Upravljanje matičnim podacima je unošenje, izmjena i održavanje dosljednosti osnovnih podataka: podaci o klijentima, kodovi proizvoda, informacije o dobavljačima. Posao se odvija između sustava kao što je ERP okruženje i alat za upravljanje matičnim podacima, a danas ga često obavlja upravitelj podacima ili administrativni suradnik koji provjerava i ispravlja zapise.
Da bismo utvrdili što AI ovdje može preuzeti, ne gledamo naziv radnog mjesta, nego sam zadatak, na osam osi. Tri od njih su presudne: struktura, obujam i troškovi pogrešaka.
Matični podaci imaju fiksni oblik. Zapis klijenta ima ime, adresu, OIB, kod proizvoda ima fiksan broj polja. Ta predvidljivost visoko rezultira na osi strukture, a to je upravo vrsta posla na kojoj automatizacija već desetljećima dobro funkcionira. Dodajte tome obujam: poduzeća s tisućama redaka klijenata ili proizvoda imaju zadatak koji se stalno ponavlja, s istim koracima po zapisu. Visok obujam u kombinaciji s visokom strukturom je kombinacija u kojoj automatizacija temeljena na pravilima, u ovom slučaju RPA, najbolje obavlja svoj posao.
Primjer: dobavljač promijeni adresu. Nova adresa mora se preuzeti u ERP sustav, u sustav fakturiranja i u portal za klijente. To je tri puta popunjavanje istog polja prema fiksnom pravilu. Za to nije potreban uvid, nego dosljednost.
Ovdje nastaje problem. Pogreška u matičnim podacima se širi dalje: pogrešan OIB dovodi do pogrešnog računa, pogrešno polje koda proizvoda dovodi do pogrešnog stanja zaliha ili pogrešnih cijena za klijenta. Os troškova pogrešaka zato ne rezultira nisko, a niti usklađenost: mnogo matičnih podataka podliježe pravilima o osobnim podacima ili poreznoj registraciji. To ne znači da AI ovdje nema ulogu, ali znači da potpuno autonomna obrada bez nadzora predstavlja rizik koji se ne prihvaća lako.
Prostor za prosudbu je pritom nizak: postoji malo prostora za samostalno tumačenje ispravne vrijednosti, pravila su fiksna. To je dobra vijest za automatizaciju, jer je prostor za prosudbu obično os koja zahtijeva ljudski rad. Kod matičnih podataka poteškoća nije u odlučivanju, nego u prepoznavanju odstupanja: adresa koja ne postoji, ime koje se ne slaže s prethodnim zapisom. Tu ljudski nadzor s obrazloženim odobravanjem ili odbijanjem zadržava svoju vrijednost.
Veći dio redovitog unosa i sinkronizacije između sustava je zadatak koji AI danas može preuzeti, pod uvjetom da su ispunjena dva preduvjeta: jednoznačne definicije podataka, tako da nema dvojbe o tome što je valjana vrijednost, i pravila validacije prilikom unosa, tako da se odstupajući slučajevi prepoznaju prije nego što se dalje obrađuju. Bez tih dvaju preduvjeta zadatak se automatski vraća u treći blok: ljudski rad, jer se nitko ne može pouzdati u ono što se automatski zapisuje.
Promjena koja se ovdje odvija nije da upravitelj podacima nestaje, nego da se sadržaj zadatka mijenja: od samostalnog upisivanja prema samostalnoj procjeni onoga što je sustav označio kao odstupanje. To je druga vrsta posla, s drugom vrstom pažnje, i traži nekoga tko razumije zašto je zapis odbijen, a ne samo kako ga se unosi.
U poduzeću s malom, preglednom bazom klijenata i malim brojem varijanti proizvoda, dobit od automatizacije je ograničena: obujam je premalen da bi se ulaganje u pravila validacije i povezivanja isplatilo. U poduzeću s uvelike različitim izvornim podacima — primjerice nakon fuzije, s dva različita CRM sustava koji ne koriste ista polja — poteškoća nije u unosu, nego u prvom utvrđivanju jednoznačnih definicija. To je jednokratan, sadržajan posao prije nego automatizacija postane smislena.
Ovo odvagivanje između strukture, obujma i rizika pogreške ne javlja se samo kod matičnih podataka. Ista logika se vraća kod pitanja o tome koji se posao u odjelu nabave može automatizirati, gdje podaci o dobavljačima i stavke narudžbi imaju istu kombinaciju ponavljanja i osjetljivosti na pogreške. I kod odgovaranja na korisnička pitanja o softveru javlja se slično odvagivanje između fiksnih obrazaca i eskalacije: pogledajte kako AI postupa s pitanjima korisnika o problemima sa softverom. A gdje se sami sustavi nadziru radi odstupanja, logika prepoznavanja i prosljeđivanja slična je onoj koja se opisuje u tekstu o praćenju performansi sustava putem AI-a.
Ovo nije savjet o osoblju niti temelj za odluku o radnom mjestu ili formaciji. Ako se rezultat ove analize negdje koristi u postupku vezanom uz osoblje, za to vrijede vlastiti zakonski zahtjevi na koje ovaj članak ništa ne dodaje niti oduzima. Ovdje napisano je izjava o zadatku, a ne o osobi koja ga trenutno obavlja.
Da biste vidjeli kako se ova podjela odnosi na vlastito poduzeće, dostupan je besplatni brzi test: dvanaest pitanja, bez potrebe za računom, s ishodom koji pokazuje indikaciju kojeg dijela sati u tom profilu AI danas može preuzeti. Potpuni radni test, koji posao cijelog poduzeća, zadatak po zadatak, provjerava kroz ovih osam osi, još je u izradi i bit će ponuđen ovdje kasnije.
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.