RPA, KI und Big Data Analysis: Ein paar Gedanken über den Umgang mit den neuen Megatrends

bei

 / 9. June. 2020

Die Angst vor der Veränderung

Experten gehen davon aus, dass bis 2030 die Arbeitswelt vollständig algorithmisiert sein wird und Kunden an Erfahrungen gewöhnt sind, die Daten speziell für sie geschaffen haben. Das 21. Jahrhundert verlangt nach einem neuen Vorreiter, einem algorithmischen Vorreiter, der Daten, KI und Automatisierung nutzen kann, um überzeugende Kundenerlebnisse zu liefern. Dabei ist es sehr wichtig, dass Führungskräfte wissen, wie man zukünftig menschliches Einfühlungsvermögen und rechnergestütztes Denken in Einklang bringt, indem man neue Technologien implementiert und gleichzeitig die Rolle der Menschen innerhalb der Organisation stärkt.

Grundsätzlich ist das Thema Automatisierung und Künstliche Intelligenz mit großen Ängsten bei den Kunden, aber auch bei den Mitarbeitern verbunden. Furcht vor Überwachung und vor Manipulation stehen ganz oben auf der Liste der Bedenkenträger, schließlich sei die Menschheit in ihrer Einzigartigkeit gefährdet durch den Vormarsch der Maschine, wie in dem britischen Kinofilm Ex Machina von 2015 auf die Spitze getrieben.

Aber zurück auf den Boden der Tatsachen, zurück zu den aktuellen Entwicklungen im Geschäftsumfeld: Bei nüchterner Betrachtung entfalten RPA und KI gerade in ihrer Kombination ein Potenzial für Veränderung, das alles Bisherige in den Schatten stellt. Zusammengenommen beinhalten Technologien wie die Smarte Automatisierung oder Intelligent Automation viele Vorteile, die jenseits von sich wiederholenden, routinemäßigen Aufgaben zu mehr Effizienz und Qualität der Geschäftsprozesse führen. Dadurch wird Intelligent Automation zu einem immer bedeutenderen Differenzierungsfaktor für Unternehmen.

Wie Automatisierung zum Wettbewerbsvorteil wird

„Die Herangehensweise von Unternehmen, um einerseits Kundenerwartungen gerecht zu werden und sich andererseits gegen die zunehmende Bedrohung durch Wettbewerber mit besserer Automatisierung zu wappnen, ändert sich gerade massiv. Anstatt eine defensive Haltung einzunehmen, die auf Kostensenkung setzt, entdecken die Chefetagen zunehmend die Verbesserung von Prozessen als Wettbewerbsvorteil“, schreibt Rob Koplowitz, Vice President und Principal Analyst bei Forrester Research, in „The Growing Importance Of Process To Digital Transformation“ [1]. Angesichts der voranschreitenden digitalen Transformation ist es also mittlerweile unumgänglich, agiler zu werden und eigene, wettbewerbsfähige Geschäftsmodelle zu entwickeln.

Spezielle Automatisierungsplattformen vereinigen bereits mehrere Technologien, wie Business Process Management (BPM), Robotic Process Automation (RPA) sowie Methoden zur Einhaltung von Datenschutzrichtlinien. Sie helfen, komplexe Prozesse und Geschäftsanwendungen zur Erfassung und Verbreitung von Daten durch die Integration von BPM und RPA schneller und effektiver zu implementieren.

