A nagykereskedelem hagyományosan a margék, volumenek és logisztikai precizitás szektora. Az adat évtizedek óta központi szerepet játszik benne — készletszintek, rendelési tételek, beszállítói árak, margekalkulációk. Ez azt a benyomást kelti, hogy ez a szektor előnyben kellene lennie az AI terén. Ugyanakkor ez az adat gyakran szét van szórva olyan rendszerek között, amelyek nem beszélnek egymással: egy évekkel ezelőtti ERP-rendszer, külön készletszoftver, egy CRM, amely elszigetelten áll a számlázástól, táblázatok, amelyek betöltik a réseket, amelyeket a rendszerek hagynak. Az adat mennyisége tehát nem jó előrejelzője az AI-érettségnek ebben a szektorban. Az a struktúra, amelyben ez az adat áll, viszont az.
Ez a különbség meghatározza, hogyan zajlanak le a pilótaprojektek. Egy nagykereskedelmi vállalat, amely egy keresletelőrejelzésre vagy beszerzésoptimalizálásra szolgáló AI-alkalmazásba fektet be, gyakran felfedezi, hogy a probléma nem a modellben van, hanem abban, mit kap enni a modell. Készletadatok, amelyek nem illenek az értékesítési adatokhoz, ügyfélszegmentáció, amely telephelyenként másképp van felépítve, árazási megállapodások, amelyek levelezésekben állnak, nem pedig egy rendszerben. A pilóta a teszt-környezetben működik, és elakad, amint be kell lépnie a szervezetbe.
A nagykereskedelmi vállalatok erősen különböznek méretben és szervezeti formában — a kompakt struktúrával rendelkező családi vállalkozásoktól a több telephellyel és réteges vezetéssel rendelkező nagy elosztókig. Ez a variáció kihat az AI-érettségre. A kisebb, könnyen átlátható szervezeteknél a vezetés és a munkaterep közötti távolság rövid, ami felgyorsíthatja az adatmenedzsmenttel és az IT-infrastruktúrával kapcsolatos döntéseket, amint felismerik ezek jelentőségét. A nagyobb, decentralizált szervezeteknél ez a távolság több réteget érint, és amit az egyik elosztóközpontban kidolgozott folyamatnak neveznek, az a másikban még rendezetlen lehet.
Ez pontosan az oka annak, hogy egy plot-kör ebben a szektorban gyakran láthatóvá tesz olyat, amit egy egyszerű beszélgetés nem mutat meg. Amikor egy vezérigazgató, egy COO, egy CIO és egy telephelyvezető egymástól függetlenül pontoz ugyanazon hét dimenzió alapján, rendszeresen kiderül, hogy a vezetés magasabbra értékeli az adatminőséget, mint azok, akik napi szinten dolgoznak vele. Ez a különbség nem olyan nézeteltérés, amelyet fel kell oldani — ez információ arról, hol áll a szervezet valójában.
Az érettségmérés hét dimenziója nem egyenrangú a sorrendben. A szervezet, az IT-infrastruktúra és az adatmenedzsment az alapvető dimenziók: ezek határozzák meg, hogy van-e mire építeni. A governance, a készségek és a kultúra mint dimenziók ezektől függenek. Egy nagykereskedelmi vállalat, amely AI-vezérelt beszerzési tanácsadással szeretne kezdeni, de akinek a készletadatai három olyan rendszerben állnak, amelyek ellentmondanak egymásnak, nem az ambíciót hiányolja, hanem az alapot. Ez nem a több képzés vagy több elfogadottság megteremtésének kérdése — ez egy adatmenedzsment-kérdés, amelyre előbb választ kell adni.
Ez a sorrend azt is megmagyarázza, miért maradnak a nagykereskedelemben a pilóták gyakran a foundation vagy activation szinten. A szervezet beszerzett vagy megépíttetett egy AI-alkalmazást — ez látható és bizonyítható — de azok az alapok, amelyeken ennek az alkalmazásnak működnie kellene, sosem lettek rendbe hozva. Az eredmény egy eszköz, amely a munka mellett áll, nem pedig benne.
A kérdés nem az, hogy az Önök nagykereskedelmi vállalata készen áll-e az AI-ra általános értelemben — ez egy olyan kérdés, amelyre nincs használható válasz. A kérdés az, hogy a hét dimenzió közül melyiken áll szilárdan az Önök szervezete, és melyiken nem, és hogy ez a kép egyezik-e azok között, akik döntenek róla, és azok között, akik dolgoznak vele. Ez az összehasonlítás pontosan az, amire az érettségmérés épül: öt szint, hét dimenzió, és egy plot-kör, amely láthatóvá teszi a szórást, helyette hogy elsimítaná azt.
Az eredmény vállalatonként erősen különbözik, még a nagykereskedelmen belül is. Néhány küzdelmet, amelyet ez a szektor ismer, a szállítási szektorral osztja meg, ahol a volumenvezérelt logisztika hasonlóképpen igényel szervezetszinten helyes adatmenedzsmentet. Más hasonlóságok a feldolgozóiparral állnak fenn, ahol a termelési és készletfolyamatok hasonló követelményeket állítanak az IT-infrastruktúrával szemben. És aki sok kicsi, elszórt ügyfélkapcsolattal kereskedik, esetleg felismerheti magát abban, ami a kiskereskedelemben zajlik, ahol az ügyfelekről és tranzakciókról szóló adatok sem kerülnek automatikusan egy helyre.
A hybridresourcing érettségmérése jelenleg épül. Aki a mérést szeretné elvégezni, amint elérhető lesz, felírhatja magát a várólistára. Itt nem adnak el semmit, ami még nem létezik — csak azt a lehetőséget, hogy elsőként hallja, amikor mégis létezik.
Ez a mérés azt a kérdést válaszolja meg, hogy az Önök nagykereskedelmi vállalata rendelkezik-e az AI hordozásához szükséges alapokkal — a szervezet, az infrastruktúra, az adatmenedzsment, amelyre minden más épül. Nem válaszolja meg azt a kérdést, hogy a készletgazdálkodásban, rendelésfeldolgozásban vagy beszerzésben a munka mely része vehető át valóban az AI által. Az a kérdés az FTE TO AI munkaszkennerénél van, amely feladatonként számítja ki, mekkora rész alkalmas erre. A két kérdés összetartozik, de egy rögzített sorrendben: előbb tudni, hogy a talaj hordja-e, csak azután, mi épülhet rá.
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.