Digitalizace
Datová kvalita ERP
Nepropásněte nejnovější články
Přihlašte se k našemu newsletteru a nikdy neprošvihnete informace o aktuálních tématech a trendech, které můžou ovlivnit fungování vaší firmy.
Každá firma dnes říká, že chce lepší reporting. Každá firma chce rychlejší rozhodování. Každá firma chce využívat AI. Každá firma chce „mluvit se svými daty“. Ale málokterá firma začíná tam, kde by měla. U datové kvality. Protože reporting není zázrak. AI není kouzlo. Dashboard není pravda. A ERP není automaticky zdroj správných rozhodnutí. ERP systém je jen tak dobrý, jak dobrá jsou data, která v něm žijí. Pokud jsou data neúplná, duplicitní, nekonzistentní nebo bez kontextu, potom na nich nelze spolehlivě stavět ani reporting, ani automatizaci, ani AI. A právě to je jeden z největších problémů firemní digitalizace. Firmy často chtějí pokročilé funkce, ale jejich základní data nejsou připravená ani na obyčejnou otázku: Kolik nás opravdu stojí zakázka? Nebo: Kde nám vzniká ztráta? Nebo: Který dodavatel je problémový? Nebo: Jaká je skutečná marže? Nebo: Kterým číslům můžeme věřit?
Datová kvalita není IT problém
Datová kvalita bývá často vnímána jako technická věc. Něco pro ajťáky. Něco pro správce systému. Něco, co se vyřeší importem, validací nebo jednorázovým čištěním databáze. Jenže to je omyl. Datová kvalita je primárně manažerský a procesní problém. Protože data nevznikají sama. Vznikají tím, jak lidé pracují. Obchodník založí zákazníka. Nákupčí vytvoří objednávku. Skladník přijme materiál. Technolog nastaví kusovník. Výroba vykáže práci. Projektový manažer přiřadí náklad. Účetní zaúčtuje fakturu. Servisní technik uzavře zásah. Každý z těchto kroků vytváří data. A pokud lidé nerozumí tomu, proč jsou tato data důležitá, budou je vyplňovat jen proto, aby je systém pustil dál. To je rozdíl mezi daty pro evidenci a daty pro řízení.
ERP jako zdroj pravdy — ale jen pokud má pravidla
ERP má být jedním z hlavních zdrojů pravdy ve firmě.
Má říkat:
- kdo je zákazník,
- kdo je dodavatel,
- jaké máme zakázky,
- co jsme prodali,
- co jsme nakoupili,
- co je skladem,
- co vyrábíme,
- kolik nás to stálo,
- kolik jsme fakturovali,
- jaká je marže,
- co čeká na dokončení,
- kde máme problém.
Jenže ERP se zdrojem pravdy nestane automaticky. Může se stát i pravým opakem. Může být místem, kde se hromadí staré záznamy, duplicity, nedokončené doklady, špatně přiřazené náklady, neaktuální číselníky, ruční obchvaty a data bez odpovědnosti. Pak ERP neukazuje realitu firmy. Ukazuje směs reality, historie, omylů a kompromisů. A na takovém základu nelze stavět důvěryhodné řízení.
Co znamená datová kvalita v ERP
Datová kvalita není jen to, že pole není prázdné. To je úplný základ.
Kvalitní data v ERP musí být:
- úplná,
- správná,
- aktuální,
- konzistentní,
- jednoznačná,
- dohledatelná,
- procesně použitelná,
- napojená na odpovědnost.
Příklad: Zákazník je založený v systému. Má název a IČO. Formálně tedy existuje. Ale pokud je založený třikrát pod různými názvy, jednou s chybou v adrese, jednou bez vazby na obchodníka a jednou bez správných fakturačních podmínek, pak tato data nejsou kvalitní. Stejně tak položka může mít vyplněný název, cenu a měrnou jednotku. Ale pokud nemá správnou kategorii, vazbu na sklad, dodavatele, nákupní cenu, kalkulační pravidla a nákladové zařazení, je její použitelnost pro řízení omezená. Datová kvalita tedy neznamená „něco je vyplněno“. Znamená to, že data dávají smysl pro další rozhodování.
