Wat gaat er mis als je direct begint?
De eerste reflex is begrijpelijk: je hebt een stapel inkomende orders, een collega die ze overtypt in het ERP, en een tool die dat overtypen overneemt. Klaar. Maar orders komen niet altijd als keurig PDF-bestand met een herkenbare structuur. Ze komen als doorgestuurde mail, als screenshot, als Word-bestand dat iemand heeft opgeslagen als PDF, of als een e-mail waarbij de ordergegevens gewoon in de bodytekst staan. En al die varianten gedragen zich anders. Als je dat van tevoren niet inventariseert, kom je er achter op het moment dat het systeem een order niet verwerkt, of erger: wél verwerkt maar met een fout artikelnummer. Dan staat de collega die je had willen ontlasten alsnog aan de bak, alleen nu ook nog om de fout te herstellen.
Wat is het principiële leermoment bij orderintake automatiseren?
Het leermoment is dit: automatisering legt de kwaliteit van je brondata bloot. Als klanten een artikelcode sturen die niet overeenkomt met jouw interne code, was dat probleem er al. De collega die overtypte loste het op in z'n hoofd, op basis van ervaring. Die impliciete kennis zit nergens vastgelegd. Automatiseren betekent dat je die kennis expliciet moet maken: welke artikelcodes gebruikt klant A, hoe vertaalt die naar jouw ERP, wat doe je als het niet matcht? Pas als je die regels hebt opgeschreven, kun je ze ook inbouwen. Dit is geen technisch probleem, dit is een organisatorisch probleem. De tool helpt je er doorheen, maar hij lost het niet vanzelf op.
Wanneer loont orderintake automatiseren wel?
Als het volume hoog genoeg is, het proces redelijk vastligt en de brondata consistent is bij de meeste klanten, dan levert automatisering direct op. Bij Cabooter Group verwerkt dottle inmiddels meer dan 70.000 documenten per jaar, waarvan 85% volledig automatisch. Dat zijn orders, CMR's en facturen die via mail binnenkwamen en eerder werden overgetypt. Het resultaat: ongeveer 110.000 euro bespaard per jaar. Die situatie was er niet op dag één. Dat resultaat is er omdat de documentstromen eerst in kaart waren gebracht, de uitzonderingen waren benoemd en het accordeerproces strak was ingericht. De mens accordeert, het systeem doet het lees- en tikwerk. Dat model werkt, maar alleen als je weet wat het systeem zal tegenkomen.
Wat doe je als de brondata te slecht is om te automatiseren?
Dan is eerlijkheid op zijn plaats: niet alles is automatiseerbaar. Als een klant structureel slechte data aanlevert, onleesbare formats gebruikt of zijn orderproces maandelijks aanpast, dan is automatisering voor die stroom voorbarig. Je kunt dan beter beginnen bij de klanten waarbij het wel goed gaat. Automatiseer de 80% die eruit ziet zoals je verwacht, en laat de 20% die altijd afwijkt voorlopig handmatig. Dat levert al snel tijdwinst op, zonder dat je het systeem overbelast met uitzonderingen. Later kun je die resterende stroom alsnog aanpakken, als je meer grip hebt op wat erin zit. Automatisering hoeft niet alles-of-niets te zijn.
Hoe zet je een orderintake-automatisering goed op?
Begin met een week loggen: welke orders komen binnen, van welke klanten, in welk format, met welke afwijkingen? Dat overzicht kost een middag werk en voorkomt weken aan bijsturen achteraf. Benoem daarna drie dingen: wat moet het systeem lezen, waar matcht het op in je ERP, en wie accordeert wat. Zorg dat die accordeerfunctie echt werkt, ook voor de medewerker die het doet. Als afwijkingen duidelijk gemarkeerd zijn en snel te beoordelen, is de drempel laag. Als het systeem onduidelijke situaties stilletjes doorlaat of juist blokkeert zonder uitleg, verliest de gebruiker het vertrouwen. En zonder vertrouwen van de gebruiker houdt automatisering geen stand, hoe goed het systeem ook is.