Széttagolt céges adatok: mit érdemes rendbe tenni az AI-elemzés előtt?

A vállalkozásodban összegyűlt adatok értéke attól is függ, mennyire tudsz velük dolgozni. Lehet több táblázatod, hosszú szöveges nyilvántartásod és sok korábbi bejegyzésed, közben egy egyszerű vezetői kérdésre is nehéz választ találni. Ugyanaz a partner eltérő néven szerepel, a megjegyzésekből hiányoznak az egységes kategóriák, a munkatársak pedig mást értenek ugyanazon az állapoton. Ilyenkor először az adatok jelentését és minőségét kell rendezni.

Szerintem az AI-alapú adatfeldolgozásnak akkor van értelme, ha pontos üzleti feladatot adunk neki. Előbb meghatározzuk, mit szeretnénk megtudni, majd megvizsgáljuk, milyen adatból lehet erre válaszolni. Ebből derül ki, hol segíthet a gépi feldolgozás, és melyik döntéshez kell továbbra is emberi ellenőrzés.

Milyen üzleti kérdésre keresel választ?

A „nézzük meg, mit talál benne az AI” túl tág feladat. Fogalmazz meg olyan kérdést, amelynek a válasza alapján valamit másként csinálnál. Milyen ügyek miatt keresnek benneteket rendszeresen? Mely bejegyzések tartoznak ugyanahhoz a témához? Hol hiányzik olyan információ, amelyre a napi munkában szükségetek lenne? Egy körülhatárolt kérdéshez könnyebb megfelelő feldolgozást és ellenőrzést tervezni.

Határozd meg azt is, ki fogja használni az eredményt. A vezetőnek egy döntést segítő összesítés kellhet, a munkatársnak pedig a javítandó sorok listája. A két igény eltérő kimenetet kíván. Már az elején érdemes leírni, milyen formában tudtok dolgozni a kapott anyaggal, és melyik következő feladatot könnyítené meg.

Az elemzés határait is jelöld ki: mely időszak, mely tevékenység és mely nyilvántartás tartozik bele? Ha ezek menet közben változnak, az eredmény jelentése is módosulhat. Így később is visszakövethető marad, pontosan mire vonatkozott az összesítés.

Milyen adatokat érdemes előkészítened?

Készíts rövid listát arról, hol vannak a szükséges adatok, ki kezeli őket, és mikor frissültek utoljára. A fájlnév önmagában keveset mond. Fontosabb, hogy egy sor mit jelent, melyik mező azonosítja a bejegyzést, és van-e olyan oszlop, amelynek értelmét csak az egyik kolléga ismeri. Ezeket a magyarázatokat a feldolgozás előtt kell összegyűjteni.

Az induló felméréshez egy jellemző, megfelelően előkészített minta sokat segít. Legyen benne szabályos bejegyzés, hiányos sor és nehezebben értelmezhető eset is. A kizárólag gondosan kitöltött adatokból álló mintán könnyű túl kedvező képet kapni a feladatról. Az első egyeztetéshez szükségtelen személyes vagy bizalmas információkat hagyd ki.

A források közötti kapcsolatot is tisztázd. Ha két listát szeretnél együtt vizsgálni, meg kell érteni, melyik adat alapján tartozhat össze két bejegyzés. Egy hasonló cégnév önmagában kevés biztosíték az összevonáshoz. A bizonytalan egyezésekhez külön ellenőrzési szabály kell.

Mit kell rendbe tenni az elemzés előtt?

Először érdemes különválasztani a formai és a tartalmi hibákat. Egy eltérően írt dátum formázási kérdés lehet. Egy egymásnak ellentmondó státusz már azt is igényelheti, hogy megkeressük a helyes információt. Az üres mező jelentése sem mindig ugyanaz: jelezhet ismeretlen adatot, elmulasztott rögzítést vagy az adott sorra nem vonatkozó kérdést.

A címkézésnél előre meg kell határozni a kategóriákat. Mit jelent az egyes címke, és milyen eset tartozhat bele? Lehet-e több címkéje ugyanannak a bejegyzésnek? Mi történjen azzal, amelyik egyik csoportba sem illik? Ha ezeket a szabályokat kihagyjuk, a szépen rendezett táblázat mögött továbbra is eltérő értelmezések maradhatnak.

A tisztítás eredménye legyen összevethető az eredeti állománnyal. Látni szeretném, mi változott, mely sorok kerültek külön ellenőrzésre, és mi maradt megoldatlan. A javítások követhetősége később is hasznos, amikor egy munkatárs rákérdez egy korábban megszokott adat helyére vagy jelentésére.

Hol kell megmaradnia az emberi ellenőrzésnek?

Az AI által javasolt besorolást a feladat következményeihez igazítva kell ellenőrizni. Egy témacsoportba rendezett megjegyzés és egy ügyféladat végleges összevonása eltérő kockázatú művelet. A bizonytalan vagy nagyobb hatású változtatásokat külön érdemes kezelni. Előre állapodjunk meg abban, melyik lépéshez szükséges jóváhagyás.

A kipróbáláshoz válasszunk olyan mintát, amelynél egy hozzáértő munkatárs meg tudja mondani a helyes eredményt. A gépi javaslatot ehhez hasonlíthatjuk. A téves besorolásokból az is kiderülhet, hogy a feladatleíráson, a kategóriákon vagy magukon az adatokon kell változtatni. Egy meggyőzően megfogalmazott összefoglalót is ellenőrizni kell a forrás alapján.

Az üzleti következtetés külön figyelmet érdemel. Ha például egy nyilvántartásban valamelyik témáról több bejegyzés szerepel, vizsgálni kell azt is, hogyan rögzítették ezeket. Az adatgyűjtés módja befolyásolhatja, milyen következtetést indokolt levonni belőlük.

Mit adhat a helyi feldolgozás?

A helyi AI-modelleket a saját gépemen futtatom. Az adatokat a megbeszélt módon adod át, így a feldolgozáshoz a nyers állományt nem kell egy további nyilvános generatív AI-szolgáltatásba feltöltenem. Ez az elemzés környezetét írja le. Az átadás, a hozzáférések, a tárolás és a másolatok kezelése külön figyelmet igényel; a helyi működés önmagában nem jelent teljes adatvédelmet.

A vállalható feladatot a bemeneti adatok, a választott módszer és a rendelkezésre álló környezet alapján lehet meghatározni. Én először a rendezendő anyagot és a kívánt eredményt nézném meg. Az első egyeztetéshez írd le az üzleti kérdésedet, az adatok hozzávetőleges mennyiségét, jelenlegi formáját és a visszatérő nehézséget.

A helyi AI-alapú adatfeldolgozás, adatbázis-rendezés és üzleti elemzés szolgáltatásomnál ezekből indulunk ki. Az aktuális elérhetőséget és a megvalósítás lehetőségét előzetesen egyeztetjük. Így konkrét adatok és ellenőrizhető elvárások alapján beszélhetünk a feladatról.