Proč firmy nevěří reportingu
Mnoho firem má reporting. Ale málo firem mu skutečně věří. Na poradě se otevře dashboard a místo rozhodování začne debata: „To číslo nesedí.“ „To tam ještě není zaúčtované.“ „Tohle je jinak, protože tam chybí příjemka.“ „Tohle kolega zadal špatně.“ „Tahle zakázka je vedená pod jiným střediskem.“ „Tento náklad tam ještě není promítnutý.“ „To se musí vytáhnout z Excelu.“ „Tady musíme počkat na účetní.“ „Tohle ví jen vedoucí výroby.“ Výsledek? Reporting existuje, ale nerozhoduje se podle něj.
Místo aby reporting zrychloval rozhodnutí, vytváří další debatu o tom, kdo má pravdu. To je typický příznak špatné datové kvality.
Špatná data mají konkrétní dopady
Datová kvalita není akademická disciplína. Má velmi praktické finanční dopady.
Špatná data způsobují například:
- špatné maržové reporty,
- nepřesné kalkulace,
- špatné plánování výroby,
- pozdní nákup materiálu,
- zbytečně vysoké skladové zásoby,
- nesprávné oceňování zakázek,
- chybné fakturace,
- špatné vyhodnocení obchodníků,
- nespolehlivý controlling,
- zpožděné uzávěrky,
- duplicitní práci,
- ztrátu důvěry v systém.
A pak se stane nejhorší věc: Lidé přestanou ERP věřit. Jakmile lidé přestanou věřit ERP, začnou si vytvářet vlastní pravdu. Excel u obchodníka. Excel ve výrobě. Excel u controllingu. Excel u nákupu. Poznámky u projektového manažera. Tabulky u vedení. Každý má svá čísla. Každý má svoji realitu. A firma ztrácí schopnost řídit se jednotně.
Reporting potřebuje kontext, ne jen data
Mnoho firem si myslí, že reporting vznikne tak, že vezmeme data z ERP a zobrazíme je v grafech. Technicky ano. Manažersky ne. Graf sám o sobě neříká, co se děje. Číslo samo o sobě neříká, jestli je dobré nebo špatné. Reporting potřebuje kontext. Například tržba bez informace o marži říká málo. Marže bez informace o rozpracovanosti říká málo. Zakázkový výsledek bez správně přiřazených nákladů říká málo. Skladová hodnota bez informace o obrátkovosti říká málo. Výkon výroby bez informací o kapacitě a prostojích říká málo. Dobré ERP musí proto držet nejen hodnoty, ale i vazby. Zakázka musí být propojena s nabídkou, kalkulací, nákupem, výrobou, skladem, fakturací a náklady. Teprve potom reporting dává smysl. Bez vazeb jsou data jen izolované záznamy.
AI potřebuje ještě lepší data než reporting
U reportingu často člověk ještě pozná, že něco nesedí. Vidí číslo. Zná kontext. Zeptá se kolegy. Ověří si doklad. Doplní interpretaci. AI ale pracuje s tím, co dostane.
Pokud AI dostane špatná data, může vytvořit velmi přesvědčivou, ale chybnou odpověď. A to je nebezpečnější než obyčejná chyba v reportu. Protože AI umí chybné závěry podat sebevědomě, plynule a s logikou, která na první pohled působí správně. Pokud jsou v ERP špatně přiřazené náklady, AI může špatně vyhodnotit marži. Pokud jsou duplicitní dodavatelé, AI může špatně hodnotit nákupní objemy. Pokud chybí stavy zakázek, AI může špatně doporučit priority. Pokud nejsou jasné vazby mezi objednávkou a fakturou, AI může špatně vyhodnotit závazky. Pokud nejsou správně vedené položky, AI může špatně pracovat s plánováním. AI nezachrání špatná data. AI špatná data pouze zrychlí, zesílí a lépe zabalí.
