你为了政绩工程,上了ERP?

企业实施ERP的难度以及实施成功率    ERP是找死,不上ERP是等死”,这句曾经被讹传的名言,体现了企业对使用ERP的畏惧,一是畏惧软件的价格太高,二是畏惧软件功能达不到预期目的,三是畏惧企业内部人员素质跟不上出现的抵触情绪。其他公司都上ERP项目了,又怕公司在管理方面落伍,所以导致企业表现出畏首畏脚。但是随着信息技术的发展,我国电脑网络的普及,软件的价格,软件的功能方面已经改善很多,一个中型企业上ERP成本 阅读详情

说这个问题之前,我们先看看ERP是什么

什么是ERP

企业资源计划 (ERP) 是指组织用于管理日常业务活动的一套软件,这些活动包括会计、采购、项目管理、风险管理和合规性、供应链运营等等。完整的 ERP 套件还包括企业绩效管理软件,用于帮助企业针对财务结果制定计划和编制预算,以及预测和报告财务结果。

这些 ERP 系统将大量业务流程联系在一起,实现了各业务流程之间的数据流动。通过从多个来源收集组织的共享事务数据,ERP 系统可以整合信息源,以消除数据重复并确保数据的完整性。

如今,各个行业中各种规模的企业都需要使用 ERP 管理系统来管理业务,ERP 是企业不可或缺的一部分,就像电灯离不开电一样。

政绩还是实效?

ERP系统在企业管理中扮演着重要的角色,然而在中国,它有时被视为一种政绩工程,却忽略了实质的效用。为了政绩而上了ERP系统的企业并不罕见,因为这被视为企业现代化管理的象征。ERP系统给企业带来一定程度的面子,展示管理和财力实力,但这只是冰山一角。

在中国,很多企业以过多关注外在形象,忽视细节管理。尽管办公楼豪华,管理室气派,但库存、财务账务却乱糟糟,这暴露出缺乏细节管理的问题。ERP系统的优势在于体现细节管理,却往往被用作政绩工程或面子工程。有些企业只注重系统的引入,却忽略了在实际运营中的有效实施。

中国的企业利用ERP系统与国外存在明显差距。在国外,企业更注重系统的有效利用,从管理细节到提升效率,ERP系统发挥着更大的作用。相较之下,中国企业倾向于将ERP视为象征性的进步,而不是管理效能的增强。典型的是国企为政绩而建造ERP,而私企则更应着眼于信息化管理和运营效率的提升。私企应更注重系统实现的效果,而非仅仅停留在表面功夫上。

ERP全称为资源管理计划,虽然是一种提升企业管理水平的软件工具,但使用者对工具的理解和应用至关重要。中国的一些政绩工程如电信领域的云平台或某银行的ERP项目,往往由于管理不善而导致效果不佳。优秀的ERP系统不仅需要技术支持,更需要项目经理深刻理解企业运作流程,能提出有效的管理解决方案。有效的ERP系统取决于对企业内部结构和管理的深刻理解,需要细心论证与有效实施,避免成为纸上谈兵的政绩工程。

在全球化竞争中,ERP系统不应只是企业装饰品,而是实现信息化管理、提升运营效率的关键工具。企业需要以实效为导向,充分发挥ERP系统的作用,从细节管理到整体效率提升,才能真正迈向现代化管理模式的成功转型。ERP系统不仅仅是一个名词,更是企业管理优化的利器,其影响力不应仅仅停留在表面的政绩考量,而是真正的运营效率提升和管理水平的现代化。

作者介绍:

90后资深架构师,深耕工业可视化,数字化转型,深度学习技术在工业中的应用。深入研究Web3D,SCADA ,深度学习开发应用。开发语言技能JAVA/C#/Python/Golang/Vue3/TypeScript, 关注【工业可视化】带你一起学~

11

从PDF扫描到数字工程:跨越数据木乃伊与数字孪生的鸿沟 数字化(Digitization)是将物理信息转化为电子格式的基础过程,而数字化(Digitalization)则进一步利用数字技术优化业务流程。数字工程(Digital Engineering)是这一演进的高级阶段,其核心是以模型为中心(Model-Centric),构建可计算、可仿真的数字孪生。与仅实现信息存储介质转换的PDF扫描不同,数字工程通过结构化数据、参数化模型和数字线程(Digital Thread),赋予数据真正的“灵魂”,使其具备可检索、可编辑、可计算和可追溯的能力。这种从静态文档到动态模 阅读详情

