V tem članku obravnavamo:

Novi izzivi trajnostnega poročanja v finančnem sektorju

S sprejetjem direktive CSRD ter pripadajočih standardov ESRS se je področje trajnostnosti preoblikovalo iz prostovoljnega poročanja v strogo reguliran proces. Za zavarovalniške in finančne ustanove to pomeni obvladovanje ogromnih količin nefinančnih podatkov, ki izvirajo iz različnih internih sistemov ter zunanjih virov.

Poleg spremljanja neposrednih in posrednih emisij toplogrednih plinov (Scope 1, 2 in 3 po GHG protokolu) morajo finančne ustanove poročati tudi o skladnosti naložbenih portfeljev in zavarovalnih produktov z EU Taksonomijo. Celoten proces mora biti izveden tako, da omogoča neposreden pregled in potrditev s strani zunanjih revizorjev.

Zakaj se je Zavarovalnica Triglav odločila za rešitev CCH Tagetik ESG?

Obsežnost in kompleksnost novih zahtev narekujeta prehod od ročnih obdelav podatkov in preglednic k celoviti informacijski rešitvi. Zavarovalnica Triglav in Skupina Triglav sta po temeljiti analizi ponudnikov za strateško platformo izbrala CCH Tagetik, Wolters Kluwer, v regiji pa jo uspešno implementiramo v specializiranem svetovalnem podjetju CRMT.

Ključni razlogi za izbiro rešitve CCH Tagetik ESG vključujejo:

• Povezovanje financ in ESG na eni platformi: CCH Tagetik združuje finančne in nefinančne podatke v enoten vir resnice (»single source of truth«).
• Vnaprej pripravljene vsebinske predloge in modeli: Vgrajeni modeli po ESRS standardih in GHG protokolu pospešujejo uvedbo ter zmanjšujejo tveganje neskladnosti.
• Prilagoditve zavarovalniškemu sektorju: Zmožnost integracije zunanjih in internih podatkov o naložbah ter zavarovalnih policah za potrebe EU Taksonomije.
• Preverjena lokalna strokovnost: Večletne izkušnje podjetja CRMT pri uvajanju rešitev CCH Tagetik ter poznavanje specifik regulatornega okolja.

Ključne funkcionalnosti rešitve CCH Tagetik ESG

Rešitev CCH Tagetik Zavarovalnici in celotni Skupini Triglav zagotavlja podporo skozi celoten življenjski cikel ESG poročanja:

• Ocena dvojne pomembnosti (Double Materiality Assessment – DMA): Sistem ponuja vnaprej pripravljene vprašalnike in orodja za določanje bistvenih ESG tematik z vidika vpliva na okolje/družbo ter finančnega vpliva na poslovanje.
• Izračun emisij toplogrednih plinov (GHG Modul): Natančen izračun Scope 1, 2 in 3 emisij v skladu z mednarodno priznanimi metodologijami.
• Avtomatizirani mehanizmi validacije: Vgrajene kontrole preverjajo skladnost, konsistentnost s preteklimi obdobji ter obstoj pričakovanih podatkovnih točk glede na izvedeno oceno pomembnosti.
• Revizijska sledljivost (Audit Trail): Zapis o vnosih, spremembah in izračunih s podrobnimi podatki o uporabniku in času spremembe, kar zunanjim revizorjem omogoča hiter ter enostaven pregled.
• Scenarijske analize in IRO (Impacts, Risks, Opportunities): Orodje za simulacijo različnih scenarijev ter oceno vplivov, tveganj in priložnosti.

Trajnostno delovanje je vpeto v osrčje naše poslovne strategije, transparentno in verodostojno poročanje o našem vplivu pa je ključno za krepitev zaupanja naših deležnikov. Regulatorne zahteve na področju ESG postajajo vse obsežnejše in kompleksnejše, zato smo potrebovali robustno, zanesljivo in napredno informacijsko podporo. Rešitev CCH Tagetik nas je prepričala s svojo celovitostjo in zmožnostjo avtomatizacije zahtevnih procesov zbiranja in obdelave podatkov. Od uvedbe rešitve pričakujemo večjo učinkovitost procesov, visoko kakovost in revizijsko sledljivost podatkov ter boljši vpogled, ki nam bo v pomoč pri nadaljnjem usmerjanju in doseganju naših trajnostnih ciljev.

Nina Kelemen, vodja razvoja trajnostnega poslovanja v Zavarovalnici Triglav

Ponosni smo, da je Zavarovalnica Triglav kot vodilna finančna ustanova v regiji ponovno prepoznala CRMT in rešitev CCH Tagetik kot strateškega partnerja pri digitalni transformaciji ključnih poslovnih procesov. ESG poročanje ni več le regulatorna obveznost, temveč postaja osrednji element upravljanja poslovne uspešnosti in tveganj. Rešitev CCH Tagetik ESG podjetjem omogoča, da nefinančne podatke obravnavajo z enako stopnjo natančnosti, kontrole in upravljanja kot finančne podatke. Z našim strokovnim znanjem in poznavanjem specifik zavarovalniškega sektorja bomo Skupini Triglav zagotovili nemoteno uvedbo ter sistem, ki jim bo dolgoročno lajšal izpolnjevanje zahtevnih standardov poročanja.

Daniel Potočnik, Partner, CFO ter Specialist za trajnostno poročanje v podjetju CRMT

Kaj Skupina Triglav pričakuje od izbrane rešitve?

Z uspešno implementacijo rešitve CCH Tagetik ESG bo Skupina Triglav pridobila:

• Poenoteno in centralizirano zbiranje ESG podatkov iz različnih poslovnih enot in odvisnih družb v Skupini Triglav.
• Brezhibno usklajenost z ESRS in CSRD ter pripravljenost na prihodnje zakonske dopolnitve in tehnične standarde (npr. XBRL/iXBRL označenje).
• Bistveno zmanjšanje tveganja napak ter prihranek časa z odpravo ročnih procesov pretakanja podatkov.
• Visoko raven zaupanja deležnikov in revizorjev zaradi popolne preglednosti in sledljivosti vseh podatkovnih točk.
• Ste pripravljeni na naslednji korak?

Ste pripravljeni na naslednji korak?

Naša izkušena ekipa strokovnjakov vam z veseljem odgovori na vprašanja in vam svetuje, kako učinkovito vzpostaviti sistem za ESG poročanje in upravljanje uspešnosti poslovanja v vaši organizaciji.

The post Kako Zavarovalnica Triglav z rešitvijo CCH Tagetik ESG postavlja nove standarde trajnostnega poročanja appeared first on crmt.com.

Če tri različna AI orodja vprašate isto poslovno vprašanje, na primer “Kakšen je bil naš skupni prihodek v zadnjem četrtletju?”, obstaja povsem realna možnost, da boste dobili dobil tri različne odgovore. Ne zato, ker bi AI napačno razumel vprašanje, ampak zato, ker je vsako orodje definicijo “prihodka” povzelo iz drugega vira.

To je neprijetna resnica za hitrim vstopom umetne inteligence v poslovno analitiko: AI zelo dobro razume, kaj ga vprašamo. Veliko manj zanesljiv pa je pri odločanju, kaj naj odgovor pomeni, če ta pomen ni upravljan zunaj njega samega.

Razdrobljeni podatki in pomen niso nova težava

Večina podjetij analitike ne izvaja prek enega samega orodja. Prodaja morda uporablja eno BI platformo, trženje drugo, finance tretjo, vsaka pa ima svojo različico “prihodka”, “kupca” ali “marže”, vgrajeno neposredno v orodje. O tem, kako tak mozaik izvornih sistemov in vzporednih definicij metrik ustvarja poročila, ki so videti profesionalna, a si v resnici nasprotujejo, smo že pisali.

