Zarządzanie danymi podstawowymi to wprowadzanie, zmienianie i utrzymywanie zgodności danych podstawowych: dane klientów, kody produktów, informacje o dostawcach. Praca odbywa się między systemami, takimi jak środowisko ERP i narzędzie do zarządzania danymi podstawowymi, i jest obecnie często wykonywana przez administratora danych lub pracownika administracyjnego, który kontroluje i poprawia rekordy.
Aby określić, co AI może tu przejąć, patrzymy nie na nazwę funkcji, lecz na samo zadanie, na ośmiu osiach. Trzy z nich są decydujące: ustrukturyzowanie, wolumen i koszty błędów.
Dane podstawowe mają ustaloną formę. Rekord klienta ma nazwę, adres, numer VAT, kod produktu ma ustaloną liczbę pól. Ta przewidywalność wysoko punktuje pod względem ustrukturyzowania, i to jest właśnie ten rodzaj pracy, na którym automatyzacja od dziesięcioleci dobrze sobie radzi. Dodajmy do tego wolumen: przedsiębiorstwa z tysiącami rekordów klientów lub produktów mają zadanie, które powtarza się nieustannie, z tymi samymi krokami dla każdego rekordu. Wysoki wolumen w połączeniu z wysokim ustrukturyzowaniem to kombinacja, w której automatyzacja opierająca się na regułach, w tym przypadku RPA, działa najlepiej.
Przykład: dostawca zmienia adres. Nowy adres musi zostać wprowadzony do systemu ERP, do systemu fakturowania i do portalu klienta. To trzy razy wypełnienie tego samego pola według ustalonej reguły. Nie potrzeba do tego wglądu, potrzebna jest konsekwencja.
Tu jest problem. Błąd w danych podstawowych rozprzestrzenia się dalej: nieprawidłowy numer VAT prowadzi do błędnej faktury, nieprawidłowe pole kodu produktu prowadzi do błędnych stanów magazynowych lub nieprawidłowych cen dla klienta. Oś kosztów błędów nie punktuje więc niska, podobnie jak zgodność z przepisami: wiele danych podstawowych podlega przepisom dotyczącym danych osobowych lub rejestracji fiskalnej. Nie oznacza to, że AI nie ma tu żadnej roli, ale oznacza, że w pełni autonomiczne przetwarzanie bez kontroli jest ryzykiem, które nie zostanie po prostu zaakceptowane.
Zakres oceny jest przy tym niski: jest niewiele miejsca na samodzielną interpretację, co jest wartością prawidłową, reguły są ustalone. To dobra wiadomość dla automatyzacji, ponieważ zakres oceny jest zazwyczaj tą osią, która wymaga pracy człowieka. Przy danych podstawowych trudność nie leży w podejmowaniu decyzji, lecz w sygnalizowaniu odchyleń: adres, który nie istnieje, nazwa, która nie zgadza się z wcześniejszym rekordem. To jest miejsce, gdzie ludzki nadzór z uzasadnieniem akceptacji lub odmowy zachowuje swoją wartość.
Większa część regularnego wprowadzania i synchronizacji między systemami jest zadaniem, które AI może dziś przejąć, pod warunkiem że wypełnione są dwa warunki wstępne: jednoznaczne definicje danych, tak aby nie było wątpliwości co do tego, co jest wartością prawidłową, oraz reguły walidacji przy wprowadzaniu, tak aby odbiegające przypadki były rozpoznawane przed dalszym przepływem. Bez tych dwóch warunków wstępnych zadanie automatycznie przesuwa się z powrotem do trzeciego bloku: pracy ludzkiej, ponieważ nikt nie może ufać temu, co jest automatycznie zapisywane.
Przesunięcie, które tu zachodzi, nie polega na tym, że administrator danych zniknie, lecz na tym, że treść zadania się przekształca: z samodzielnego wpisywania na samodzielne ocenianie tego, co system zasygnalizował jako odbiegające. To inny rodzaj pracy, z innym rodzajem uwagi, i wymaga kogoś, kto rozumie, dlaczego rekord został odrzucony, a nie tylko jak się go wprowadza.
W przedsiębiorstwie z małą, przejrzystą bazą klientów i niewielką liczbą wariantów produktów zysk z automatyzacji jest ograniczony: wolumen jest za niski, aby zwrócić inwestycję w reguły walidacji i integracje. W przedsiębiorstwie z bardzo różnorodnymi danymi źródłowymi — na przykład po fuzji, z dwoma różnymi systemami CRM, które nie używają tych samych pól — trudność nie leży we wprowadzaniu, lecz w najpierw ustaleniu jednoznacznych definicji. To jednorazowe, merytoryczne zadanie, zanim automatyzacja stanie się sensowna.
Ta równowaga między strukturą, wolumenem i ryzykiem błędu nie dotyczy tylko danych podstawowych. Ta sama logika powraca w pytaniach o to, jaka praca w dziale zakupów nadaje się do automatyzacji, gdzie dane dostawców i pozycje zamówień mają tę samą kombinację powtarzalności i podatności na błędy. Również przy odpowiadaniu na pytania użytkowników dotyczące oprogramowania działa podobna równowaga między ustalonymi wzorcami a eskalacją: zobacz jak AI radzi sobie z pytaniami użytkowników o problemy z oprogramowaniem. A tam, gdzie same systemy są monitorowane pod względem odchyleń, logika sygnalizowania i przekazywania dalej jest porównywalna z tym, co można przeczytać na temat monitorowania wydajności systemów przez AI.
To nie jest porada personalna ani uzasadnienie decyzji dotyczącej funkcji lub obsady stanowisk. Jeśli wynik tej analizy zostanie gdzieś wykorzystany w procesie związanym z personelem, obowiązują dla tego własne wymogi prawne, do których niniejszy artykuł niczego nie dodaje i niczego nie odbiera. To, co tu zostało napisane, jest stwierdzeniem dotyczącym zadania, nie osoby, która je obecnie wykonuje.
Aby zobaczyć, jak ten podział wypada dla własnego przedsiębiorstwa, dostępny jest bezpłatny quickscan: dwanaście pytań, bez konieczności posiadania konta, z wynikiem wskazującym, jaka część godzin w tym profilu może być dziś przejęta przez AI. Pełny werkscan, który analizuje pracę całego przedsiębiorstwa zadanie po zadaniu według tych ośmiu osi, jest jeszcze w budowie i zostanie tu udostępniony w późniejszym terminie.
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.