最近几年涌现了很多SaaS公司，很多资本也进入了这个行业，但是大家不能因为看到几家美国SaaS公司成功，就认为SaaS在中国也会成功。

这种对比过于简单，忽略了很多客观因素。就像韩信背水一战成功后，我们也去类比模仿一样。

所以，本文会从SaaS优缺点两个方面来谈谈，是不是中国所有行业都适合使用SaaS？SaaS是「包治百病」的良药吗？

01 SaaS出现的背景原因和优势

SaaS把软件售卖改成了租用模式，倒逼软件企业去提升产品质量和服务，否则软件公司的续费率很难保障。

这是SaaS模式积极的一面。在美国出现SaaS服务之前，软件巨头的产品非常昂贵，昂贵就限制了软件的推广应用，导致很多中小企业很难受益于信息化发展。

SaaS模式降低了中小企业的进入门槛，做大了中底层用户，然后再向高端冲击。Salesforce在美国的成功，就是适应了美国社会的时代需求，给用户带来了福利。

SaaS模式适应了互联网时代的需求，相比传统软件的单机或者局域网部署，SaaS部署在云上，方便企业进行管理，也让很多互联网C端的需求可以更方便对接。

例如，餐饮SaaS和外卖平台进行对接。因为是统一部署，所以升级相对比较方便，只要升级服务器端即可。

在SaaS出现之前，很多连锁管理软件都采用手动传输，实现各个门店和总部的数据传输，即使有些声称自动化传输的应用，也普遍存在丢包、数据不同步等问题。SaaS因为数据都放在云上面，所以客观上回避了数据传输等问题。

SaaS模式让软件公司收费也变得简单，不续费直接断掉服务即可，也不用去催账。

02 SaaS天生存在的局限性

不过，SaaS天然存在严重的网络依赖症。网络的稳定性就和天气一样，影响的因素非常多，不同时间段、不同地区、不同商场都可能不同。

我在前面文章打了一个比喻，90年代北京路不宽，但并不经常堵车。现在北京路宽了很多，反而常常堵车，那是因为车多了。

就像现在网络虽然快了，可使用的人和应用更多了，网络资源永远都是一个宝贵资源，是有价资源，这和道路拥堵的道理是一样的。

现在的SaaS软件一般都在云上，云便宜吗？稳定可靠吗？这个可以看看我在一个服装软件群收集到的一线网管人员的感受。

很多SaaS软件是基于浏览器的，浏览器兼容性就是一个大问题，比如IE，经常因为什么插件就导致莫名其妙的问题。

阿里云现在还是亏损的，现在云带宽已经不便宜了。

因为严重依赖网络，一般SaaS结构的软件都会实现分页查询，限制用户一次查询的数据的数量。比如几十条，因为数据查询量小，占用带宽少，这样对服务器的压力也小。网络依赖症的问题会阻碍SaaS向高端用户发展。

对于通常的收银业务流程，SaaS还是没有问题的，但如果进行数据分析就麻烦了。当然SaaS用户很多都是小的餐饮用户，对数据分析没有啥要求，但对上规模的连锁企业就不适合了。 

03 SAAS更适合什么行业？

SaaS不适合操作性强的行业，例如重餐饮行业，SKU多的行业，反之就适合。

重餐饮行业的特点是每个门店都由多个部门、多个电脑组成，有的还要连接大量不同的打印机等终端设备。

这类门店本身就是一个独立性很强的局部机构，因为操作量大，对稳定性要求也很高，使用SaaS反而会出现稳定性隐患。

反之，轻餐饮如奶茶店这些，因为通常只完成收银，设备也很少，所以SaaS还可以使用。

在我看来，SKU多的行业，比如服装连锁行业是不太适合使用SaaS的。

因为中大型服装连锁SKU数量超过5万是很普遍的。由于每季都要上新款，一款因为颜色和尺码的原因往往包含10个以上的SKU，导致SKU的膨胀非常快的。

SKU多的还有超市门店，超市收银点多，收银量大，对系统稳定性要求非常高，所以使用SaaS的概率几乎等于0。

很多生产制造业的ERP，MES和仓库管理等系统，对稳定性要求也很高，使用频繁，对操作性要求也非常高，这些行业也不适合SaaS模式。

上面讲的这些行业应用，多是在供应链管理方面，业务之间关联性非常强，一个地方稳定性出现问题，往往会影响到很多方面，一个错误就可能导致后续多个错误发生。

所以，SaaS适合的行业往往是数据多、读取操作比较少的行业，比如CRM。这类产品多是看客户的数据信息，客户数据之间关联性也很弱。即使需要录入新的客户数据，强度也不会很大，哪怕网络发生问题，后面录入也可以。