Dokler so razlike usklajevali ljudje, so bila ta razhajanja obvladljive. AI agenti pa ta človeški blažilnik odstranijo. Ko klepetalni robot ali AI agent odgovori takoj in samozavestno, nihče ne preveri, katero različico “prihodka” je uporabil v svojem odgovoru. Razdrobljenost, ki je bila ves čas prisotna, postane naenkrat veliko bolj vidna in veliko dražja.

Ko se dve AI orodji ne ujemata, mora nekdo številke še vedno ročno uskladiti, kar pomeni, da se “krajša pot do odgovora”, zaradi katere je AI tako privlačen, v resnici podaljša na račun ročnega preverjanja. Odločanje se upočasni ravno takrat, ko naj bi ga AI pospešil, ker ljudje ugotavljajo, kateremu rezultatu zaupati.

Vsako nerazrešeno neskladje hkrati tudi spodkopava zaupanje v samo orodje. Ko poslovni uporabnik ujame AI pomočnika pri dveh različnih odgovorih na isto vprašanje, mu praviloma preneha zaupati pri vsem, kar je pomembno, in se vrne k ročnemu preverjanju izvornega poročila. To je resnični strošek vrzeli v upravljanju pomena: ne ena napačna številka, ampak manj prihranjenega časa, počasnejše odločanje in manj zaupanja v prav tisto orodje, ki naj bi stvari pospešilo.

AI postaja glavna vstopna točka do poslovnih podatkov

Ni težko razumeti, zakaj se AI tako hitro širi znotraj poslovne analitike. Poslovnim uporabnikom omogoča bližnjico mimo nadzornih plošč, filtrov in oblikovanja poročil, naravnost do odgovora, izraženega v vsakdanjem jeziku. Finančni direktor lahko prejme odgovor na vprašanje, zakaj je v tretjem četrtletju upadla marža, ne da bi vedel, v kateri tabeli so podatki ali kako napisati poizvedbo.

Ta premik je pomemben iz treh razlogov:

Zadnja točka skriva velik “če”. Prednosti se obdržijo le, če je logika za odgovorom dosledna, ne glede na to, kateri vmesnik je vprašanje postavil.

Pogovor, pomen in poizvedba: tri ločene naloge

Najpogostejša napaka pri projektih AI in BI je, da ena sama komponenta, običajno jezikovni model sam, hkrati prevzame tri zelo različne odgovornosti.

Uporaba je aktivnost, kjer vprašanje vstopi v sistem in kjer se prikaže odgovor. To je pogovor v naravnem jeziku, z dodatnimi vprašanji in povzetki. Ta se lahko in mora razlikovati glede na to, kdo sprašuje. Vodstveni delavec morda uporablja AI pomočnika znotraj BI orodja, finančna ekipa morda dela znotraj svoje aplikacije, avtomatiziran delovni tok pa morda isto vprašanje postavi prek API-ja. Različni vmesniki so v redu, dokler ne postanejo različne ločene različice poslovanja.

Kontekst je tisto, kar podjetje dejansko razume pod pojmi “prihodek”, “kupec” ali “aktiven račun”: metrike, hierarhije, izračuni in pravila dostopov, ki surovemu podatku dajo poslovni pomen. To je sloj, ki mora biti definiran enkrat in ponovno uporabljen povsod. Če ni, lahko vsako AI orodje na koncu sestavi svojo razlago iz katere koli sheme ali poziva, do katerega ima dostop. Natanko to je razlog, da trije pomočniki na isto vprašanje postrežejo s tremi različnimi odgovori.

Izvedba je mesto, kjer upravljana zahteva postane dejanska poizvedba nad podatki podjetja. Tu je doslednost najpomembnejša: poslovno pravilo, ki mora vsakič vrniti isti odgovor, ne sme biti vsakič znova verjetnostno ustvarjeno z jezikovnim modelom. Ko si AI hkrati lasti razlago vprašanja in logiko poizvedbe, se lahko pojavijo majhne razlike, še preden je podatek sploh dosežen. Isto vprašanje lahko tiho ubere drugačno pot, odvisno od modela, poziva ali dneva poizvedbe.

Povedano preprosto: pogovor se lahko spreminja in odvija po svoje. Pomen za njim pa ne. Poizvedba, ki na koncu doseže bazo podatkov, se mora vsakič obnašati enako in operirati z enakimi pomeni.

Semantični sloj poskrbi, da si AI pomena ne izmišljuje sam

Prav to vrzel zapolnjuje univerzalni semantični sloj. Nahaja se med AI (ali katerim koli BI orodjem) in podatkovnimi platformami v ozadju ter vsebuje upravljane definicije, razmerja in pravila dostopov do podatkov, iz katerih naj črpa vsak vmesnik, namesto da si vsako orodje izdela svojo različico.

O tem, kako to ščiti občutljive podatke in podpira skladnost, smo podrobneje že pisali. Poleg tega pa je pomemben še drug vidik: zaupanje v odgovor. Ko definicije metrik živijo na enem upravljanem mestu, AI agentu ni treba ugibati, kaj pomeni “prihodek”. Podeduje definicijo, ki je že potrjena in skladna s tem, kar bi sodelavec rad videl na nadzorni plošči.

Strategy Mosaic je zgrajen natanko okrog te ločitve. AI upravlja pogovor. Mosaic hrani poslovno logiko. Deterministični mehanizem SQL upravljane zahteve pretvori v poizvedbe, s čimer del sistema, ki se ne sme spreminjati, ostane zunaj rok jezikovnega modela, ki po svoji zasnovi vsakič, ko mu postaviš isto vprašanje, ustvari rahlo drugačen odgovor.

Kaj to pomeni za vodstva in IT pri uvajanju AI?

AI v analitiki ni le trenutna modna muha: hitro namreč postaja glavni način, kako ljudje delajo s podatki podjetja. To je dobro za dostopnost. A ostane dobro le, če je poslovna logika za vsakim odgovorom upravljana enkrat, centralno in dosledn, ne glede na to, prek katerega orodja, modela ali vmesnika je prišlo vprašanje.

Cilj ni, da se AI ločeno doda na vsako obstoječe BI orodje. Cilj je zagotoviti, da vsako orodje črpa iz iste, zaupanja vredne razlage poslovnih pojmov, kot jih razume podjetje.

Poslovna logika ne bi smela biti prepuščena naključju jezikovnega modela. Kot dolgoletni Strategy partner vam pomagamo postaviti ustrezne temelje za zaupanje vsakemu AI odgovoru, ne glede na to, od kod prihaja. Kontaktirajte nas in se dogovorite za predstavitev.

The post Isto vprašanje, trikrat drugačen odgovor: vrzel v upravljanju pomena pri analitiki z umetno inteligenco appeared first on crmt.com.

Serijo blogov, v kateri obujamo najzanimivejše vsebine letošnje Adriatik kontroling konference, nadaljujemo s predavanjem Beyond Historical Concepts: Driving Future-Ready Controlling, ki sta ga na 21. Adriatik kontroling konferenci predstavila Christian Brumm, vodja oddelka za operativno odličnost financ pri podjetju Zalando in soavtor knjige Agile Konzepte im Controlling, in Pia Burkarth, finančna direktorica podjetja Veridos Mexico ter članica upravnega odbora mednarodnega združenja kontrolorjev ICV.

Predavatelja sta se v svojem nastopu vprašala, kakšna vodstvena načela in strukture kontroling danes sploh potrebuje, da lahko ustvarja resnično dodano vrednost za podjetje, in kako lahko funkcija, ki je bila desetletja zasnovana na planiranju in analizi, uspešno prestopi v svet nenehnih sprememb.

