Skräp in, katastrof ut – Styrningen av städning

(Del 2 av serien “Migrationshandboken”)

I del 1fattade vi det strategiska beslutet att genomföra en "Clean Cut" och lämna historiens döda tyngd bakom oss för att bygga ett smidigt, modernt affärssystem. Vi bestämde oss för att sluta titta i backspegeln och börja se på vägen framåt.

Nu står vi inför verkligheten av det beslutet. Vi har definierat vad som ska flyttas (öppna ordrar, aktiva artiklar), men vi har inte diskuterat hur vi ska flytta det utan att kontaminera den nya miljön.

Under alla dessa år lärde jag mig en hård sanning som jag upprepar som ett mantra: Datamigrering är inte en specifik IT-uppgift.

Om du tilldelar din IT-avdelning datarensning är ditt projekt redan dött. IT-teamet vet hur man flyttar bitar från kolumn A till kolumn B med hjälp av skript. Men IT vet inte att kund 1001 gick i konkurs förra veckan, eller att leverantören för artikel X har bytt från Italien till Vietnam, vilket kräver en helt annan skattekod och ledtid.

Den här artikeln handlar om styrning av rensning. Den handlar om att omvandla migreringsfasen från en teknisk börda till en strategisk möjlighet för databerikning och användarutbildning.

Tankesättsskiftet: Från städning till berikande

Den traditionella migreringsstrategin är vad vi kallar Lift and Shift: ta den gamla datan, rensa den lite (ta bort uppenbara dubbletter) och tvinga in den i det nya systemet. Detta är en slöseri med enorma proportioner.

Ditt nya Cloudsuite ERP-system är en Ferrari jämfört med det äldre system du troligen migrerar från. Det har fält, logik och dimensioner som ditt gamla system aldrig hade. Om du behandlar migreringen som en enkel kopiera-klistra-övning placerar du i princip en Fiat 500-motor inuti ett Ferrari-chassi.

Berika, kopiera inte bara

Om du bara mappar Legacy_Name till NewERP_Name, så lamslår du det nya systemet. Migreringsfasen är den enda gången under de kommande 10 åren då du kommer att ha budgeten, fokuset och det verkställande mandatet att berika dina masterdata.

Här är skillnaden mellan rengöring och berikning:

Rengöring: Ta bort dubbletter av kunder och rätta stavfel i adresser. Detta är absolut minimum.
Berikning: Använda migreringen för att fylla i nya fält som driver modern affärslogik.

Ta Infor LN som exempel. Ditt äldre system kan behandla en leverantör helt enkelt som ett namn och en adress. Infor LN behandlar leverantören som en komplex enhet med en finansiell affärspartner, en leveransfrån-, en leveranstill-och en betalningstill- roll. Det efterfrågar signalkoder (kreditvarningar) och betalningsvillkor som utlöser automatiserade arbetsflöden.

Det här är din chans. Kopiera inte bara adressen. Använd tillfället för att kategorisera dina artiklar för bättre framtida analys. Omdefiniera dina artikelgrupper så att de matchar dina nuvarande rapporteringsbehov, inte de behov du hade 2005.

Mallen som ett undervisningsverktyg

Detta är den mest underskattade aspekten av alla ERP-projekt och ett hemligt vapen för framgångsrik förändringsledning.

De flesta konsulter behandlar migreringsmallen (vanligtvis en komplex Excel-fil) som en teknisk nödvändighet.
De skickar den till användaren via e-post med texten: Fyll i detta senast detta förfallodatum.

Detta är en katastrof som väntar på att hända.
Användaren öppnar filen, ser 50 kolumner med namn som tccom100.nama eller tcibd001.citg, får panik och fyller den med skräp bara för att valideringsfelen ska försvinna. De ser mallen som ett byråkratiskt formulär som ska stämplas och glömmas bort.

Metodiken för mänskliga band

Under min erfarenhet har mallworkshopen blivit mer som en ritual. Konsulten sätter sig ner med lagerchefen, inköparen eller revisorn och vi går igenom mallen kolumn för kolumn.

