Într-o eră digitală în continuă expansiune, Inteligența Artificială (IA) a devenit nucleul inovării tehnologice. Deși a început să prindă contur încă din anii 1950, aceasta a luat un avânt semnificativ în ultimii ani, făcându-și simțită prezența în majoritatea tehnologiilor pe care le folosim, evoluând de la un concept abstract la o forță motrice. În prezent, IA nu este doar un termen la modă (AI fiind desemnat cuvântul anului 2023 cf Collins Dictionary), ci a devenit piesa centrală a viitoarei revoluții industriale.
Pentru utilizatorii de SAP, IA vine în diferite forme de la asistentul virtual, Joule, până la tehnologia de machine learning utilizată în diferite module SAP și mai nou, printr-o platformă cu diferite modele de limbaj mare (eng. LLM), Generative AI Hub. Iar noul parteneriat recent anunțat cu Nvidia sugerează faptul că inovațiile în acest domeniu nu se vor opri aici.
Cu toate acestea, cum se traduce acest progres tehnologic într-o valoare tangibilă când ne referim la gestionarea Master Data din cadrul organizațiilor?
Dar să începem prin a înțelege ce este master data în SAP și impactul ei în cadrul unei organizații. În mare, master data se referă la datele fundamentale schimbate cu frecvență redusă despre clienții, furnizorii (nume, adresă, detalii de contact, cod de identificare fiscală etc.), materialele produse sau achiziționate de către o companie, de la materia prima pentru fabricarea unui produs, la consumabilele dintr-un birou sau produsul finit. Într-o organizație, acestea sunt utilizate în diverse operațiuni, cum ar fi procesarea comenzilor, gestionarea inventarului și facturarea. O calitate scăzută a datelor poate influența o companie din punct de vedere financiar atât pe termen scurt (comenzi sau facturi incorecte), dar și pe termen mediu sau lung prin prisma deciziilor de business și a planificărilor bazate pe date incorecte.
Conform unui studiu al Harvard Business Review și Gartner, o slabă calitate a master data conduce la o pierdere de 10-15% din veniturile anuale, iar 40% din bugetele IT ale unei companii se folosesc pentru o muncă repetată în soluționarea problemelor generate de calitatea precară a datelor.
SAP a venit în ajutorul organizațiilor cu soluția de DQM (Data Quality Management), parte a modulului MDG, în care au integrat un sistem de machine learning care are atât o componentă de analiză a datelor pentru a identifica deviațiile de la standardele de calitate predefinite, cât și una de analiză a tiparelor din datele unei companii pentru a sugera și, ulterior, a implementa reguli de auto populare sau validare a unor câmpuri în momentul creării datelor.
Practic, IA preia un efort operațional semnificativ de analiză a volumelor mari de date, de profilare a lor și de scriere de reguli de validare a datelor introduse sau de auto populare. Totodată, acoperă o paletă amplă de aptitudini necesare unui asemenea exercițiu, de la cunoștințe aprofundate de modele și profilare de date, la cunoștințe tehnice de Excel, data mining și BRF+ (Business Rule Framework Plus).
De asemenea, o dată cu implementarea regulilor de validare și auto populare se va reduce și timpul de care echipele operaționale au nevoie pentru crearea master data și, cel mai important, vor crește calitatea și nivelul de standardizare al datelor, rezolvând astfel o problemă tot mai des întâlnită în cadrul organizațiilor mari, globale.
Dar, deși am fi tentați, în acest context, să credem că IA poate înlocui 100% componenta umană, aceasta din urmă are poate cel mai important rol în obținerea unor rezultate precise și scalabile. Implicarea specialiștilor din domeniul datelor în setarea obiectivelor conform modelului de business și a nevoilor specifice ale organizației va trasa direcția în care rule miningul se va desfășura și va impune criterii de relevanță și acceptare a rezultatelor oferite de IA.
Totodată, un aspect deloc de neglijat este calitatea datelor sursă. Într-un exercițiu ca acesta, secvența logică ar fi analiza datelor deja existente, corectarea deviațiilor și, după aceea, antrenarea IA pentru generarea de reguli. O slabă calitate a datelor sursă va genera reguli de slabă calitate și va perpetua situația actuală, chiar dacă ne folosim de IA, aplicându-se principiul des întâlnit în lumea master data : "garbage in, garbage out".
Specialiștii vor decide și ce componente ale datelor vor fi minate și ce reguli vor fi implementate. De asemenea, pot ajusta și optimiza regulile în funcție de schimbările din mediul de afaceri și din cerințele organizaționale, capabilitate pe care IA nu o poate înlocui.
Dar, pentru o mai bună înțelegere, haideți să abordăm un exemplu practic pentru a vedea mai bine cum funcționează IA. Avem compania ABC care produce laptopuri. Ei își doresc automatizarea unor procese de achiziții în SAP pentru a fi siguri că nu rămân fără materialele necesare producției, astfel încât să își poată onora comenzile clienților în timp util și să își țină costurile cu producția sub control. Însă, ei se confruntă constant cu probleme de disponibilitate a stocurilor din cauza calității slabe a master data menținute la nivel de material.
Specialistul master data va utiliza funcționalitatea de rule mining pentru a identifica regulile necesare corectării datelor și creștere a calității acestora. Deoarece în SAP, master data este menținută în tabele, specialistul va indica tabelele care vor fi minate în același timp. Pentru fiecare dintre tabele se va alege aria de interes și câmpurile care vor fi utilizate în procesul de minare. Pentru acest scenariu, specialistul va ști că tipul materialului și codul fabricii sunt câmpuri cheie pentru analiză, acest lucru ilustrând de ce componenta umană este importantă și necesară pentru obținerea unor rezultate corecte generate de IA.
După ce criteriile de filtrare au fost stabilite, specialistul va selecta câmpurile care, practic, trebuie analizate și corectate după finalizarea exercițiului și numărul de reguli pe care IA le va genera.
După ce procesul de minare este finalizat, o listă cu reguli potențiale de calitate a datelor este generată de către sistem în formatul "dacă/atunci" (eng. If/then) împreună cu evaluarea acestora sub formă de procente indicând nivelul de corectitudine. Acestea vor trebui analizate și acceptate în cazul în care sunt relevante pentru procesele de business, iar într-un final vor fi create ca reguli de validare sau auto-populare a câmpurilor.
Fără funcționalitatea Inteligenței Artificiale, întregul proces începând de la extragerea datelor, compararea, profilarea până la identificarea regulilor și scrierea lor ar fi fost făcut de către specialiștii master data și ar fi necesitat mult mai mult timp și efort. Mai mult de atât, implementarea regulilor ar fi fost un proces dificil și de durată, pentru că acest lucru se poate realiza doar după ce se creează manual toate obiectele, entitățile și expresiile în BRF+.
În concluzie, integrarea Inteligenței Artificiale în gestionarea master data din SAP reprezintă un pas semnificativ către optimizarea proceselor, reducerea costurilor și îmbunătățirea calității informațiilor utilizate în deciziile de business. Deși IA poate prelua o parte semnificativă din sarcinile operaționale, implicarea componentei umane rămâne necesară și obligatorie pentru setarea obiectivelor, validarea și ajustarea regulilor.
Prin urmare, evoluția continuă a acestor tehnologii de vârf și investiția în resurse umane calificate vor juca un rol major în transformarea durabilă a proceselor de gestionare a datelor în cadrul organizațiilor.