Vpogledi z 21. Adriatik kontroling konference
1: Od reaktivnega poročanja do proaktivnega kontrolinga: izkušnja Zavarovalnice Sava
2: Ko nadzorne plošče nadomestijo ugibanje: Resaltina pot do operativnega kontrolinga v realnem času
3: Onkraj preteklih konceptov: kako graditi kontroling, pripravljen na prihodnost

Svet BANI: od negotovosti do nerazumljivosti

Izhodišče predavanja je bila ugotovitev, da podjetja danes ne delujejo več le v znanem okolju VUCA (Volatility, Uncertainty, Complexity, Ambiguity), temveč vse pogosteje v tako imenovanem svetu BANI (Brittle, Anxious, Nonlinear, Incomprehensible). Po mnenju govorcev globalne vrednostne verige, politična negotovost, tehnološki preboji, kot je umetna inteligenca, in hitro spreminjajoče se tržne razmere od kontrolinga zahtevajo drugačen pristop k vodenju in odločanju, kot ga je narekovalo prejšnje, bolj predvidljivo poslovno okolje.

Od zapletenega h kompleksnemu: model Cynefin

Za razumevanje, kdaj so primerne agilne in kdaj tradicionalne metode dela, sta predavatelja uporabila model Cynefin, ki poslovne izzive razvršča v štiri kategorije: preprosto, zapleteno, kompleksno in kaotično. V preprostih in zapletenih nalogah, kjer je razmerje med vzrokom in posledico razmeroma jasno, se še vedno obnesejo uveljavljene, bolj tradicionalne metode planiranja. V kompleksnem in kaotičnem okolju, kjer povezave med ukrepi in učinki niso vnaprej znane, pa je potreben drugačen pristop. V teh primerih se priporočajo eksperimentiranje, sprotno učenje, samoorganizirane ekipe in vodenje, ki je usmerjeno v podporo ekipi, ne le v nadzor nad njo.

Po besedah govorcev gre za pravi paradigmatski premik: iz sveta, kjer so organizacije temeljile na planiranju ter znanju in dejstvih, v svet, kjer prevladujejo eksperimentiranje, učenje in opolnomočene ekipe.

Miselnost kot vez med namenom in taktiko

Zanimiv del predavanja je bil posvečen modelu, v katerem miselnost povezuje namen (cilje in skupno usmeritev) s taktikami (procesi, orodji in vlogami). Gre za prepričanja, vrednote in načela, po katerih ekipa deluje. Po prepričanju govorcev agilna preobrazba brez skladnosti med tem, zakaj nekaj počnemo, in tem, kako to počnemo, ne more biti trajna. Pri tem sta poudarila, da univerzalne rešitve ni: vsaka organizacija in ekipa mora procese, vloge in orodja prilagoditi svojim razmeram.

S tem je povezan tudi koncept miselnosti rasti (po modelu psihologinje Carol Dweck): ljudje z miselnostjo rasti izzive sprejemajo kot priložnost, vztrajajo kljub oviram, se učijo iz kritike in v uspehu drugih vidijo navdih, namesto da bi ga dojemali kot grožnjo. Po besedah predavateljev prav takšni ljudje poganjajo organizacijsko preobrazbo.

Agilno vodenje kot temelj preobrazbe

Burkarthova je izpostavila, da se z vstopom v kompleksnejše okolje spreminja tudi vloga vodje. Agilni vodja predvsem določa jasno smer in namen (svojo “severno zvezdo”), vodi ekipo k samoorganizaciji, ji zaupa odločanje na ravni, kjer je znanje dejansko prisotno, ter odgovornost delegira glede na motivacijo in usposobljenost posameznika. Hkrati mora vodja ohranjati ravnotežje med skrbjo za ljudi in potrebno mero odločnosti, saj tudi v agilnem okolju ostajajo roki in poslovne zahteve, ki jih je treba izpolniti.

Zalando v praksi: kontroling kot “kopilot”

V drugem delu predavanja je Brumm predstavil, kako je Zalando svojo finančno funkcijo razvijal v smeri poslovnega partnerstva. Namesto splošnega poimenovanja “poslovni partner” so pri Zalandu izbrali metaforo kopilota: nekoga, ki poslovanja ne vodi namesto poslovnih funkcij, ampak jim ponuja dodatne podatke, opozarja na scenarije in soodloča o smeri, pri čemer dobro pozna tako “letalo” kot pilota, torej podjetje in njegove ljudi.

Da bi to vlogo dejansko lahko odigrali, so pri Zalandu po besedah Brumma vložili veliko truda v razumevanje resničnih gonilnih dejavnikov poslovanja, ne le v prikazovanje standardnih finančnih kazalnikov. To razliko je ponazoril s prispodobo ledene gore: površinski pogled na stranko in njene potrebe je le vrh, pravo razumevanje poslovanja pa zahteva poglobitev v dejanske procese in podatke, ki se skrivajo pod površjem.

The post Onkraj preteklih konceptov: kako graditi kontroling, pripravljen na prihodnost appeared first on crmt.com.

Serija: Podatki, pripravljeni na umetno inteligenco — 3. del

V prejšnjem članku smo se posvetili enemu najpomembnejših temeljev zaupanja vredne umetne inteligence: kontekstu.

Lukas Zimmermann je na našem dogodku AI Success Starts with AI-Ready Data prikazal, zakaj priprava podatkov za AI ne vključuje zgolj vprašanje prenosa podatkov na sodobno platformo ali gradnje nove nadzorne plošče. AI sistemi potrebujejo poslovni pomen, upravljanje in doslednost in ravno zato semantični sloj postaja tako ključen del sodobne podatkovne arhitekture.

Ko pa organizacije rešijo vprašanje konteksta, se hitro pojavi naslednji izziv: ali je obstoječa infrastruktura sploh sposobna podpreti AI v resničnem poslovnem okolju?

V praksi AI ni več le klepetalni robot ali manjši projekt, ki deluje na omejenem naboru podatkov. Postaja del operativnih sistemov, analitičnih procesov in odločevalskih tokov in pogosto vključuje velike količine tako strukturiranih kot nestrukturiranih podatkov.

To pa popolnoma spremeni zahteve. Eno najmočnejših sporočil predavanja Dirka Beerbohma (Exasol) na tem dogodku je bilo: uspešna poslovna raba AI ni odvisna le od modela samega, temveč od infrastrukture, upravljanja podatkov in podatkovne arhitekture.

Blog serija: Podatki, pripravljeni na umetno inteligenco
1: Kaj pomeni “na AI pripravljeni podatki”?
2: Enoten vir resnice: Zakaj je semantični sloj hrbtenica zanesljive poslovne umetne inteligence
3: Zakaj infrastruktura odloča o uspehu poslovne umetne inteligence

Pravi izziv za umetno inteligenco se začne po pilotni fazi

Večina razprav o AI se še vedno vrti okoli modelov, kopilotov in “promptov”. Po Beerbohmu pa se prava kompleksnost pokaže šele, ko organizacije iz eksperimentiranja preidejo v produkcijsko uporabo.

Tradicionalna analitična okolja so bila zgrajena okoli strukturiranih podatkov: sistemov ERP, evidenc strank, finančnih transakcij in poročevalskih platform. Ti sistemi so predvidljivi, ker so podatki v njih urejeni in upravljani. Težava je v tem, da večina poslovnega znanja v podjetju sploh ne obstaja v obliki strukturiranih tabel.

Dokumenti, elektronska sporočila, datoteke, operativne opombe, povratne informacije strank, sistemski zapisi in pogodbe predstavljajo bistveno večji del poslovnih informacij, ki pa ostajajo nedostopne za tradicionalne analitične pristope. Beerbohm je to opisal kot »skriti« del poslovnih podatkov: ogromne količine nestrukturiranih informacij, ki jih podjetja le redko znajo učinkovito izkoristiti.

