10 frågor du kan ställa till din egen affärsdata – idag

Den vanligaste invändningen vi möter är inte att AI känns svårt. Det är att man inte vet vad man ska fråga om. Så länge assistenten används till att sammanfatta mejl och putsa texter är nyttan tydlig men liten. Först när frågorna handlar om den egna affären – kunder, marginaler, lager, produktion – börjar det märkas i vardagen.

Därför har vi samlat tio frågor som våra kunder ställer direkt till sin egen data. Alla går att ställa idag, i Claude eller ChatGPT, när assistenten är kopplad mot en semantisk modell via Vellox MCP. Kopiera dem rakt av eller byt ut period och dimension mot något som passar din verksamhet bättre.

1. Vilka tio kunder tappade vi mest omsättning på jämfört med samma period förra året – och vilka artikelgrupper står för tappet?

Det klassiska tappet syns sällan i totalsiffran. En kund som halverar sina volymer göms bakom två nya som växer. Nedbrytningen på artikelgrupp visar dessutom om det är hela affären som glider eller ett enskilt sortiment.

2. Vilka kunder handlade regelbundet men har inte lagt en order de senaste 90 dagarna?

En bortglömd kundlista är oftast den billigaste säljinsatsen som finns. Be assistenten sortera på historiskt ordervärde, så vet säljaren var samtalen ska börja.

3. Hur har bruttomarginalen per säljare och kundsegment utvecklats de senaste tolv månaderna?

Volym är enkelt att mäta och lätt att styra mot. Marginal är svårare – och det är där skillnaden mellan en bra och en dålig affär faktiskt sitter. Underlaget kommer från säljmodulen, samma som ledningsrapporten läser.

4. Hur mycket av leverantörernas prisökningar det senaste året har vi fört vidare till kund, per artikelgrupp?

Frågan som brukar väcka mest reaktion i ledningsgruppen. Inköpspriset justeras löpande, försäljningspriset i en prislista som uppdateras en gång om året. Gapet däremellan är ren marginalförlust.

5. Vilka leverantörer har sämst leveransprecision, och vilka artiklar drabbas hårdast?

Underlag inför nästa leverantörsmöte. Bekräftat leveransdatum mot verkligt inleveransdatum, per leverantör och artikel – i stället för magkänsla om vem som brukar vara sen.

6. Vilka artiklar binder mest kapital utan att ha rört sig de senaste sex månaderna?

Sorterat på lagervärde blir listan konkret direkt. Ofta är det ett fåtal artiklar som står för merparten av det döda kapitalet, och de är sällan de man gissar på.

7. Vilka artiklar riskerar att ta slut inom 30 dagar givet nuvarande förbrukningstakt och inplanerade inleveranser?

Den framåtblickande varianten. Samma data, men frågan ställs om framtiden i stället för om historiken – och svaret går att agera på innan kunden hör av sig.

8. Vilka artiklar har störst avvikelse mellan kalkylerad och verklig tillverkningskostnad?

Kalkylen sätts en gång och lever sedan sitt eget liv. När material, ställtid och utfall jämförs mot kalkyl syns snabbt vilka artiklar som säljs med en marginal som bara finns på papperet.

9. Hur har kassationer och omarbete utvecklats per produktionsgrupp det senaste året?

En trend som sällan har en egen rapport, men som ofta förklarar varför en till synes stabil produkt tappat i lönsamhet.

10. Vad förklarar avvikelsen mot budget förra månaden – bryt ner på volym, pris och mix?

Månadsuppföljningens svåraste fråga, och den som brukar ta längst tid att besvara manuellt. Med definitionerna på plats i modellen tar nedbrytningen sekunder i stället för en eftermiddag.

Frågorna ovan är enkla att ställa. Det som avgör om svaren håller är vad som finns under dem – något vi gick igenom mer principiellt i AI och data som skapar verklig effekt.

• En semantisk modell i botten. Marginal, omsättning och lagervärde är definierade en gång, på ett ställe. Assistenten räknar inte om begreppen efter eget huvud – den läser samma mått som ledningsrapporten.

• Historik som faktiskt finns kvar. Affärssystem skriver ofta över i stället för att spara. Utan sparad historik går det inte att svara på hur något har utvecklats.

• Läsande koppling och styrd åtkomst. Inga skrivoperationer är möjliga, och du bestämmer vilka delar av modellen som exponeras och för vem.

• Spårbarhet. Varje svar går att följa tillbaka till mått och dimensioner. Det gör skillnaden mellan ett underlag och en gissning som låter bra.

Ange alltid period. "Senaste kvartalet" och "hittills i år" ger olika svar. Var explicit, så slipper du tolkningsfel.

Be om nedbrytningen direkt. Lägg till "per kundgrupp", "per artikelgrupp" eller "per månad" i frågan. Ett aggregat är sällan tillräckligt för att fatta beslut.

Ställ följdfrågan. Den största vinsten ligger inte i det första svaret utan i att kunna borra vidare utan att beställa en ny analys. "Varför sjönk marginalen just där?" är oftast den fråga som leder till något.