Det korte svar
AI-parathed handler om, hvorvidt data er gode nok til en bestemt handling. I behøver ikke rydde op i hele virksomheden. I skal kende kvaliteten af de felter, den valgte proces afhænger af, og vide hvordan usikre sager stoppes.
Start med den beslutning, data skal understøtte
En ordrekladde kræver andre data end automatisk frigivelse til lageret. Beskriv først handlingen og derefter felterne, som gør den mulig. For et ordreflow kan det være kundeidentitet, varenummer, enhed, pris og leveringsadresse. Hvis I starter med at samle alle tilgængelige data, bliver opgaven hurtigt større end den proces, I ønskede at forbedre.
Markér felterne som nødvendige, nyttige eller uvedkommende. Et nødvendigt felt skal enten kunne valideres eller udløse en eksplicit afklaring. Et uvedkommende felt bør som udgangspunkt ikke flyttes med.
Tag en stikprøve, der kan afsløre problemer
Udvælg eksempelvis 50 afsluttede sager fra flere dage, kunder og medarbejdere. Antallet er et praktisk startpunkt, ikke statistisk bevis. Tag kendte fejl og undtagelser med, så testen ikke kun repræsenterer det letteste arbejde.
Kontrollér hvert felt mod det system, der ejer oplysningerne. Gem fejlen i en oversigt med konsekvens og ansvarlig. Skeln mellem en manglende værdi og en værdi, der findes, men betyder noget forskelligt i to systemer.
| Kontrol | Eksempel | Konsekvens |
|---|---|---|
| Fuldstændighed | Leveringsenhed mangler | Mængden kan ikke fortolkes sikkert |
| Entydighed | Samme kunde har to aktive numre | Ordren kan havne på forkert konto |
| Aktualitet | Prislisten er udløbet | Forkert tilbud eller faktura |
| Sammenhæng | Varenummer findes ikke i lageret | Ordren kan ikke disponeres |
Prioritér fejl efter den handling, de kan udløse
En stavefejl i et internt varenavn kan være mindre vigtig end en forkert enhedsfaktor. Lav tre grupper: stopfejl, fejl der kan sendes til kontrol, og kosmetiske problemer. Ret først stopfejlene i den afgrænsede proces.
Forestil jer, at 8 af 50 sager mangler en leveringsenhed. Det betyder ikke automatisk, at 16 procent af al drift fejler, men det er et klart signal om at undersøge feltet. Find årsagen: en bestemt kunde, et eksportformat eller en manuel registrering. Ret årsagen før I laver mere komplicerede AI-instruktioner.
Gør kvaliteten til et løbende ansvar
Udpeg den person, der kan ændre hver kritisk datakilde. Aftal, hvordan nye dubletter og manglende værdier opdages efter lancering. En engangsoprydning hjælper kun kort, hvis processen fortsætter med at skabe de samme fejl.
Afslut vurderingen med en beslutning: klar til forslag, klar til afgrænset udførelse eller ikke klar endnu. Beslutningen kan være forskellig for forskellige sagstyper. Bevar de svære sager til senere test, så en forbedring kan måles på samme materiale.
Brug det i praksis
Jeres næste skridt
- Vælg én handling og dens nødvendige felter.
- Kontrollér sager fra både normal drift og kendte undtagelser.
- Registrér fejlens årsag, konsekvens og ejer.
- Ret problemer i stamdata, hvor de opstår.
- Beslut hvilke sager der må gå videre, og hvilke der skal stoppes.
Ofte stillede spørgsmål
Skal alle virksomhedens data være perfekte?+
Nej. Kvaliteten skal være tilstrækkelig til den konkrete opgave. Afgrænsede processer kan ofte begynde, mens andre datakilder stadig kræver oprydning.
Kan AI ikke selv udfylde manglende felter?+
AI kan foreslå en værdi, men et forslag er ikke et verificeret faktum. Kritiske mangler kræver en kilde eller godkendelse.
Hvem bør eje datakvaliteten?+
Den faglige ejer af data bør have ansvaret, med teknisk støtte. IT alene kan ikke afgøre, hvilken kundepris eller enhed der er korrekt.
Kilder og faglig baggrund
De praktiske eksempler og tjeklister er udarbejdet til denne guide. Følgende kilder uddyber de angivne faglige begreber.
Teknisk baggrund om afgrænsning og evaluering af AI-forløb. Guidens arbejdsark og regneeksempler er Norstreams egne illustrative metoder.
Fra guiden til jeres arbejdsgang
Afprøv volumen, tidsforbrug og omkostninger i et konkret scenarie med egne tal.
Brug skabelonen
Saml jeres egne oplysninger i et arbejdsgrundlag, som kan udfyldes og downloades.
Udgivet af Norstream med AI-assisteret udarbejdelse. Eksempler er illustrative, medmindre andet er angivet. Tilpas metoder og kontroller til jeres systemer og faglige ansvar.
Har du en rettelse eller et spørgsmål?