AI to spreminja. Veliki jezikovni modeli omogočajo pridobivanje pomena, entitet, razpoloženja in konteksta iz nestrukturiranih informacij na načine, ki so bili do nedavnega preveč zapleteni ali predragi za praktično uporabo. S tem pa nastajajo tudi povsem nove operativne zahteve.

AI obremenitve se razlikujejo od klasične analitike

Ena najpomembnejših ugotovitev je bila, da se AI obremenitve v osnovi razlikujejo od klasičnih okolij za poslovno inteligenco in poročanje.

Tradicionalni analitični sistemi pretežno obdelujejo strukturirane poizvedbe in temeljijo na vnaprej določenih modelih.

Beerbohm je pojasnil, da sodobne AI arhitekture vse bolj stremijo k temu, da se obdelava izvaja čim bližje podatkom, s čimer se izognemo nepotrebnemu premikanju podatkov, zmanjšamo kompleksnost in izboljšamo zmogljivost.

To postane še posebej pomembno, ko AI preseže meje pilotnih projektov in začne podpirati operativne procese v realnem času.

Z drugimi besedami: AI ni le še ena plast, dodana obstoječi infrastrukturi. Spreminja samo arhitekturo.

Ustrezno upravljanje podatkov pridobiva na pomenu

Z rastjo zmogljivosti umetne inteligence naraščajo tudi izzivi upravljanja. Ena od ponavljajočih se tem na dogodku je bila, da morajo organizacije ohraniti nadzor nad tem, kako AI dostopa do podatkov, jih razlaga in uporablja.

To je še posebej pomembno v reguliranih panogah, npr. bančništvu, zavarovalništvu in telekomunikacijah, kjer so preglednost, sledljivost in skladnost s predpisi neizogibne zahteve.

Veliki jezikovni modeli lahko ustvarijo zelo prepričljive rezultate, organizacije pa pogosto ne morejo natančno ugotoviti, kako je do tega rezultata prišlo. Beerbohm je to izpostavil kot eno ključnih omejitev velikih jezikovnih modelov v poslovnem okolju.

Zato bi moral AI podpirati odločanje, ne pa ga samostojno izvajati brez ustreznega upravljanja in človeškega nadzora.

The post Zakaj infrastruktura odloča o uspehu poslovne umetne inteligence appeared first on crmt.com.

Kako upravljati portfelj 229 aktivnih projektov v sedmih državah, z dvema različnima poslovnima modeloma, pri čemer nekatere pogodbe tečejo tudi 25 let? To vprašanje je bilo izhodišče predavanja Aleša Juraka, direktorja operacij pri Resalti, na letošnji Adriatik kontroling konferenci v Ljubljani.

Odgovor ni preprost, je pa konkreten.

Vpogledi z 21. Adriatik kontroling konference
1: Od reaktivnega poročanja do proaktivnega kontrolinga: izkušnja Zavarovalnice Sava
2: Ko nadzorne plošče nadomestijo ugibanje: Resaltina pot do operativnega kontrolinga v realnem času
3: Onkraj preteklih konceptov: kako graditi kontroling, pripravljen na prihodnost

Od Excelove matrike do podatkovnega skladišča

Resalta je bila leta 2011 ustanovljena kot skupno podjetje Gorenja, Geoplina in Energetike Ljubljana. Danes je del škotske skupine Aggreko in deluje kot eden vodilnih ponudnikov energetskih storitev v regiji. Ukvarjajo se s solarnimi elektrarnami in hranilniki energije, celovitimi energetskimi prenovami stavb, sistemi ogrevanja in hlajenja ter storitvami razogljičenja.

Leta 2019 so vpeljali standardiziran postopek vodenja projektov s 150 koraki in ga sprva vodili v Excelu. Ko sta portfelj in geografska razpršenost narasla, je postalo jasno, da je treba ta postopek digitalizirati.

Odločili so se za postopen pristop: najprej vzpostavitev upravljanja matičnih podatkov na platformi Webcon, nato pa izgradnja podatkovnega skladišča, ki združuje podatke iz več sistemov za upravljanje poslovnih procesov po različnih državah. CRMT je postavil podatkovno osnovo, vizualizacija in analitika pa tečeta na platformi Strategy.

Štirje temeljni izzivi kontrolinga

Jurak je izpostavil štiri ključne izzive, ki jih pri dolgoročnih naložbah preprosto ni mogoče obvladovati brez ustrezne podatkovne arhitekture:

Pet nadzornih plošč

Rešitev, ki jo Resalta danes uporablja, zajema pet medsebojno povezanih operativnih nadzornih plošč:

The post Ko nadzorne plošče nadomestijo ugibanje: Resaltina pot do operativnega kontrolinga v realnem času appeared first on crmt.com.

Na letošnji, že 21. Adriatik kontroling konferenci, posvečeni modernizaciji kontrolinga, je posebno pozornost pritegnilo predavanje Matica Hrena, arhitekta informacijskih rešitev v Zavarovalnici Sava. Pred občinstvom strokovnjakov je Hren predstavil konkreten primer, kako odločitev o podatkovni infrastrukturi neposredno vpliva na kakovost in pravočasnost poslovnih odločitev in zakaj je ta odločitev pomembna za vsako večje podjetje. 

Ozka grla, ki jih poznate

Zavarovalnica Sava, druga največja zavarovalnica v Sloveniji in matična družba mednarodne Zavarovalne skupine Sava, se je soočala z izzivom, ki ni redek med večjimi organizacijami s kompleksno podatkovno infrastrukturo. ETL-procesi so postajali vse počasnejši, podatki pa so v podatkovno skladišče prihajali z zamikom od šest do osem ur. Obstoječa arhitektura je vsako noč znova prenašala celoten nabor podatkov iz jedrnih sistemov, kar je ob naraščajočem obsegu poslovanja in širitvi na nove trge postajalo vse manj vzdržno.

Posledice so najbolj občutili oddelki za kontroling in poslovno obveščanje, saj so večino svojega časa porabili za čakanje na podatke, preverjanje celovitosti in reaktivno poročanje, namesto da bi se lahko v večji meri posvetili analitiki z dodano vrednostjo.

Se prepoznate v tem opisu? Niste sami.

Vpogledi z 21. Adriatik kontroling konference
1: Od reaktivnega poročanja do proaktivnega kontrolinga: izkušnja Zavarovalnice Sava
2: Ko nadzorne plošče nadomestijo ugibanje: Resaltina pot do operativnega kontrolinga v realnem času
3: Onkraj preteklih konceptov: kako graditi kontroling, pripravljen na prihodnost

Rešitev: zajemanje sprememb v podatkih

Ekipa Zavarovalnice Sava je rešitev poiskala znotraj obstoječega nabora orodij. Kot primarno orodje za integracijo in orkestracijo podatkov so namreč že doslej uporabljali Qlik Talend, ki so ga nato nadgradili z orodjem Qlik Replicate. Ta temelji na tehnologiji CDC (Change Data Capture), ko sistem namesto celotnega prenosa podatkov bere le dnevniške zapise transakcij in v analitično okolje prenaša izključno tiste podatke, ki so se dejansko spremenili.

Rezultati so bili očitni: podatkovna latenca se je z več ur skrčila na manj kot 15 minut. Analitični strežnik je sedaj praktično v sinhronem stanju z jedrnimi sistemi, sistem pa v enem mesecu zanesljivo obdela do 400 milijonov sprememb v posameznih tabelah.

The post Od reaktivnega poročanja do proaktivnega kontrolinga: izkušnja Zavarovalnice Sava appeared first on crmt.com.

Predstavljajte si naslednji scenarij: vaš finančni oddelek poroča o 10 % višjem prihodku kot prodajna ekipa. Vodstvo podjetja medtem od dveh različnih AI agentov prejme še tretjo in četrto različico iste ključne metrike. Zveni znano?

