Instrumente der Zukunft: Software-Robotergesteuerte Prozessautomatisierung (RPA) und Künstliche Intelligenz (KI) als wichtige Wettbewerbsfaktoren

bei

 / 4. Dezember. 2017

Software-Robotergesteuerte Prozessautomatisierung (engl. Robotic Process Automation, RPA) ist eine aus der klassischen Prozessautomatisierung hervorgehende Technologie. Das Spektrum reicht dabei von einfachen, händisch eingerichteten Workarounds bis hin zu komplexer Software auf einer virtuellen Maschine. Dank RPA können Unternehmen ihre Prozesse autonom ablaufen lassen und gleichzeitig ihre Systemsicherheit erhöhen. Software-Roboter ahmen Industrieroboter nach. Sie automatisieren Abläufe, die von den Applikationen selbst nur unzureichend abgebildet werden. Hierdurch gewinnen Mitarbeiter wertvolle Zeit, um sich auf andere, wichtigere Aufgaben zu konzentrieren. Dazu zählt etwa der Kundendienst.

Bei RPA geht es also nicht nur um Kosteneinsparungen, sondern auch um die Steigerung und Vereinheitlichung des Qualitätsniveaus. Die Erbringung von Dienstleistungen ist in hohem Maße von Prozessen abhängig, die ein bestimmtes Urteilsvermögen voraussetzen. Unternehmen, die neben software-robotergesteuerter Prozessautomatisierung auch künstliche Intelligenz (KI) und maschinelles Lernen einsetzen, können Ressourcen, Zeit und Geld weitaus sinnvoller einsetzen.
Zum Beispiel können Backoffice-Funktionen durch Software Robotik effizienter gestaltet werden, indem die produktiveren Roboter ihre menschlichen Vorgänger ersetzen. Software Roboter können im Bedarfsfall rund um die Uhr arbeiten, nehmen keinen Urlaub und werden nicht krank. Hierdurch verfünffachen sich die verfügbaren Arbeitsstunden pro Jahr im Vergleich zu einer durchschnittlichen menschlichen Arbeitskraft und Aufgaben können zehn bis zwölf Mal schneller erledigt werden. Dies kann die Produktivität eines Unternehmens um das 50- oder 60-Fache erhöhen.

Die zwei Arten von RPA-Robotern

  1. Bedient oder beaufsichtigt: Menschliche Nutzer steuern den Prozess und bestimmen, wann Transaktionen durchgeführt werden.
  2. Unbedient oder unbeaufsichtigt: Der Software Roboter kann Transaktionen durchgehend und ohne menschliche Beteiligung durchführen. Menschen greifen nur im Ausnahmefall ein.

Die „Intelligenz“ eines Software Roboters hängt davon ab, wie viel er beim Ausführen seiner Prozesse lernen kann. Einfache RPA-Roboter, die unbediente oder bediente Prozesse ausführen, müssen trainiert werden: Ihnen fehlt Intelligenz oder selbständige Lernfähigkeit und sie sind von regelmäßigen Softwareaktualisierungen abhängig. Je nach Komplexität der Logik, mit der der Roboter ausgestattet wurde, können solche Anwendungen ganz einfach automatisiert werden.
Sogenannte kognitive Technologien, die auf künstlicher Intelligenz (KI) und maschinellem Lernen basieren, erweitern die Fähigkeiten von Software Robotern erheblich. Maschinelles Lernen bezieht sich auf Software, die Muster (engl. Patterns) erkennen und analysieren sowie das künftige Verhalten der Software entsprechend anpassen kann. Solche Systeme können beeindruckend komplex sein und durch den Einsatz umfangreicher Logik zur Analyse von Mustern „intelligent“ erscheinen. Im Fall „richtiger“ KI dagegen können Software-Systeme über ihre ursprüngliche Umgebung hinaus lernen und sich anpassen. KI-Systeme können sich ohne menschliches Eingreifen weiterentwickeln und ihr Verhalten ändern. Fast jedes zweite Unternehmen in der Telekommunikationsbranche setzt daher bereits auf Künstliche Intelligenz.