相关推荐

读《前线部署工程师-Forward Deployed Engineer-FDE》笔记(二):签约之后,才是真正的开始

FDE公司通过“让人信、用、留、多买”四步策略,实现企业客户深度建联与持续盈利。从选灯塔客户、绘制五张地图尽调,到以结果为导向的提案设计,强化信任;通过降低使用门槛、热修复与习惯养成机制推动真实激活;用健康分预警流失风险,保障续约;并以免费验证、按结果收费及内部扩张促进增购。核心在于:不靠承诺,而靠可检验的结果赢得长期价值。

互联网广告从业者,长期关注AI、计算广告以及搜广推相关技术,致力于广告投放、广告策略以及底层技术透明可视,太阳底下没有新鲜事,人人可懂可会 141

央企国产化项目“翻车”:当顶级ERP遇上“新手团队”,是谁在毁掉行业未来?

最近和一位央企朋友聊起国产化项目,他的经历让人五味杂陈——这家年销售额近3000亿的标杆企业,去年用某“顶级国产ERP”替换运行十几年的Oracle系统,原计划年底上线,如今却卡在最基础模块,整体落地最快要等到明年。国产软件的崛起,从来不是靠政策红利“堆”出来的,更不是靠低价“骗”来的。当越来越多项目沦为“笑话”,毁掉的不仅是单个厂商的信誉,更是整个国产软件行业的未来——毕竟,谁会愿意为一场“狼来了”的游戏持续买单?毕竟,市场终将回归本质:能打硬仗的,从来不是“PPT上的顶级”,而是“交付时的靠谱”。

敖行客 Allthinker的博客 489

PADS Layout中快速导入自定义元器件封装的实用技巧

本文详细介绍了在PADS Layout中高效导入自定义元器件封装的实用技巧。针对封装“找不到”、“对不上”、“导不进”三大痛点,系统梳理了从封装文件来源识别、库规划管理,到三种核心导入场景(从库文件添加、从其他设计借用、处理第三方格式)的完整操作流程,并提供了导入后的关键验证清单与常见问题排查方法,旨在帮助硬件工程师快速掌握这一提升设计效率的关键技能。

weixin_29302047的博客 377

中小企业上线ERP系统,到底怎样才算成功?

国外有一些报道评论ERP的成功率时,是以“是否按进度完成”,“预算是否超支”来衡量的。试想,如果进度有推迟,预算有超支,但是却达到了预期的目标,能够说不成功吗?所以,ERP的上线,需要有自己明确的目标和方向,并且设定的目标一定要根据公司实际情况,不要想着一步登天,不可能的,整体规划,分步实现。但是,信息化毕竟不是政治运动,如果目的是做“领头羊”,只要做到行业里的“最先”,就算达到目的,但是这同成功有什么关系,很难解释。”道理没错,但搞了信息化要怎么个“行”法,没有说透,工作不够细致,没说清“预期”是什么。

2401_86834302的博客 697

量化策略分享 | MA超进化:LLT低延迟趋势线

移动平均线(MA)是我们技术分析中常用的一种趋势跟踪指标,但在使用的时候你是否也会有这样的烦恼:交易信号延迟太久,或者交易信号太频繁了!延迟性和平滑性问题似乎是不可兼得的“鱼和熊掌”。 针对这个问题,广发证券基于通信领域的滤波器原理,在《短线择时策略研究之三:低延迟趋势线与交易性择时》中创造性构建了:LLT低延迟趋势线(Low-lag Trendline)。 LLT低延迟趋势线是一种二阶滤波器,阶数相对适宜,相比MA、EMA等均线指标能够降低延迟,同时增强在低频部分的输出信号。 当然,..

量化交易研究 5315

【算法】—前缀和与差分详解

前缀和指一个数组的某下标之前的所有数组元素的和(即数列的前n项求和),前缀和是一种重要的预处理,能够降低算法的时间复杂度,可以快速地求出某一段的和,对于处理区间之间的问题是往往十分高效相比较其他算法而言,前缀和更像是一种解题的技巧,一种优化方式输入一个长度为 n 的整数序列。接下来再输入 m 个询问,每个询问输入一对 l,r 对于每个询问,输出原序列中从第 l 个数到第 r 个数的和5 32 1 3 6 41 21 32 4123453610。

DAY I 的成长之路 6025

上ERP就能数字化转型吗?数字化转型到底转什么?

