Gestionarea datelor de bază înseamnă introducerea, modificarea și menținerea consistenței datelor fundamentale: date despre clienți, coduri de produse, informații despre furnizori. Munca se desfășoară între sisteme precum un mediu ERP și un instrument de master data management, și este de obicei realizată de un administrator de date sau un angajat administrativ care verifică și corectează înregistrările.
Pentru a stabili ce poate prelua AI aici, nu ne uităm la titulatura funcției, ci la sarcina în sine, pe opt axe. Trei dintre acestea sunt decisive: gradul de structurare, volumul și costul erorilor.
Datele de bază au o formă fixă. O înregistrare de client are un nume, o adresă, un cod de TVA; un cod de produs are un număr fix de câmpuri. Această predictibilitate obține un scor ridicat pe axa gradului de structurare, și acesta este exact tipul de muncă pe care automatizarea îl stăpânește bine de zeci de ani. Adăugați la aceasta volumul: companiile cu mii de înregistrări de clienți sau produse au o sarcină care se repetă constant, cu aceiași pași pentru fiecare înregistrare. Volum ridicat combinat cu grad ridicat de structurare este combinația în care automatizarea bazată pe reguli, în acest caz rpa, funcționează cel mai bine.
Un exemplu: un furnizor își schimbă adresa. Noua adresă trebuie preluată în sistemul ERP, în sistemul de facturare și în portalul clienților. Aceasta înseamnă completarea aceluiași câmp de trei ori, conform unei reguli fixe. Pentru asta nu este nevoie de discernământ, ci de consistență.
Aici apare problema. O eroare în datele de bază se propagă mai departe: un cod de TVA greșit duce la o factură incorectă, un câmp de cod de produs greșit duce la inventare eronate sau prețuri greșite pentru client. Axa costului erorilor nu obține deci un scor scăzut, și nici conformitatea: multe date de bază intră sub incidența unor reglementări privind datele cu caracter personal sau înregistrarea fiscală. Aceasta nu înseamnă că AI nu are niciun rol aici, dar înseamnă că procesarea complet autonomă, fără control, este un risc care nu este acceptat cu ușurință.
În plus, marja de apreciere este scăzută: există puțin spațiu pentru interpretare proprie a ceea ce reprezintă o valoare corectă, regulile sunt fixe. Aceasta este o veste bună pentru automatizare, deoarece marja de apreciere este de obicei axa care necesită muncă umană. La datele de bază, dificultatea nu constă în decizie, ci în semnalarea abaterilor: o adresă care nu există, un nume care nu corespunde cu o înregistrare anterioară. Aici își păstrează valoarea supravegherea umană, cu motivare pentru aprobare sau respingere.
Cea mai mare parte a introducerii și sincronizării obișnuite între sisteme este o sarcină pe care AI o poate prelua astăzi, cu condiția îndeplinirii a două cerințe prealabile: definiții de date clare și fără ambiguitate, astfel încât să nu existe îndoieli cu privire la ce reprezintă o valoare validă, și reguli de validare la introducere, astfel încât cazurile aberante să fie identificate înainte de a fi procesate mai departe. Fără aceste două condiții, sarcina revine automat la al treilea bloc: munca umană, deoarece nimeni nu se poate baza pe ceea ce este înregistrat automat.
Schimbarea care are loc aici nu constă în dispariția administratorului de date, ci în faptul că se schimbă conținutul sarcinii: de la a introduce date manual la a evalua ceea ce un sistem a semnalat drept abatere. Acesta este un alt tip de muncă, cu un alt tip de atenție, și necesită pe cineva care înțelege de ce o înregistrare a fost respinsă, nu doar cum se introduce.
La o companie cu o bază de clienți mică și clară și puține variante de produse, beneficiul automatizării este limitat: volumul este prea mic pentru a recupera investiția în reguli de validare și integrări. La o companie cu date sursă foarte diferite — de exemplu după o fuziune, cu două sisteme CRM diferite care nu folosesc aceleași câmpuri — dificultatea nu constă în introducerea datelor, ci în stabilirea inițială a unor definiții clare și fără ambiguitate. Aceasta este o sarcină de conținut, realizată o singură dată, înainte ca automatizarea să devină utilă.
Acest echilibru între structură, volum și riscul de eroare nu apare doar la datele de bază. Aceeași logică revine în întrebări privind ce muncă din departamentul de achiziții se pretează la automatizare, unde datele despre furnizori și liniile de comandă prezintă aceeași combinație de repetitivitate și susceptibilitate la erori. De asemenea, la răspunsul la întrebările utilizatorilor despre software apare un echilibru similar între tipare fixe și escaladare: vedeți cum gestionează AI întrebările utilizatorilor despre probleme software. Și acolo unde sistemele sunt monitorizate ele însele pentru abateri, logica de semnalare și transmitere este similară cu ceea ce puteți citi despre monitorizarea performanței sistemelor de către AI.
Aceasta nu este o consultanță de personal și nici o justificare pentru o decizie privind o funcție sau o schemă de personal. Dacă rezultatul acestei analize este folosit undeva într-un proces legat de personal, se aplică cerințele legale proprii ale acelui proces, la care acest articol nu adaugă și nu scade nimic. Ceea ce este scris aici este o afirmație despre sarcină, nu despre persoana care o îndeplinește în prezent.
Pentru a vedea cum se aplică această clasificare la propria companie, există quickscan-ul gratuit: douăsprezece întrebări, fără cont necesar, cu ca rezultat o indicație privind ce parte din orele acelui profil poate fi preluată astăzi de AI. Scanarea completă a muncii, care analizează munca unei întregi companii sarcină cu sarcină pe aceste opt axe, este încă în construcție și va fi oferită aici ulterior.
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.