Zlyhávajúci automatizačný program zriedka zlyhá preto, že platforma nebola schopná. Zlyhá preto, lebo podkladové údaje sú neúplné, nekonzistentné, neprístupné alebo odpojené od procesu, ktorý majú podporovať. Táto príručka o pripravenosti podnikových údajov je určená pre vedúcich pracovníkov, ktorí potrebujú premeniť rozptýlené prevádzkové údaje na spoľahlivý základ pre automatizáciu, analytiku a umelú inteligenciu.
Pre organizácie s vysokou mierou prevádzky nie je pripravenosť údajov len otázkou čistenia IT. Je to požiadavka na realizáciu podnikania. Ak servisný tím používa rôzne identifikátory zákazníkov v rôznych systémoch, ak sú výnimky z faktúr kategorizované odlišne podľa regiónu alebo ak sa kritické kroky procesu nachádzajú v e-mailových schránkach, automatizácia bude reprodukovať nekonzistentnosť rýchlejšie. Umelá inteligencia bude vydávať odporúčania na základe neistého kontextu. Dashboardy budú viesť k diskusii namiesto smerovania.
Cieľom nie sú dokonalé dáta v každom systéme. Cieľom sú dáta vhodné na daný účel, ktoré podporujú definovaný obchodný výsledok s jasným vlastníctvom a škálovateľnými kontrolami.
Začnite s procesom, nie s inventárom údajov
Mnohé dátové programy začínajú katalogizáciou každej databázy, aplikácie, poľa a správy. Táto práca má hodnotu, ale môže sa stať nákladnou dokumentáciou bez prevádzkového efektu. Efektívnejším východiskovým bodom je proces, kde na výkone záleží najviac.
Vyberte si proces s významným objemom transakcií, manuálnou námahou, nákladmi, rizikom alebo dopadom na zákazníka. Bežnými kandidátmi sú procesy od objednávky po preplatenie, od obstarania po platbu, riešenie reklamácií, odoslanie služieb a zaškolenie zamestnancov. Potom zmapujte, ako sa práca v skutočnosti pohybuje medzi ľuďmi, systémami, rozhodnutiami a výnimkami. Rozdiel medzi navrhnutým procesom a skutočným procesom je zvyčajne tam, kde sa problémy s údajmi stanú viditeľnými.
Napríklad sa môže zdať, že tím pre správu záväzkov má automatizáciou faktúr . Bližšia kontrola môže ukázať, že chýbajú referencie objednávok, hlavné záznamy dodávateľov sú duplicitné a limity schválenia sa v jednotlivých obchodných jednotkách udržiavajú odlišne. Zakúpenie silnejšieho nástroja na zachytávanie údajov tieto problémy nevyrieši. Podnik potrebuje opravený návrh procesov a dôveryhodné pravidlá pre údaje, aby mohol automatizovať spracovanie výnimiek vo veľkom rozsahu.
Tento prístup zameraný na procesy tiež vytvára praktickú hranicu pre iniciatívu. Namiesto otázky: „Sú naše podnikové dáta pripravené?“ sa vedúci pracovníci môžu opýtať: „Sú dáta potrebné na automatizáciu a meranie tohto procesu pripravené?“ Táto otázka je praktickejšia a ľahšie sa financuje.
Štyri podmienky pripravenosti údajov
Pripravenosť údajov má štyri prepojené podmienky. Slabosť jednej z nich môže obmedziť hodnotu ostatných.
- Kvalita: Požadované údaje sú presné, úplné, aktuálne a dostatočne konzistentné pre zamýšľané rozhodnutie alebo automatizovanú akciu.
- Kontext: K dispozícii sú obchodné definície, stav procesov, vzťahy a historický význam, aby používatelia a systémy mohli údaje správne interpretovať.
- Prístup: Schválení používatelia, aplikácie a komponenty automatizácie môžu spoľahlivo získať potrebné údaje bez manuálneho exportu alebo krehkých riešení.
- Kontrola: Vlastníctvo, bezpečnosť, uchovávanie údajov, auditovateľnosť a riadenie zmien sú definované a uplatňované v každodennej prevádzke.
Kvalita sa často považuje za celý problém, ale samotné čisté hodnoty nestačia. Záznam o zákazníkovi môže byť presný, no stále nepoužiteľný, ak nikto nedokáže určiť, ktorá hierarchia účtov sa vzťahuje na rozhodnutie o cenách. Podobne nie sú dostupné údaje pripravené, ak prístup obchádza povinnosti ochrany osobných údajov alebo ak zmena schémy môže nenápadne narušiť fungovanie bota, ktorý je kritický pre podnikanie.
