Hands-On Guide: Implementing and Optimizing ERP Systems in 2026

/**
 * @NApiVersion 2.x
 * @NScriptType UserEventScript
 */
define(['N/record', 'N/search'], function(record, search) {
    function beforeSubmit(context) {
        const inv = context.newRecord;
        // Автоматическая реклассификация по AI-алгоритму
        const aiCategory = predictCategory(inv);
        inv.setValue({
            fieldId: 'category',
            value: aiCategory
        });
    }
    
    // Интеграция с vLLM для классификации
    async function predictCategory(invoice) {
        const response = await fetch('https://vllm-api.company.com/predict', {
            method: 'POST',
            headers: {'Content-Type': 'application/json'},
            body: JSON.stringify({
                text: invoice.getValue('memo'),
                model: 'erp-classifier-2026'
            })
        });
        return response.category;
    }
    
    return { beforeSubmit };
});

import ollama
import pdfplumber
from sapb1_client import SAPB1Connector

class BankStatementProcessor:
    def __init__(self):
        self.erp = SAPB1Connector(
            company_db='SAP_B1_2026',
            username='api_user',
            password=os.getenv('SAP_PASSWORD')
        )
    
    def process_pdf_statement(self, pdf_path):
        """Извлечение данных из PDF банковской выписки"""
        with pdfplumber.open(pdf_path) as pdf:
            text = '\n'.join([page.extract_text() for page in pdf.pages])
        
        # Используем локальную LLM через Ollama для структурирования
        prompt = f"""
        Извлеки из текста банковской выписки JSON с полями:
        - date (YYYY-MM-DD)
        - amount (число)
        - currency (USD/EUR/RUB)
        - counterparty
        - description
        
        Текст: {text[:2000]}
        """
        
        response = ollama.generate(
            model='llama3.1:70b',
            prompt=prompt,
            options={'temperature': 0.1}
        )
        
        transactions = json.loads(response['response'])
        
        # Загрузка в SAP Business One
        for tx in transactions:
            self.erp.create_journal_entry(
                date=tx['date'],
                account='101000',  # Банковский счет
                amount=tx['amount'],
                currency=tx['currency'],
                description=f"Bank: {tx['counterparty']} - {tx['description'][:50]}"
            )
        
        return len(transactions)

import pandas as pd
from erp_finance import PayrollCalculator
from legacy_system import OldPayroll

def validate_payroll_transition(period):
    """Сравнение расчетов между legacy и новой ERP"""
    legacy = OldPayroll().calculate(period)
    new_erp = PayrollCalculator().run(period)
    
    # Сравнение по каждому сотруднику
    merged = pd.merge(
        legacy, new_erp, 
        on=['employee_id', 'period'], 
        suffixes=('_legacy', '_new')
    )
    
    # Порог отклонения 0.1%
    merged['diff'] = abs(merged['net_pay_legacy'] - merged['net_pay_new']) / merged['net_pay_legacy']
    discrepancies = merged[merged['diff'] > 0.001]
    
    if len(discrepancies) > 0:
        print(f"Найдено {len(discrepancies)} расхождений >0.1%")
        return discrepancies
    else:
        print("Валидация пройдена: расхождений нет")
        return None

# Запуск за 3 периода до go-live
for period in ['2025-Q4', '2026-Q1', '2026-Q2']:
    validate_payroll_transition(period)

# Время ответа API модуля Finance (p95)
histogram_quantile(0.95, 
  sum(rate(erp_api_request_duration_seconds_bucket{module="finance"}[5m])) by (le))

# Количество ошибок 5xx в минуту
sum(rate(erp_api_requests_total{status=~"5.."}[5m])) by (module)

# Загрузка AI-модели (vLLM)
vllm_request_success_total / vllm_request_total

# Процент успешных payroll расчетов
sum(rate(payroll_calculations_success_total[1h])) /
sum(rate(payroll_calculations_total[1h])) * 100