Die zwei Typen von RPA-Anwendungen

  1. Beaufsichtigte“ Anwendungen werden offline vorbereitet und programmiert und anschließend in die Live-Umgebung eingebettet. Diese Art von KI wird mithilfe großer Datensätze trainiert, um Klassifizierungsfunktionen zu entwickeln, die beispielsweise für folgende Anwendungen genutzt werden:
    o Informationserfassung: visuelle Informationen wie Fotos oder andere zur Gesichtserkennung verwendete Bilder
    o Audioanalyse: Transkription von gesprochener Sprache, Sprachdialogsysteme (IVR) oder Voice UI/UX
    o Datenextraktion: aus unstrukturierten Dokumenten oder für automatisierte Online-Assistenten und Chatbots
  2. „Unbeaufsichtigte“ Anwendungen erfahren ein ähnliches Training wie die einfacheren Versionen, sind jedoch in der Lage, ihre Umgebungen zu studieren und von ihnen zu lernen. Dadurch können sie sich anpassen und neue Verhaltensweisen annehmen. Das erhöht ihre Fähigkeit zur Entscheidungsfindung und lässt ihr Denkmuster dem menschlichen ähnlicher werden.
    o Diese Art von KI wird zur Datenanalyse genutzt, zum Beispiel zur Erkennung von Mustern in Kundendaten.
    o Anbieter wie Google und Facebook nutzen diese Art von Anwendung, um das Verhalten ihrer Nutzer zu analysieren und ihnen maßgeschneiderte Suchergebnisse, Newsfeeds und Werbung bereitzustellen.

Ergänzt wird KI durch Optionen wie natürliche Sprachverarbeitung (beispielsweise das Verständnis unstrukturierter Dokumente wie E-Mails oder Briefe), Schlussfolgerungen (Handlungen auf Basis der verfügbaren Daten) und Antizipation (z. B. die Einschätzung des Kaufverhaltens anhand früherer Käufe). So werden Daten in nützliche Informationen umgewandelt.
Trotz ihrer Ähnlichkeiten und Überschneidungen gibt es große Unterschiede zwischen RPA und KI. Wie bereits erwähnt, führen RPA Software-Roboter Tätigkeiten, die ihnen beigebracht wurden, präzise aus – ideal für regelbasierte Prozesse, in denen Compliance und Genauigkeit entscheidend sind. Bei mehrdeutigen Inputs oder Daten (zum Beispiel unstrukturierten E-Mails) bzw. einer großen Datenmenge eignen sich jedoch maschinelles Lernen und KI besser, da diese nicht nur eine Mehrdeutigkeit besser handhaben, sondern im Laufe der Zeit auch dazulernen und ihre Fähigkeiten optimieren.

RPA allein reicht nicht aus

Zwar haben Mitarbeiter dank RPA-Instrumenten mehr Zeit für wichtigere Aufgaben, die Urteilsvermögen und Erfahrung voraussetzen. Doch mit RPA allein kann das volle Potenzial für Kosteneinsparungen und Effizienzsteigerungen nicht ausgeschöpft werden. Um umfassend von RPA und kognitiven Technologien zu profitieren, müssen Unternehmen zusätzliche Tools zur Analysierung der enormen Menge an Betriebs- und Kundendaten einsetzen, die von den Robotern in jedem Arbeitsprozess gesammelt und erzeugt wird (Stichwort: Big Data).
Software-Robotergesteuerte Instrumente allein sind nur bedingt in der Lage, durchgehende Prozessintelligenz zu entwickeln. Bei individuellen, kleinteiligen Arbeitsschritten innerhalb eines Prozesses sammeln die Roboter kontinuierlich eine bestimmte Menge an Daten und überwachen ihre eigenen lokalen Aktivitäten. Allerdings bieten robotergesteuerte Instrumente nicht die erforderliche Sichtbarkeit des Gesamtprozessstatus, um beispielsweise die Auswirkungen der Automatisierung auf die Service-Ebene zu bewerten, und liefern nicht die nötigen Erkenntnisse über Optimierungsmöglichkeiten des Prozesses.

Was ist Operational Intelligence?

