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.

Podatkovna suverenost ponovno v ospredju

Pomembna tema je bila tudi podatkovna suverenost. V zadnjem desetletju so številne organizacije sledile strategiji »najprej oblak«. Toda AI obremenitve podjetja silijo k ponovnemu premisleku, kje naj podatki sploh ostanejo in kje naj poteka njihova obdelava.

Beerbohm je predstavil arhitekture, v katerih obdelava AI poteka neposredno v nadzorovanem okolju, pri čemer nobeni občutljivi metapodatki ali podatki o shemi ne zapuščajo organizacijske infrastrukture.

Za številne organizacije, zlasti tiste v reguliranih sektorjih, hibridna in lokalna AI okolja postajajo vse pomembnejši del arhitekture.

Cilj ni več »najprej oblak«, pač pa umestitev obremenitev tja, kjer je to operativno in regulatorno najbolj smiselno.

Umetna inteligenca in pomen infrastrukture

Prva dva članka v seriji sta se osredotočila na zaupanje, semantiko in poslovni kontekst. Toda pripravljenost za AI se ne konča pri podatkovnem sloju.

Organizacije, ki bodo pri uvajanju AI najbolj uspešne, ne bodo nujno tiste, ki eksperimentirajo z največjimi modeli.

Uspešnejše bodo tiste, ki gradijo ustrezne temelje za njihovo uporabo.

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.

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:

Skupna logika, en sistem

Posebnost Resaltinega pristopa je enotna podatkovna osnova za oba poslovna modela, tako za projekte »na ključ« kot za dolgoročne pogodbe o energetskih storitvah. Čeprav se ta modela razlikujeta po trajanju, razporeditvi tveganj in dinamiki prihodkov, si delita enake faze izvedbe. En kontrolni sistem je zato ne le mogoč, temveč smiseln.

»Naša ambicija je bila, da bi se to bistveno hitreje zgodilo,« je priznal Jurak. Vmesni prevzemi, integracije in zahteve korporativnega poročanja so razvoj upočasnile. Kljub temu je sporočilo jasno: kakovosten operativni kontroling pri kompleksnih, geografsko razpršenih portfeljih ni vprašanje orodij, ampak arhitekture podatkov in discipline pri njihovem vzdrževanju.

Če se v teh izzivih prepoznate in vas zanima, kako podobno transformacijo izpeljati v vašem podjetju, stopite v stik z nami. Naši strokovnjaki vam bodo z veseljem predstavili, katera rešitev je najprimernejša za vaše okolje in kako začeti.

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.

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.

Kaj to pomeni za vaš kontroling?

Tehnična sprememba je imela neposredne poslovne posledice. Hren je nazorno prikazal razliko med stanjem pred in po uvedbi rešitve:

• Prej: nočne paketne obdelave, poročanje o preteklih dogodkih, ročne kontrole, čakanje na podatke.
• Danes: podatkovni tokovi v skoraj realnem času, takojšnje zaznavanje odstopanj, proaktivni korektivni ukrepi, fokus na napredni analitiki in modelih z umetno inteligenco.

Pred uvedbo so ekipe za kontroling po Hrenovi oceni do 80 % svojega časa porabile za upravljanje s preteklimi podatki. Za cilj so si zastavili (in ga tudi dosegli), da to razmerje obrnejo: 80 % časa naj bi tako namenili napredni analitiki, razvoju modelov in strateškemu usmerjanju.

Implementacija v manj kot enem letu

Projekt je potekal v štirih fazah, od preizkusa koncepta do polne produkcijske uporabe z vključitvijo sistemov celotne skupine, in se je zaključil v manj kot enem letu. Rešitev je grafična, pretežno brez kodiranja, hkrati pa dovolj prilagodljiva za napredne konfiguracije. Hren je posebej izpostavil, da je bila prav enostavnost uvedbe eden od ključnih dejavnikov hitrosti in uspeha projekta.

Modernizacija kontrolinga se začne pri temeljih

Zgodba Zavarovalnice Sava je prepričljiv primer, da se modernizacija kontrolinga pogosto ne začne pri poročilih ali vizualizacijah, temveč globlje, pri podatkovni infrastrukturi, ki ta poročila napaja. Ko se odpravi zamik v podatkih, se namreč odpravi tudi zamik pri odločanju.

Če se v teh izzivih prepoznate in vas zanima, kako podobno transformacijo izpeljati v vašem podjetju, stopite v stik z nami. Naši strokovnjaki vam bodo z veseljem predstavili, katera rešitev je najprimernejša za vaše okolje in kako začeti.

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.

Od nadzora stroškov do poslovnega partnerja

Kontroling se je kot disciplina začel razvijati v prvi polovici 20. stoletja v ZDA, predvsem kot odgovor na rastočo kompleksnost poslovanja in potrebo po strožjem nadzoru stroškov. V Evropi se je v sedemdesetih letih prejšnjega stoletja razvil v bistveno širši koncept vodstvenega sistema.

