Stamdatahantering är att registrera, ändra och hålla grunddata konsekventa: kunduppgifter, produktkoder, leverantörsinformation. Arbetet utspelar sig mellan system som en ERP-miljö och ett masterdatamanagement-verktyg, och utförs nu ofta av en datahanterare eller administrativ medarbetare som kontrollerar och korrigerar poster.
För att avgöra vad AI kan ta över här tittar vi inte på befattningstiteln utan på uppgiften i sig, på åtta axlar. Tre av dem är avgörande: strukturgrad, volym och felkostnader.
Stamdata har en fast form. En kundpost har ett namn, en adress, ett momsnummer, en produktkod har ett fast antal fält. Den förutsägbarheten ger hög poäng på strukturgrad, och det är precis den typ av arbete som automatisering redan i decennier har fått bra grepp om. Lägg därtill volymen: företag med tusentals kund- eller produktrader har en uppgift som ständigt upprepas, med samma steg per post. Hög volym plus hög struktur är den kombination där regelbaserad automatisering, i det här fallet rpa, gör sitt bästa arbete.
Ett exempel: en leverantör ändrar en adress. Den nya adressen måste föras över till ERP-systemet, till faktureringssystemet och till kundportalen. Det är att fylla i samma fält tre gånger enligt en fast regel. Det kräver inte insikt, men väl konsekvens.
Här skaver det. Ett fel i stamdata fortplantar sig: ett felaktigt momsnummer leder till en felaktig faktura, ett felaktigt produktkodfält leder till felaktiga lagerräkningar eller felaktiga priser för kunden. Axeln felkostnader får därför inte lågt betyg, och inte heller regelefterlevnad: mycket stamdata omfattas av regler om personuppgifter eller skatteregistrering. Det betyder inte att AI inte har någon roll här, men väl att fullständig autonom bearbetning utan kontroll är en risk som inte utan vidare accepteras.
Bedömningsutrymmet är dessutom lågt: det finns litet utrymme att själv tolka vad som är ett korrekt värde, reglerna ligger fast. Det är goda nyheter för automatisering, eftersom bedömningsutrymme oftast är den axel som kräver mänskligt arbete. När det gäller stamdata ligger svårigheten inte i att besluta, utan i att upptäcka avvikelser: en adress som inte finns, ett namn som inte stämmer överens med en tidigare post. Det är där mänsklig tillsyn med motiverat godkännande eller avslag behåller sitt värde.
Största delen av den löpande registreringen och synkroniseringen mellan system är en uppgift som AI redan idag kan ta över, förutsatt att två förutsättningar är uppfyllda: entydiga datadefinitioner, så att det inte råder något tvivel om vad som är ett giltigt värde, och valideringsregler vid registrering, så att avvikande fall upptäcks innan de går vidare. Utan dessa två förutsättningar flyttas uppgiften automatiskt tillbaka till det tredje blocket: mänskligt arbete, eftersom ingen kan lita på det som skrivs bort automatiskt.
Den förskjutning som pågår här är inte att datahanteraren försvinner, utan att uppgiftens innehåll ändrar karaktär: från att själv skriva in till att själv bedöma vad ett system har markerat som avvikande. Det är en annan typ av arbete, med en annan typ av uppmärksamhet, och det kräver någon som förstår varför en post har avvisats, inte bara hur man registrerar den.
För ett företag med en liten, överskådlig kundstock och få produktvarianter är vinsten av automatisering begränsad: volymen är för låg för att investeringen i valideringsregler och kopplingar ska löna sig. För ett företag med starkt varierande källdata — till exempel efter en fusion, med två olika CRM-system som inte använder samma fält — ligger svårigheten inte i registreringen utan i att först fastställa entydiga definitioner. Det är ett engångsjobb av innehållsmässig karaktär innan automatisering blir meningsfull.
Denna avvägning mellan struktur, volym och felrisk gäller inte enbart stamdata. Samma logik återkommer vid frågor om vilket arbete på inköpsavdelningen som lämpar sig för automatisering, där leverantörsuppgifter och beställningsrader har samma kombination av upprepning och felkänslighet. Även vid besvarande av användarfrågor om programvara gäller en liknande avvägning mellan fasta mönster och eskalering: se hur AI hanterar användarfrågor om programvaruproblem. Och där system själva övervakas för avvikelser är logiken kring att upptäcka och vidarebefordra jämförbar med det som beskrivs om AI:s övervakning av systemprestanda.
Detta är inte personalrådgivning och ingen grund för ett beslut om en tjänst eller bemanning. Om resultatet av denna analys används i ett personalrelaterat ärende gäller egna lagstadgade krav som denna artikel varken lägger till eller drar ifrån. Det som står här är ett utlåtande om uppgiften, inte om personen som utför den idag.
För att se hur denna indelning slår ut för det egna företaget finns den kostnadsfria snabbanalysen: tolv frågor, inget konto krävs, med som resultat en indikation på vilken andel av timmarna i den profilen som idag kan tas över av AI. Den fullständiga arbetsanalysen, som går igenom en hel verksamhets arbete uppgift för uppgift längs dessa åtta axlar, är fortfarande under uppbyggnad och kommer att erbjudas här senare.
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.