Що це таке ERP та цифровізація, трохи теорії

ERP (Enterprise Resource Planning, планування ресурсів підприємства) – організаційна стратегія інтеграції виробництва та операцій, управління трудовими ресурсами, фінансового менеджменту та управління активами, орієнтована на безперервне балансування та оптимізацію ресурсів підприємства за допомогою спеціалізованого інтегрованого пакета прикладного програмного забезпечення, що забезпечує загальну модель даних та процесів для всіх сфер діяльності. ERP-система – конкретний програмний пакет, що реалізує стратегію ERP.

Концепція ERP сформульована в 1990 році аналітиком Gartner як бачення розвитку методик MRP II і CIM (англ.), на початку – середині 1990-х років з’явилося кілька успішних ERP-систем, що тиражуються, для великих організацій. Найбільш відомі – розробки компаній Baan (нідерл.). , Oracle, PeopleSoft, SAP, JD Edwards. Сформувався ринок послуг з впровадження ERP-систем за участю компаній великої четвірки. У 2000-і роки відбулася консолідація постачальників, з’явилася значна кількість ERP-систем для малого та середнього бізнесу, найбільш відомими постачальниками яких стали Sage Group та Microsoft.

Впровадження ERP-системи вважається фактично необхідною умовою для публічної компанії і, починаючи з кінця 1990-х років, ERP-системи, які спочатку впроваджувалися тільки промисловими підприємствами, експлуатуються більшістю великих організацій незалежно від країни, форми власності, галузі.

На поточному кроці ERP-система стає цифровим ядром компанії, навколо якого базується вся цифровізація бізнесу. На мій погляд цифровізація не можлива якщо в компанії не має ядра побудованого на базі ERP-системи. Вона є єдиним постачальником достовірної інформації та повинна виключати дублювання інформації по різним системам компанії. Іноді таке цифрове ядро називають CoreData, а саму систему побудовану на цих даних  CoreSystem.

BigData – Структуровані та неструктуровані дані величезних обсягів та значного різноманіття, що ефективно обробляються горизонтально масштабованими програмними інструментами (до речі цей термін відомий та використовується з кінця 2000-х років). У широкому значенні «Великі Дані» пов’язані з появою технологічних можливостей для збереження, збору та аналізу величезних масивів даних (Величезних це більше за 100 мільйонів записів). Традиційно такі дані виділяють терміном –   «Три V»: 

• Обсяг (англ. Volume), у сенсі величини фізичного обсягу, 
• Швидкість (Velocity) у сенсах яка швидкість приросту даних, необхідність їх високошвидкісної обробки та отримання результатів.
• Різноманіття (Variety), у сенсі можливості одночасної обробки різних типів як структурованих так і напівструктурованих даних.

Машинне навчання (machine learning) – Клас методів штучного інтелекту, характерною рисою яких є не пряме розв’язання завдання, а навчання за рахунок застосування та наявності безлічі подібних завдань. Для побудови таких методів використовуються засоби математичної статистики, чисельних методів, математичного аналізу, методів оптимізації, теорії ймовірностей, теорії графів, різних технік роботи з даними в цифровій формі. Розрізняють два типи навчання:

• Навчання за прецедентами, або індуктивне навчання, засноване на виявленні емпіричних закономірностей даних. 
• Дедуктивне навчання передбачає формалізацію знань експертів та його перенесення на комп’ютер як бази знань. Дедуктивне навчання прийнято відносити до галузі експертних систем, тому терміни машинне навчання та навчання за прецедентами можна вважати синонімами. Багато методів індуктивного навчання розроблялися як альтернатива класичним статистичним підходам. Багато методів тісно пов’язані із вилученням інформації (англ. information extraction, information retrieval), інтелектуальним аналізом даних (data mining).

Оперативні дашборди – представлення необхідної інформації на обмеженому просторі, екрані, у вигляді 3-5 інтерактивних діаграм, які також мають не більше 3-5 параметрів у своєму формуванні та дозволяють розгортати необхідний параметр від загальних цифр до найменшої одиниці інформації з якої складається значення. У ідеальному варіанті, ви повинні мати можливість розгонути параметр до первинних документів, які і є основою представлених на дашборді цифр. Якщо у компанії немає єдиної бази даних, то це виглядає як перевантаження та групування даних для відображення у дашборді і, як результат, ви не маєте змоги розгорнути представлені цифри до первинних документів, тому що у системі дашбордів такої інформації немає, а якщо її пропонують туди додати, то це фактично виливається в 100% дублювання вже наявної інформації в одній базі та перенесення її до іншої. Тому оперативний дашборд бере дані з центральної системи і вам не потрібно чекати оновлення даних.

Прогнозні моделі на базі факту – фактично це десь перетинається з машинним навчанням, але використовуються трохи інші підходи. Фактично існує метод та модель прогнозу за якими обробляються дані, які вже структуровані. Так, ці дані можуть бути отримані на основі BigData, потім оброблені методами машинного навчання і вже після цього їх можна використовувати у прогнозуванні. Якщо коротко то:

• Метод прогнозування є послідовність дій, які потрібно зробити для отримання моделі прогнозування. За аналогією з кулінарією метод є послідовністю дій, згідно з якою готується страва — тобто прогноз. 
• Модель прогнозування є функціональне уявлення, яке адекватно описує досліджуваний процес і є основою отримання майбутніх значень для такого процесу. У тій же кулінарній аналогії модель є список інгредієнтів та їх співвідношення, необхідне нашій страві — прогнозу. 
• Сукупність методу та моделі утворюють повний рецепт! У більшості випадків прогнозні моделі працюють на горизонті інформації за 3-5 років. Якщо у вас є лише один рік, то більшість прогнозних моделей не будуть працювати коректно, тобто результат отриманий після моделювання може значно відрізнятись у подальшому від факту.

Наприклад, об’єднання BigData + Машинне навчання + Оперативні дашборди дозволили німецькій збірній футбольній команді, свого часу, більш ефективно виступити на чемпіонаті світу. Розробка включала в себе пульт керування відеозаписами SAP Video Cockpit та інструментальну панель гравця SAP Player Dashboard, за допомогою яких стало можливо аналізувати дані про матчі та обмінюватися інформацією. Пульт управління відеозаписами (SAP Video cockpit) являє собою хаб, в якому відеозаписи та дані про матчі та тренування об’єднувались з різних джерел. Це дозволило аналітикам і команді тренерів швидко виявити схеми та ігрові розстановки, що повторюються, і розробляти стратегії (це фактично прогнозні моделі) з урахуванням потенційних слабких місць противників. За допомогою SAP Player Dashboard тренери команди та аналітики могли надати гравцям швидкий доступ до персоналізованої інформації та відеозаписів на мобільних пристроях в режимі реального часу. 

Розроблений продукт SAP Sports One дозволяє командам та організаціям ефективно управляти організаційними процесами, підбором та навчанням гравців, а також усіма процесами, пов’язаними з оцінкою та підтримкою фізичної форми спортсменів.

Точенюк Олег