A kiskereskedelem nem egységes ágazat, amikor AI-érettségről van szó. Egyrészt vannak olyan szervezetek, amelyeknek nagy, automatizált online környezetük van, ahol a személyre szabás, a készletirányítás és az árlogika már régebb óta adatokra épül. Másrészt van a fizikai üzletpadló, ahol a folyamatok gyakran még tapasztalatra, papírra és a fiók és a központ közötti szóbeli megállapodásokra támaszkodnak. Egyazon láncon belül ez a két világ egymás mellett létezhet, és ez a különbség nagyobb, mint sok más ágazatban. Ahol a pénzügyi szolgáltatások szektora általában laposabb képet mutat a központ és a végrehajtás között, a kiskereskedelemben rendszeresen olyan központot lát, amely messze előrébb van, és egy üzletpadlót, amelynek még utat kell találnia.
Ez a szakadék az oka annak, hogy az AI-pilotok a kiskereskedelemben gyakran elindulnak, de nem növekednek tovább. Egy pilot a központban működik, mert ott az adatok, a rendszerek és az emberek már valamennyire össze vannak hangolva. Amint ugyanazt a megközelítést az üzletpadló vagy az elosztóközpont irányába kellene alkalmazni, gyakran hiányzik az infrastruktúra, amely ezt hordozná. Nem azért, mert hiányzik az ambíció, hanem mert az alapvető réteg még nincs erre kész.
A hybridresourcing érettségi mérése hét dimenziót vizsgál, öt szintre osztva: a baseline-tól az intelligence-ig. Ezen dimenziók egy része alapvető: a szervezet maga, az IT-infrastruktúra és az adatmenedzsment. A többi ezektől függ. Ez nem a sorrend kérdése, hanem az, ahogyan a dolog működik. Egy lánc csak akkor tud AI-t bevetni fiókszinten, ha a pénztárakból, a készletrendszerekből és a személyzeti tervezésből származó adatok megbízhatóak és egymáshoz kapcsolódnak. Ezen alap nélkül minden alkalmazás elszigetelt kísérlet marad, amely nem skálázódik.
A kiskereskedelemben azt látjuk, hogy az alapvető dimenziók gyakran rendben vannak a központnál, de nem egységesen jutnak el a fiókok felé. Az adatmenedzsment lehet érett központi szinten, míg a padlón rögzített adatok még inkonzisztensek, hiányosak vagy késleltetettek. Ez a különbség azt eredményezi, hogy a szervezet egészében alacsonyabb szinten teljesít, mint amit a részek összege sugallna.
Ami a kiskereskedelmet különlegessé teszi, nem csak az online és a fizikai közötti különbség, hanem az is, hogy kitől kérdezi. Egy plot-kör, amelyben ugyanazon szervezet különböző emberei külön-külön pontoznak, ebben az ágazatban gyakran nagy szórást mutat. Egy IT-menedzser a központban érettnek ítélheti az infrastruktúrát, míg egy fiókvezető naponta beleütközik az elavult rendszerek korlátaiba. Mindkét kép igaz, de a lánc különböző pontjaira mutatnak.
Ez a szórás önmagában is információ. Megmutatja, hol tér el a szervezetben a felkészültségről alkotott kép, és így hol kell először egyetértést kialakítani, mielőtt a következő AI-lépés érdemi lenne. Ez az egyetértési kérdés a kiskereskedelemben gyakran nagyobb, mint olyan ágazatokban, amelyeknek kompaktabb szervezeti struktúrája van, mint például az IKT-szektor, ahol a központ és a végrehajtás rendszerint közelebb áll egymáshoz.
A központilag irányított központ és a szórt végrehajtás közötti feszültség nem egyedi a kiskereskedelemben. Ugyanaz a feszültség visszaköszön a horeca-szektorban, ahol a fiókok láncának ugyanúgy konzisztens alapfolyamatokra kell támaszkodnia, mielőtt az AI helyszíni szinten működhetne, és az ingatlanszektorban, ahol a központi irányítás és a decentralizált fenntartás gyakran egymástól függetlenül nőtt ki. Mindezekben az ágazatokban ugyanaz a sorrend érvényes: a szervezetnek, az infrastruktúrának és az adatmenedzsmentnek előbb kell állnia, mielőtt az erre épülő dimenziók irányt adhatnának.
Az érettségi mérés nem ítélkezik arról, melyik osztály marad le, és nem ad tanácsot arról, mit kell először megváltoztatni. Amit a mérés viszont megtesz, az az, hogy tisztázza, egy szervezet melyik szinten áll a hét dimenzió mindegyikén, és hol a legnagyobb a szórás a pontozó emberek között. Egy kiskereskedelmi lánc esetében ez gyakran szembesítést jelent a központban meglévő kép és az üzletpadló valósága között, és ez pontosan az a kép, amely szükséges ahhoz, hogy meghatározzák, hol kell még megrakni az alapot.
Az eszköz, amely ezt a mérést végzi, még épül. Aki élni szeretne ezzel, amint elérhető lesz, feliratkozhat a várólistára. Nem kínálunk semmit, ami még nincs meg, és nem ígérünk semmit a mérés kimeneteléről az Ön szervezete számára.
Ez az oldal azt írja le, hogy a szervezet egésze felkészült-e az AI hordozására: hogy a szervezet, az infrastruktúra és az adatok alapja elég szilárd-e ahhoz, hogy a további lépések érdemi legyenek. Ez más kérdés, mint hogy a munka melyik része vehető át valóban AI által. Erre a kérdésre az FTE TO AI munkascanje szolgál: az feladatonként kiszámítja, hogy a munka mekkora része adható át AI-nak, a készletnyilvántartástól az ügyfélkommunikációig. Míg az érettségi mérés a szervezet teherbíró képességét mutatja meg, a munkascan a munka tartalmát maga mutatja meg. Mindkét kép szükséges ahhoz, hogy tudja, hol áll valójában.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.