V času, ko se podjetja prerivajo, kdo bo hitreje uvedel umetno inteligenco, pogosto pozabljamo na temeljno resnico: AI je le toliko pametna, kot so urejeni in konsistentni podatki, s katerimi hrani svoje modele.

V tem zapisu odgovarjamo na ključna vprašanja o prihodnosti upravljanja podatkov in vlogi sodobnih rešitev, kot je Strategy Mosaic.

1. Ali imajo univerzalni semantični sloji v času hitrega razvoja AI sploh kakšno možnost uspeha?

Kratek odgovor: Ne le, da imajo možnost, postajajo ključna infrastruktura za preživetje!

Trg semantičnih slojev se po napovedih uvršča med najhitreje rastoče segmente podatkovne inteligence med letoma 2025 in 2031, z napovedano kar 30-odstotno letno rastjo. Razlog za to eksplozijo je prav napredek umetne inteligence.

Brez univerzalnega semantičnega sloja namreč napredni AI agenti:

• Halucinirajo z metrikami in ponujajo nekonsistentne odgovore.
• Ne omogočajo ustrezne revizijske sledi (praktično nemogoče je ugotoviti, kako so prišli do končnega rezultata).
• Delujejo v silosih, kar pomeni konec enotnega vira resnice (Single Source of Truth).

2. Kako univerzalni semantični sloj pozicionirati v primerjavi z umetno inteligenco, ki se sama dokoplje do podatkov?

Na trgu trenutno spremljamo dvoboj dveh temeljno različnih pristopov. Poglejmo si realno sliko obeh svetov.

Pristop A: Decentraliziran, samodejno ustvarjen semantični sloj na osnovi umetne inteligence 

Gre za koncept, kjer AI agent neposredno bere surove podatke, sklepa relacije in gradi začasni graf znanja ali pa neposredno izvaja poizvedbe z RAG/LLM. Čeprav zveni privlačno, se v praksi hitro zaleti v naslednje zidove:

• Pomanjkanje razumevanja poslovnega konteksta: AI ne pozna poslovne logike. Pojem »prihodek« v financah ni enak »prihodku« v marketingu. AI bo izbral statistično najbolj verjetno definicijo, spregledal pa bo nianse (npr. odložene obveznosti ali valutne razlike). Posledično bo finančni oddelek poročal o 10 % višjem prihodku kot prodajni, direktor pa prejemal različne številke od različnih AI agentov.
• Neizogibne halucinacije: LLM modeli so verjetnostno naravnani. Brez jasno definiranih metrik, hierarhij, transformacij in pravil varnosti na ravni vrstic bo AI ugibal pri združevanjih, filtriranjih in izračunih. Isto vprašanje (“Kakšen je naš NPS po regijah?”) vam bo tako v treh različnih pogovorih lahko vrnilo tri različne vrednosti.
• Odsotnost upravljanja podatkov (Data Governance): Kdo je lastnik definicije? Kaj storiti, ko se spremeni zakonodaja (npr. ESG, GDPR, SOX)? Kdo izvaja revizijo? AI ne more prevzeti odgovornosti. V reguliranih panogah (banke, farmacevtska industrija, javni sektor) je to takojšnja pomembna ovira.
• Varnostna tveganja: AI, ki se sam dokoplje do podatkov, potrebuje izjemno široke pravice, to pa je recept za uhajanja podatkov in preveliko izpostavljenost. Mosaic po drugi strani podatke federira in uveljavlja dostop na ravni semantičnega sloja.

Mejni primer: Ta pristop morda deluje zadovoljivo nekaj mesecev v majhnem podjetju oziroma startupu z eno ekipo. Takoj ko preidete mejo 50 metrik ali več ekip, se sistem neizogibno sesuje.

Pristop B: Nadzorovan in centraliziran hibridni semantični sloj (npr. Strategy Mosaic)

Ta pristop združuje človeški nadzor nad pravili in AI kot pospeševalnik. Seveda pa ima tudi ta pristop svoje izzive, če se ga ne lotimo pravilno:

• Nevarnost ozkega grla: Če podatkovna ekipa gradi sloj v silosih, poslovni del pa ne sodeluje, lahko postane rešitev draga in njeno prilagajanje prepočasno.
• Zahteva zrelost organizacije: Brez prave podatkovne kulture bo napredno orodje ostalo le »lep dashboard«, namesto da bi postalo temelj za delo z umetno inteligenco.
• Umetna inteligenca pomaga, a človek odloča: AI v Mosaicu odlično pomaga pri samodejnem preslikavanju relacij, vendar mora končno potrditev in nastavitev poslovne logike še vedno opraviti človek. Brez tega koraka nastane enak problem kot pri pristopu A.

Pregled: Kateri pristop dejansko deluje v podjetniškem okolju?

3. Kakšen je torej najboljši pristop?

Najboljša strategija ni »ali umetna inteligenca ali semantični sloj«, temveč hibridni model: Mosaic kot temelj in AI kot pospeševalnik.

To ni stališče, ki nasprotuje uporabi umetne inteligence. Nasprotno, to je edini pravi pro-AI pristop, ki priznava realne omejitve jezikovnih modelov. Umetna inteligenca v sistemu Strategy Mosaic pomaga pri hitrem modeliranju (npr. definiranje metrik v naravnem jeziku), medtem ko upravljanje, varnost in končni rezultati ostajajo pod človeškim nadzorom.

Zaključek

Čista umetna inteligenca, ki si »sama zgradi semantični sloj«, je atraktivna demonstracija za tehnološke konference, v realnem poslu pa je to recept za kaos, napačne odločitve in regulatorne kazni.

Sodobni univerzalni semantični sloji, kot je Strategy Mosaic, rešujejo točno tisto, česar AI sama ne more. Podatkov ne premikajo ali kopirajo, temveč jih pridobivanjo iz različnih virov (Snowflake, Databricks, BigQuery …) ter prek vmesnikov (MCP, Python, REST) ponujajo AI agentom strogo nadzorovane in točne metrike.

Trend je torej jasen. Semantični sloj je nova ključna infrastruktura v dobi umetne inteligence. Brez njega boste še naprej dobivali izjemno hitre a tudi napačne odgovore.

O podjetju in rešitvi Strategy Mosaic

Strategy Mosaic je sodobni “AI-ready” semantični sloj (Universal Intelligence Layer), razvit s strani podjetja Strategy. Za razliko od klasičnih semantičnih slojev iz obdobja poslovne inteligence iz devetdesetih let, Mosaic deluje kot federirana enterprise rešitev, ki brez kopiranja povezuje sodobne podatkovne vire in zagotavlja, da vsi vaši AI agenti govorijo isti poslovni jezik.

Nadaljujmo debato! Ali vaši AI agenti že uporabljajo enoten semantični sloj ali pa v vašem podjetju še vedno usklajujete različne interpretacije istih metrik?

Če vas zanima, kako bi lahko Strategy Mosaic integrirali v vaše podatkovno okolje, ali pa imate preprosto dodatna vprašanja o prihodnosti semantičnih slojev, se nam oglasite. Z veseljem se pogovorimo z vami in poiščemo prave odgovore za vaše izzive.

The post Podatkovni kaos ali enoten vir resnice? Samostojna umetna inteligenca proti hibridnemu semantičnemu sloju appeared first on crmt.com.

Serija: Podatki, pripravljeni na umetno inteligenco — 2. del

V prvem članku v seriji smo postavili jasno diagnozo: uvajanje umetne inteligence običajno ne spodleti zaradi šibkih modelov. Spodleti zato, ker so odgovori nezanesljivi, neizsledljivi in preprosto nevarni za resno poslovno odločanje.