Nemška Controller Akademie je odigrala ključno vlogo pri razvoju metodologije, ki je kontroling postavila v središče povezovanja ciljev, procesov in ljudi. Vloga kontrolerja se je začela premikati od varuha številk k aktivnemu poslovnemu partnerju vodstva, ki s scenariji, analizami in vpogledi podpira odločanje.

Slovenski kontekst in vloga Šole kontrolinga

V Sloveniji so se sodobni koncepti kontrolinga začeli uveljavljati v devetdesetih letih, v obdobju po osamosvojitvi, ko so podjetja iskala bolj strukturirane pristope k rasti in obvladovanju tveganj. Kljub temu je bil kontroling pogosto razumljen predvsem kot razširitev računovodstva, osredotočena na merjenje odstopanj in pripravo osnovnih poročil.

Pomemben premik je prinesla ustanovitev Šole kontrolinga, ki je v slovenski prostor prenesla znanja Controller Akademie in jih prilagodila lokalnim razmeram. Šola kontrolinga je postala prva institucija pri nas, ki sistematično razvija kontrolerje kot strokovnjake za podporo vodstvu, ne le kot pripravljavce poročil.

Kaj podjetja dejansko pridobijo

Program Šole kontrolinga ne temelji zgolj na učenju metod in orodij. Njegovo bistvo je razvoj vloge kontrolerja kot sogovornika vodstva. Udeleženci razvijejo sposobnost jasnega komuniciranja, razumevanja poslovnih modelov in pretvarjanja podatkov v uporabne vpoglede za odločanje.

Za podjetja to pomeni kadre, ki znajo povezati strategijo z operativnimi cilji, uskladiti interese različnih oddelkov in pravočasno opozoriti na tveganja. Takšen kontroling ne reagira, ko je že prepozno, temveč aktivno sodeluje pri usmerjanju poslovanja.

Učenje, ki se takoj prenese v prakso

Ena ključnih razlik Šole kontrolinga v primerjavi z ostalimi izobraževalnimi programi, je način dela. Udeleženci znanja ne osvajajo abstraktno, temveč jih skozi vaje, študije primerov in seminarske naloge neposredno povezujejo s konkretnimi izzivi svojih podjetij. Ob tem nastaja tudi strokovna mreža, ki v slovenskem prostoru gradi skupno razumevanje kontrolinga, enotno terminologijo in primerljive standarde.

Kontroling danes = usmerjanje prihodnosti

Sodobni kontroling presega okvire financ. Najuspešnejša podjetja ga uporabljajo za povezovanje strateških prioritet z operativnimi cilji, za agilno in integrirano planiranje, za spremljanje trajnostnih kazalnikov ter za hitrejše in bolj premišljeno odločanje v negotovih razmerah.

Vloga kontrolerja se spreminja v moderatorja med oddelki, svetovalca upravi in katalizatorja sprememb, ki z dejstvi in scenariji podpira odgovorne odločitve.

Čas je za premik

Če je vaš kontroling še vedno predvsem usmerjen v razlago preteklih rezultatov, potem zaostaja za realnimi potrebami poslovnega okolja. Pričakovanja vodstev so višja, čas za odločanje krajši, posledice napačnih odločitev pa večje.

V CRMT že več kot dvajset let pomagamo podjetjem pri uvajanju sodobnega kontrolinga, naprednih podpornih sistemov in razvoju kompetenc kontrolerjev v okviru Šole kontrolinga.

Prijave v nov cikel Šole kontrolinga so odprte. Če želite, da kontroling v vašem podjetju preraste iz administrativne funkcije v strateškega partnerja vodstva, je to konkreten in preverjen korak v smeri bolj preglednega, hitrejšega in učinkovitejšega odločanja.

The post Ali vaš kontroling le meri rezultate ali dejansko usmerja poslovanje? appeared first on crmt.com.

Ta podjetja so torej gonilo inovacij, ustvarjajo nova delovna mesta in premikajo meje rasti. Toda z rastjo pride tudi večja kompleksnost; več podatkov, več sistemov in več odločitev.

Na CRMT pomagamo podjetjem, ki rastejo, da svojo rast pretvorijo v dolgoročni uspeh z vzpostavitvijo ustreznih podatkovno vodenih temeljev, ki omogočajo pametno in trajnostno odločanje.

Rast, ki jo obvladujete

Naše rešitve za celovito upravljanje poslovanja (CPM) poenostavijo planiranje, proračun in konsolidacijo ter vodstvu omogočajo sproten vpogled v ključne kazalnike in zaupanje v sprejete odločitve.

Sodobne rešitve za planiranje, analizo in poročanje zmanjšajo kompleksnost in povečajo preglednost, tako da se lahko ukvarjate z vodenjem rasti, ne z odpravljanjem posledic.

Podatki, ki rastejo z vami

Zasnujemo sodobno podatkovno infrastrukturo, ki povezuje in očisti podatke iz različnih virov, tako da tudi ob hitri rasti vaši vpogledi ostanejo hitri, natančni in zanesljivi.

Od podatkovnih skladišč (DWH) do “master data managementa (MDM)“: gradimo arhitekture, ki omogočajo, da vaši podatki postanejo strateška prednost.

