Perustietojen hallinta on perustietojen syöttämistä, muuttamista ja johdonmukaisena pitämistä: asiakastiedot, tuotekoodit, toimittajatiedot. Työ tapahtuu järjestelmien, kuten ERP-ympäristön ja masterdata-hallintatyökalun, välillä, ja sitä tekee nykyään usein data-hallinnoija tai hallinnollinen työntekijä, joka tarkistaa ja korjaa tietueita.
Määrittääksemme, mitä AI voi tässä ottaa hoitaakseen, katsomme emme tehtävänimikettä vaan itse tehtävää kahdeksalla akselilla. Kolme niistä ratkaisee: rakenteisuus, volyymi ja virhekustannukset.
Perustiedolla on kiinteä muoto. Asiakastietueella on nimi, osoite, alv-numero; tuotekoodilla on kiinteä määrä kenttiä. Tämä ennustettavuus saa korkeat pisteet rakenteisuudessa, ja juuri tällaisessa työssä automaatio on ollut vahvimmillaan vuosikymmeniä. Lisätään tähän volyymi: yrityksillä, joilla on tuhansia asiakas- tai tuoterivejä, on tehtävä, joka toistuu jatkuvasti, samoin vaiheittain per tietue. Korkea volyymi yhdistettynä korkeaan rakenteisuuteen on yhdistelmä, jossa sääntöperustainen automaatio, tässä tapauksessa RPA, toimii parhaiten.
Esimerkki: toimittaja muuttaa osoitteen. Uusi osoite on siirrettävä ERP-järjestelmään, laskutusjärjestelmään ja asiakasportaaliin. Se on kolme kertaa samaa kenttää täyttämässä kiinteän säännön mukaan. Siihen ei tarvita ymmärrystä, mutta tarvitaan johdonmukaisuutta.
Tässä kohtaa tulee kitkaa. Virhe perustiedossa etenee eteenpäin: väärä alv-numero johtaa virheelliseen laskuun, väärä tuotekoodikenttä johtaa virheellisiin varastolaskelmiin tai virheellisiin hintoihin asiakkaalle. Virhekustannusten akseli saa siksi korkeat pisteet, samoin compliance: monet perustiedot kuuluvat henkilötietoja tai verotuksellista rekisteröintiä koskevien sääntöjen alle. Tämä ei tarkoita, että AI:lla ei olisi tässä roolia, mutta se tarkoittaa, että täysin autonominen käsittely valvonnatta on riski, jota ei hyväksytä huitta muuta.
Harkintavara on lisäksi vähäinen: on vain vähän tilaa itse tulkita, mikä on oikea arvo, säännöt ovat kiinteät. Se on hyvä uutinen automaatiolle, koska harkintavara on tavallisesti se akseli, joka vaatii ihmistyötä. Perustiedoissa vaikeus ei ole päättämisessä, vaan poikkeamien havaitsemisessa: osoite, jota ei ole olemassa, nimi, joka ei täsmää aiempaan tietueeseen. Siinä inhimillinen valvonta perusteltuine hyväksymis- tai hylkäämispäätöksineen säilyttää arvonsa.
Suurin osa säännöllisestä syötöstä ja järjestelmien välisestä synkronoinnista on tehtävä, jonka AI voi tänään ottaa hoitaakseen, kunhan kaksi reunaehtoa täyttyvät: yksiselitteiset tietomääritelmät, jotta ei ole epäselvyyttä siitä, mikä on kelvollinen arvo, ja validointisäännöt syötössä, jotta poikkeavat tapaukset tunnistetaan ennen kuin ne etenevät eteenpäin. Näiden kahden reunaehdon puuttuessa tehtävä siirtyy automaattisesti takaisin kolmanteen lohkoon: ihmistyöhön, koska kukaan ei voi luottaa siihen, mitä automaattisesti kirjataan.
Muutos, joka tässä tapahtuu, ei ole se, että data-hallinnoija katoaa, vaan että tehtävän sisältö kääntyy: itse kirjoittamisesta itse arvioimiseen, mitä järjestelmä on merkinnyt poikkeavaksi. Se on erilaista työtä, erilaista tarkkaavaisuutta vaativaa, ja se vaatii henkilöä, joka ymmärtää, miksi tietue hylättiin, ei vain sitä, miten se syötetään.
Yrityksessä, jolla on pieni, hallittava asiakaskanta ja vähän tuotevariaatioita, automaation hyöty on rajallinen: volyymi on liian pieni ansaitakseen takaisin investoinnin validointisääntöihin ja liitäntöihin. Yrityksessä, jolla on voimakkaasti toisistaan poikkeavaa lähdedataa — esimerkiksi fuusion jälkeen, kahdella eri CRM-järjestelmällä, jotka eivät käytä samoja kenttiä — vaikeus ei ole syöttämisessä vaan ensin yksiselitteisten määritelmien vahvistamisessa. Se on kertaluonteinen, sisällöllinen työ ennen kuin automaatiosta tulee mielekästä.
Tämä punninta rakenteen, volyymin ja virheriskin välillä ei koske ainoastaan perustietoja. Sama logiikka toistuu kysymyksissä siitä, mikä ostotoiminnan työ soveltuu automatisointiin, jossa toimittajatiedot ja tilausrivit tuntevat saman toiston ja virhealttiuden yhdistelmän. Myös ohjelmistoja koskeviin käyttäjäkysymyksiin vastattaessa on vastaava punninta kiinteiden kaavojen ja eskaloinnin välillä: katso miten AI käsittelee käyttäjien ohjelmistokysymyksiä. Ja kun järjestelmiä itseään valvotaan poikkeamien varalta, havaitsemisen ja eteenpäin ohjaamisen logiikka on samankaltainen kuin se, mitä voi lukea järjestelmän suorituskyvyn valvonnasta AI:n avulla.
Tämä ei ole henkilöstöneuvo eikä perustelu päätökselle toimesta tai henkilöstömäärästä. Jos tämän analyysin tulosta käytetään jossain henkilöstöön liittyvässä prosessissa, siihen pätevät omat lakisääteiset vaatimukset, joihin tämä artikkeli ei lisää eikä vähennä mitään. Tässä esitetty on kannanotto tehtävään, ei henkilöön, joka sitä nyt suorittaa.
Nähdäksenne, miten tämä jaottelu toteutuu omassa yrityksessä, on tarjolla ilmainen pikatesti: kaksitoista kysymystä, ei tiliä tarvita, tuloksena arvio siitä, kuinka suuri osa kyseisen profiilin tunneista on tänään AI:n hoidettavissa. Täydellinen työskannaus, joka käy koko yrityksen työn läpi tehtävä kerrallaan näiden kahdeksan akselin mukaan, on vielä rakenteilla ja tarjotaan tässä myöhemmin.
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.