To nas pripelje do naslednjega vprašanja: kaj v vsakodnevni realnosti pomeni, da so podatki pripravljeni na umetno inteligenco? Ne v teoriji. Ampak v organizacijah, kjer so podatki razmetani po različnih sistemih, oddelkih in orodjih.

Eno od ključnih sporočil predavanja Lukasa Zimmermanna (Strategy) na našem decembrskem dogodku AI Success Starts with AI-Ready Data je bilo, da »AI-ready« podatki niso le očiščene tabele ali selitev v oblak. Gre za to, da umetni inteligenci (in ljudem) podamo manjkajoči poslovni kontekst, in sicer dosledno, varno in v čim večjem obsegu.

In prav na tej točki semantični sloj spreminja pravila igre.

Blog serija: Podatki, pripravljeni na umetno inteligenco
1: Kaj pomeni “na AI pripravljeni podatki”?
2: Enoten vir resnice: Zakaj je semantični sloj hrbtenica zanesljive poslovne umetne inteligence
3: Zakaj infrastruktura odloča o uspehu poslovne umetne inteligence

Izzivi pri umetni inteligenci, s katerimi se še vedno sooča večina organizacij

Večina podjetij nima enovitega sistema. Delujejo kot krpanka:

• Številni viri (ERP, CRM, finance, Excel),
• Številna analitična orodja (Power BI, Qlik, Tableau, notebooks),
• Številne ekipe ali oddelki, ki vzporedno in vsak po svoje definirajo metrike.

Rezultat je tisti znani »strukturirani kaos«, ko so nadzorne plošče sicer videti vrhunsko, a se podatki med seboj ne ujemajo. Poročila se ne skladajo, definicije ključnih metrik pa skozi čas potihem odtavajo vsaka v svojo smer.

V takšnem okolju umetna inteligenca nereda ne odpravi, pač pa ga le še poslabša.

Ko generativno umetno inteligenco povežete z razdrobljenimi in nedoslednimi podatki, ne tvegate le napačnih odgovorov. Tvegate:

• samozavestne napačne odgovore (najbolj nevarna vrsta!),
• nepojasnjene rezultate (brez možnosti preverjanja vira),
• nevarne odgovore (ko UI v praksi obide pravila zasebnosti in dostopa).

Podatki, pripravljeni na umetno inteligenco, se torej ne ustavijo pri urejenih podatkovnih tokovih in ustreznem dostopu. Zahtevajo tudi nadzorovan sloj, kjer poslovni pomen in pravila ostajajo dosledni v vseh poročilih, nadzornih ploščah in primerih uporabe UI.

Kaj je vloga semantičnega sloja?

Semantični sloj je najbolje razumeti kot prevajalca in nadzornika med vašimi surovimi podatki in orodji (ali umetno inteligenco), ki jih uporabljajo.

V praksi dela šest stvari:

1. Tehnično kodo prevaja v poslovni jezik:
   Preslika tabele, relacije in stolpce v konceptre, ki jih uporabnik pozna (prihodek, stranka, izdelek, regija, marža), z definicijami, ki ne dopuščajo interpretacij.
2. Ustvari enoten vir resnice za metrike:
   Če je »prihodek« definiran enkrat z vsemi vključitvami in izjemami, vsa orodja in vsi uporabniki delajo z isto definicijo.
3. Omogoča univerzalen dostop v vseh orodjih:
   Namesto da bi vsako orodje gradilo svojo logiko, lahko več orodij uporablja iste semantične definicije (BI orodja, Excel, Python/R in vse pogosteje vmesniki, ki jih poganja umetna inteligenca).
4. Centralno upravljanje in varnost:
   Stroga pravila glede dostopa do informacij veljajo tudi, ko se v procese vključi generativna UI.
5. Izboljša zmogljivost in predvidljivost stroškov:
   Manj podvajanja pomeni hitrejše delovanje in manj “presenečenj” na računu za oblak.
6. Zmanjšuje odvisnost od ponudnikov (lock-in) in povečuje agilnost:
   Tehnologije se menjajo, vaša poslovna logika v semantičnem sloju pa ostaja stabilna.

“Saj že imamo ETL in podatkovno skladišče, mar to ni dovolj?”

ETL/ELT procesi in podatkovna skladišča so bistveni. Poskrbijo, da so podatki na voljo, strukturirani in prečiščeni.

Vendar pogosto ne rešujejo naslednjih izzivov:

• Poslovne definicije so razpršene na različnih mestih: Ena različica izračuna morda obstaja v Power BI, druga v Excelu, tretja pa v SQL.
• Varnostna pravila se izvajajo nedosledno: Dostop do posameznih podatkov je lahko v enem orodju nastavljen drugače kot v drugem, pri ad-hoc izvozih podatkov pa se pogosto popolnoma zaobide.
• Umetna inteligenca potrebuje dodatni kontekst, ki ga v shemi tabel ni: Generativna UI ne potrebuje le »stolpcev«. Potrebuje dodatne informacije glede tega, kaj je uradno, čemu se zaupa in do katerih podatkov je omejen dostop.

Semantični sloj ne nadomešča procesov ETL. Postavi se nad njih in odgovarja na vprašanji: »Kaj ti podatki pomenijo za naše poslovanje?« in »Kako jih varno uporabiti?«

Zakaj je semantični sloj v dobi GenAI še pomembnejši?

Pri klasični analitiki (BI) uporabnik zgradi nadzorno ploščo, se nauči orodja in običajno sledi procesu upravljanja. Pri generativni UI se interakcija spremeni:

• Uporabniki postavljajo vprašanja v naravnem jeziku,
• Orodja dinamično generirajo poizvedbe,
• Rezultati so lahko videti verodostojni, tudi ko je logika napačna.

Semantični sloj pomaga generativni UI na dva ključna načina:

• Natančnost s pomočjo konteksta:
  Če so poslovne definicije in razmerja centralno modelirani, ima UI stabilno strukturo za sklepanje.
• Zaupanje s pomočjo upravljanja:
  UI ne more “po nesreči” razkriti omejenih podatkov ali si sproti izmišljati novih definicij ključnih kazalnikov (KPI).

Obstaja ogromen prepad med uporabo umetne inteligence, ki le niza podatke, in odločitvijo, da ji brez pomislekov zaupate sprejemanje ključnih odločitev.

Praktična pot do urejenih podatkov

Priporočamo postopen proces, korak za korakom.

The post Enoten vir resnice: Zakaj je semantični sloj hrbtenica zanesljive poslovne umetne inteligence appeared first on crmt.com.

Eden ključnih premikov regulatornega okolja je uvedba mehanizma EU Carbon Border Adjustment Mechanism (CBAM), ki pomembno spreminja zahteve za podjetja, ki uvažajo ali so vključena v dobavne verige ogljično intenzivnih dobrin.

Rešitev CCH Tagetik ESG & Sustainability for CBAM, ki jo ponuja Wolters Kluwer, podjetjem daje tehnološko podlago za sistematično izpolnjevanje teh zahtev, učinkovito povezovanje podatkov o emisijah z računovodskimi in finančnimi procesi ter poenostavitev poročanja in usklajevanja z zakonodajo.

V nadaljevanju obravnavamo:

1. Kaj je CBAM in zakaj je pomemben

CBAM je mehanizem EU, s katerim želi Unija zagotoviti, da tudi uvoženi proizvodi nosijo primerljiv strošek emisij, kot ga že plačujejo proizvajalci v EU v okviru sistema EU ETS.

Njegov namen je podpreti podnebne cilje Evropske unije.

