大数跨境
首页
>
换系统最疼的不是迁移，是新系统又带了一份地基
>

换系统最疼的不是迁移，是新系统又带了一份地基

换系统最疼的不是迁移，是新系统又带了一份地基 AI驱动数字化转型
2026-11-06
1
导读：这个数对不对得上，不取决于买了几套软件，取决于同一件事在这家企业里被定义了几遍。应用共用一份会记账的根，同一个数才不会有三个答案。
一家做工业品的公司，销售在客户系统里查一家老客户，屏幕上跳出三条记录。
一条躺在十年前的进销存里，一条在五年前上的客户关系系统里，一条在去年做的报价小程序后台。三条记录写的是同一家企业，公司名却各写各的：一条是全称，一条少了“股份”两个字，一条只剩个简称。销售看一眼，手就停在键盘上。
再往下翻，三套折扣政策，三个年度采购额。老板问一句这家客户去年到底做了多少，要三个人各查一遍，查完坐下来对。对不拢的那部分，谁也说不清该信谁。
老板要的只是一个数。
一个数要三个人坐下来对，同一个客户怎么会有三个去年，这笔账该记在谁头上，得换个地方问起。

PART 01
这笔账不在许可证上

遇到这种场面，账很容易算到软件头上。买多了，买重了，下回多问几家供应商，压一压价，就算有了交代。企业软件这几十年的采购单，就是这么一张张签下来的。
这样算账有个来历。软件一直被当成一件件买回来的东西，是东西就能比价、能替换、能折旧；买重了算采购的眼光，不算结构的毛病。
真正的浪费不在许可证上。同一家企业、同一个产品、同一个口径，被各自维护了三遍。
换系统的时候这笔账最疼。上一套拆掉，历史数据要迁，字段对不上，迁完还得人工核三个月，核完抬头一看，新系统自己又带了一份地基。
把应用推倒重来，多半会失败。旧的三张客户表拆干净了，新系统照样自带一套根，两年之后，桌上又是三张表。变的只是机房，和供应商的名字。
问题从来不在买了几套软件，在同一件事被定义了几遍。
往下要说的，是怎么让它只定义一遍。

PART 02
让同一件事只定义一遍

把三套系统用接口连起来，能让它们互相取数，取出来的还是各自那一份客户。连得通，不等于只定义一遍。
买回来的软件从验收那天起就在折旧，根不会。
企业软件卖了几十年的成品，成品越换越新，地基却每换一次重新浇一遍。要让同一件事只定义一遍，就得把全公司共用的那部分沉到底下自己留着，不随任何一套应用走。
顺序因此跟直觉反着来：先补根，再让应用往上接，应用可以换，根和历史不动。对甲方来说，最直接的好处是换应用不换根，选型时不必再被一家供应商锁死，换谁上都还能接回来。
这里说的层，是软件资产的层，不是公司的事业部，也不是谁向谁汇报。
这种结构性重复，用一棵树来说最省事：根、干、枝，越往下越沉，越往上越轻。判断一个东西该放哪一层，只看一条：换一家公司就得改的放在枝上，换一家只改配置的放在干上，谁都不用改的放在根上。

PART 03
根、干、枝上，各放什么

根是这家企业认得的全部对象，客户、产品、供应商、项目、人。对象之间的关系也在根上，谁供谁、谁签谁、谁控股谁。对象身上被反复引用的数字也在根上，采购额、回款周期、毛利率。
进了根的东西只有一份。应用点开客户，看见的都是同一个客户。
一个对象要进根，先得有身份证。名字对得上的直接挂上本体，碰上同名多候选，机器不敢认，留给人来点头。
根上还有一层记忆。它不存聊天记录，只存结论：这家客户为什么会丢，这个报价为什么被压。
结论是会变的。去年判断这家客户只看价格，今年发现真正卡住的是交付周期。旧结论不能删，要留一个失效时刻，查询默认给当下有效的那一条，翻历史才看得到变更发生在哪天。少了这个时刻，记忆就是一堆自相矛盾的话，越用越不敢信，最后没人查它。
记忆还有预算，一次召回只带固定额度的条目，用不上的要能淡出。不然上下文越滚越长，模型反而看漏最要紧的那条。

同一个数，凭什么有三个答案？
口径也在根上，这一块最得罪人。采购额按合同额算、按开票额算、按回款算，三套算法能差出一倍。底座的做法是把口径先定义再取数，没定义的查询直接拒绝。
口径从来不是算术问题，是定义权归谁。
财务和销售各自都觉得自己那套是对的。财务把三张报表打出来摊在桌上，和销售对了一下午，最后发现差的是一张过期合同没关账。被拒绝过几次之后，两边才开始用同一个数说话。
根厚不厚，不看文件多、代码多，看同一件事是不是只在一个地方定义，别处只能引用。
干是规矩：谁能看、谁能改、谁能批，改动留不留痕，时间按哪个时区算，一条能力归谁管。一条能力上线前要先声明它落在哪个业务包、读哪些表、写哪些表；往后有人把它删掉，系统启动就报错，因为还有调用方在等它。
删除不报错，是最难查的一类故障。
接口在，返回空，页面不报错，人以为本来就没数据，查三天才发现是上游删了东西。
时间也是干上的事。国内客户的账按北京时间算，听着是常识，做起来是全仓改动：取时间的代码都得换，存量时间戳也得跟着平移。同一套底座要服务多家客户，数据不许串，每个查询强制带上租户条件，写漏一处就是事故。
枝是应用，获客、舆情、人力、培训，各有各的业务。枝上只写这家公司特有的东西：线索怎么判重，商机怎么分阶段，跟进纪律是三天还是七天。

