ERP、MES、CRM都上了,数据还是用不起来

Spell AI

系统各管一段、同一份数据被录三次、口径装在少数人脑子里——这是「系统都在、数据用不起来」的三层原因。文章讲清为什么再上一个系统解决不了,以及应该换掉的是哪一件事。

一个反常识的现象

不少制造企业这几年陆续把系统补齐了:ERP管计划、采购与财务,PLM管图文档,MES管车间执行,CRM管客户与商机。该有的都有了。

但真到用数的时候,还是那套老办法——从三个系统里分别导出,粘到一张表上,再对着差异挨个打电话问。

问题不在于系统选错了,也不在于采购回来的软件质量差。问题在于每个系统只对自己那一段负责,而没有人对「系统之间」负责。

数据用不起来的三层原因

第一层:各系统只对一段负责

ERP里写着交期,MES里写着实际报工,PLM里写着这一版图纸。三份数据各自都没有错,但它们描述的不是同一件事的同一个时点。想知道「这张订单现在到底卡在哪」,必须把三份数放到一起看。

每一套系统的供应商都能给出漂亮的功能清单,但没有一家会把「和别家系统对齐」写进交付范围——那不是它的职责。

第二层:同一份数据被重复录入

订单信息在CRM里录一遍、在ERP里录一遍;物料编码在PLM里一套、在ERP里另一套;工时在车间纸单上记一次、月底再录进系统一次。

重复录入的代价不只是工时。每一次转录都是一次失真机会:录错一位数字、晚录两天、口径理解不一致——这些差异平时看不出来,等到对账时集中爆发,而追溯起来要花掉的工夫,是录入时的十几倍。

第三层:口径装在少数人脑子里

「这个月的产量按入库算还是按报工算?」「呆滞是按90天还是180天?」这类问题通常有答案,但答案在几个人脑子里,不在文件里。

于是同一件事在两份报表里出现两个数,两个部门各执一词,都认为自己没错。争议的实质不是结论,而是基准——而基准从未被明确定义过。这一条在很多企业里是效率损失最大的一项,却因为不显眼而最少被处理。

为什么「再上一个系统」解决不了

面对这种情况,最常见的应对是再买一套东西:上BI,上数据中台,上主数据管理。

这些工具都有价值,但如果不解决「谁对系统之间负责」这个问题,结果只是多了一个数据源。原有的四套系统依然各管一段,现在变成了五套——比对的工作量还增加了。

真正的分界线在于:是从此多了一个更漂亮的看板,还是有一处地方能让各系统的数自动碰到一起、并且把差异列出来。

该换掉的是「人对数」这一件事

不是换掉ERP,不是换掉MES,也不是换掉任何一个业务员。要换掉的是「靠人把几套系统的数对到一起」这个动作。

具体做法可以分三步,也可以只做第一步就看到效果:

  1. 先把数归到一处。 各系统的数据接到同一份表上,字段对应关系一次确定——哪个字段对应哪个字段,从此不用每次重新解释。
  2. 让差异自己浮出来。 按规则执行比对,输出的不只是「不一致」,还包括可能的原因:录入时点不同、口径不同、编码对应关系缺失。
  3. 把确认过的口径写成规则。 每处理完一批差异,就把结论固化下来。下一次自动按同一套跑,不需要再讨论一遍。

做完这三步,直接的变化是:谁问都能报,不用等谁有空去对数。

制造业绕不过去的三条硬要求

跨系统取数这件事,在制造业落地时有三个前提必须满足,缺一个就会被叫停:

  • 数据不出厂。 工艺参数与报价构成是核心竞争力,通常要求部署在企业自有环境内,数据不流出。
  • 质量可追溯。 批次、供应商、工艺参数要能反查到具体订单,这不是可选项,是客户稽核与出口准入的必查项。
  • 源数据只读。 比对基于各系统的原始数据,不覆盖、不修改。对账一旦演变成改数,后面所有结论都不可信。

常见问题

一定要把所有历史数据都接进来吗?

不需要。先接最近一个对账周期要用的数据,跑通之后再往前扩。历史数据的价值远低于当期数据的价值,而接入成本高得多。

没有专职IT,谁来做字段对应关系?

第一遍需要业务和IT一起确认,之后它就成为一份可复用的配置。日常维护由AI承担,不需要为此长期养一个岗位。用Spell Table搭业务系统、用连接器读现有系统,正是为了让这一步不依赖开发团队。

这和上一套BI有什么区别?

BI解决的是「把数看清楚」,前提是数已经在一处、口径已经统一。跨系统对账解决的是「数怎么才能到一处、口径怎么才能统一」——这一步没做,BI做出来的是第五套口径。

参考案例

一家63人的阀门制造企业,原有企业微信CRM和定制ERP各管一段,数据用不起来、流程推不动。落地时用Spell Table搭出CRM与ERP替换原有分散系统,同时接上外贸获客、设计图多国标准质检与统一工作入口——没有专职IT团队。完整过程见阀门制造四模块落地

行业层面的业务链路与共性卡点,可对照工业制造行业方案;跨系统对账的做法,见跨系统数据对账

资料来源与说明

  • 我方项目信息:来自已交付项目,可公开的部分已在正文中链至对应案例页。
  • 行业通识:岗位与流程层面的公认常识,不另注来源。
  • 判断性表述:我方基于上述资料的综合判断,以「通常」「普遍」表述,不作绝对化断言。

相关阅读

开始落地

想把这一套用到自己的业务里?

从最卡的那一环切入,预约一次演示,看AI中枢如何在实际业务中落地。

预约演示

扫码或发邮件,我们将即刻联系您。