Vi förvandlar den här sessionen från enkel datainmatning till en utbildningstillfälle .

När lagerchefen frågar: Andrea, varför finns det en kolumn för "Platstyp"? Vi placerar bara pallar där det finns plats.
Det är mitt tillfälle att förklara: Om vi nu definierar "Bulk" kontra "Plock"-platser kan Infor LN generera påfyllningsuppdrag för dina truckförare innan plockytan blir tom.

Det strategiska resultatet:

Tidig utbildning: användaren lär sig terminologin i Infor LN innan de ens ser en skärm. De förstår datamodellen intellektuellt innan de navigerar i den visuellt.
Samarbete: användaren inser att jag inte är här för att införa ett system, utan för att översätta deras affärsverklighet till den nya motorn. Detta bygger det mänskliga bandet, det förtroende som kommer att rädda projektet under de stressiga dagarna av driftsättning.
Ägarskap: eftersom de förstod varför fältet är viktigt, bryr de sig om vad de skriver in i det. De slutar behandla cellen som en hink och börjar behandla den som ett beslut.

Regeln för företagssignaturer

Vem godkänner datan? I många misslyckade projekt kör både den interna IT-avdelningen och leverantörens (eller partnerns) tekniska team skriptet, ser "0 fel" och utropar seger. Sedan, på dag 1, skickas fakturorna till fel adresser, och lastbilschaufförerna sitter fast vid grinden.
Det finns en gyllene regel i detta upptåg: verksamheten äger datan.

Jag tillämpar ett strikt styrningsprotokoll som skrämmer många användare till en början, men som i slutändan skyddar alla:

Extraktion: tekniker extraherar äldre data till staging-mallen.
Berikning: nyckelanvändaren (t.ex. försäljningschef) granskar, rensar och lägger till saknad information.
Signaturen: Nyckelanvändaren måste validera informationen och bekräfta att vi kan gå vidare till nästa steg.

Om de inte bekräftar laddar vi inte.
Detta förskjuter den psykologiska bördan.
Användaren slutar tänka att systemet har fel och börjar tänka att jag måste se till att mina data stämmer.

AI-imperativet: Varför "tillräckligt bra" är dött

År 2015, om man hade några dubbletter av kunder eller några artiklar med saknade vikter, var det irriterande. År 2026 är det ödesdigert.

Vi går in i eran av Agentic AI och Infor GenAI. Dessa verktyg tolkar mönster och semantisk betydelse.

Scenariot: du frågar Infor GenAI, Förutspå min risk för uteblivna aktier nästa månad.
Den smutsiga dataverkligheten: du har migrerat gamla ledtider från 2019 som inte längre är giltiga, eller så har dubbletter av artikelkoder där den ena har lager och den andra inte.
Resultatet: AI:n ser motstridiga mönster. Den säger åt dig att köpa aktier du inte behöver, eller ännu värre, säger åt dig att vara säker när du snart får slut.

"Garbage In, Disaster Out" är inte längre en metafor. Om dina data inte är rena är din dyra AI-investering värdelös. Migreringen är ditt bästa filter. Om en post inte är tillräckligt ren för att mappas in i mallen förtjänar den inte att vara en del av din AI-Ready-framtid. Lämna den bakom dig.

Enligt Gartnerär dålig datakvalitet den främsta orsaken till 40 % av alla misslyckade affärsinitiativ. I AI:s tidsålder förstärks denna inverkan eftersom modeller förstärker befintliga fördomar och fel i datamängden.

Källa: Gartner – Datakvalitetslösningar

Grunden är satt

Vi har strategin (ren och tydlig). Vi har rena data (berikade och godkända).

Nu behöver vi flytta bitarna och bytarna. Men var försiktig: att ha en ren Excel-fil är inte samma sak som att ha data i systemet.

I nästa del lämnar vi mötesrummet och går in i maskinrummet . Vi kommer att prata om migreringsverktyg , specifikt DAL , och hur man hanterar de oundvikliga "falska positiva" som skrämmer de oinvigda .

Skriven av Andrea Guaccio

18 mars 2025