Správa kmenových dat znamená zadávání, úpravu a udržování konzistence základních údajů: údajů o zákaznících, produktových kódů, informací o dodavatelích. Práce probíhá mezi systémy, jako je prostředí ERP a nástroj pro správu hlavních dat (master data management), a nyní ji obvykle vykonává správce dat nebo administrativní pracovník, který kontroluje a opravuje záznamy.
Abychom určili, co zde může AI převzít, nedíváme se na název funkce, ale na samotný úkol, a to na osmi osách. Tři z nich jsou rozhodující: strukturovanost, objem a náklady na chyby.
Kmenová data mají pevnou formu. Záznam zákazníka má jméno, adresu, DIČ, produktový kód má stanovený počet polí. Tato předvídatelnost dosahuje vysokého skóre na ose strukturovanosti, a to je přesně druh práce, který automatizace zvládá dobře už po desetiletí. K tomu připočtěte objem: firmy s tisíci záznamy zákazníků nebo produktů mají úkol, který se neustále opakuje, se stejnými kroky u každého záznamu. Vysoký objem plus vysoká strukturovanost je kombinace, ve které se automatizace založená na pravidlech, v tomto případě RPA, projevuje nejlépe.
Příklad: dodavatel změní adresu. Nová adresa musí být převzata do systému ERP, do fakturačního systému a do zákaznického portálu. To znamená třikrát vyplnit stejné pole podle pevného pravidla. K tomu není potřeba úsudek, ale konzistence.
Zde nastává problém. Chyba v kmenových datech se šíří dál: nesprávné DIČ vede k chybné faktuře, chybné pole s produktovým kódem vede k nesprávným skladovým počtům nebo nesprávným cenám u zákazníka. Osa nákladů na chyby proto neskóruje nízko, ani compliance ne: velká část kmenových dat spadá pod pravidla o osobních údajích nebo daňové evidenci. To neznamená, že AI zde nemá žádnou roli, ale znamená to, že plně autonomní zpracování bez kontroly představuje riziko, které se jen tak nepřijímá.
Prostor pro úsudek je navíc nízký: existuje jen málo prostoru pro vlastní interpretaci toho, co je správná hodnota, pravidla jsou pevně daná. To je dobrá zpráva pro automatizaci, protože prostor pro úsudek je zpravidla osou, která vyžaduje lidskou práci. U kmenových dat neleží obtížnost v rozhodování, ale v signalizaci odchylek: adresa, která neexistuje, jméno, které neodpovídá dřívějšímu záznamu. Právě zde si lidský dohled se zdůvodněným schválením nebo zamítnutím zachovává svou hodnotu.
Většinu běžného zadávání a synchronizace mezi systémy je úkol, který dnes může převzít AI, pokud jsou splněny dvě podmínky: jednoznačné definice dat, aby nebylo pochyb o tom, co je platná hodnota, a validační pravidla při zadávání, aby byly odchylné případy rozpoznány dříve, než postoupí dál. Bez těchto dvou podmínek se úkol automaticky přesouvá zpět do třetího bloku: lidské práce, protože nikdo nemůže spoléhat na to, co se automaticky zapíše.
Posun, který zde probíhá, nespočívá v tom, že by správce dat zmizel, ale v tom, že se náplň úkolu obrací: od samotného zadávání k samotnému posuzování toho, co systém označil jako odchylku. To je jiný druh práce, s jiným druhem pozornosti, a vyžaduje někoho, kdo chápe, proč byl záznam zamítnut, nikoli jen to, jak ho zadat.
U firmy s malou, přehlednou zákaznickou základnou a málo produktovými variantami je přínos automatizace omezený: objem je příliš nízký na to, aby se investice do validačních pravidel a propojení vyplatila. U firmy se silně rozdílnými zdrojovými daty — například po fúzi, se dvěma odlišnými systémy CRM, které nepoužívají stejná pole — neleží obtížnost v zadávání, ale v nejprve stanovení jednoznačných definic. To je jednorázový, obsahový úkol, než se automatizace stane smysluplnou.
Toto zvažování mezi strukturou, objemem a rizikem chyb se netýká jen kmenových dat. Stejná logika se vrací u otázek o tom, jaká práce na nákupním oddělení se hodí pro automatizaci, kde dodavatelské údaje a objednávkové řádky vykazují stejnou kombinaci opakování a náchylnosti k chybám. Podobné zvažování mezi pevnými vzorci a eskalací se objevuje i při zodpovídání uživatelských dotazů o softwaru: viz jak AI zachází s dotazy uživatelů o softwarových problémech. A tam, kde jsou samotné systémy monitorovány na odchylky, je logika signalizace a přeposílání podobná tomu, co lze najít v článku o monitorování výkonu systémů pomocí AI.
Toto není personální doporučení ani podklad pro rozhodnutí o funkci nebo formaci. Pokud se výsledek této analýzy někde použije v rámci procesu týkajícího se personálu, platí pro to vlastní zákonné požadavky, na kterých tento článek nic nemění. To, co je zde uvedeno, je výrok o úkolu, nikoli o osobě, která ho v současnosti vykonává.
Abyste zjistili, jak toto rozdělení dopadá na vaši vlastní firmu, existuje bezplatný quickscan: dvanáct otázek, není potřeba žádný účet, výsledkem je indikace, jakou část hodin v daném profilu lze dnes převzít pomocí AI. Kompletní werkscan, který projde práci celé firmy úkol po úkolu podél těchto osmi os, se stále připravuje a bude zde nabídnut později.
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.