Põhiandmete haldamine tähendab põhiandmete sisestamist, muutmist ja järjepidevana hoidmist: kliendiandmed, tootekoodid, tarnijainfo. Töö toimub süsteemide, näiteks ERP-keskkonna ja põhiandmete halduse tööriista vahel, ning selle teeb praegu tihti andmehaldur või haldustöötaja, kes kontrollib ja parandab kirjeid.
Selleks, et määrata, mida AI siin üle võtta saab, ei vaata me ametinimetust, vaid ülesannet ennast, kaheksal teljel. Kolm neist annavad otsustava tulemuse: struktureeritus, mahukus ja veamaksumus.
Põhiandmetel on kindel vorm. Kliendikirjel on nimi, aadress, käibemaksukohustuslase number; tootekoodil on kindel arv välju. See prognoositavus annab kõrge struktureerituse skoori, ja see on just seda liiki töö, millega automatiseerimine on juba aastakümneid hästi hakkama saanud. Lisage sellele mahukus: ettevõtetel, kellel on tuhandeid kliendi- või tooteridu, on ülesanne, mis kordub pidevalt, iga kirje puhul samade sammudega. Suur mahukus koos kõrge struktureeritusega on kombinatsioon, kus reeglipõhine automatiseerimine, käesoleval juhul RPA, toimib kõige paremini.
Näide: tarnija muudab aadressi. Uus aadress tuleb üle kanda ERP-süsteemi, arveldussüsteemi ja kliendiportaali. See on sama välja kolm korda täitmine kindla reegli järgi. Selleks ei ole vaja mõistmist, vaid järjepidevust.
Siin on koht, kus kripeldab. Viga põhiandmetes levib edasi: vale käibemaksukohustuslase number viib vale arveni, vale tootekoodi väli viib vale laoseisu või vale kliendihinnani. Veamaksumuse telg ei saa seetõttu madalat skoori, ega ka vastavusnõuded: suur osa põhiandmetest kuulub isikuandmete või maksuregistreerimise reeglite alla. See ei tähenda, et AI-l ei oleks siin rolli, kuid see tähendab, et täielikult autonoomne töötlemine kontrollita on risk, mida ei võeta niisama omaks.
Otsustusruum on lisaks väike: on vähe võimalust ise tõlgendada, mis on õige väärtus, reeglid on kindlaks määratud. See on hea uudis automatiseerimise jaoks, kuna otsustusruum on tavaliselt see telg, mis nõuab inimtööd. Põhiandmete puhul ei peitu raskus otsustamises, vaid kõrvalekallete märkamises: aadress, mida ei eksisteeri, nimi, mis ei ühti varasema kirjega. Just seal säilitab inimlik järelevalve, koos põhjendatud heaks- või tagasilükkamisega, oma väärtuse.
Suurim osa tavapärasest sisestamisest ja süsteemide vahelisest sünkroniseerimisest on ülesanne, mida AI saab täna üle võtta, kui kaks eeltingimust on täidetud: selged andmemääratlused, et ei tekiks kahtlust, mis on kehtiv väärtus, ja valideerimisreeglid sisestamisel, et kõrvalekaldevad juhtumid tuvastataks enne, kui need edasi liiguvad. Kui neid kahte eeltingimust ei ole täidetud, liigub ülesanne automaatselt tagasi kolmandasse plokki: inimtöö, kuna keegi ei saa usaldada, mis automaatselt kirja pannakse.
Toimuv nihe ei tähenda, et andmehaldur kaob, vaid see, et ülesande sisu pöördub: iseseisvast sisestamisest iseseisvale hindamisele selle üle, mida süsteem on märkinud kõrvalekaldeks. See on teistlaadi töö, teistlaadi tähelepanuga, ja see eeldab inimest, kes mõistab, miks kirje tagasi lükati, mitte üksnes seda, kuidas seda sisestada.
Ettevõttes, kus on väike, ülevaatlik kliendibaas ja vähe tootevariante, on automatiseerimise kasu piiratud: mahukus on liiga väike, et valideerimisreeglitesse ja liidestustesse tehtud investeering ennast tasa teeniks. Ettevõttes, kus lähteandmed erinevad tugevalt — näiteks pärast ühinemist, kui kaks erinevat CRM-süsteemi kasutavad erinevaid välju — ei peitu raskus sisestamises, vaid selgete määratluste esmakordses kehtestamises. See on ühekordne, sisuline töö, enne kui automatiseerimine muutub mõttekaks.
See kaalutlus struktuuri, mahukuse ja veariski vahel ei kehti üksnes põhiandmete puhul. Sama loogika kordub küsimuste puhul selle kohta, milline töö ostuosakonnas sobib automatiseerimiseks, kus tarnijaandmed ja tellimusreale samuti kehtib see kombinatsioon kordumisest ja veatundlikkusest. Samuti kasutajaküsimuste vastamisel tarkvara kohta kehtib sarnane kaalutlus fikseeritud mustrite ja eskaleerimise vahel: vaata kuidas AI käsitleb kasutajate küsimusi tarkvaraprobleemide kohta. Ja seal, kus süsteeme jälgitakse kõrvalekallete suhtes, on märkamise-ja-edastamise loogika sarnane sellega, mida saab lugeda süsteemide jõudluse jälgimisest AI poolt.
See ei ole personalinõustamine ja ei ole aluseks otsusele ametikoha või koosseisu kohta. Kui selle analüüsi tulemust kasutatakse kusagil personaliga seotud protsessis, kehtivad selle kohta eraldi õiguslikud nõuded, millele käesolev artikkel midagi juurde ei lisa ega neist midagi ei vähenda. Siin kirjas olev on väide ülesande kohta, mitte selle inimese kohta, kes seda praegu täidab.
Selleks, et näha, kuidas see jaotus oma ettevõtte jaoks välja tuleb, on olemas tasuta kiirtest: kaksteist küsimust, kontot ei vaja, tulemuseks on hinnang, kui suure osa selle profiili tundidest saab AI täna üle võtta. Täielik töötest, mis käib läbi terve ettevõtte töö, ülesanne ülesande haaval, kõiki kaheksat telge kasutades, on veel valmimisel ja tehakse siin hiljem kättesaadavaks.
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.