Správa kmeňových dát je zadávanie, úprava a udržiavanie konzistentnosti základných údajov: údajov o klientoch, kódov produktov, informácií o dodávateľoch. Táto práca sa odohráva medzi systémami, ako je ERP prostredie a nástroj na správu kmeňových dát, a zvyčajne ju vykonáva správca dát alebo administratívny pracovník, ktorý kontroluje a opravuje záznamy.
Aby sme určili, čo z toho môže AI prevziať, nepozeráme sa na názov funkcie, ale na samotnú úlohu, na ôsmich osiach. Rozhodujúce sú tri z nich: štruktúrovanosť, objem a náklady na chyby.
Kmeňové dáta majú pevnú formu. Záznam klienta má meno, adresu, IČ DPH; kód produktu má pevný počet polí. Táto predvídateľnosť dosahuje vysoké skóre na osi štruktúrovanosti, a to je presne ten druh práce, na ktorý si automatizácia buduje uchopenie už desiatky rokov. K tomu prirátajte objem: firmy s tisíckami záznamov o klientoch alebo produktoch majú úlohu, ktorá sa neustále opakuje, s rovnakými krokmi pri každom zázname. Vysoký objem v kombinácii s vysokou štruktúrovanosťou je kombinácia, v ktorej automatizácia založená na pravidlách, v tomto prípade rpa, funguje najlepšie.
Príklad: dodávateľ zmení adresu. Nová adresa sa musí prevziať do ERP systému, do fakturačného systému a do klientského portálu. To je trikrát vyplnenie toho istého poľa podľa pevného pravidla. Na to nie je potrebný úsudok, ale konzistentnosť.
Tu to škrípe. Chyba v kmeňových dátach sa šíri ďalej: nesprávne IČ DPH vedie k chybnej faktúre, chybné pole kódu produktu vedie k nesprávnym stavom zásob alebo nesprávnym cenám pre klienta. Osa nákladov na chyby preto neskóruje nízko, a rovnako ani súlad s predpismi: veľká časť kmeňových dát podlieha pravidlám o osobných údajoch alebo daňovej evidencii. To neznamená, že AI tu nemá žiadnu úlohu, ale znamená to, že úplné autonómne spracovanie bez kontroly je riziko, ktoré sa jednoducho neprijíma.
Priestor na vlastný úsudok je navyše nízky: existuje málo priestoru na vlastnú interpretáciu toho, čo je správna hodnota, pravidlá sú pevne stanovené. To je dobrá správa pre automatizáciu, pretože priestor na úsudok je zvyčajne osou, ktorá si vyžaduje ľudskú prácu. Pri kmeňových dátach nespočíva náročnosť v rozhodovaní, ale v signalizovaní odchýlok: adresa, ktorá neexistuje, meno, ktoré sa nezhoduje s predchádzajúcim záznamom. Tam si ľudský dohľad s odôvodneným schválením alebo zamietnutím zachováva svoju hodnotu.
Väčšiu časť bežného zadávania a synchronizácie medzi systémami je úloha, ktorú môže AI prevziať už dnes, za predpokladu splnenia dvoch podmienok: jednoznačné definície dát, aby nebola žiadna pochybnosť o tom, čo je platná hodnota, a validačné pravidlá pri zadávaní, aby sa odchylné prípady rozpoznali skôr, než postúpia ďalej. Bez týchto dvoch podmienok sa úloha automaticky presúva späť do tretieho bloku: ľudskej práce, pretože nikto nemôže dôverovať tomu, čo sa automaticky uloží.
Posun, ktorý sa tu odohráva, nespočíva v tom, že správca dát zanikne, ale v tom, že sa obsah úlohy zmení: od samotného zadávania k samotnému posudzovaniu toho, čo systém označil ako odchylné. Je to iný druh práce, s iným druhom sústredenia, a vyžaduje si niekoho, kto chápe, prečo bol záznam zamietnutý, nielen ako ho zadať.
Vo firme s malou, prehľadnou databázou klientov a malým počtom variantov produktov je prínos automatizácie obmedzený: objem je príliš nízky na to, aby sa investícia do validačných pravidiel a prepojení vrátila. Vo firme s výrazne rozdielnymi zdrojovými dátami — napríklad po fúzii, s dvoma odlišnými CRM systémami, ktoré nepoužívajú rovnaké polia — nespočíva náročnosť v samotnom zadávaní, ale v tom, že najprv treba stanoviť jednoznačné definície. To je jednorazová, obsahová úloha predtým, než sa automatizácia stane zmysluplnou.
Toto zvažovanie medzi štruktúrou, objemom a rizikom chýb sa nevyskytuje len pri kmeňových dátach. Rovnaká logika sa vracia pri otázkach o tom, aká práca v oddelení nákupu sa hodí na automatizáciu, kde údaje o dodávateľoch a riadky objednávok majú rovnakú kombináciu opakovania a náchylnosti na chyby. Aj pri zodpovedaní otázok používateľov o softvéri sa uplatňuje podobné zvažovanie medzi pevnými vzormi a eskaláciou: pozrite si ako AI zaobchádza s otázkami používateľov o problémoch so softvérom. A tam, kde sa samotné systémy monitorujú na odchýlky, je logika signalizovania a postupovania ďalej porovnateľná s tým, čo si možno prečítať o monitorovaní výkonu systémov pomocou AI.
Toto nie je personálne poradenstvo ani podklad pre rozhodnutie o funkcii alebo organizačnej štruktúre. Ak sa výsledok tejto analýzy použije niekde v procese týkajúcom sa personálu, platia pre to vlastné zákonné požiadavky, na ktorých tento článok nič nemení. To, čo je tu napísané, je výrok o úlohe, nie o osobe, ktorá ju v súčasnosti vykonáva.
Ak chcete zistiť, ako toto rozdelenie vyzerá pre vašu vlastnú firmu, existuje bezplatný rýchly test: dvanásť otázok, žiadny účet nie je potrebný, s výsledkom, ktorý ukazuje indikáciu, akú časť hodín v danom profile môže AI prevziať už dnes. Kompletná pracovná analýza, ktorá prechádza prácou celej firmy úlohu po úlohe podľa týchto ôsmich osí, sa ešte pripravuje a bude tu ponúknutá neskôr.
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.