10 spørgsmål du kan stille til dine egne forretningsdata – i dag

Den mest almindelige indvending, vi møder, er ikke, at AI føles svært. Det er, at man ikke ved, hvad man skal spørge om. Så længe assistenten bruges til at opsummere mails og finpudse tekster, er nytten tydelig, men lille. Først når spørgsmålene handler om den egne forretning – kunder, marginer, lager, produktion – begynder det at kunne mærkes i hverdagen.

Derfor har vi samlet ti spørgsmål, som vores kunder stiller direkte til deres egne data. Alle kan stilles i dag, i Claude eller ChatGPT, når assistenten er koblet til en semantisk model via Vellox MCP. Kopiér dem direkte, eller udskift periode og dimension med noget, der passer bedre til din virksomhed.

1. Hvilke ti kunder mistede vi mest omsætning på sammenlignet med samme periode sidste år – og hvilke varegrupper står for tabet?

Det klassiske tab ses sjældent i totaltallet. En kunde, der halverer sine volumener, gemmer sig bag to nye, der vokser. Opdelingen på varegruppe viser desuden, om det er hele forretningen, der skrider, eller et enkelt sortiment.

2. Hvilke kunder handlede regelmæssigt, men har ikke lagt en ordre de seneste 90 dage?

En glemt kundeliste er som regel den billigste salgsindsats, der findes. Bed assistenten sortere efter historisk ordreværdi, så ved sælgeren, hvor samtalerne skal starte.

3. Hvordan har bruttomarginen pr. sælger og kundesegment udviklet sig de seneste tolv måneder?

Volumen er enkelt at måle og let at styre efter. Margin er sværere – og det er der, forskellen mellem en god og en dårlig forretning i virkeligheden ligger. Grundlaget kommer fra salgsmodulet, det samme som ledelsesrapporten læser.

4. Hvor meget af leverandørernes prisstigninger det seneste år har vi ført videre til kunden, pr. varegruppe?

Spørgsmålet, der plejer at vække mest reaktion i ledelsesgruppen. Indkøbsprisen justeres løbende, salgsprisen i en prisliste, der opdateres en gang om året. Gabet derimellem er rent margintab.

5. Hvilke leverandører har dårligst leveringspræcision, og hvilke varer rammes hårdest?

Grundlag til næste leverandørmøde. Bekræftet leveringsdato mod faktisk modtagelsesdato, pr. leverandør og vare – i stedet for mavefornemmelse om, hvem der plejer at være forsinket.

6. Hvilke varer binder mest kapital uden at have bevæget sig de seneste seks måneder?

Sorteret efter lagerværdi bliver listen konkret med det samme. Ofte er det få varer, der står for hovedparten af den døde kapital, og det er sjældent dem, man gætter på.

7. Hvilke varer risikerer at løbe tør inden for 30 dage givet det nuværende forbrugstempo og planlagte leverancer?

Den fremadrettede variant. Samme data, men spørgsmålet stilles om fremtiden i stedet for om historikken – og svaret kan man handle på, før kunden henvender sig.

8. Hvilke varer har størst afvigelse mellem kalkuleret og faktisk fremstillingsomkostning?

Kalkulen sættes én gang og lever derefter sit eget liv. Når materiale, opstillingstid og resultat sammenlignes med kalkulen, ses hurtigt, hvilke varer der sælges med en margin, der kun findes på papiret.

9. Hvordan har kassationer og omarbejde udviklet sig pr. produktionsgruppe det seneste år?

En tendens, der sjældent har sin egen rapport, men som ofte forklarer, hvorfor et tilsyneladende stabilt produkt har tabt indtjening.

10. Hvad forklarer afvigelsen i forhold til budgettet sidste måned – bryd det ned på volumen, pris og mix?

Månedsopfølgningens sværeste spørgsmål, og det, der plejer at tage længst tid at besvare manuelt. Med definitionerne på plads i modellen tager opdelingen sekunder i stedet for en eftermiddag.

Spørgsmålene ovenfor er enkle at stille. Det, der afgør, om svarene holder, er, hvad der ligger bag dem – noget vi gennemgik mere principielt i AI og data der skaber reel effekt.

• En semantisk model i bunden. Margin, omsætning og lagerværdi er defineret én gang, ét sted. Assistenten omregner ikke begreberne på egen hånd – den læser de samme mål som ledelsesrapporten.

• Historik, der faktisk er bevaret. ERP-systemer overskriver ofte i stedet for at gemme. Uden gemt historik kan man ikke svare på, hvordan noget har udviklet sig.

• Læsende forbindelse og styret adgang. Ingen skriveoperationer er mulige, og du bestemmer, hvilke dele af modellen der eksponeres og for hvem.

• Sporbarhed. Hvert svar kan følges tilbage til mål og dimensioner. Det gør forskellen mellem et beslutningsgrundlag og et gæt, der lyder godt.

Angiv altid periode. "Seneste kvartal" og "år til dato" giver forskellige svar. Vær eksplicit, så undgår du fortolkningsfejl.

Bed om opdelingen med det samme. Tilføj "pr. kundegruppe", "pr. varegruppe" eller "pr. måned" i spørgsmålet. Et aggregat er sjældent nok til at træffe beslutninger.

Stil det opfølgende spørgsmål. Den største gevinst ligger ikke i det første svar, men i at kunne bore videre uden at bestille en ny analyse. "Hvorfor faldt marginen netop der?" er som regel det spørgsmål, der fører til noget.