A gestão de dados-mestre consiste em inserir, alterar e manter consistentes os dados de base: dados de clientes, códigos de produtos, informações de fornecedores. O trabalho ocorre entre sistemas como um ambiente ERP e uma ferramenta de gestão de dados-mestre, e é atualmente muitas vezes realizado por um gestor de dados ou colaborador administrativo que verifica e corrige registos.
Para determinar o que a IA pode assumir aqui, não olhamos para o título da função, mas para a própria tarefa, em oito eixos. Três deles são decisivos: grau de estruturação, volume e custo do erro.
Os dados-mestre têm uma forma fixa. Um registo de cliente tem um nome, um endereço, um número de identificação fiscal; um código de produto tem um número fixo de campos. Essa previsibilidade tem uma pontuação elevada em grau de estruturação, e é exatamente esse o tipo de trabalho que a automatização já domina bem há décadas. A isso soma-se o volume: empresas com milhares de registos de clientes ou de produtos têm uma tarefa que se repete constantemente, com os mesmos passos por registo. Volume elevado mais estruturação elevada é a combinação em que a automatização baseada em regras, neste caso o rpa, funciona melhor.
Um exemplo: um fornecedor altera um endereço. O novo endereço tem de ser transposto para o sistema ERP, para o sistema de faturação e para o portal do cliente. Isso é preencher três vezes o mesmo campo segundo uma regra fixa. Para isso não é necessário discernimento, mas sim consistência.
É aqui que aperta. Um erro nos dados-mestre propaga-se: um número de identificação fiscal errado leva a uma fatura incorreta, um campo de código de produto errado leva a contagens de stock incorretas ou a preços errados para o cliente. O eixo do custo do erro não tem, por isso, uma pontuação baixa, e o mesmo se aplica à conformidade: muitos dados-mestre estão sujeitos a regras sobre dados pessoais ou registo fiscal. Isso não significa que a IA não tenha aqui um papel, mas sim que o processamento totalmente autónomo sem controlo é um risco que não é simplesmente aceite.
A margem de discernimento é, além disso, reduzida: há pouco espaço para interpretar por conta própria o que é um valor correto, as regras estão fixadas. Isso são boas notícias para a automatização, pois a margem de discernimento é normalmente o eixo que exige trabalho humano. Nos dados-mestre, a dificuldade não está em decidir, mas em sinalizar desvios: um endereço que não existe, um nome que não corresponde a um registo anterior. É aí que a supervisão humana com fundamentação de aprovação ou rejeição mantém o seu valor.
A maior parte da introdução regular e da sincronização entre sistemas é uma tarefa que a IA pode assumir hoje, desde que duas condições prévias estejam preenchidas: definições de dados inequívocas, de modo a não haver dúvida sobre o que é um valor válido, e regras de validação na introdução, de modo a que os casos anómalos sejam identificados antes de avançarem no fluxo. Sem essas duas condições, a tarefa desloca-se automaticamente de volta para o terceiro bloco: trabalho humano, porque ninguém pode confiar no que é gravado automaticamente.
A mudança que aqui ocorre não é o desaparecimento do gestor de dados, mas sim a inversão do conteúdo da tarefa: de digitar pessoalmente para avaliar pessoalmente o que um sistema sinalizou como anómalo. É um tipo diferente de trabalho, com um tipo diferente de atenção, e exige alguém que compreenda por que razão um registo foi rejeitado, não apenas como se insere.
Numa empresa com uma carteira de clientes pequena e simples e poucas variantes de produto, o ganho da automatização é limitado: o volume é demasiado baixo para amortizar o investimento em regras de validação e ligações. Numa empresa com dados de origem muito heterogéneos — por exemplo, após uma fusão, com dois sistemas de CRM diferentes que não utilizam os mesmos campos — a dificuldade não está na introdução, mas sim em primeiro estabelecer definições inequívocas. Isso é uma tarefa única, de fundo, antes de a automatização se tornar sensata.
Esta ponderação entre estrutura, volume e risco de erro não se aplica apenas aos dados-mestre. A mesma lógica repete-se em questões sobre que trabalho no departamento de compras se presta à automatização, onde os dados de fornecedores e as linhas de encomenda apresentam a mesma combinação de repetição e propensão ao erro. Também na resposta a perguntas de utilizadores sobre software se coloca uma ponderação semelhante entre padrões fixos e escalonamento: veja como a IA lida com perguntas de utilizadores sobre problemas de software. E onde os próprios sistemas são monitorizados quanto a desvios, a lógica de sinalizar e encaminhar é comparável ao que se pode ler sobre a monitorização do desempenho de sistemas pela IA.
Isto não é um aconselhamento de pessoal nem uma fundamentação para uma decisão sobre uma função ou quadro de pessoal. Se o resultado desta análise for utilizado em algum processo relacionado com pessoal, aplicam-se a esse processo requisitos legais próprios, que este artigo em nada acrescenta ou retira. O que aqui está escrito é uma afirmação sobre a tarefa, não sobre a pessoa que atualmente a executa.
Para ver como esta classificação se aplica à própria empresa, existe o quickscan gratuito: doze perguntas, sem necessidade de conta, com como resultado uma indicação de que parte das horas nesse perfil pode hoje ser assumida pela IA. O werkscan completo, que analisa o trabalho de toda uma empresa, tarefa por tarefa, segundo estes oito eixos, está ainda em construção e será oferecido aqui mais tarde.
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.