Wie KI-Systeme Kunden-Angebote besser machen

Wie sich Künstliche Intelligenz nutzen lässt, um Prozesse, die auf Datenstrukturen beruhen, maschinell zu übertragen, also zu automatisieren, lässt sich anhand eines konkreten Falles aus dem Bereich Banken am besten verdeutlichen. Die Branche steht geradezu exemplarisch für die große Bedeutung des Datenschutzes. Geld und Zeit zu sparen und idealerweise nur noch in Ausnahmefällen manuelle Eingriffe zuzulassen, sind die erklärten Ziele eines jeden Fintech-Unternehmens. Nicht immer jedoch, zum Beispiel in heiklen Situationen, lässt sich ein solcher manueller Eingriff vermeiden. Und genau hier kommt KI ins Spiel. Aufgabe der KI ist es nämlich in solchen Fällen, aufgrund der Datenlage Vorschläge zu unterbreiten, die die manuelle Arbeit eines Sachbearbeiters erleichtern. Besonders erfolgreich ist dieses Ansinnen, wenn sich KI mit flexiblen End-to-End Data Intelligence-Lösungen verbindet.

Beispiel Kontoüberweisung. Handelt es sich um eine simple Überweisung von A nach B oder steckt etwas anderes dahinter? Versucht etwa jemand, Geld aus dunklen Quellen in den offiziellen Zahlungsverkehr zu bringen? Michael Kelch beschäftigt sich seit 2014 für einen amerikanischen Softwarehersteller mit dem Thema maschinelle Ergänzungen, etwa so lange, wie weltweit komplexe KI Anwendungen zum Einsatz kommen: „Künstliche Intelligenz führt nicht dazu, dass mein Zahlungsverhalten transparent wird, sondern KI hilft dem entsprechenden Sachbearbeiter meines Finanzinstituts, in kritischen Fällen die richtige Entscheidung zu treffen“, so Kelch, der als Regional VP of Sales, EMEA Central einen guten Überblick über die Bedürfnisse seiner Kunden hat. Wenn es darum geht, einen manuellen Eingriff zu machen, kann KI helfen, da sie auf Entscheidungen zurückgreift, die die Bank bereits einmal gefällt hat, d.h. „die Expertise findet nicht mehr nur im Kopf des Sachbearbeiters statt, sondern sie ist im Algorithmus hinterlegt, im Bauch der Bank“, erklärt Branchenkenner Kelch.

Kelch unterscheidet zwischen regelbasiertem Vorgehen, wie bei der RPA, und statistischem Vorgehen, also dem Machine Learning (ML), bei dem durch die wiederholte Eingabe von Daten die Performance der Maschine verbessert wird, die Maschine also „lernt“. In diesem Sinne ist KI nichts anderes als die Summe aller Algorithmen, die es auf der Welt gibt.

Eine Bank muss hochautomatisiert funktionieren, sonst ist sie kein profitables Geschäft. Was eine Bank heute macht, was der Endkunde nicht sieht, ist das manuelle Behandeln von Ausnahmefällen, die erwarten, dass ein Mensch eine Entscheidung trifft: „Ist das die Transaktion vom Arbeitgeber des Kunden gewesen, obwohl sie so komisch aussieht? Oder muss ich sie melden?“ Die Message, die dabei für den Anwender des Algorithmus wichtig ist: KI kann helfen, Prozesse so effizient zu machen, dass der Sachbearbeiter die Möglichkeit hat, sich um den zu kümmern, um den es wirklich geht: seinen Kunden. Denn gerade erst die Kombination von menschlicher und maschineller Intelligenz ermöglicht, erhebliche Potenziale zu fördern, so auch das Fazit der oben bereits erwähnten Intelligent Automation Studie von Deloitte aus dem Jahr 2019.

Wie sich die Vertrauenswürdigkeit von Daten bewerten lässt

Auch wenn die Anforderungen an die Analytik stetig steigen, drei grundlegenden Fragen zu den Daten bleiben immer gleich: Welche Daten sind verfügbar? Woher stammen die Daten? Und wie vertrauenswürdig sind sie? Bisher beruhte das Vertrauen in die Daten auf Datenqualitätsmaßnahmen, der Zusammenarbeit mit Stakeholdern und Crowdsourced Reviews. Diese sind zwar relevant, können jedoch zu einem unvollständigen und sogar verzerrten Verständnis der Informationen führen. Die geschäftlichen Auswirkungen der Verwendung von qualitativ schlechten oder unpassenden Daten werden dabei meist erst rückwirkend in der Analyse erkannt.

