Управлението на основни данни е въвеждането, промяната и поддържането на съгласуваност на базови данни: клиентски данни, продуктови кодове, информация за доставчици. Работата се извършва между системи като ERP-среда и инструмент за управление на основни данни (master data management), и в момента често се извършва от служител, отговорен за данни, или административен служител, който проверява и коригира записи.
За да определим какво може да поеме AI тук, ние не гледаме към длъжностното звание, а към самата задача, по осем оси. Три от тях са решаващи: степен на структурираност, обем и разходи за грешки.
Основните данни имат фиксирана форма. Клиентски запис има име, адрес, ДДС номер; продуктов код има фиксиран брой полета. Тази предвидимост получава висок резултат по ос структурираност, а точно това е вида работа, върху който автоматизацията вече десетилетия постига добър контрол. Добавете към това обема: предприятия с хиляди клиентски или продуктови редове имат задача, която се повтаря непрекъснато, със същите стъпки за всеки запис. Висок обем плюс висока структурираност е комбинацията, при която базираната на правила автоматизация, в този случай RPA, работи най-добре.
Пример: доставчик променя адрес. Новият адрес трябва да бъде въведен в ERP-системата, в системата за фактуриране и в клиентския портал. Това е три пъти попълване на едно и също поле по фиксирано правило. За това не е необходима преценка, но е необходима съгласуваност.
Тук се затяга. Грешка в основните данни се разпространява по-нататък: грешен ДДС номер води до грешна фактура, грешно поле за продуктов код води до неправилни данни за наличности или грешни цени за клиента. Затова осата разходи за грешки не получава нисък резултат, нито съответствието с нормативните изисквания: много основни данни попадат под правилата за лични данни или данъчна регистрация. Това не означава, че AI няма роля тук, но означава, че пълна автономна обработка без контрол е риск, който не се приема лесно.
Пространството за преценка е освен това ниско: има малко възможност за собствена интерпретация на коректната стойност, правилата са фиксирани. Това е добра новина за автоматизацията, защото пространството за преценка обикновено е осата, която изисква човешка работа. При основните данни трудността не е в решаването, а в разпознаването на отклонения: адрес, който не съществува, име, което не съответства на предишен запис. Точно тук човешкият надзор с обосновка за одобряване или отхвърляне запазва своята стойност.
Най-голямата част от редовното въвеждане и синхронизация между системи е задача, която AI може да поеме днес, при условие че са изпълнени две предпоставки: еднозначни определения на данните, така че да няма съмнение какво е валидна стойност, и правила за валидация при въвеждане, така че отклоняващи се случаи да бъдат разпознати преди да преминат по-нататък. Без тези две предпоставки задачата автоматично се връща към третия блок: човешка работа, защото никой не може да се довери на онова, което се записва автоматично.
Промяната, която тук се извършва, не е че служителят, отговорен за данни, изчезва, а че съдържанието на задачата се променя: от самостоятелно въвеждане към самостоятелна преценка на онова, което системата е отбелязала като отклонение. Това е различен вид работа, с различен вид внимание, и изисква човек, който разбира защо е отхвърлен даден запис, а не само как се въвежда.
При предприятие с малка, добре подредена клиентска база и малко продуктови варианти ползата от автоматизацията е ограничена: обемът е твърде нисък, за да се изплати инвестицията в правила за валидация и връзки. При предприятие със силно различаващи се изходни данни — например след сливане, с две различни CRM-системи, които не използват едни и същи полета — трудността не е във въвеждането, а в първоначалното установяване на еднозначни определения. Това е еднократна, съдържателна задача, преди автоматизацията да стане смислена.
Това съотношение между структура, обем и риск от грешки не се проявява само при основните данни. Същата логика се повтаря при въпросите за коя работа в отдела за покупки е подходяща за автоматизация, където данните за доставчици и редовите позиции за поръчки имат същата комбинация от повторение и податливост на грешки. Също и при отговарянето на въпроси на потребители относно софтуер се проявява подобно съотношение между фиксирани модели и ескалация: вижте как AI обработва въпроси на потребители относно софтуерни проблеми. А там, където самите системи се наблюдават за отклонения, логиката на сигнализиране и препращане е сходна с онова, което може да се прочете за наблюдението на системна производителност от AI.
Това не е съвет за персонал и не е обосновка за решение относно длъжност или щатно разписание. Ако резултатът от този анализ се използва някъде в процес, свързан с персонал, за това се прилагат собствени законови изисквания, на които тази статия нищо не добавя и нищо не отнема. Написаното тук е твърдение относно задачата, не относно лицето, което в момента я изпълнява.
За да видите как това разпределение се отразява на вашето собствено предприятие, съществува безплатният бърз тест: дванадесет въпроса, без нужда от регистрация, с резултат — индикация за какъв дял от часовете в този профил AI може да поеме днес. Пълният работен анализ, който разглежда работата на цялото предприятие задача по задача по тези осем оси, е все още в разработка и ще бъде предложен тук по-късно.
Vraag maar. Ik ken de kennisbank van deze site; wat ik niet weet, zeg ik erbij.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.