„Talk to your data“ začíná disciplínou
Představa, že se manažer zeptá systému přirozeným jazykem a dostane odpověď, je velmi silná. „Které zakázky nám padají pod plánovanou marži?“ „Kteří dodavatelé nejčastěji zpožďují dodávky?“ „Kde máme zbytečně vázané peníze ve skladu?“ „Jaké náklady rostou nejrychleji?“ „Které projekty ohrožují cash flow?“ „Co mám dnes řešit jako první?“ To je směr, kterým ERP a AI přirozeně půjdou. Ale aby to fungovalo, musí systém rozumět datům. Musí vědět, co je zakázka. Co je náklad. Co je výnos. Co je plán. Co je skutečnost. Co je rozpočet. Co je objednávka. Co je závazek. Co je příjemka. Co je skladová dostupnost. Co je odpovědnost. Co je výjimka. Bez toho bude AI jen hádat nad databází. A to není řízení.
Nejčastější problémy datové kvality v ERP
Duplicitní záznamy
Duplicity jsou jedním z nejběžnějších problémů. Jeden zákazník existuje několikrát. Dodavatel je založený pod více názvy. Položka má více variant bez jasného pravidla. Zakázka se vede pod více interními označeními. Na první pohled drobnost. Ve skutečnosti zásadní problém. Duplicitní data rozbíjejí reporting, historii, vyhodnocení i automatizaci. Pokud systém neví, že tři záznamy znamenají stejného dodavatele, nedokáže správně spočítat objem nákupu, vyhodnotit spolehlivost ani doporučit lepší podmínky.
Neaktuální číselníky
Číselníky jsou základ ERP. Dodavatelé. Zákazníci. Položky. Sklady. Střediska. Typy dokladů.
Sazby DPH. Měrné jednotky. Zakázkové typy. Stavy. Role. Ceníky. Pokud číselníky nejsou udržované, celý systém postupně degraduje. Lidé vybírají nesprávné hodnoty, protože správné neexistují. Používají staré položky, protože nové nejsou založené. Zakládají si vlastní varianty, protože nemají jasná pravidla. Obcházejí systém, protože číselník neodpovídá realitě. Číselníky nejsou nudná administrativa. Jsou slovník firmy. Pokud firma nemá jednotný slovník, nemůže mít jednotné řízení.
Chybějící vazby mezi objekty
ERP data nejsou jen záznamy. Jsou to vztahy. Faktura bez vazby na objednávku. Objednávka bez vazby na zakázku. Náklad bez střediska. Položka bez kategorie. Příjemka bez správného skladu. Výkon bez pracovní operace. Projekt bez rozpočtu. Každá chybějící vazba snižuje schopnost řídit. Firma možná má data, ale nedokáže z nich složit příběh. A bez příběhu nelze dělat kvalitní reporting ani AI interpretaci.
Volná textová pole místo řízených hodnot
Volný text je pohodlný. Ale pro reporting a AI je často problém. Jeden člověk napíše „servis“. Druhý „servisní práce“. Třetí „oprava“. Čtvrtý „zásah u zákazníka“. Pátý „reklamace“. Možná všichni myslí podobnou věc. Systém ale vidí pět různých hodnot. Volný text má své místo pro poznámky a vysvětlení. Ale klíčové procesní údaje musí být strukturované. Kategorie, stavy, typy, důvody, priority, odpovědnosti a vazby musí být řízené. Jinak firma nikdy nezíská konzistentní reporting.
Nejasná odpovědnost za data
Kdo odpovídá za správnost položky? Kdo za dodavatele? Kdo za zákazníka? Kdo za kalkulaci? Kdo za skladovou cenu? Kdo za zakázkové náklady? Kdo za stavy projektu? Kdo za opravu chyby? Pokud odpověď zní „někdo“, znamená to ve skutečnosti „nikdo“. Datová kvalita potřebuje vlastníky. Ne nutně nové pozice. Ale jasné odpovědnosti. Obchod odpovídá za obchodní data zákazníka. Nákup za dodavatelská data. Technologie za kusovníky a postupy. Sklad za fyzickou dostupnost. Finance za účetní dimenze.
