The Future of ERP Integrations: Cloud-Native vs. On-Premise Strategies
Notice bibliographique
Résumé
Aim: This study aimed to conduct a comparative analysis of cloud-native, on-premise, and hybrid ERP integration models to assess their efficiency, reliability, and total cost of ownership. In turn, the market for ERP software is expected to increase to approximately USD 81.15 billion by 2024, shifting towards cloud-native and on-premise integration strategies. Methods: A comparative experimental design was employed, where simulated ERP workloads were executed across three integration frameworks: cloud-native, on-premise, and hybrid to measure performance, reliability, security, compliance, Total Cost of Ownership (TCO), and speed of delivery. The major environments evaluated included cloud-native (iPaaS + API Gateway + managed event bus), on-premise (ESB + ETL + RDBMS queues), and hybrid (edge agents + cloud broker). Results: A comprehensive workload of datasets (Order-to-Cash, Procure-to-Pay) experiment, along with thorough testing and intensive hands-on statistics, resulted in the provision of data on performance metrics, including latency, throughput, error rate, and system resilience. The primary findings revealed that the cloud solution is faster in terms of latency (-33%) and error rate (-0.39 pp) compared to the on-premise solution and is also more available. The cost of cloud-native systems is usually low compared to TCO. Hybrid systems are not very costly either, although they have greater resilience in terms of flexibility and control over data. The findings suggest that the choice of an integration strategy depends on the organization’s specific requirements. Scalability, costs, and potential downtime are essential aspects. Conclusion: The study concludes that the cloud-native integrations, in both cases of high volume and sufficiently high latency workloads, tend to be more agile, more performant, and more cost-effective, whereas hybrid models present a desirable compromise between scalability and data control to organizations with strict governance needs. Recommendation: Organizations should align their ERP integration strategy with transaction volume, latency tolerance, and data governance requirements to maximize performance and compliance outcomes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».