Ključne značilnosti v letu 2026 in naprej:

• Definitivna faza CBAM je stopila v veljavo 1. januarja 2026; to pomeni, da so pravila začela veljati za uvoze in se morajo podjetja ustrezno prilagoditi.
• Prag izvzetja 50 ton: Uvozniki, ki uvažajo manj kot 50 ton letno dobrin, zajetih v CBAM, so izvzeti iz obveznosti poročanja in nakupa potrdil; to znižuje administrativno breme malim in srednjim podjetjem.
• Obvezna avtorizacija: Uvozniki, ki presegajo prag 50 ton ali uvažajo elektriko ali vodik, morajo imeti status authorized CBAM declarant za opravljanje uvoza.
• Nakup in vložitev potrdil: CBAM potrdila se bodo prodajala od februarja 2027 naprej za pokritje emisij za uvoze v letu 2026. Te mora uvoznik predložiti s prvo letno deklaracijo do 30. septembra 2027.

Zato CBAM danes ni več le faza poročanja; predstavlja trajno finančno obveznost, ki vpliva na stroške uvoza in dobavne verige.

2. Izzivi za podjetja

Podjetja se pri pripravi na CBAM soočajo s številnimi praktičnimi in organizacijskimi izzivi:

• Identifikacija relevantnih dobrin in dobaviteljev – potrebno je natančno določiti, katere proizvode in dobavitelje zajema CBAM, in oceniti količine uvoza glede na prag 50 ton.
• Zbiranje podatkov o emisijah – podatke o neposrednih in posrednih emisijah je treba pridobiti, zbrati in verificirati po metodologijah, ki jih določa EU.
• Integracija z notranjimi procesi – emisijske podatke je treba povezati s finančnimi in logističnimi procesi, da se zagotovi celovita sledljivost in izpolnjevanje poročevalnih zahtev.
• Poročanje in skladnost – po 2025 se prehaja na letno deklaracijo, ki mora biti vložena z ustreznimi podatki in dokumentacijo.
• Finančne obveznosti in planiranje – nakup CBAM potrdil bo predstavljal neposreden strošek, ki mora biti vključeni v planiranje in upravljanje likvidnosti.

Zato lahko podjetja, ki nimajo integriranega sistema za upravljanje ESG in finančnih podatkov, pogosto naletijo na tveganja, povezana s pomanjkljivimi podatki in nepopolnimi procesi.

3. CCH Tagetik ESG & Sustainability for CBAM

Rešitev CCH Tagetik ESG & Sustainability for CBAM je zasnovana tako, da podpira podjetja pri izpolnjevanju novih CBAM zahtev na način, da povezuje podatke o emisijah z obstoječimi finančnimi in računovodskimi procesi.

Glavne funkcionalnosti in prednosti:

• Avtomatska identifikacija CBAM-relevantnih dobrin in dobaviteljev – s pomočjo sistemskih orodij in AI lahko podjetje identificira, katere proizvode in dobavitelje je potrebno vključiti v CBAM okvir.
• Avtomatizirani izračuni emisij – rešitev omogoča dosledne izračune vgrajenih emisij skladno z metodologijo CBAM, vključno s podporo za več virov podatkov.
• Poročila, pripravljena za oddajo in revizijsko sled – sistem omogoča avtomatizirano pripravo letnih CBAM deklaracij in ohranja sledljivost podatkov v celotni verigi.
• Integracija ESG in finančnih podatkov – povezava emisijskih podatkov s finančnimi modeli omogoča simulacije vpliva CBAM obveznosti na stroške in marže ter podporo integriranemu planiranju.
• Upravljanje dobaviteljskih podatkov – sistem omogoča zbiranje in obdelavo emisijskih podatkov iz dobavne verige ter spremljanje njihove verodostojnosti.

Z uvedbo celovite rešitve se zmanjšajo ročni in nepovezani postopki, izboljša kakovost podatkov, okrepi nadzor in zagotovi skladnost z zahtevami CBAM.

4. Kaj lahko podjetja naredijo že zdaj?

Za uspešno prilagoditev na CBAM in izkoriščanje rešitev, kot je CCH Tagetik ESG & Sustainability for CBAM, priporočamo naslednje korake:

1. Analiza vpliva – preverite, ali uvažate dobrine, ki so vključene v CBAM, in ocenite, ali presežete prag 50 ton letno.
2. Vzpostavitev podatkovne osnove – začnite sistematično zbirati podatke o emisijah za vključene proizvode in uskladiti zbiranje z zahtevami po verifikaciji.
3. Integracija procesov – vključite finance, kontroling, logistiko in nabavo v CBAM projekt, saj gre za medfunkcijsko usklajevanje.
4. Izbira platforme – razmislite o uvedbi rešitve, ki omogoča integracijo ESG in finančnih podatkov ter podporo CBAM poročanju.
5. Poročanje, nadzor in simulacije – pripravite letne deklaracije in scenarije, ki upoštevajo tudi prihodnji nakup CBAM potrdil, in vzpostavite notranji nadzor.

Pravočasna priprava podjetjem omogoča zmanjšanje tveganj ter boljše strateško planiranje v povezavi s CBAM in finančnimi obveznostmi.

Zaključek

CBAM ne predstavlja zgolj nove poročevalske obveznosti, ampak sistemski premik, ki povezuje emisijske podatke, finančne procese in strateško planiranje. Z uvedbo CCH Tagetik ESG & Sustainability for CBAM lahko podjetje vzpostavi celovit in integriran pristop k izpolnjevanju CBAM zahtev, izboljša kakovost podatkov in zgradi robustno povezavo med trajnostnimi ukrepi in finančno uspešnostjo.

Če želite oceniti, kako CBAM vpliva na vaše poslovanje in kako vzpostaviti učinkovit sistem upravljanja, se obrnite na našo ekipo strokovnjakov.

The post Kako se pripraviti na CBAM zahteve s pomočjo rešitve CCH Tagetik ESG & Sustainability appeared first on crmt.com.

Umetna inteligenca je danes vseprisotna. Skoraj vsak teden se pojavljajo novi kopiloti, asistenti, agenti in obljube avtomatizacije. V praksi pa se številne organizacije hitro zaletijo v isto oviro: modeli sicer ustvarjajo prepričljive odgovore, vendar ti odgovori niso nujno zanesljivi, sledljivi ali varni za uporabo pri dejanskih poslovnih odločitvah.

Zato je ključno sporočilo našega nedavnega dogodka AI Success Starts with AI-Ready Data zelo preprosto: rezultate umetne inteligence omejuje kakovost, struktura in upravljanje podatkov. Ne izbira modela. Ne najnovejši “prompt”.

Ta članek povzema ključne točke tega sporočila: kaj v resnici pomeni, da so podatki »pripravljeni za AI«, zakaj je to pomembno in kako se iz eksperimentiranja premakniti v zanesljivo produkcijsko rabo.

Blog serija: Podatki, pripravljeni na umetno inteligenco
1: Kaj pomeni “na AI pripravljeni podatki”?
2: Enoten vir resnice: Zakaj je semantični sloj hrbtenica zanesljive poslovne umetne inteligence
3: Zakaj infrastruktura odloča o uspehu poslovne umetne inteligence

Zakaj AI v realnih okoljih pogosto odpove, tudi če demonstracija deluje

Velina projektov se prične z dobrimi nameni. Umetno inteligenco želijo povezati s poročili, podatkovnimi skladišči ali repozitoriji dokumentov in hitro pridobiti vpoglede.

Demonstracija je pogosto videti impresivna. Težave se pokažejo šele kasneje, ko se isti pristop sooči s kompleksno realnostjo:

• Različne ekipe uporabljajo različne definicije istega KPI.
• »Enotni vir resnice« je odvisen od tega, koga vprašate.
• Težave s kakovostjo podatkov so v nadzornih ploščah pogosto tolerirane, ker jih ljudje znajo prepoznati in kompenzirati, pri avtomatiziranih odločitvah pa postanejo kritične.
• Pravila dostopa niso jasno določena, zato dostop modela ni vedno usklajen s posameznikovimi dovoljenji.
• AI ustvarja samozavestne odgovore tudi takrat, ko so osnovni podatki nepopolni, zastareli ali dvoumni.

