La gestione dei dati anagrafici consiste nell'inserire, modificare e mantenere coerenti i dati di base: dati dei clienti, codici prodotto, informazioni sui fornitori. Il lavoro si svolge tra sistemi come un ambiente ERP e uno strumento di master data management, e oggi viene spesso svolto da un addetto alla gestione dati o da un impiegato amministrativo che controlla e corregge i record.
Per determinare cosa l'IA può rilevare in questo ambito, non guardiamo al titolo della funzione ma al compito stesso, su otto assi. Tre di questi sono decisivi: strutturazione, volume e costo degli errori.
I dati anagrafici hanno una forma fissa. Un record cliente ha un nome, un indirizzo, una partita IVA; un codice prodotto ha un numero fisso di campi. Questa prevedibilità ottiene un punteggio alto sull'asse della strutturazione, ed è esattamente il tipo di lavoro su cui l'automazione ha già una buona presa da decenni. A questo si aggiunge il volume: le aziende con migliaia di righe di clienti o prodotti hanno un compito che si ripete costantemente, con gli stessi passaggi per ogni record. Volume alto più struttura alta è la combinazione in cui l'automazione basata su regole, in questo caso l'RPA, svolge il proprio lavoro al meglio.
Un esempio: un fornitore cambia indirizzo. Il nuovo indirizzo deve essere riportato nel sistema ERP, nel sistema di fatturazione e nel portale clienti. Si tratta di compilare tre volte lo stesso campo secondo una regola fissa. Non serve capacità di giudizio, ma coerenza.
È qui che si crea l'attrito. Un errore nei dati anagrafici si propaga: una partita IVA sbagliata porta a una fattura errata, un campo codice prodotto errato porta a conteggi di magazzino sbagliati o a prezzi errati per il cliente. L'asse del costo degli errori quindi non ottiene un punteggio basso, e nemmeno la compliance: molti dati anagrafici rientrano in normative relative ai dati personali o alla registrazione fiscale. Questo non significa che l'IA non abbia un ruolo qui, ma significa che un'elaborazione completamente autonoma senza controllo è un rischio che non viene accettato con facilità.
Lo spazio di giudizio è inoltre ridotto: c'è poco margine per interpretare autonomamente quale sia un valore corretto, le regole sono fisse. Questa è una buona notizia per l'automazione, poiché lo spazio di giudizio è di solito l'asse che richiede lavoro umano. Nei dati anagrafici la difficoltà non sta nel decidere, ma nel segnalare le deviazioni: un indirizzo che non esiste, un nome che non corrisponde a un record precedente. È qui che la supervisione umana, con motivazione di approvazione o rifiuto, mantiene il proprio valore.
La maggior parte dell'inserimento regolare e della sincronizzazione tra sistemi è un compito che l'IA può rilevare già oggi, a condizione che siano soddisfatti due presupposti: definizioni dei dati univoche, in modo che non ci siano dubbi su cosa costituisca un valore valido, e regole di validazione all'inserimento, in modo che i casi anomali vengano riconosciuti prima di essere propagati. Senza questi due presupposti, il compito torna automaticamente al terzo blocco: lavoro umano, perché nessuno può fidarsi di ciò che viene registrato automaticamente.
Il cambiamento in atto qui non è che l'addetto alla gestione dati scompaia, ma che il contenuto del compito si ribalti: dal digitare autonomamente al valutare autonomamente ciò che un sistema ha segnalato come anomalo. È un tipo di lavoro diverso, con un tipo di attenzione diverso, e richiede qualcuno che capisca perché un record è stato respinto, non solo come inserirlo.
In un'azienda con un portafoglio clienti piccolo e chiaro e poche varianti di prodotto, il vantaggio dell'automazione è limitato: il volume è troppo basso per ammortizzare l'investimento in regole di validazione e collegamenti. In un'azienda con dati di origine molto eterogenei — ad esempio dopo una fusione, con due sistemi CRM diversi che non utilizzano gli stessi campi — la difficoltà non sta nell'inserimento ma nello stabilire prima definizioni univoche. Questo è un lavoro sostanziale, una tantum, prima che l'automazione diventi sensata.
Questo bilanciamento tra struttura, volume e rischio di errore non riguarda solo i dati anagrafici. La stessa logica ritorna nelle domande su quale lavoro nel reparto acquisti si presta all'automazione, dove i dati dei fornitori e le righe d'ordine presentano la stessa combinazione di ripetizione e sensibilità agli errori. Anche nel rispondere alle domande degli utenti sul software si presenta un bilanciamento simile tra schemi fissi ed escalation: vedere come l'IA gestisce le domande degli utenti sui problemi software. E dove i sistemi stessi vengono monitorati per rilevare anomalie, la logica di segnalazione e inoltro è simile a quanto si può leggere riguardo il monitoraggio delle prestazioni dei sistemi da parte dell'IA.
Questo non è una consulenza del personale né una motivazione per una decisione su una funzione o un organico. Se il risultato di questa analisi viene utilizzato in un contesto relativo al personale, si applicano i relativi requisiti di legge propri, ai quali questo articolo non aggiunge né toglie nulla. Quanto qui riportato è un'affermazione sul compito, non sulla persona che lo svolge attualmente.
Per vedere come questa suddivisione si applica alla propria azienda, è disponibile la quickscan gratuita: dodici domande, nessun account necessario, con come risultato un'indicazione di quale parte delle ore in quel profilo può essere rilevata oggi dall'IA. La werkscan completa, che analizza il lavoro di un'intera azienda compito per compito lungo questi otto assi, è ancora in fase di sviluppo e sarà proposta qui in seguito.
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.