Projektový manažer za zakázkový kontext. Management za pravidla. Bez odpovědnosti se data neopraví sama.
Datová kvalita jako provozní disciplína
Datová kvalita se nedá vyřešit jednorázově. Jednorázové čištění pomůže. Ale pokud se nezmění pravidla, za pár měsíců je firma zpět tam, kde byla. Datová kvalita musí být průběžná disciplína. Stejně jako firma řeší kvalitu výroby, měla by řešit i kvalitu dat. Protože nekvalitní data jsou vlastně zmetky v řízení. A stejně jako zmetek ve výrobě vytváří náklady, zmetek v datech vytváří špatná rozhodnutí.
Datová kvalita ERP
Jak datovou kvalitu zlepšovat prakticky
Začít u kritických rozhodnutí
Není nutné začít tím, že firma vyčistí úplně všechno. To bývá drahé, dlouhé a demotivující. Lepší je začít otázkou: Která rozhodnutí potřebujeme dělat lépe?
Není nutné začít tím, že firma vyčistí úplně všechno. To bývá drahé, dlouhé a demotivující. Lepší je začít otázkou: Která rozhodnutí potřebujeme dělat lépe?
Například:
- řízení marže zakázek,
- plánování výroby,
- řízení nákupu,
- skladová dostupnost,
- cash flow,
- výkonnost obchodníků,
- vyhodnocení projektů,
- servisní rentabilita.
Podle toho se určí, která data jsou kritická. Pokud je prioritou marže zakázek, musí být kvalitní kalkulace, náklady, výnosy, zakázkové vazby a rozpracovanost. Pokud je prioritou sklad, musí být kvalitní položky, měrné jednotky, skladové pohyby, šarže, rezervace a minimální zásoby. Pokud je prioritou nákup, musí být kvalitní dodavatelé, ceníky, objednávky, potvrzení, příjemky a faktury. Datová kvalita má začínat od rozhodnutí, ne od tabulky.
Definovat master data.
Firma musí vědět, která data jsou základní a kdo je jejich autoritou.
Typicky jde o:
- zákazníky,
- dodavatele,
- položky,
- ceníky,
- sklady,
- střediska,
- zakázky,
- projekty,
- uživatele a role,
- účetní dimenze,
- typy dokladů,
- stavy procesů.
U každého typu dat by mělo být jasné:
- kde vzniká,
- kdo ho schvaluje,
- kdo ho může měnit,
- co je povinné,
- jak se kontroluje duplicita,
- jak se archivuje,
- jak se používá v reportingu.
To je základ datové governance. Ne jako korporátní formalita. Ale jako praktická ochrana před chaosem.
Nastavit validační pravidla
Systém by neměl uživatele pustit k nekvalitnímu záznamu, pokud má tento záznam dopad na další proces.
Například:
- zakázka nesmí být aktivní bez odpovědné osoby,
- objednávka nesmí být schválena bez dodavatele a vazby na středisko nebo zakázku,
- faktura nesmí jít k úhradě bez kontroly proti objednávce nebo schválení výjimky,
- položka nesmí být použita v nákupu bez měrné jednotky a účetní kategorie,
- zákazník nesmí být založen bez IČO, pokud jde o B2B vztah,
- skladový pohyb nesmí vzniknout bez správného skladu a položky.
Dobrá validace není buzerace. Dobrá validace chrání firmu před tím, aby problém vznikl později a dražší.
Vytvořit datové kontroly a výjimky
Kromě validací při zadání je potřeba průběžně hlídat kvalitu dat.
Systém by měl umět pravidelně ukazovat například:
- duplicitní zákazníky,
- duplicitní dodavatele,
- položky bez kategorie,
- zakázky bez rozpočtu,
- náklady bez vazby na zakázku,
- objednávky bez potvrzení,
- faktury bez objednávky,
- skladové položky bez pohybu,
- záporné stavy skladu,
- rozpracované zakázky bez aktualizace,
- neuzavřené doklady,
- podezřelé cenové odchylky.
