Stamdatahåndtering er indtastning, ændring og konsekvent vedligeholdelse af grunddata: kundedata, produktkoder, leverandørinformation. Arbejdet finder sted mellem systemer som et ERP-miljø og et masterdatamanagement-værktøj, og udføres i dag ofte af en dataadministrator eller administrativ medarbejder, der kontrollerer og korrigerer records.
For at afgøre, hvad AI kan overtage her, kigger vi ikke på jobtitlen, men på selve opgaven, på otte akser. Tre af dem er afgørende: struktureringsgrad, volumen og fejlkostpris.
Stamdata har en fast form. Et kunderecord har et navn, en adresse, et CVR-/momsnummer; en produktkode har et fast antal felter. Denne forudsigelighed scorer højt på struktureringsgrad, og det er præcis den slags arbejde, hvor automatisering i årtier har fået godt tag. Læg dertil volumen: virksomheder med tusindvis af kunde- eller produktlinjer har en opgave, der gentages konstant, med de samme trin for hvert record. Højt volumen plus høj struktur er den kombination, hvor regelbaseret automatisering, i dette tilfælde RPA, gør sit arbejde bedst.
Et eksempel: en leverandør ændrer en adresse. Den nye adresse skal overføres i ERP-systemet, i faktureringssystemet og på kundeportalen. Det er at udfylde det samme felt tre gange efter en fast regel. Det kræver ikke indsigt, men konsekvens.
Her knirker det. En fejl i stamdata forplanter sig: et forkert momsnummer fører til en fejlagtig faktura, et forkert produktkodefelt fører til forkerte lagertællinger eller forkerte priser hos kunden. Aksen fejlkostpris scorer derfor ikke lavt, og det gør compliance heller ikke: meget stamdata er underlagt regler om persondata eller skatteregistrering. Det betyder ikke, at AI ikke har en rolle her, men det betyder, at fuldstændig autonom behandling uden kontrol er en risiko, der ikke uden videre accepteres.
Dertil kommer, at rummet for vurdering er lavt: der er lidt plads til selv at tolke, hvad en korrekt værdi er, reglerne ligger fast. Det er godt nyt for automatisering, for vurderingsrum er normalt den akse, der kræver menneskeligt arbejde. Ved stamdata ligger vanskeligheden ikke i at beslutte, men i at opdage afvigelser: en adresse, der ikke findes, et navn, der ikke stemmer med et tidligere record. Det er her, menneskeligt tilsyn med begrundet godkendelse eller afvisning bevarer sin værdi.
Størstedelen af den almindelige indtastning og synkronisering mellem systemer er en opgave, AI kan overtage i dag, forudsat at to forudsætninger er opfyldt: entydige datadefinitioner, så der ikke er tvivl om, hvad en gyldig værdi er, og valideringsregler ved indtastning, så afvigende tilfælde genkendes, før de føres videre. Uden disse to forudsætninger flytter opgaven automatisk tilbage til den tredje blok: menneskeligt arbejde, fordi ingen kan stole på, hvad der skrives automatisk.
Den forskydning, der sker her, er ikke, at dataadministratoren forsvinder, men at opgavens indhold vender: fra selv at indtaste til selv at vurdere, hvad et system har markeret som afvigende. Det er en anden slags arbejde, med en anden slags opmærksomhed, og det kræver en person, der forstår, hvorfor et record er afvist, ikke bare hvordan man indtaster det.
I en virksomhed med en lille, overskuelig kundebase og få produktvarianter er gevinsten ved automatisering begrænset: volumenet er for lavt til, at investeringen i valideringsregler og integrationer kan tjenes ind. I en virksomhed med stærkt forskelligartede kildedata — for eksempel efter en fusion, med to forskellige CRM-systemer, der ikke bruger de samme felter — ligger vanskeligheden ikke i indtastningen, men i først at fastlægge entydige definitioner. Det er en éngangsopgave af indholdsmæssig karakter, før automatisering giver mening.
Denne afvejning mellem struktur, volumen og fejlrisiko gælder ikke kun for stamdata. Den samme logik gør sig gældende ved spørgsmål om hvilket arbejde i indkøbsafdelingen der er velegnet til automatisering, hvor leverandørdata og bestillingslinjer har samme kombination af gentagelse og fejlfølsomhed. Også ved besvarelse af brugerspørgsmål om software gør sig en tilsvarende afvejning mellem faste mønstre og eskalering gældende: se hvordan AI håndterer brugerspørgsmål om softwareproblemer. Og hvor systemer selv overvåges for afvigelser, er logikken bag registrering og videresendelse sammenlignelig med det, der kan læses om AI's overvågning af systemydelse.
Dette er ikke personalerådgivning og ikke belæg for en beslutning om en funktion eller normering. Hvis resultatet af denne analyse et sted anvendes i et forløb omkring personale, gælder der egne lovmæssige krav, som denne artikel intet fra- eller tilføjer. Hvad der står her, er en udtalelse om opgaven, ikke om den person, der udfører den i dag.
For at se, hvordan denne opdeling falder ud for Deres egen virksomhed, findes der en gratis quickscan: tolv spørgsmål, ingen konto nødvendig, med et resultat, der angiver, hvor stor en del af timerne i den profil AI i dag kan overtage. Den fulde arbejdsscan, der lægger en hel virksomheds arbejde opgave for opgave langs disse otte akser, er stadig under udarbejdelse og vil blive tilbudt her senere.
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.