SaaS适合不适合某个行业，关键还是要看数据量和关联性。数据量越多关联性越大，则越不适合。

大家可能有疑问，人家淘宝和微信那么多数据，为啥也使用云模式，即数据集中在服务器端的模式，和SaaS本质差不多。

记得前些年很多人把双十一和12306买票做对比，觉得12306和双11相比简直弱爆了，一般外行人或者行业非资深的人都会这么看。

之所以这么看，是因为这种对比只考虑了数据量，而没有考虑到数据的关联性，单纯数据量的比较是不科学的。

为了解释关联性，我举个行政部门办事的例子。如果大家办的事情都是一件事而且是一样的，提升处理能力的方式很简单，投入10倍的办事人员，就能提升10倍的速度，因为这些事务之间是独立的，无关联的。

可当大家需要办理多个事情，而且事情之间是有先后顺序的，事情办理的时间也存在不确定性，我们还能够简单的加多处理人员来提升效率吗？

因为关联度高，导致问题变得复杂，任何一个地方都可能出现瓶颈，简单加人可能带来混乱，导致相反的效果。

淘宝微信这些场景，大量数据都是非关联的，而且是生成后就很少变化的数据，非常适合使用CDN(一种非常成熟的互联网缓存技术)。

因为数据之间是独立的，所以可以直接通过添加机器量来扩大处理能力，专业名称叫做线性扩展。

再有，当大家去羡慕人家强大的数据处理能力的时候，其实也要看看这些巨头投入的机器数量是多少，带宽资源是多少，人力成本是多少。

再加上盈利模式不同，也让巨头可以通过垄断，承担这些高昂成本，同时实现非常高的利润。

所以，很多SaaS企业喜欢拿淘宝和微信来做类别，觉得以后自己规模扩大了，数据处理能力不是问题。这种思路往往忽略了很多SaaS行业的数据都是强关联数据，“他人的金刚钻未必能搞定你的瓷器活儿”。

04 影响数据量的多种原因

影响数据量的因素是多个方面的，门店数量、SKU数量，显然这两个数量越多，总体数据量越多。

另外一个因素大家往往会忽略，就是用户使用的模式习惯。例如，服装门店的应用，如果收银员只完成收银工作和查个别款的库存，提交和返回的数据量很少，所以出现问题的概率会降低。

所以说，单纯比较一个系统支撑了多少个门店是没有意义的，如果是高价值商品收银，频次低而且SKU少，确实容易支撑很多门店的并发。毕竟单店数据量不多，对服务器和带宽压力不大。

因此，为了提升并发的门店数量，很多系统会限制单店的数据访问量，比如通过分页技术减少一次返回的数据量，这个在SaaS产品中是非常普遍的，几乎成了标配。

本人曾经让朋友去某国际知名品牌的时装门店工作过2个月，目的是调研他们使用的软件系统。

该系统使用了SaaS一样的直连服务器访问模式，软件系统只能查到当季货品的情况，这样可以减少SKU数量，门店人员一般只查询简单报表，返回数据量都比较少，库存查询一般也是查询某个款的数据，所以返回数据量比较少。