Správna úroveň pripravenosti závisí od prípadu použitia. Riadiaci panel môže tolerovať jednodňový cyklus obnovovania a malý objem nekategorizovaných záznamov. Uvoľnenie blokovania kreditu alebo pracovný postup súvisiaci s bezpečnosťou môže vyžadovať údaje takmer v reálnom čase, oveľa prísnejšie overovanie a kompletnú audítorskú stopu. Štandardy pripravenosti by mali odrážať náklady na nesprávne rozhodnutie, nie všeobecné podnikové skóre.
Vytvorenie základnej úrovne pripravenosti dát vo vlastníctve firmy
Základná línia premieňa široké záujmy na pohľad na riziko, úsilie a hodnotu pripravený na rozhodovanie. Mali by ju spoločne vytvoriť vlastníci prevádzky, dát, IT, rizík a procesov. Dátové tímy rozumejú štruktúram a integračným obmedzeniam; vlastníci procesov rozumejú tomu, kde nesprávna alebo chýbajúca hodnota spôsobuje prepracovanie, oneskorenie alebo vystavenie sa dodržiavaniu predpisov.
Začnite s kritickými dátovými objektmi pre cieľový proces. Môžu to byť záznamy o dodávateľovi, zákazníkovi, produkte, zmluve, zamestnancovi, majetku, objednávke, faktúre alebo prípade. Pre každý objekt zdokumentujte zdroj záznamu, systémy, ktoré ho využívajú, kľúčové polia potrebné pre rozhodnutia a vlastníka zodpovedného za jeho obchodnú definíciu.
Ďalej zmerajte skutočné podmienky. Nespoliehajte sa len na vnímanie zainteresovaných strán. Kvantifikujte miery duplicitných objednávok, miery chýbajúcich polí, konfliktné hodnoty, oneskorené aktualizácie, objemy neúspešných rozhraní a manuálne opravy. Skontrolujte reprezentatívny súbor výnimiek, nielen súhrnné priemery. Miera dokončenia 98 % sa môže zdať prijateľná, kým chýbajúce 2 % nepredstavujú objednávky s najvyššou hodnotou alebo prípady, ktoré si vyžadujú regulačné preskúmanie.
Východiskový bod by mal spájať každý problém s prevádzkovým dôsledkom. Výrok „Kvalita adresy zákazníka je nízka“ je vágny. Výrok „Dvanásť percent servisných vyšetrení si vyžaduje manuálne overenie adresy, čo pridáva šesť minút na výjazd a zvyšuje riziko zmeškanej návštevy“ dáva vedeniu základ pre stanovenie priorít.
Stanoviť zodpovednosť tam, kde sa prijímajú rozhodnutia
Správa podnikových údajov často zlyháva, keď je prezentovaná ako ústredný výbor, ktorý zverejňuje politiky, ale nemôže ovplyvňovať každodennú prácu. Efektívna správa priraďuje zodpovednosť blízko procesu a zároveň zachováva podnikové štandardy pre bezpečnosť, architektúru a súlad s predpismi.
Vlastník procesu by mal byť zodpovedný za obchodný výsledok a požiadavky na údaje potrebné na jeho dosiahnutie. Vlastníci údajov by mali definovať pravidlá používania a schvaľovať podstatné zmeny kritických definícií. Správcovia údajov by mali monitorovať kvalitu, riešiť opakujúce sa problémy a koordinovať nápravné opatrenia medzi tímami. IT a architektonické tímy by mali poskytovať spoľahlivé integračné vzory, správu identít, pozorovateľnosť a kontroly životného cyklu.
Na tomto rozdiele záleží. Správca môže opraviť duplicitný záznam dodávateľa, ale vlastník procesu sa musí zaoberať pracovným postupom alebo stimulom, ktorý umožnil vytvorenie duplicitného dodávateľa. Bez tejto disciplíny v súvislosti s hlavnou príčinou sa náprava stáva trvalou manuálnou údržbou.
Riadenie by malo tiež definovať, kto môže zmeniť obchodnú podmienku. Zvážte „dodanie načas“. Jeden tím ju môže vypočítať zo sľúbeného dátumu dodania, iný z požadovaného dátumu dodania a tretí z konečného potvrdeného dátumu. Každý výpočet môže byť primeraný pre konkrétny účel, ale nemôžu všetky podporovať rovnaké tvrdenie o výkonnosti podniku. Riadená definícia nevylučuje legitímne odchýlky. Robí odchýlky explicitnými, kontrolovanými a viditeľnými.
Navrhnite architektúru pre použiteľné dáta, nie pre maximálnu centralizáciu
Centralizácia všetkých súborov údajov do jednej platformy nie je automatickým riešením. Môže zvýšiť náklady, latenciu a riziko migrácie bez zlepšenia procesu. Rozhodnutie o architektúre závisí od objemu údajov, požiadaviek na rýchlosť, regulačných obmedzení, existujúcich systémov a uprednostňovaných prípadov použitia.