Od skladnosti do konkurenčne prednosti

Z rastjo prihajajo tudi nove regulatorne zahteve, od ESG do nadzorniškega poročanja.

Z našimi rešitvami za poročanje in skladnost lahko te procese avtomatizirate, izboljšate točnost in zmanjšate tveganja ter se v celoti posvetite tistemu, kar je res pomembno: rasti vašega podjetja.

Trajnostna rast, podprta s podatki

Z več kot 20 leti izkušenj prinašamo inovativnost, neodvisnost in fleksibilnost pri gradnji rešitev, ki pomagajo hitro rastočim podjetjem obvladati kompleksnost in pretvoriti podatke v jasne odločitve.

Ste med hitrorastočimi podjetji v Sloveniji?

Čas je, da vaša rast postane pametna, pregledna in trajnostna.

Stopite v stik z nami še danes.

The post Hitro rastoča podjetja potrebujejo pametno podatkovno osnovo appeared first on crmt.com.

Kaj vključuje MCS?

Prehod na MCS prinaša paket vsaj 50 uporabniških licenc, od tega 4 arhitekturne. V primeru večjih potreb je možno število povečati vse tja do 300 uporabnikov na posameznem oblačnem strežniku.

Vsaka licenca vključuje celoten nabor sodobnih funkcionalnosti:

• AI zmogljivosti (Auto Dashboard, Bot, Modeling, Insights itd.).
• HyperIntelligence (Hyper Cards, Hyper Mobile, Hyper Office).
• Office 365 vtičnik za povezavo nadzornih plošč z Excelom in PowerPointom.
• Collaboration modul
• Library Mobile za dostop prek mobilne aplikacije.
• Dostop do funkcionalnosti Mosaic.
• • Možnost uporabe REST-API klicev.

Kaj odpade z migracijo v MCS?

S to oblačno različico se ukinjajo nekatere stare funkcionalnosti, med drugim Transaction Services, stari Mobile del in klasični MS Office vtičnik.

Ker MCS gostuje na AWS (podatkovni center Frankfurt) infrastrukturi, uporabniki nimajo neposrednega dostopa do strežnika. Posledično odpadejo tudi nekatera orodja, ki so bila prej na voljo administratorjem in razvijalcem, kot so Developer, Object Manager, Command Manager, Licence Manager, itd. Vse administrativne funkcije zdaj prevzame Workstation, ki združuje vse ključne naloge v enotnem vmesniku.

Uporabniki spletnega vmesnika bodo po novem dostopali do vsebin prek Library vmesnika, ki prinaša sodoben videz in večjo intuitivnost uporabe.

Orodja za uporabnike in administratorje

Vse administrativne funkcije so poenotene znotraj enega orodja, Workstation, ki nadomesti dosedanje funkcije:

• Developer
• Object Manager
• Command Manager
• Configuration Manager
• License Manager
• Service Manager

Končni uporabniki bodo do nadzornih plošč in poročil še naprej dostopali prek brskalnika, vendar zdaj prek sodobno zasnovanega vmesnika Library.

Tako Workstation kot Library predstavljata pomemben korak naprej pri posodobitvi izkušnje poslovne inteligence, čeprav bo seveda potreben določen čas za prilagoditev.

Kako poteka migracija?

Postopek selitve v oblak ni samoumeven in zahteva predpripravo.

Neposredna migracija iz »on-prem« okolja je namreč možna šele, ko je nameščena vsaj verzija 11.3.7 (2021 Update 7). Če uporabljate starejšo verzijo, jo je potrebno najprej nadgraditi in šele nato planirati prehod. Migracijo je mogoče izvesti prek REST-API klicev (na voljo od verzije Strategy One, June 2025) ali ročno s pripravo migracijskih paketov.

Ob prehodu velja omeniti nekaj omejitev:

LDAP prijava ni več podprta. Na voljo so le Standard, SAML in OIDC prijavni načini.

Potreben bo SMTP strežnik za pošiljanje obvestil. “Subscriptions” (avtomatizirano obveščanje oz. pošiljanje vsebin, poročil, dashboardov) se pri migraciji preko paketov ne prenesejo samodejno in jih je treba znova ustvariti (ročno ali prek API-ja).

File subscriptions niso več podprte in jih bodo nadomestile SharePoint ali OneDrive integracije.

Pri pravicah uporabnikov pa prinaša MCS več svobode.

Licenčne omejitve, kot so t.i. reporter pravice, odpadejo, kar omogoča bolj fleksibilno upravljanje dostopov.

Zakaj migrirati v oblak?

Pripravite se pravočasno

Čeprav MCS prinaša številne prednosti, prehod zahteva premišljen pristop in tehnično pripravo.

V CRMT vam pomagamo pri načrtovanju, izvedbi in optimizaciji celotnega procesa migracije, da bo prehod v oblak čim hitrejši, varnejši in brez motenj za uporabnike.

Za hitro in varno migracijo v Strategy oblak nas pravočasno kontaktirajte.

The post Strategy prehaja v oblak: kaj prinaša nova MCS platforma appeared first on crmt.com.