Upravljanje glavnih podatkov pomeni vnašanje, spreminjanje in usklajeno vzdrževanje osnovnih podatkov: podatkov o strankah, kod izdelkov, informacij o dobaviteljih. Delo se odvija med sistemi, kot so okolje ERP in orodje za upravljanje glavnih podatkov, in ga danes pogosto opravlja upravljavec podatkov ali administrativni sodelavec, ki preverja in popravlja zapise.
Da bi ugotovili, kaj lahko AI tu prevzame, ne gledamo naziva delovnega mesta, temveč samo nalogo, na osmih oseh. Tri od njih so odločilne: stopnja strukturiranosti, obseg in stroški napak.
Glavni podatki imajo trdno obliko. Zapis o stranki ima ime, naslov, davčno številko; koda izdelka ima fiksno število polj. Ta predvidljivost pomeni visoko oceno na osi strukturiranosti, in to je ravno vrsta dela, ki jo avtomatizacija že desetletja dobro obvladuje. Dodajte temu obseg: podjetja s tisoči vrstic podatkov o strankah ali izdelkih imajo nalogo, ki se nenehno ponavlja, z enakimi koraki za vsak zapis. Velik obseg v kombinaciji z visoko strukturiranostjo je kombinacija, v kateri pravilno zasnovana avtomatizacija, v tem primeru RPA, deluje najbolje.
Primer: dobavitelj spremeni naslov. Nov naslov je treba prevzeti v sistem ERP, v sistem za izdajanje računov in v portal za stranke. To pomeni trikrat izpolniti isto polje po fiksnem pravilu. Za to ni potrebno razumevanje, potrebna je le usklajenost.
Tu nastane težava. Napaka v glavnih podatkih se širi naprej: napačna davčna številka privede do napačnega računa, napačno polje s kodo izdelka privede do napačnih zalog ali napačnih cen za stranko. Zato os stroškov napak ni nizka, enako velja za skladnost: veliko glavnih podatkov spada pod predpise o osebnih podatkih ali davčni registraciji. To ne pomeni, da AI tu nima vloge, pomeni pa, da je popolna samodejna obdelava brez nadzora tveganje, ki ga ni mogoče kar tako sprejeti.
Prostor za presojo je poleg tega majhen: malo je prostora za lastno razlago, kaj je pravilna vrednost, pravila so vnaprej določena. To je dobra novica za avtomatizacijo, saj je prostor za presojo praviloma tista os, ki zahteva človeško delo. Pri glavnih podatkih težava ni v odločanju, temveč v zaznavanju odstopanj: naslov, ki ne obstaja, ime, ki se ne ujema s prejšnjim zapisom. Prav tu človeški nadzor z utemeljitvijo za potrditev ali zavrnitev ohranja svojo vrednost.
Večji del rednega vnosa in usklajevanja med sistemi je danes naloga, ki jo lahko prevzame AI, če so izpolnjeni dva predpogoja: enoznačne definicije podatkov, tako da ni dvoma o tem, kaj je veljavna vrednost, in pravila za preverjanje ob vnosu, tako da se odstopajoči primeri zaznajo, preden gredo naprej po sistemu. Brez teh dveh predpogojev se naloga samodejno vrne v tretji sklop: človeško delo, ker se nihče ne more zanesti na to, kar se samodejno zapiše.
Premik, ki se tu dogaja, ni ta, da upravljavec podatkov izginja, temveč da se vsebina naloge spreminja: od samostojnega vnašanja k samostojni presoji tega, kar je sistem zaznal kot odstopajoče. To je druga vrsta dela, z drugačno vrsto pozornosti, in zahteva osebo, ki razume, zakaj je bil zapis zavrnjen, ne le, kako se ga vnese.
Pri podjetju z majhno, pregledno bazo strank in malo različicami izdelkov je korist avtomatizacije omejena: obseg je premajhen, da bi se naložba v pravila za preverjanje in povezave povrnila. Pri podjetju z zelo raznolikimi izvornimi podatki — na primer po združitvi, z dvema različnima sistemoma CRM, ki ne uporabljata istih polj — težava ni v vnosu, temveč v tem, da je treba najprej vzpostaviti enoznačne definicije. To je enkraten, vsebinski zalogaj, preden avtomatizacija postane smiselna.
Ta tehtnica med strukturo, obsegom in tveganjem napak se ne pojavlja samo pri glavnih podatkih. Enaka logika se vrača pri vprašanjih o tem, katero delo na nabavnem oddelku je primerno za avtomatizacijo, kjer imajo podatki o dobaviteljih in vrstice naročil enako kombinacijo ponavljanja in dovzetnosti za napake. Tudi pri odgovarjanju na vprašanja uporabnikov o programski opremi gre za podobno tehtnico med fiksnimi vzorci in stopnjevanjem: glejte kako AI obravnava vprašanja uporabnikov o težavah s programsko opremo. In kjer se sistemi sami spremljajo glede odstopanj, je logika zaznavanja in posredovanja naprej primerljiva s tem, kar je opisano v besedilu o spremljanju delovanja sistemov s pomočjo AI.
To ni kadrovski nasvet in ne podlaga za odločitev o delovnem mestu ali zasedbi. Če se izsledki te analize kje uporabijo v postopku, ki se nanaša na osebje, veljajo zanj lastne zakonske zahteve, na katere ta prispevek ne vpliva. Kar je tu zapisano, je izjava o nalogi, ne o osebi, ki jo trenutno opravlja.
Za vpogled v to, kako se ta razdelitev odrazi v vašem lastnem podjetju, je na voljo brezplačni hitri pregled: dvanajst vprašanj, brez potrebnega računa, z izsledkom, ki pokaže, kolikšen delež ur v tem profilu je danes mogoče prepustiti AI. Celoten pregled dela, ki delo celotnega podjetja pregleda nalogo po nalogo po teh osmih oseh, je še v izdelavi in bo tukaj na voljo pozneje.
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.