Dôležité je, aby kritické dáta bolo možné prepojiť, pochopiť a riadiť v celom operačnom prostredí. To môže zahŕňať API, streamy udalostí, dátovú platformu, správu kmeňových dát, dolovanie procesov alebo cielené integračné vrstvy. Technologický mix by mal znížiť manuálne odovzdávanie úloh a zabezpečiť sledovateľnosť pôvodu dôležitých rozhodnutí.
Pri automatizácii rozlišujte medzi údajmi, ktoré sa musia čítať, údajmi, ktoré sa môžu meniť, a údajmi, ktoré sa musia uchovávať ako dôkaz. Automatizácia, ktorá aktualizuje stav platby, potrebuje kontrolovaný prístup na zápis a spoľahlivé spracovanie výnimiek. Prevádzkový panel môže potrebovať prístup na čítanie iba k agregovaným údajom. Rovnaké zaobchádzanie s oboma prípadmi buď vytvára zbytočné riziko, alebo spomaľuje dodanie.
Umelá inteligencia zavádza ďalšiu architektonickú požiadavku: vyhľadávanie a kontext. Generatívny asistent umelej inteligencie nemôže poskytovať spoľahlivé operačné poradenstvo z nesúvisiacich dokumentov, zastaraných postupov a neriadených výpisov údajov. Pred nasadením umelej inteligencieje potrebné určiť, ktoré zdroje sú autoritatívne, ako sa obsah obnovuje, ktoré citlivé informácie musia byť obmedzené a kedy je potrebný ľudský súhlas.
Uprednostnite nápravu podľa obchodnej hodnoty
Náprava dát sa môže stať programom s otvoreným koncom, pokiaľ ju vedúci pracovníci neuprednostnia pred merateľnými výsledkami. Zoraďte problémy na základe ich vplyvu na čas cyklu, náklady, ochranu príjmov, zákaznícku skúsenosť, dodržiavanie predpisov a uskutočniteľnosť automatizácie. Potom vytvorte postupnosť dodávok, ktorá prináša prevádzkové zisky a zároveň zlepšuje základ pre neskoršie prípady použitia.
Rýchle opravy majú svoje miesto. Štandardizácia povinného poľa, oprava overovacieho pravidla alebo odstránenie odovzdania tabuľky môže rýchlo priniesť hodnotu. Nezamieňajte si však rýchlu opravu s trvalým riešením. Ak sa tá istá chyba v údajoch objavuje každý mesiac, preskúmajte pôvodný pracovný postup, integráciu, medzeru v školení alebo zlyhanie vlastníctva.
Užitočný zoznam nevybavených transformačných úloh zahŕňa problém s procesom, závislosť od údajov, cieľovú metriku, zodpovedného vlastníka, technickú zmenu a očakávanú kontrolu. Vďaka tomu zostáva práca s údajmi prepojená s dodávkou. Zviditeľňuje tiež kompromisy: komplexné prepracovanie kmeňových údajov môže byť opodstatnené pre globálny proces, zatiaľ čo užšia integrácia môže byť lepšou voľbou pre časovo citlivú lokálnu automatizáciu.
Pred škálovaním preukážte pripravenosť
Pred škálovaním naprieč regiónmi, obchodnými jednotkami alebo ďalšími procesmi spustite kontrolovaný produkčný pilotný projekt. Merajte viac než len technickú prevádzkyschopnosť. Sledujte mieru výnimiek, priame spracovanie, čas manuálneho dotyku, presnosť rozhodnutí, prepracovanie, prijatie používateľmi a kvalitu audítorskej stopy.
Pilotný projekt by mal testovať podmienky zlyhania rovnako zámerne ako „happy path“. Čo sa stane, keď je povinné pole prázdne, zdrojový systém nie je k dispozícii, zmení sa prahová hodnota schválenia alebo odporúčanie umelej inteligencie je v konflikte s politikou? Riešenie, ktoré spracováva bežné transakcie, ale nepredvídateľne zlyháva pri výnimkách, skôr posunie prácu, než ju odstráni.
V spoločnosti Ective preto transformačné práce začínajú procesnou a dátovou disciplínou ešte pred rozšírením automatizácie. Cieľom nie je súbor úspešných pilotných projektov. Ide o operačný model, v ktorom sa pracovné postupy, informácie, kontroly a ukazovatele výkonnosti navzájom posilňujú.
Pripravenosť na dáta nikdy nie je jednorazovou certifikáciou. Obchodné modely sa menia, systémy sa vyvíjajú a nové prípady použitia automatizácie prinášajú nové závislosti. Praktickým cieľom je zabezpečiť merateľnosť a opakovateľnosť pripravenosti: zlepšiť proces, definovať údaje, ktoré proces potrebuje, kontrolovať ich pri zdroji a použiť dôkazy o výkonnosti na rozhodnutie o tom, čo ďalej škálovať.
