存储，有可能是抽象的规则存储）。

当有业务发生时，系统对这张表进行检索，就是判断出当前业务应该怎样处理。

当系统对这张表检索不出结果时，就会提示：“Master，当前业务从未发生过，我不知该如何处理，请指示。。。”

这时，User输入人工判断值 ，机器 就又学习了一把，下次遇到类似的任务就自动处理了。

1：不存在1个统一的标准的机器学习模型，必须根据各业务环节分别建立学习模型；

2：充分利用系统初始化中导入基础数据的机会，用特定的基础数据来对系统进行训练；

3：充分利用系统上线前用户测试、培训过程，用大量边界数据对系统进行训练；

4：大量使用机器学习系统后，系统的交付成本将会降低，对精通产品的高级顾问的需求会相对降低；

5：会需要大量熟悉系统有能力建立机器学习模型的人员；

这里有从知乎上转载来的对机器学习的一段评论：

曾看过一篇文章説华为任正非老爷子对华为AI的要求：

1、华为不追新潮，不做和华为业务无关的AI；

2、华为的AI要用来解决华为的关键问题；

3、华为目前对基站设备的运维、网络调优等方面人力投入巨大，希望能以AI化解。

大约如此吧。

华为哪数万名网络优化人员，你们感觉到了头上的哪把达摩克里斯之剑了吗，或许真的是很残酷的。。。。。。

对ERP来説，AI如果能解决产品测试、产品实施交付，哪ERP公司的股价就要坐上火箭了。