ABONAMENTE VIDEO REDACȚIA
RO
EN
NOU
Numărul 148
Numărul 147 Numărul 146 Numărul 145 Numărul 144 Numărul 143 Numărul 142 Numărul 141 Numărul 140 Numărul 139 Numărul 138 Numărul 137 Numărul 136 Numărul 135 Numărul 134 Numărul 133 Numărul 132 Numărul 131 Numărul 130 Numărul 129 Numărul 128 Numărul 127 Numărul 126 Numărul 125 Numărul 124 Numărul 123 Numărul 122 Numărul 121 Numărul 120 Numărul 119 Numărul 118 Numărul 117 Numărul 116 Numărul 115 Numărul 114 Numărul 113 Numărul 112 Numărul 111 Numărul 110 Numărul 109 Numărul 108 Numărul 107 Numărul 106 Numărul 105 Numărul 104 Numărul 103 Numărul 102 Numărul 101 Numărul 100 Numărul 99 Numărul 98 Numărul 97 Numărul 96 Numărul 95 Numărul 94 Numărul 93 Numărul 92 Numărul 91 Numărul 90 Numărul 89 Numărul 88 Numărul 87 Numărul 86 Numărul 85 Numărul 84 Numărul 83 Numărul 82 Numărul 81 Numărul 80 Numărul 79 Numărul 78 Numărul 77 Numărul 76 Numărul 75 Numărul 74 Numărul 73 Numărul 72 Numărul 71 Numărul 70 Numărul 69 Numărul 68 Numărul 67 Numărul 66 Numărul 65 Numărul 64 Numărul 63 Numărul 62 Numărul 61 Numărul 60 Numărul 59 Numărul 58 Numărul 57 Numărul 56 Numărul 55 Numărul 54 Numărul 53 Numărul 52 Numărul 51 Numărul 50 Numărul 49 Numărul 48 Numărul 47 Numărul 46 Numărul 45 Numărul 44 Numărul 43 Numărul 42 Numărul 41 Numărul 40 Numărul 39 Numărul 38 Numărul 37 Numărul 36 Numărul 35 Numărul 34 Numărul 33 Numărul 32 Numărul 31 Numărul 30 Numărul 29 Numărul 28 Numărul 27 Numărul 26 Numărul 25 Numărul 24 Numărul 23 Numărul 22 Numărul 21 Numărul 20 Numărul 19 Numărul 18 Numărul 17 Numărul 16 Numărul 15 Numărul 14 Numărul 13 Numărul 12 Numărul 11 Numărul 10 Numărul 9 Numărul 8 Numărul 7 Numărul 6 Numărul 5 Numărul 4 Numărul 3 Numărul 2 Numărul 1
×
▼ LISTĂ EDIȚII ▼
Numărul 142
Abonament PDF

Transformarea SAP master data utilizând Inteligența Artificială

Monica Apostol
Manager – SAP Data Management & Strategy @ MHP a Porsche Company



PROGRAMARE

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.

Sursă imagine

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.

Conferință TSM

NUMĂRUL 147 - Automotive

Sponsori

  • Accenture
  • BT Code Crafters
  • Accesa
  • Bosch
  • Betfair
  • MHP
  • BoatyardX
  • .msg systems
  • P3 group
  • Ing Hubs
  • Cognizant Softvision
  • Colors in projects