Unbound

In vrijwel elk eerste gesprek valt dezelfde zin: mooi verhaal, maar onze data is er nog niet klaar voor. Het klinkt verstandig en bescheiden. Het is ook de reden waarom bedrijven jaren wachten met automatiseren, terwijl het bezwaar op een misverstand berust over hoe dit werkt. Dit artikel legt uit waar de mythe vandaan komt, waarom een digitale medewerker juist gebouwd is voor onvolmaakte data, en hoe je met imperfecte data begint zonder eerst een opschoonproject te starten.

Waar komt de mythe vandaan?

Uit ervaring met oudere automatisering, en die ervaring was terecht. EDI en RPA werken alleen bij perfecte input: één verkeerde referentie, één verschoven kolom en de keten breekt. Wie daarmee zijn neus stootte, concludeerde logisch: eerst de data op orde, dan pas automatiseren. Het probleem: de data op orde is een project zonder einde. Artikelgegevens veranderen elke week, klanten wijzigen adressen, leveranciers vernummeren hun assortiment. Dus begint niemand ooit, en blijft het handwerk.

Er speelt nog iets mee. Wie zegt dat de data niet klaar is, weet vaak niet precies wat er niet klopt. Het is een gevoel, gevoed door de dagelijkse ergernissen van het team: die klant die altijd verkeerde codes stuurt, die prijslijst die niet bijgewerkt is. Niemand heeft het ooit geteld, want dat kost tijd die er niet is.

Waarom werkt een digitale medewerker anders?

Een digitale medewerker is juist gebouwd voor onvolmaakte input. Hij leest een order waarin de klant een oud artikelnummer gebruikt, herkent dat het niet matcht met de artikelgegevens, en doet daar iets zinnigs mee: zelf het juiste artikel vinden op basis van omschrijving, historie of productfamilie, of het geval voorleggen met de reden erbij. Vieze data breekt hem niet; het wordt een gelogde uitzondering. En elke gelogde uitzondering vertelt je precies welke data niet klopt, hoe vaak, en bij welke klant of leverancier.

Dat is het omgekeerde van de oude volgorde. Niet eerst opschonen en dan automatiseren, maar automatiseren en daardoor zien wat je moet opschonen. De digitale medewerker wordt je meetinstrument.

Van bezwaar naar bijvangst: de vier gevolgen

Kennis wordt vastgelegd. De uitzonderingen die nu alleen in de hoofden van ervaren collega's zitten (die klant bedoelt met code 4471 eigenlijk ons artikel 88-120), worden zichtbaar en worden vastgelegd. Ze zijn niet meer weg als de collega weg is.
Datakwaliteit wordt zichtbaar. Je ziet voor het eerst precies welke artikel- en klantgegevens en referenties het werk blokkeren, gerangschikt op hoe vaak ze voorkomen. Meestal veroorzaakt een handvol oorzaken het grootste deel van de uitval.
IT-systemen worden beter. De digitale medewerker stuit als eerste op de plekken waar je ERP of TMS wringt: ontbrekende velden, dubbele invoer, een prijslijst die op twee plekken wordt bijgehouden. Die feedback stuurt je IT-agenda met feiten in plaats van meningen.
De digitale medewerker wordt accuraat. Elke beslissing van je team leert hem bij, gemeten per proces. Het percentage dat zelfstandig gaat stijgt week na week, niet omdat de techniek verandert, maar omdat de kennis groeit.

Betere kennis, data en systemen zijn dus geen voorwaarden vooraf. Het zijn de gevolgen van beginnen.

Hoe begin je met imperfecte data?

Klein en gemeten. Kies één proces, laat een digitale medewerker er twee weken op draaien en kijk naar twee getallen: hoeveel procent hij zelf afhandelt en de lijst met uitzonderingsredenen. Die lijst is je gratis data-audit, concreter dan elk verbeterproject vooraf. Vanaf daar verbeter je gericht, en zie je het percentage stijgen.

Een voorbeeld van hoe zo'n lijst er na twee weken uit kan zien, bij een orderstroom van 400 orders per week: 62 procent gaat zelfstandig; 15 procent valt uit op onbekende artikelcodes van klanten (bijna allemaal van vier klanten); 9 procent op prijzen die afwijken van de prijslijst; 8 procent op ontbrekende afleveradressen; 6 procent overig. Met die lijst in de hand koppel je de codes van die vier klanten, werk je de prijslijst bij en vul je de adressen aan. Drie gerichte acties, en het percentage schiet omhoog. Zonder de meting had je een generiek opschoonproject gestart en waarschijnlijk andere dingen opgeruimd.

Wat je niet hoeft te doen

Je artikelbestand volledig opschonen voordat je begint.
Klanten vragen om anders aan te leveren.
Een datastrategie schrijven.
Wachten tot na de ERP-migratie. Juist tijdens en na een migratie is de uitzonderingenlijst goud waard.

Veelgestelde vragen

Als 40 procent van onze orders uitvalt door slechte artikelgegevens, heb ik dan wat aan een digitale medewerker?

Dan weet je na twee weken exact welke 40 procent en waarom, meestal geconcentreerd bij een handvol oorzaken. Die los je gericht op, en het percentage stijgt per week. Zonder die meting was je die 40 procent ook kwijt, alleen onzichtbaar, verspreid over de werkdagen van je team.

Moeten we niet eerst ons ERP opschonen?

Nee. Begin met meten; laat de uitzonderingenlijst bepalen wat je opschoont. Dat is effectiever dan een generiek opschoonproject en het levert vanaf dag één al verwerkte documenten op.

Wat als onze data echt te slecht blijkt?

Dan zie je dat in het percentage en weet je precies waarom. Ook dat is een uitkomst waar je iets mee kunt, en bij ons geldt op de start van twee weken de helft-terug-garantie. In de praktijk komt het zelden voor: zelfs bij rommelige data gaat vanaf dag één een groot deel zelfstandig.

Een digitale medewerker? Dat werkt bij mij niet. In twee weken bewijzen we het tegendeel, op jouw eigen documenten. Plan een demo.