视频内容‍

前 言

公众号停更两年多，笔者一边在项目填坑、在做AI转型，也一直在思考公众号发什么是对大家有价值的内容。

AI时代的到来，笔者使用Claude code、Codex、Gemini AI studio、Cursor等等优秀AI平台，让我们传统的ERP实施顾问可以借助我们丰富的经验，知晓客户的行业痛点、需求，可以做成真正可以为客户提升价值的Agent、Skills、功能。

欢迎在转型路上的各位专家们一起进行交流、探讨（场景、AI技术）。第一期就以《主数据健康管家》为例，展示目前客户主数据的痛点、价值、系统功能。

未来可与AI开发同事一起分享，如何零代码、低代码、模块化、完整的搭建这样的系统，哪些节点介入AI。

Today's share

01

你企业的ERP 数据能信吗？

很多企业聊 AI，第一反应都是：模型选哪个？平台怎么搭？能不能接到业务系统里？

这些问题当然重要。

但我们在 ERP 和主数据治理项目里看下来，真正容易被忽略的，往往是更靠前的一步：

AI要分析企业数据，可这些数据本身，可靠吗？

如果 ERP 里的物料、客户、供应商、编码、分类都已经乱了，AI 接进去之后，不一定会变聪明，反而可能把原来的问题放大。

所以这一期，我们想聊一个很基础，但很关键的话题：

02

企业做AI之前，为什么要先给ERP做一次“数据体检”？

ERP上线后，主数据规范很容易被“放一边”

很多企业在 ERP 上线时，都认真做过主数据规范。

物料怎么命名，客户怎么建档，供应商怎么分类，编码规则怎么定，当时都会有一套标准。

但系统上线不是终点。

几年过去，业务变化了，组织调整了，新人接手了，原来的规则文档可能没有跟着更新。业务部门为了方便，会按自己的理解建数据；IT 为了赶进度，也可能先让流程跑起来。

一开始看不出大问题。

时间久了，主数据就会慢慢变成这样：

• 同一种物料，有好几个名称；
• 同一个客户，在系统里重复建档；
• 同类供应商，被不同部门分到不同口径；
• 原来的编码规则还在，但实际执行已经变形。

这不是某一个部门、某一个人员哪做错了，而是很多系统上线后都会遇到的现实问题。

03

“一物多码”最后影响的是业务，不只是系统字段

举个很常见的例子。

同一包打印纸，行政部门可能叫“A4 打印纸”，采购可能叫“复印纸”，仓库又可能按“办公用纸”入库。

同一个鼠标，行政建成办公耗材，IT 又建成电脑配件。

从系统字段看，这只是名称、分类、编码不统一。

但落到业务上，影响会很直接：

库房明明有货，系统里却查不到；

采购以为缺货，又重复下单；

月底做报表时，同一类物料被拆成几套口径，数字很难对齐。

很多主数据问题就是这样，平时不显眼，但会在采购、库存、财务、经营分析里反复消耗效率。

脏数据接入 AI，结果可能更“像真的”

过去主数据乱，影响的是报表、流程和协同。

现在企业开始做 AI，这个问题会变得更敏感。

因为 AI 不会天然知道企业内部的真实业务口径，它看到什么数据，就基于什么数据去分析。

如果输入里有重复编码、缺失字段、异常重量、分类漂移，AI 也可能把这些信息当成事实。

更麻烦的是，AI 的表达通常很完整、很有条理。

它给出的报告看起来像结论，实际上可能只是基于脏数据做出的误判。

所以，AI 项目启动前，企业最好先问自己几个问题：

• 主数据是不是完整？
• 同一对象是不是唯一？
• 关键字段是不是准确？
• 编码和规则是不是合规？

这些问题没有看清楚，AI 接得越深，风险也可能越深。

我们做这个 Agent，就是想先把底账看清楚

基于这些项目里的真实问题，我们做了一个“主数据治理健康管家 Agent”。

不是上来就替企业做大而全的治理项目，而是先帮企业完成一件事：给企业主数据做一次详细的诊断。

04

四个维度看清ERP主数据的健康状况

系统会从几个关键维度做扫描：

• 完整性：关键字段有没有缺；
• 唯一性：对象有没有重复；
• 准确性：重量、单位、分类这些值是否异常；
• 合规性：编码和规则是否符合企业标准。

（上述图片为合规性检查输入的规范性材料）

这一步像体检，不是为了生成一张漂亮报表，而是为了让企业知道：哪些数据问题已经影响业务，哪些问题应该优先处理，哪些数据暂时还不能直接交给 AI。

发现问题之后，还要能往修正推进

很多企业做数据治理，最怕的是停在“发现问题”。

系统告诉你有问题，但问题怎么来的、该怎么改、谁来确认，后面又变成一堆表格和会议。

我们的思路是，让 Agent 往前多走一步。

当系统识别到异常后，会结合规则和 AI 推理，给出建议修复值，并把依据展示出来。

业务人员或数据负责人确认之后，再推进修正。

这样，主数据治理就不只是“看见问题”，而是形成一个闭环：

发现问题 → 解释原因 → 给出建议 → 人工确认 → 推进修复。

05

AI转型，最后拼的还是数据底座

企业做 AI，不是只买一个模型，也不是只接一个工具。

真正能跑进业务里的 AI，一定要有可信的数据底座。

ERP 主数据，就是很多企业最应该先检查的底账。

底账不清，AI 会把问题讲得更像结论；

底账清楚，AI 才有机会真正帮业务提效。

如果你也想知道自己企业的数据健康状况，欢迎在评论区留言：

体检

我们会根据你的业务场景，提供一份主数据诊断思路。

感谢支持

• 每篇文章笔者会至少花费一周做资料准备和视频录制；
• 如果您看完有收获可理性赞赏，让笔者知晓大家对哪部分内容更感兴趣；
• 不为挣钱，只为总结、分享、结交同行好友（重点），欢迎大家在AI时代针对企业核心领域的AI场景化实战交流。

END

作者：Cyrus

注：原创不易，欢迎同行专家分享、交流、指导。