从个人的经验,认为,不同阶段的企业,工作重心,战略重点是不一样的,所以,从这个角度,我是接受这个观点的。有的企业,市场封闭,行业垄断,竞争不强,这种情况下,从短期来看,可能数字化转型并不是最紧急的事情。我认为,数字化转型,不要从数字化看起,要从转型看起,先看需不需要转型,如何转型,再看数字化能够起到什么作用。数字化转型的确是个新概念,但我们不必要纠结于这是一个新概念还是一个老概念,重要的是要理解这个概念所代表的市场和用户的需求,并且参与进来,躬身入局,一起去完善和实现这个目标。

weixin_52213728的博客 795

基于Stigmergy的团队LLM wiki协作机制与FastAPI工程实践

大语言模型驱动的知识管理正在改变个人笔记与团队文档的维护方式,但当多人共同维护一个维基时,如何避免版本覆盖、上下文丢失和幻觉污染成为核心挑战。Stigmergy这一源自生物学的协作机制提供了新思路:通过共享环境中的痕迹(如评论、标记、修订历史)实现异步协作,无需实时沟通或中心协调者。本文将原理落地为可工程化的系统,设计Page、Revision、Trace三大实体,并结合向量索引与LLM审查流程,最终用FastAPI与SQLite搭建一个最小可运行原型。从白蚁筑巢到团队知识库,Stigmergy让每个参与者

weixin_34174322的博客 365

ERP,不是一朝一夕之功(转)

ERP,不是一朝一夕之功与西方发达国家相比,我国ERP应用之所以“南橘北枳”,在于西方是通过ERP来固化企业内业已形成的先进有效的生产管理流程,而中国企业这个过程却正好相反:它们更多地是希望通过ERP在短时间内提升经营管理 水准...

cqwmy840702的博客 210

用友T3提示,年度[UFDATA_002_2017]并不存在,导致无法备份迁移。

用友T3提示,年度[UFDATA_002_2017]并不存在,导致无法备份迁移。现在都win11了某个年度账套不存在怎么办?

雨季余静的博客 3566

学习笔记|多样本单因素方差分析|事后比较|方差齐性|F检验|韦尔奇检验|两独立样本T检验|两样本方差分析|规范表达|《小白爱上SPSS》课程:SPSS第七讲 | 单因素方差分析怎么做?

学习笔记|多样本单因素方差分析|事后比较|方差齐性|F检验|韦尔奇检验|两独立样本T检验|两样本方差分析|规范表达|《小白爱上SPSS》课程:SPSS第七讲 | 单因素方差分析怎么做?

Medlar_CN的博客 9520

ERP失败案例为何人间蒸发(转)

掩耳盗铃之功掩耳盗铃之功 中国ERP实施的成功率大约在20%左右,这个数字很多专业人士都认可。但我们奇怪的是,这么多年我们所了解的失败案例也不过三露、哈药、标致这么几个,剩下的80%的失败或半吊子工程,都人间蒸发了吗? ...

cqwmy840702的博客 218

【QT】基于QSerialPort的跨平台串口通信实战指南

本文是一份基于Qt QSerialPort模块的跨平台串口通信实战指南。详细介绍了从硬件基础、QSerialPort核心类使用、参数配置、设备自动发现到数据异步读写和错误处理的完整流程,并通过构建一个功能齐全的串口调试助手实例,帮助开发者快速掌握在Windows、Linux和macOS系统下进行高效、稳定的串口应用开发。

a1b2c3d的博客 983

什么是ERP的成功与失败的标准?

很多大型企业在一层层的推广中,单纯就是为了完成任务去推广到下一级的实施,后果便出现了很多的失败案例.[@more@] 什么是ERP的成功与失败的标准1、没有“预期”何谈成功   评判ERP项目是否成功与否,往往是软件商和用户之间...

cuancanyan5528的博客 181

华为HCIP的学习大纲和计划

HCIP(华为认证 ICT 高级工程师)核心围绕华为 ICT 技术体系,不同方向(如路由交换、云计算、安全等)课程目录不同,以下是最热门的。

迷逝 582

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

(原)从气宗和剑宗之争看ERP

从气宗和剑宗之争看ERP 本文作者:老木(wood9999@163.com) 摘要:从气宗和剑宗之争,看企业的管理――内功和软件的功能――外功。 看过《笑傲江湖》的朋友,肯定记得华山派的剑宗与气宗之争。关于孰高...