其实这些还算可以接受，但会员部分就有些差了，只能在收银的时候，在对话框中查看到单个会员的简单信息，如积分数量。

因为SaaS直连模式对门店数据访问量做了限制，所以门店不能执行高质量的数据分析。例如和历史销售数据进行对比，做深度的会员画像分析。

因为这些分析需要读取的数据量大，容易触发性能问题，所以，数据分析一般都是总部来做的。

最能理解数据场景和业务背景的门店人员不能去分析和解读数据，而总部的人只能在数据表面上理解数据，可他们未必清楚门店的具体情况，数据的理解和解读可能就会出现问题。

所以，最可靠的办法是门店和总部都做数据分析，让双方进行交叉验证，避免决策的失误。

上面讲数据分析的事情，就是想说明企业的经营模式也会影响数据量，也就是用户模式习惯。如果企业希望门店店长能够把握市场战机、随机应变，一定要提升店长的数据分析能力。若只希望店长是听命令的，则不需要提升店长IT能力。

随着消费市场越来越多样化和快节奏，能够灵活应变和分析市场的店长会更加具备优势，也能更好的给总部反馈市场信息，实现门店和总部双向互动。这才是更具价值的方向。

05 广域网分布式计算，解决多门店系统稳定性的利器

通过上面的分析，我们可以看到SaaS自身的网络强依赖性，导致在一些行业领域是达不到要求的，而广域网分布式计算可以完美的解决这个问题，结构如下图：

广域网分布式计算，可以保证每个门店都有各种数据库，门店的运行只依赖门店自身的数据库。即使互联网网不稳定或者断网，都不会影响到门店自身的运行，保证了门店系统稳定。

因为门店自己有数据库，所以可以存放大量的门店自身的历史数据，可以支撑门店自身的各种数据分析要求。

数据交互则通过数据传输平台来完成，总部是数据交换中心枢纽，门店变化的增量数据会实时传输到总部，然后传输到其它的相关门店，增量传输大大降低了网络的传输量，大大提升了带宽的使用效率。

因为SaaS是全量重复传输，每次查询数据，全部数据都需要重新传到门店，导致网络资源浪费。而分布式计算则充分利用了本地计算资源，大大降低了对总部服务器的负载压力，让总部服务器的应对能力提升了几十倍以上。

少资源，高效率，让分布式计算可以节约企业的大量成本。

其实互联网大数据计算，云计算都是建立在分布式计算上面的，不过局域网分布式计算和这里提到的广域网模式是有很大区别的。

局域网分布式计算通过大量廉价的服务器，实现了比之前昂贵的巨型机强大太多的计算能力，为互联网企业大大节约了成本，是互联网行业爆发的基础条件。否则，利润都被IBM和Oracle这些传统巨头拿去了。

同理，广域网网分布式计算，可以为企业节约在计算力和网络方面的大量成本，还保证了更高的稳定性，提供了更强大的门店数据分析能力。

下面是一个真实的费用花销对比，我们的一个服装连锁客户，有200家门店，使用广域网分布式计算。

一台几年前的PC服务器带动了全部门店，而且还要支撑几十个总部人员的使用。2个分析师在工厂以远程SaaS方式访问总部服务器，常常拉取1G以上的数据量。总部服务器连接到200M的商业光纤带宽上面，每年网络费用是3000元。

因为我们不是知名品牌，所以客户老板在个别人忽悠下，尝试换知名品牌的系统，老板不懂系统，简单认为品牌越大，系统也就越好。

下图是分析师拉去全部库存信息，导入到EXCEL表格进行分析的案例。

广域网分布式计算的应用场景

前面提到的重型餐饮，SKU多的超市和服装连锁行业都是这种技术的应用场景。传输平台解决了互联问题，可以对接各种电商平台，电商的订单和信息实时的传输到相应的门店系统中。

例如，电商下订单，指定门店进行发货，用户在平台进行订餐和选台，用户线上购买超市货品，不用担心库存不足问题，因为线下超市库存情况会实时传输到线上平台。这种计算模式还支持系统的远程自动升级，让后期的系统维护变得自动化和简单。

总结

所以，SaaS模式相较于传统软件产品，虽然是先进的，可并不是包治百病，可以解决所有企业信息化的良方。

企业进行数字化转型、软件部署，一定要对症下药，要使用最适合自己的产品，而不是最新颖、最前卫的概念。

SaaS好与不好，是否适合某个行业、某家企业，需要根据实际业务需求和使用场景，具体问题具体分析。

从最基本的判断点来看，企业一定要清楚自己的数据量和数据关联性，以及用户对稳定性的接受程度。