Na kratko, umetna inteligenca ojača tako prednosti kot slabosti vašega podatkovnega okolja. Če so podatkovni temelji nedosledni, se obseg težav še razširi.

Kaj pomeni “pripravljeni na AI”

Pojem pripravljenosti podatkov za AI se pogosto napačno razume kot potreba po »bolj čistih podatkih«. Kakovost je vsekakor pomembna, vendar predstavlja le eno plat

Praktična definicija je naslednja:

Na AI-pripravljeni podatki so podatki, ki so vredni zaupanja, dosledno definirani, dobro upravljani in dostopni prek nadzorovanih vmesnikov, tako da jih lahko umetna inteligenca uporablja brez ustvarjanja dodatnih tveganj.

To se razdeli na štiri ključna področja.

1) Podatki, ki jim lahko zaupate: kakovost, sledljivost in upravljanje sprememb

Če naj AI podpira odločitve ali avtomatizira dele procesov, morajo podatki izpolnjevati višja merila, kot jih zahteva le občasno poročanje.

Ključne zmogljivosti vključujejo:

• kontrole kakovosti podatkov, kot so validacijska pravila, zaznavanje anomalij in preverjanje celovitosti podatkov,
• sledljivost in transparentnost, da lahko odgovorite na vprašanje »od kod izvira ta številka«,
• razumevanje vpliva sprememb, kar pojasni, kaj se je spremenilo, kdaj in na kaj to vpliva,
• jasno operativno lastništvo, torej odgovornost za zanesljivost posameznih podatkovnih naborov.

Ne gre za popolnost, temveč za predvidljivost podatkov. Pomembno je, da razumete, kaj podatki predstavljajo in kje so njihove meje.

2) Skupni pomen: dosledne definicije prek semantičnega sloja

Ena najpogostejših ovir pri uvajanju AI ni tehnična, temveč semantična.

Če »prihodek«, »stranka« ali »marža« pomenijo nekaj drugega v različnih oddelih, umetna inteligenca ne more zanesljivo odgovarjati na vprašanja, kot so na primer:

• kateri izdelki dosegajo slabše rezultate,
• kaj je povzročilo padec marže v preteklem četrtletju,
• katere stranke so izpostavljene tveganju.

Tudi če model lahko oblikuje tekoč odgovor, poslovni pomen ostaja nestabilen, zato so rezultati hitro predmet razprav.

Zato je ustrezen semantična sloj temelj za uporabo AI, saj zagotavlja:

• enoten nabor definicij za ključne metrike in dimenzije,
• poslovna logika je zapisana enkrat ter dosledno uporabljena v vseh poročilih in analizah, ne pa razpršena po preglednicah in ad hoc poizvedbah
• modeli, ki jih uporablja več orodij in ekip,
• varnostna pravila se uveljavljajo dosledno in ne ločeno za vsako posamezno poročilo ali vpogled.

V praksi semantični sloj zmanjša razkorak med podatki in odločanjem ter umetni inteligenci zagotovi bistveno stabilnejši kontekst.

3) Upravljan dostop: umetna inteligenca mora upoštevati enaka pravila kot zaposleni

V realnih organizacijah nadzor nad dostopom ni izbira, temveč obveza.

Okolja, pripravljena za AI, morajo zato zagotavljati:

• da uporabniki dostopajo le do podatkov, za katere so pooblaščeni,
• zaščito občutljivih podatkov, vključno s finančnimi, kadrovskimi in osebnimi informacijami,
• preprečevanje nenamernega razkrivanja zaupnih vsebin prek preširoko odprtih dostopov,
• sledljivost in revizijska preglednost, ki omogočata vpogled v zastavljena vprašanja, uporabljene podatke in pridobljene rezultate.

Ključen miselni premik je spoznanje, da povezovanje umetne inteligence s podatki ni zgolj tehnična integracija, temveč se v ospredje postavlja vprašanje upravljanja. Ko AI dobi dostop do internih sistemov, mora biti obravnavana kot zmogljiv poslovni vmesnik z jasno določenimi pravili, nadzorom in odgovornostjo.

4) Produkcijska usmeritev: zanesljivost je pomembnejša od zanimivih novosti

Eksperimenti z AI so dokaj preprosti, dolgoročno zanesljiva poslovna raba pa zahteva bistveno več discipline.

Pripravljenost za AI vključuje tudi operativne vidike:

• jasne vmesnike do podatkov, kot so API-ji, nadzorovane poizvedbene plasti in kontroliran dostop,
• stalno spremljanje in obveščanje o padcih kakovosti ali neobičajnih vzorcih rabe,
• ponovljive in nadzorovane postopke uvajanja ter upravljanja celotnega življenjskega cikla,
• vključevanje človeka v potrjevanje rezultatov, ki imajo večji poslovni vpliv.
• jasno dokumentirane predpostavke in omejitve.

Tu številne organizacije pridejo do ključnega spoznanja: največji izziv ni sam AI-model, temveč celoten sistem, ki ga obdaja.

Praktičen kontrolni seznam: ali ste pripravljeni na umetno inteligenco?

Za hitro oceno si zastavite naslednja vprašanja.

Podatki in definicije

• Ali imamo jasno opredeljen enotni vir resnice za ključne metrike?
• So poslovne definicije dokumentirane in dostopne ali obstajajo zgolj kot neformalno znanje posameznikov?
• Vemo, od kod izvirajo ključne številke in kako je zagotovljena njihova sledljivost?

Kakovost in zanesljivost

• Se pravila kakovosti uveljavljajo že pri viru ali napake odpravljamo šele v poročilih?
• Znamo zaznati in pravočasno ukrepati ob napakah v podatkovnih tokovih ali ob anomalijah?

Upravljanje in varnost

• So pravila dostopa dosledno uveljavljena v vseh orodjih in okoljih?
• Imamo možnost pregleda, do katerih podatkov je bilo dostopano in s kakšnim namenom?

Operativni model

• Ali je odgovornost za podatke in poslovne definicije nedvoumno opredeljena?
• Ali imamo vzpostavljen proces, ki omogoča prehod iz pilotnih primerov v stabilno produkcijsko rabo z ustreznim nadzorom in upravljanjem sprememb?

Če je na več vprašanj vaš odgovor »ne« ali »nisem prepričan/a«, to ne pomeni, da umetna inteligenca za vašo organizacijo ni primerna. Pogosteje kaže na to, da bo največji učinek dosežen z urejanjem vaših podatkovnih temeljev in ne z novim pilotnim AI projektom.

Kaj to pomeni v praksi?

Umetna inteligenca že spreminja način delovanja organizacij. Dolgoročni pozitivni učinki pa ne bodo rezultat tega, da obstoječe podatke preprosto povežete z novimi orodji.

Ključ je v osnovah. V podatkih, ki jim je mogoče zaupati. V enotnem pomenu številk. V jasno upravljanem dostopu in stabilnem delovanju v vsakdanji rabi.

To je tisto, kar v praksi pomeni imeti podatke, pripravljene za AI, in zakaj se uporaba umetne inteligence začne prav tam.

Ne veste, kje začeti?

Če želite razumeti, kako zreli so vaši podatki in kje se skrivajo vaše omejitve za uporabo umetne inteligence, se obrnite na našo strokovno ekipo. Skupaj bomo identificirali ključne vrzeli, postavili realne prioritete in zasnovali pot, ki omogoča zanesljivo in smiselno uporabo umetne inteligence v praksi.

The post Kaj pomeni “na AI pripravljeni podatki”? appeared first on crmt.com.