Operational Intelligence (OI) ist die neueste Form von Datenanalyse, die Unternehmen zur Optimierung ihrer Geschäftsabläufe einsetzen. OI stellt eine Verbesserung gegenüber früheren Analyseverfahren dar, die schlicht vergangene Ereignisse gemeldet haben. OI-Systeme untersuchen aktuelle Ereignisse, liefern Empfehlungen und benachrichtigen in Echtzeit über das Erreichen vorab definierter Schwellenwerte.
Mithilfe von OI-Plattformen können Unternehmen schnell auf veränderte Geschäftsbedingungen reagieren und auf Grundlage von Trends, die durch einen Basisdatensatz innerhalb der Unternehmensdaten ermitteln werden, Prozessverläufe und -ergebnisse vorhersagen.
Geeignete OI-Tools umfassen folgende Funktionen:

  • Kundenanalyse zur Auswertung von Daten und Aktivitäten von Kunden, um ihr Verhalten zu verstehen, den Kundennutzen und die Kundenbindung zu verbessern sowie Verkaufszahlen zu steigern
  • Betriebliche Analyse zur Messung und Sicherstellung der Qualität, Gewährleistung der Compliance und Minderung von Risiken, Nachfragesteuerung sowie Optimierung von Geschäftsprozessen auf Basis der Effizienz der Transaktionsprozesse
  • Anwendung von geeigneten Methoden, Wissen und Erfahrung zur Identifizierung der richtigen Parameter

Es ist jedoch wichtig, dass das Unternehmen und die Geschäftsführung diese Informationen auch als Aufruf zum Handeln verstehen und die Geschäftsprozesse entsprechend optimieren, unabhängig davon, ob sie von Menschen, Software Robotern oder beiden ausführt werden.

Warum Operational Intelligence für RPA unerlässlich ist

Mit OI-Instrumenten können Nutzer schnellere, klügere Entscheidungen treffen. Sie ermöglichen es Unternehmen, Daten aus robotergesteuerten, transaktionalen, analytischen und Workflow- sowie Datenbank-basierten Systemen zu kombinieren, um eine einzige anpassbare Übersicht der wichtigsten Kennzahlen und Leistungsindikatoren des Unternehmens und seiner Prozesse zu entwickeln. Dies befähigt die Unternehmen wiederum zur optimalen Nutzung ihrer betrieblichen Daten. Die gewonnenen Erkenntnisse können sie für ihre Entscheidungsfindung einsetzen und ihre Prozesse gegebenenfalls ändern oder neu aufsetzen sowie neue Produkte und Dienstleistungen schneller und wirksamer entwickeln und anbieten.
Für die erfolgreiche Implementierung eines OI-Tools zur Unterstützung der RPA ist die Integration ins transaktionale RPA-System erforderlich. Außerdem müssen die Ergebnisse und Analysen des Systems von den Personen aufgegriffen werden, die die betrieblichen Prozesse durchführen, damit eine Kultur der kontinuierlichen Optimierung möglich wird.
Axway Decision Insight ist ein gutes Beispiel für ein OI-Tool, das separat und ergänzend zu einem Software RPA-Programm implementiert werden kann. Es erlaubt Unternehmen, stärker von vorhandenen Lösungen zu profitieren oder ihr Potenzial von Anfang an voll auszuschöpfen. Die Kombination aus Axway Decision Insight und RPA bietet einem Unternehmen wertvolle Einsichten in seine Prozesse. Dazu zählen die Identifizierung von Engpässen und Unterbrechungen normaler Datenflüsse sowie die Verbesserung von Auslastung, Produktivität und Kundennutzen. Unternehmen, die Axway Decision Insight mit RPA verknüpfen und die gewonnenen Erkenntnisse und Informationen praktisch umsetzen, können von den fortschrittlichen Analysefähigkeiten von Axway Decision Insight profitieren.

Der Autor: Markus Mayer ist Senior Director Customer Services Germany bei Axway und hat mehr als 20 Jahre Erfahrung in der Lösung von Integrationsproblemen. Mit den Integrations- und Analyselösungen von Axway hilft er Unternehmen in der digitalen Wirtschaft erfolgreich zu sein und Customer Experience Networks aufzubauen.

Vorheriger ArtikelSami Haddadin gewinnt Deutschen Zukunftspreis
Nächster ArtikelOrdnung ins Chaos bringen – Datenmanagement in der Cloud gemäß DSGVO