Takový dashboard datové kvality může být pro firmu stejně důležitý jako finanční dashboard. Protože ukazuje, jestli se dá ostatním číslům věřit.
Zavést datové skóre
Praktický způsob, jak datovou kvalitu řídit, je zavést datové skóre.
Například u zakázky:
- má odpovědnou osobu,
- má rozpočet,
- má vazbu na nabídku,
- má přiřazené náklady,
- má aktuální stav,
- má plánovaný termín,
- má vyplněnou rozpracovanost,
- má přiřazené výnosy,
- nemá otevřené neshody.
Podle toho může mít zakázka datové skóre například 87 %. Nejde o samoúčelnou metriku. Jde o jednoduchý signál: Můžeme této zakázce v reportingu věřit? Může s ní pracovat AI? Nebo je potřeba nejdřív doplnit data? Stejně lze skórovat dodavatele, položky, sklady, projekty nebo faktury.
Datová kvalita jako předpoklad automatizace
Automatizace je lákavá. Automaticky schvalovat. Automaticky párovat. Automaticky plánovat. Automaticky objednávat. Automaticky reportovat. Automaticky doporučovat. Ale automatizace potřebuje pravidla a kvalitní data. Pokud systém neví, co je správný dodavatel, nemůže automaticky objednávat. Pokud neví, jaká je skutečná skladová zásoba, nemůže plánovat nákup. Pokud neví, ke které zakázce patří náklad, nemůže počítat marži. Pokud neví, kdo má schválit výjimku, nemůže řídit workflow. Pokud neví, co znamená stav zakázky, nemůže doporučit další krok. Špatná data znamenají, že automatizace buď selže, nebo bude nebezpečná. Proto je datová kvalita základní infrastruktura pro automatizaci.
Jak AI mění nároky na ERP data
AI zvyšuje laťku. Dříve stačilo, aby data byla použitelná pro člověka, který zná kontext. Dnes musí být data použitelná i pro systém, který má kontext odvozovat. To znamená, že ERP musí obsahovat nejen čísla a doklady, ale i významy.
Například:
- typ nákladu,
- důvod změny,
- stav procesu,
- vazbu na rozhodnutí,
- vazbu na odpovědnou osobu,
- prioritu,
- zdroj dat,
- úroveň důvěry,
- historii změn,
- vysvětlení výjimky.
AI nepotřebuje jen „více dat“. Potřebuje lépe popsaná data. Čím lépe firma strukturuje významy, tím užitečnější může být AI.
AI může pomoci i s čištěním dat
AI ale není jen spotřebitel kvalitních dat. Může být i pomocník při jejich zlepšování.
Může například:
- hledat duplicity,
- navrhovat sjednocení názvů,
- doplňovat chybějící kategorie,
- upozorňovat na podezřelé hodnoty,
- porovnávat dodavatelské údaje,
- vytěžovat informace z dokumentů,
- rozpoznávat nekonzistence mezi e-mailem, objednávkou a fakturou,
- navrhovat správnou vazbu nákladu na zakázku,
- odhalovat neobvyklé cenové odchylky,
- vysvětlovat, proč report nesedí.
Ale i tady platí: AI by neměla bez kontroly přepisovat realitu. Měla by navrhovat, upozorňovat, porovnávat a připravovat podklady. Finální odpovědnost musí mít člověk nebo jasně definované pravidlo.
Datová kvalita a firemní kultura
Datová kvalita není jen o systému. Je o kultuře. Pokud vedení firmy používá data jen občas, lidé je nebudou brát vážně. Pokud manažeři tolerují obcházení systému, data budou špatná. Pokud se rozhoduje podle pocitu, ne podle systému, ERP se stane jen administrativou. Pokud každý tým vede svoji pravdu bokem, společná data se nikdy nezlepší. Datová kvalita se zlepší až ve chvíli, kdy vedení jasně řekne: „Toto je zdroj pravdy.“ „Tato pravidla platí.“ „Tato pole se vyplňují proto, že podle nich řídíme firmu.“ „Když data nejsou správně, proces není dokončený.“ „Když někdo obchází systém, nevytváří efektivitu, ale riziko.“ To není tvrdost kvůli systému. To je ochrana firmy před rozhodováním naslepo.