ciqibao9472的博客 174

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

你的理解可能错了:这些都不是数字化转型

数字化转型是一个涉及多个领域的复杂过程,包括数据收集、处理、应用和企业战略的转变。数字化转型并不意味着将计算和存储资源迁移到云端,而是将企业现有的业务模式和流程进行现代化。数字化转型的核心是人、文化、流程、组织和战略的演进。

weixin_52213728的博客 570

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

工程项目管理的新挑战—可持续发展

3.2 业主业主是项目的投资人,一般情况下在保证质量和功能的前提下,自然会考虑项目的经济可行性,但是如果采用可持续发展的项目管理方式,则意味着业主要将该项目放置在一个更高的层次,即社会和自然的角度来进行项目的可行性研究、项目的设计、筛选项目的承包商、采用新的环保材料、建造技术和环保技术,因此也需要业主预支费用,加大了成本,但是由于采用可持续发展的项目管理方式使得整个社会的收益提高,因此,业主完全有可能从政府获得相关的优惠政策,从而补偿自己的损失。监理的成功与否,对项目的成功与否有很大的影响。

qq_61141142的博客 435

(原)哪里来的数字

摘要:通过对使用ERP系统产生的经济效益的分析,消除部分人员对ERP系统的误解,使之积极的投入ERP系统的推行和持续改进中去。 1. 哪里来的数字 ……以下一些关于使用过ERP系统之后,产生的经济效益的量化的...

cqwmy840702的博客 190

谈中国企业管理、中国企业管理软件为啥走错了道

谈中国企业管理、中国企业管理软件为啥走错了道一、中国企业在不可避免的变大,因为:1、中国企业简单粗暴分为央企地方国企、民企私企。国资委要求央企地企年年有增长有排名的政绩考核,这关系到政治地位的事,不做大也得做大。而民企私企老板独步天下挥斥方遒还没尝过万人朝拜的激荡盛世,所以在东风吹战鼓擂的大市场下不可避免的膨胀做大。2、中国企业实质上没啥核心竞争力(品牌?创新?产品?质量?产业链?服务?),本质上...

923723914 135

制造企业部署MES系统的四个评定

随着数字化智能制造的浪潮袭来,越来越多的制造企业,在生产制造部门部署施行MES系统系统,以求得到提效降本的目的,从而得到在一定环节内的产品价格及企业竞争的优势。

shly2009的博客 370

中石油poweron管理系统太垃圾了

我所在的单位是中石油的一家企业,随着集团公司主推ERP管理系统,这套由上海普华开发的项目管理系统便由我们公司领导花了近千万买下,我们配合软件公司的人员做二次开发,由于开发中一波三折一耗就是近三年。 真的,从来没见过这么垃圾的ERP管理系统,软件架构总体使用C/S模式,用delphi编写的,数据库使用SQLServer,更新时又有点儿B/S的感觉,只在数据库做更新,感觉很奇葩。我们这些配合做二

u011017231的专栏 1542

CIO把老板“拖”到信息化中的“三板斧”

 众所周知,很多信息化项目,如企业资源计划系统(ERP)、客户关系管理系统(CRM)都是一把手工程。这些项目,若没有一把手的鼎力支持,则如老牛拉车,项目很难前进。但是,在实际工作中,企业一把手往往没有认识到他在这个信息化项目中所起到的作用。遇到这种情况,企业的CIO该如何做呢?笔者在实际工作中,也会遇到类似的情形。下面笔者把自己处理这方面事情的经验向大家分享,或许,大家也能够从这里受到一些

scott_chou随想说 1110

项目经验- 张裕

项目一:银监会XX系统项目 项目简介(功能与用途): 银监会XX系统的使用范围是全国联网,将利用银监会内部办公网络(Intranet),实现上级部门对下级部门数

best_dba的专栏 4594

看板管理提升生产排期效率的实战指南

看板管理作为一种可视化工具,通过实时展示生产状态和资源分配,显著提升制造业的生产排期效率。其核心原理在于将订单需求、产能负荷、物料状态和异常预警等信息透明化,使各部门能够基于同一组数据协作。技术实现上,结合MES系统和ERP数据,通过电子看板与物理看板双轨运行,实现自动预警和实时监控。应用场景包括生产排期、异常处理和供应链协同,特别适用于汽配、电子和服装等行业。通过看板管理,企业可以降低沟通成本,减少产能浪费,提升订单交付准确率。

weixin_33925615的博客 275
上一篇: 2.1K Star微软开源的高质量 iot库
下一篇: 100个实用电气知识
工业可视化
博客等级 码龄3年 6126粉丝 118原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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