机器人流程自动化(RPA)促进了企业的自动化。但是,并非每个企业都能成功地实现稳定的、规模化的自动化。RPA也带来了一些隐患和陷阱。本报告帮助应用程序开发和交付(AD&D)专业人员确定RPA的重要考量因素,并提出10条成功的“黄金法则”。第一部分请见 Part  1, 第二部分请见 Part  2。 本篇为系列文章第3篇:

规则5:建立自动化流程管线

在开始一个RPA计划时,甚至在试验阶段,技术团队就应该有流程管线的视野。许多成功的 RPA计划在早期就由CoE 或自动化突击团队领导建立了候选流程管线,其中包含了未来12至18个月的流程引入、评估和优先选择的管线(见图3)。采用两管齐下的方法构建强大的引进管线:

  • 对于简单的流程,请使用 DWAForrester将数字工作者分析方法(DWA)定义为“一种支持自动化和系统化软件通过协作、抓取、构建、分析、标准化、记录和排列人类桌面和浏览器运行活动等,为实现任务自动化和更高智能而帮助标准化、设计和构建数字工作者的的平台和方法论。”DWA 具有丰富的数据。人为主导的流程挖掘是一个耗时且费力的过程,但是现在任务分析方法可以识别、确定优先级并记录人工输入和输出。它根据“五项规则”的几个方面(例如任务时长、执行过程的人数和使用的系统数量)对任务元素(例如登录数据,屏幕导航,鼠标选择,屏幕访问,时间搜索和来自多个记录的字段输入)进行综合和排序。
  • 对于复杂的流程,要更深入一些。复杂的流程可能跨越多个异构应用程序环境。设计思维和旅程规划对于理解涉及多个学科和利益相关者的复杂流程至关重要。这些工具可以通过有关用户行为、动机和依赖关系的定性输入,进而对流程有更细致的了解。通过 DWA对定性输入和可量化数据的综合了解,可以帮助发现短期和长期的自动化机会,从而为自动化流程候选管线提供渠道。一家大型电影制片厂应用了设计思维对跨多种来源和类型的数字资产的元数据管理流程进行识别和简化。

12至18个 月的流程引入、评估和优先选择的管线

 

 

规则 6:寻找改进、标准化的机会,然后再自动化

在自动化流程之前重新设计或标准化流程可能会增加初始成本,但通常会实现更可持续的自动化,并带来更高的回报。流程改进工具箱包含许多工具和方法,方法包括Kaizen、 Lean、六西格玛、不良质量成本分析以及故障模式和影响分析。使用这些方法进行端到端流程重新设计可能是一项艰巨的任务,而且许多公司缺乏这样做的耐心。更快、更智能的数据驱动方法目前正在开发中。企业通过流程挖掘和DWA以可行的方式确定任务并进行自动化,从而成功实现RPA。请注意:

  • 部分或未完整记录的流程存在风险。RPA目标通常只涉及流程的一部分,而不是整个流程。很少有人会通盘考虑整个任务的吞吐量。局部流程视野会忽略对外部步骤的依赖,而使自动化暴露于不稳定状态。团队也无法衡量这部分自动化的价值和影响。即便没有足够的文档记录,流程信息也会随着时间的推移而累积。异常情况处理通常只有一小部分人知晓,而每个员工的认知又都不一致。此时,供应商提供的DWA工具可以提供帮助。将RPA与编排或其他形式的自动化结合起来,推动直通式自动化。2017年,澳新银行(ANZ Bank)启动了一项以RPA为核心的流程工业化计划,重新设计其端到端流程,以提升CX、简化业务并实现数字化。
  • 在使流程自动化之前,简化和标准化流程是值得的。即使目标结果是相同的,人们也会找到许多不同的方法来完成一项工作-通过快捷键、工具或任务指令。那么RPA将如何推进并应对这种变化呢?答案可能是DWA和流程挖掘。瑞典能源公司Vattenfall在将其人工纸质的抄表流程自动化之前,对其流程进行了标准化和合理化处理。
  • 流程挖掘可以助力实现RPA任务自动化的成功。2020年,流程挖掘日志数据与桌面输入和输出相结合的进程将加快。RPA供应商与流程挖掘公司在2018年和2019年的合作加快了这一脚步。Celonis 等流程挖掘平台于2019年推出了自己的桌面分析,联合创始人兼首席执行官 Alexander Rinke 讲到:“我们专注于后端流程,而不是前端自动化,比如客户填写表单。但是我们在桌面活动增加了前端日志,并将嵌入机器人。”RPA供应商,如UiPath和Infosys,已经购买或开发了流程挖掘工具。一些企业也看到了流程挖掘和RPA协同工作的价值。

 

规则7:制定AI规划,但不要操之过急

关于在RPA中使用智能技术有很多说法。尽管供应商经常将AI和RPA混为一谈,但二者是截然不同且又共同发展的。RPA是确定性的,而AI是概率性的。Forrester关于智能自动化的 Tech Tide 报告为试验、投资和维护AI技术提供了一个路线图。每种技术想要成功都需要不同的技能与方法。也就是说,RPA确实提供了在运行环境中应用数据科学及在流程中嵌入机器学习(ML)的框架。机器学习可以帮助:

  • 引入和提取数据。支持前端机器学习的机器人可以学习从多种数据类型(如结构化、非结构化、图像和推测型数据)中引入和提取信息。RPA机器人可以通过使用ML算法(如NLP或计算机视觉)从Web表单、PDF文档、电子邮件或扫描图像中获取输入信息,并执行涉及逻辑或路由的下游任务。
  • 处理数据。机器学习可以通过执行智能“提取或修复”操作填补公司数据空白,例如不正确的字段或部分地址。智能工具可以比较来自多个来源的数据,例如合同或法律文件中的条款,以验证是否需要进行基于逻辑的下游操作。
  • 创建基于信号的触发器。机器学习可以向RPA机器人提供数据触发信号,然后再根据这些信号进行操作。常见的用例根据ML的各种形式(例如,会话聊天机器人的意图或在传感器和数字孪生语境中的预测性维护算法)来触发下游动作。在这些用例中,RPA支持并扩大覆盖范围,从而使ML可以应用于更广泛的下游用例。例如,本来只能基于信息来解决问题的聊天机器人,现在可以通过使用RPA机器人进行增强而实现根据客户请求采取行动(如密码重置)。
  • 增强人类的决策能力。机器学习可以通过预测流程异常,来触发动态流程更改或支持人工工作流程。随着将智能技术嵌入到流程中,RPA机器人变得更加令人关注。例如,AI助手和侦听器可以挖掘联络中心或服务台内正在进行的交互,从而获取数据、抢先填写表格或实施与监管和合规性有关的行为。

访问 Forrester 中文专区,了解更多中国市场洞察。