Než si koupíte ten nástroj AI, musíte nejdřív udělat něco mnohem méně vzrušujícího

Distributor, který předběhl události

Představte si to: Středně velký distributor kontaktuje technologického konzultanta, nadšený z toho, že zavádí AI pro automatizaci zpracování objednávek. Má šest lidí v zákaznickém servisu, kteří zpracovávají přibližně 1 200 objednávek týdně, a každá jednotlivá objednávka je do systému vkládána ručně. „Jistě, AI to zvládne,“ myslí si.

Zní to povědomě? Takto začíná většina firem. Vidí problém, najdou lesklé AI řešení a okamžitě se vrhnou do implementace.

Ale tady je háček – a právě tady to začíná být zajímavé – skutečný příběh nebyl o AI. Alespoň ne zpočátku.

Co se stalo, když se na to skutečně podívali

Když konzultanti začali mapovat proces e-mailové schránky (víte, sednout si a skutečně pochopit, co se děje), věci se začaly komplikovat. V dobrém slova smyslu.

První šok: Pouze asi 62 % těchto e-mailů byly skutečné objednávky. Zbytek? Dotazy na dodávky, cenové dotazy a úpravy předchozích objednávek. Kdyby si jen koupili AI na zpracování „objednávek“, automatizovali by úplně špatnou věc.

Druhý šok: Existoval zákaznický servisní pracovník jménem Denise. (Jmenuji ji, protože si zaslouží uznání – byla páteří tohoto provozu.) Aproximativně 70 % příchozích objednávek používalo vlastní čísla dílů zákazníů, nikoliv distributorovy, a Denise vedla tabulku, kterou udržovala jedenáct let, aby mezi nimi překládala. Tato tabulka v podstatě udržovala tok většiny příjmů firmy, a nikdo ani nevěděl, že existuje.

Třetí šok: Jakákoli objednávka se slevou vyšší než 5 % vyžadovala schválení obchodním manažerem. Toto pravidlo vzniklo kvůli tlaku na marži v roce 2016. Vztahovalo se na přibližně 40 % objednávek a přidávalo celý den k době zpracování. A tady je ten háček – bylo schváleno v 99 % případů. Tlak na marži skončil před lety, ale nikdo si nedal tu práci pravidlo odstranit.

Vidíte, kam to směřuje?

Čísla, která změnila všechno

Po dvou týdnech skutečného měření toho, co se děje (ne hádání, ne předpokládání, ale měření), tým zjistil:

• Průměrná objednávka zabírala těsně pod devět minut aktivní práce
• Od e-mailu po potvrzení to trvalo v průměru šest hodin – a v pondělí se to protahovalo na více než dva dny
• Aproximativně 4 % objednávek bylo odesláno chybně
• Firma ztrácela peníze na kreditních dobropisy a zpětnou logistiku

Ale to, co bylo skutečně důležité: jakmile pochopili skutečnou situaci, okamžitě se objevila dvě snadná vítězství.

Pravidlo schvalování z roku 2016? Odstraněno během jedné schůzky. Bez nákladů. Ubralo to většinu dne z cyklického času pro 40 % všech objednávek.

Denisin tabulka? Aktualizována na řádný mapovací systém. Ani jedno z toho nevyžadovalo AI.

AI konečně přišla na řadu

To, co zůstalo, byl genuinely dobrý kandidát na automatizaci. Opakované objednávky od známých zákazníů s konzistentním formátováním a čistým mapováním čísel dílů? To je asi 55 % objemu, a je to ideální pro extrakci pomocí AI. Model dosáhl 94% přesnosti s lidskou kontrolou u označených případů.

Projekt se vrátil na investici během jednoho roku, a ROI bylo vidět v provozních číslech, ne jen na efektn

Štítky: ['ai automation', 'process improvement', 'business efficiency', 'workflow optimization', 'operational excellence', 'ai implementation', 'digital transformation', 'business processes']