PART 04
AI原生，不只是一个对话框

这套底座还挂着“AI原生”四个字。这个词被用得很松，界面上加一个对话框就叫原生。
什么样的才叫原生？
能写成规则的不交给模型。判得了的，规则当场就定；规则说不清的，才轮到模型。一条命令是装依赖还是删数据，一句话是查询还是要对外发布，分界就画在这里。
这样分工的原因很实际：规则给的是确定答案，模型给的是概率，还得等它算完。把确定性的事交给概率模型，等于给自己加一层不确定。
每一次自动判定都要记账，判了什么、依据哪条、走的是规则还是模型、模型给的概率是多少，事后能一条条翻。没这本账，出了事只能猜，事后复盘全靠各说各话。
模型得有自己的记忆，而且记忆会过期。否则同一家客户问十遍，十遍答得不一样，人就不敢用第二次。
能力要能被机器发现。系统里得有一张能力清单，每条能力都有名字、有参数、有归属，模型查得到这张表才可能调对。查不到只能猜，猜错了还没人知道，这是AI功能在真实业务里悄悄失效的共同原因。
模型读到的上下文全在根上。根要是裂的，模型只能各读各的，同一个问题答出两个版本，还都说得通。界面是最便宜的那一层，也是最容易装出来给人看的那一层。
PART 05
获客：把跑着的系统接回根上

获客飞轮照这个办法接：不是另起一套，是把一套已经在跑的系统接到现成的根和干上，边接边改，不停机。
接客户与产品这件事排在最前。线索进来先问本体认不认得这家企业，名字完全一致的直接挂上，拿不准的进待确认队列，等人点头。
以前每个系统各写一套模糊匹配，规则散在代码里，谁也不知道另一套是怎么判的。现在匹配只有一份，挂错了改一处，所有应用同时改。运营在后台点一次确认，三个应用同时看到结果。
跟进纪律同样接在根上。哪条线索认领后三天没触达，哪个商机两周没推进，依据来自同一份事实表，不来自各系统的私有状态。人换了、系统换了，纪律还是那条纪律，这一条比任何界面都值钱。
指标也从口径层取。周报里那个本月新增商机金额，取的是口径层定义好的算式，不是页面里临时拼出来的。口径要改就升版本，旧报表还能对上旧版本，不然历史数据永远说不清，年底审计时又得吵一遍。
接的时候新增的，只有业务表和规则：线索、商机、跟进、报价，加上什么阶段该做什么、什么情况该告警。这些是这家公司特有的，换一家就得改，所以它们归枝管。报价单模板也在枝上，客户授信额度在根上。那是这家企业对所有客户统一的一套规矩。
怎么算接完，看能力对齐。原系统有多少个入口、多少个功能组，接过来一条条对上，少了哪条写清为什么不做了。对齐用的是台账，不是口头承诺。
每次改完代码还会自动跑一批检查，红了不许提交：行数超出预算、表名撞了数据库保留字、时间写成了别的时区，都在里面拦。人被拦住会烦，但被拦住一次，比上线后查三天便宜得多。

PART 06
舆情，材料从外面来

获客那边，线索从自家系统进来，名字跟本体对得上就能挂。舆情的材料从外面来。
那家做工业品的公司，在公开源里的名字有七八种写法：简称、全称、英文名、旧商标。一条消息抓回来，先过本体这一关。认出说的是不是它，才谈得上判重，才算进这家企业的声量。
这一步不靠模型。认主体靠的是根里那一份客户，跟销售在客户系统里点开的是同一个。
声量怎么算，情感怎么判，事件窗口从哪天到哪天，不在舆情里另定一套，都归口径层管。获客周报里的金额，也是从那里取的。
获客面对的是自家录进去的数据，舆情面对的是别人写出来的话，脏得多。要新写的是采集回来之后那一层判断：这条是真是假，是新的还是旧的，是不是同一件事被十家媒体转了一遍。

PART 07
还没补完的地方

根上的缺口摆出来，比藏着有用。
本体的覆盖还没到全部业务对象，新系统接进来，对象还没进本体；口径定义只覆盖报表里用到的那些，业务系统内部临时算的还管不住；能力对齐靠人一条条核，还没有自动比对；改一个类会牵连多少事实、多少映射，能算，但还没接到开工流程里。
知道缺口在哪，比宣称已经做完有用。宣称做完最省事，也最贵，代价都在第二年。
一棵树能不能立住，不看枝条多茂盛，看根记不记账。记不住对象、记不住关系、记不住口径，枝叶再密，风一来就散。
开头那位销售要查的，从来不是三套系统，是同一家客户的一个数。这个数对不对得上，不取决于买了几套软件，取决于同一件事在这家企业里被定义了几遍。应用共用一份会记账的根，同一个数才不会有三个答案。

【声明】内容源于网络
0
0
AI驱动数字化转型
专注AI，促进智造行业数据衍生，服务智能制造企业的数字化、智能化，聚焦大模型私域部署、大模型微调、数据清洗、AI模型训练、私域知识库及agent技术延展等。行业智能，落地为先。
内容 1118
粉丝 1
AI驱动数字化转型 专注AI，促进智造行业数据衍生，服务智能制造企业的数字化、智能化，聚焦大模型私域部署、大模型微调、数据清洗、AI模型训练、私域知识库及agent技术延展等。行业智能，落地为先。
总阅读15.6k
粉丝1
内容1.1k