Praktický model: od dat k rozhodnutí
Dobře fungující ERP by mělo umět převést data do rozhodnutí.
Tento řetězec vypadá jednoduše:
Data → Kontext → Informace → Výjimka → Doporučení → Rozhodnutí → Akce
Například: Data: faktura, objednávka, příjemka, zakázka. Kontext: faktura patří ke konkrétní zakázce a dodavateli. Informace: cena je o 8 % vyšší než objednávka. Výjimka: překročena tolerance 3 %. Doporučení: předat nákupu ke kontrole a projektovému manažerovi kvůli dopadu na marži. Rozhodnutí: schválit, reklamovat nebo upravit kalkulaci. Akce: zaplatit, pozastavit, vyjednat dobropis nebo eskalovat.
Toto je ERP, které řídí. Ne ERP, které jen ukládá doklady.
Co by měl moderní ERP systém hlídat v oblasti datové kvality
Moderní ERP by měl mít datovou kvalitu zabudovanou přímo do procesu. Ne jako jednorázový audit. Ne jako ruční kontrolu jednou za rok. Ale jako běžnou součást práce.
Měl by hlídat zejména:
- úplnost klíčových dat,
- duplicity,
- neaktuální záznamy,
- chybějící vazby,
- podezřelé hodnoty,
- neuzavřené procesy,
- nekonzistentní stavy,
- chybějící odpovědnosti,
- rozdíly mezi plánem a skutečností,
- rozdíly mezi doklady,
- datovou připravenost pro reporting,
- datovou připravenost pro AI.
Důležité je, aby systém neříkal jen „máte chybu“. Měl by říkat:
- kde chyba je,
- proč vadí,
- koho se týká,
- jaký má dopad,
- kdo ji má opravit,
- do kdy,
- co se tím odblokuje.
Tím se datová kvalita stává řiditelnou.
Závěr
Datová kvalita ERP je základ pro všechno, co firma chce dělat moderně. Pro reporting. Pro controlling. Pro plánování. Pro automatizaci. Pro AI. Pro rychlejší rozhodování. Pro lepší řízení zakázek, nákupu, skladu, výroby i financí. Bez kvalitních dat je ERP jen drahá evidence. Reporting je jen barevný odhad. AI je jen sebevědomý interpret nepořádku. Firmy často chtějí začít až na konci: dashboardy, predikce, AI asistenty, automatické rozhodování. Ale skutečný začátek je mnohem méně sexy. Správně založený zákazník. Jednoznačná položka. Aktuální dodavatel. Vazba nákladu na zakázku. Správný stav procesu. Odpovědná osoba. Jasné pravidlo. Dohledatelná výjimka. Právě na těchto detailech stojí schopnost firmy řídit se podle dat. A budoucnost ERP nebude o tom, kdo má nejvíc funkcí. Bude o tom, kdo má data, kterým může věřit — a systém, který z nich dokáže udělat rozhodnutí.
Mohlo by vás také zajímat
Automatizace výběrových řízení pomocí AI
Umělá inteligence se v posledních měsících dostala i do oblastí, které byly dlouho považované za „příliš procesní“, „příliš citlivé“ nebo „příliš lidské“. Vý...
Václav Adamec
7. července 2026•8 minuty čtení
AI při analýze dodavatelů - jak z dokumentů vzniká risk scoring
Prověřit dodavatele dřív znamenalo projít obchodní rejstřík, účetní závěrku a pár článků na internetu. Dnes firmy řeší podstatně širší záběr: finanční stabil...
Martin Krček
7. července 2026•5 minuty čtení
