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

Den vanligste innvendingen vi møter er ikke at AI føles vanskelig. Det er at man ikke vet hva man skal spørre om. Så lenge assistenten brukes til å oppsummere e-poster og pusse på tekster er nytten tydelig, men liten. Først når spørsmålene handler om egen virksomhet – kunder, marginer, lager, produksjon – begynner det å merkes i hverdagen.

Derfor har vi samlet ti spørsmål som kundene våre stiller direkte til sine egne data. Alle kan stilles i dag, i Claude eller ChatGPT, når assistenten er koblet mot en semantisk modell via Vellox MCP. Kopier dem rett av, eller bytt ut periode og dimensjon med noe som passer din virksomhet bedre.

1. Hvilke ti kunder tapte vi mest omsetning på sammenlignet med samme periode i fjor – og hvilke artikkelgrupper står for tapet?

Det klassiske tapet synes sjelden i totaltallet. En kunde som halverer volumene sine skjules bak to nye som vokser. Nedbrytningen på artikkelgruppe viser dessuten om det er hele forretningen som glir eller et enkelt sortiment.

2. Hvilke kunder handlet regelmessig, men har ikke lagt inn en ordre de siste 90 dagene?

En glemt kundeliste er som regel den rimeligste salgsinnsatsen som finnes. Be assistenten sortere på historisk ordreverdi, så vet selgeren hvor samtalene skal begynne.

3. Hvordan har bruttomarginen per selger og kundesegment utviklet seg de siste tolv månedene?

Volum er enkelt å måle og lett å styre mot. Margin er vanskeligere – og det er der forskjellen mellom en god og en dårlig forretning faktisk ligger. Grunnlaget kommer fra salgsmodulen, den samme som ledelsesrapporten leser.

4. Hvor mye av leverandørenes prisøkninger det siste året har vi ført videre til kunde, per artikkelgruppe?

Spørsmålet som pleier å vekke mest reaksjon i ledergruppen. Innkjøpsprisen justeres løpende, salgsprisen i en prisliste som oppdateres én gang i året. Gapet imellom er rent margintap.

5. Hvilke leverandører har dårligst leveringspresisjon, og hvilke artikler rammes hardest?

Grunnlag før neste leverandørmøte. Bekreftet leveringsdato mot faktisk innleveringsdato, per leverandør og artikkel – i stedet for magefølelse om hvem som pleier å være sen.

6. Hvilke artikler binder mest kapital uten å ha beveget seg de siste seks månedene?

Sortert på lagerverdi blir listen konkret med én gang. Ofte er det et fåtall artikler som står for mesteparten av den døde kapitalen, og de er sjelden dem man gjetter på.

7. Hvilke artikler risikerer å gå tomme innen 30 dager gitt dagens forbrukstakt og planlagte innleveranser?

Den fremoverskuende varianten. Samme data, men spørsmålet stilles om fremtiden i stedet for historikken – og svaret kan man handle på før kunden tar kontakt.

8. Hvilke artikler har størst avvik mellom kalkulert og faktisk produksjonskostnad?

Kalkylen settes én gang og lever deretter sitt eget liv. Når materiale, stilletid og utfall sammenlignes mot kalkyle, ser man raskt hvilke artikler som selges med en margin som bare finnes på papiret.

9. Hvordan har kassasjoner og omarbeiding utviklet seg per produksjonsgruppe det siste året?

En trend som sjelden har en egen rapport, men som ofte forklarer hvorfor et tilsynelatende stabilt produkt har tapt lønnsomhet.

10. Hva forklarer avviket mot budsjett forrige måned – bryt ned på volum, pris og miks?

Månedsoppfølgingens vanskeligste spørsmål, og det som pleier å ta lengst tid å besvare manuelt. Med definisjonene på plass i modellen tar nedbrytningen sekunder i stedet for en ettermiddag.

Spørsmålene over er enkle å stille. Det som avgjør om svarene holder er hva som ligger under dem – noe vi gikk gjennom mer prinsipielt i AI og data som skaper reell effekt.

• En semantisk modell i bunnen. Margin, omsetning og lagerverdi er definert én gang, på ett sted. Assistenten regner ikke om begrepene på egen hånd – den leser de samme målene som ledelsesrapporten.

• Historikk som faktisk er bevart. Forretningssystemer overskriver ofte i stedet for å lagre. Uten lagret historikk går det ikke an å svare på hvordan noe har utviklet seg.

• Lesende kobling og styrt tilgang. Ingen skriveoperasjoner er mulige, og du bestemmer hvilke deler av modellen som eksponeres og for hvem.

• Sporbarhet. Hvert svar kan følges tilbake til mål og dimensjoner. Det utgjør forskjellen mellom et beslutningsgrunnlag og en gjetning som høres bra ut.

Angi alltid periode. "Siste kvartal" og "hittil i år" gir ulike svar. Vær eksplisitt, så slipper du tolkningsfeil.

Be om nedbrytningen med én gang. Legg til "per kundegruppe", "per artikkelgruppe" eller "per måned" i spørsmålet. Et aggregat er sjelden nok til å ta beslutninger.

Still oppfølgingsspørsmålet. Den største gevinsten ligger ikke i det første svaret, men i å kunne bore videre uten å bestille en ny analyse. "Hvorfor sank marginen akkurat der?" er som regel spørsmålet som fører til noe.