ASG hat eine Marktforschung durchgeführt, um herauszufinden, wie Unternehmen das Thema Datenvertrauen bewerten, welche Faktoren für die Messung der Vertrauenswürdigkeit am objektivsten und relevantesten sind bzw. wären und welche Faktoren das Datenverständnis erschweren. Die Auswertung ergab, dass Vertrauen vielschichtig ist und organisch entsteht. Zudem entwickelt es sich im Laufe der Zeit weiter. Ein einheitlicher „one size fits all”- Ansatz für alle Unternehmen und deren Daten ist daher nicht umsetzbar.

Aufbauend auf den Ergebnissen der Marktforschung hat ASG ein ganz neues Vertrauensmodell für das Verständnis von Daten entwickelt. Das Modell berechnet die Vertrauenswürdigkeit eines Datenelements dynamisch, basierend auf dem Wert einer oder mehrerer Aspekte. Dieser Wert wird dabei durch Logik und Metriken bestimmt, die innerhalb oder auch außerhalb der Data Intelligence-Lösung liegen. Die daraus resultierenden Vertrauensbewertungen werden über einen bestimmten Zeitraum hinweg gemessen. Umfassende Richtlinien steuern automatisierte Aktionen, wie die Instanziierung eines Workflows, wenn eine Bewertung einen Schwellenwert unterschreitet oder übersteigt.

„Datenmanagementverantwortliche investieren in Mitarbeiter, Prozesse und Technologien, die sowohl offensive als auch defensive Datenstrategien unterstützen“, so Michael Kelch. „Alle Nutzer, vom Data Analyst bis zum Data Scientist, die verschiedene Analyseziele verfolgen und unterschiedliche Kompetenzen im Umgang mit Daten besitzen, müssen die verfügbaren Daten sicher verstehen und bewerten können. Daher freuen wir uns über die herausragende Rolle, die unser vertrauensorientierter Ansatz bei unseren Produktinvestitionen in Data Intelligence 2020 spielt.“

Nur Mut: Die Prozessautomatisierung als Chance

Roboter Prozess Automatisierung (RPA), Künstliche Intelligenz (KI) und Big Data Analysis: Megatrends, die noch vor wenigen Jahren etwas für Tech-Nerds waren, sind im Mainstream angekommen. Von vier auf acht Prozent hat sich der Anteil der Unternehmen verdoppelt, die erfolgreich auf RPA zurückgreifen. Der Markt für Automatisierungslösungen wächst mit 20 % pro Jahr sehr dynamisch, so eine Studie von Deloitte aus dem Jahr 2019. Die Frage, wie genau diese Entwicklung interne Prozesse vereinfachen und Kunden-Angebote besser machen kann, beschäftigt mittlerweile fast jedes Unternehmen. Dabei ist die größte Herausforderung, die Sicherheit der Daten zu gewährleisten und das nötige Vertrauen in die Automatisierung bei den Mitarbeitern aufzubauen.

Jedoch ist es nicht nötig, wegen der Entwicklung in Panik zu verfallen: Auch in Zukunft werden die verschiedenen Erscheinungsformen der künstlichen Intelligenz alltägliche Werkzeuge lediglich ergänzen. Bis künstliche Intelligenz die von Menschen ausgeführten Arbeiten wirklich ersetzen kann, wird es noch etwas dauern.

 

Quellen und Referenzen:

[1]https://www.forrester.com/report/The+Growing+Importance+Of+Process+To+Digital+Transformation/-/E-RES143158

 

Nicole Biel verantwortet seit Januar 2019 bei ASG Technologies als Regional Field Marketing Manager den Bereich DACH. Sie ist seit 20 Jahren im Bereich IT tätig und kann auf berufliche Führungspositionen im Consulting, Lösungsvertrieb und Marketing bei internationalen Unternehmen wie z.B. amdocs, SAP, Redknee (jetzt Optiva) zurückblicken.