Die pandemische Reaktion von Unternehmen auf der ganzen Welt könnte das Rennen um künstliche Intelligenz (KI) auf eine neue Überholspur verlagern: Process Mining.
Von einer Marktgröße von 110 Millionen Dollar vor der Pandemie im Jahr 2018 auf fast dreimal so groß im Jahr 2019, 47 % der Unternehmen nutzen oder planen den Einsatz von Process Mining. Es ist kein Geheimnis, dass Unternehmen im Zuge der jüngsten globalen wirtschaftlichen Umwälzungen nach einem Rezept suchen, um schlanker und intelligenter zu arbeiten. KI und Automatisierung stehen dabei an vorderster Front.
Heutige KI-Technologien wie das maschinelle Lernen helfen dabei, die Arbeit vorausschauender und anpassungsfähiger zu machen - aber sie benötigen Daten darüber, wie Sie heute arbeiten, um sie zu trainieren. Anstatt anstrengende manuelle Stunden in die herkömmliche Prozessabbildung zu investieren, können sich Teams dafür entscheiden, Prozesse in ihre Bemühungen zur robotergestützten Prozessautomatisierung (RPA) einzubinden und die automatisch generierten Erkenntnisse zu analysieren.
Die Unternehmen stellen jedoch fest, dass fehlerhafte Zutaten zu sauren Ergebnissen führen. Während RPA zu fehlerhaften KI-Datensätzen führen kann, kann eine Rückbesinnung auf die Wurzeln des Rezepts mit Process Mining zuverlässig lebensechte Blaupausen Ihrer täglichen Abläufe erstellen.
Lassen Sie uns untersuchen, wie Process Mining und Low-Code-Automatisierungstools ein besserer Einstieg in eine zuverlässigere KI-Nutzung sein könnten.
Warum RPA den Erfolg von Künstlicher Intelligenz verhindert
Auf der Suche nach intelligenteren Möglichkeiten, KI zu nutzen, kann man die Bot-basierte Prozessautomatisierung so zusammenfassen, dass man bekommt, was man reinsteckt.
Da herkömmliche RPA schrittweise aufgebaut werden muss, müssen auch die Schritte selbst festgelegt werden:
- Geben Sie an, wie der Prozess in der Realität funktioniert.
- Keine größeren Ineffizienzen aufweisen.
- Sie müssen standardisiert sein und jedes Mal auf die gleiche Weise ausgeführt werden.
Im Idealfall würde eine saubere RPA-Einrichtung eine fortlaufende, zeitlich gestaffelte Historie darüber erstellen, wie ein Prozess wirklich funktioniert, sowie alle möglichen Einflüsse, die ihn prägen, und eine breite Palette von Ergebnissen.
Die Offenlegung Ihrer Abläufe über Prozesse und Abteilungen hinweg würde einem KI-Tool eine große Bandbreite an Mustern liefern, aus denen es lernen kann.
Von intelligenten Chatbots bis hin zur prädiktiven Analyse von Verkaufsberichten könnten verschiedene Tools Daten unternehmensweit nutzen, um die Abläufe mit weniger Arbeitsstunden und weniger Fehlern kontinuierlich zu verbessern.
Dieses Ideal entspricht nicht dem Stand der modernen Prozessautomatisierung. In der Tat hat die Beschleunigung der Ergebnisse "schlechter" Prozesse in einigen Unternehmen dazu geführt, dass Ergebnisse von geringer Qualität verstärkt werden, anstatt sie zu verbessern.
1. Ungenaue Prozesse
Erstens können die Erkenntnisse aus RPA auf einer fehlerhaften Sicht der realen Abläufe beruhen. Die Verhaltensweisen von Mitarbeitern und Kunden haben sich allein im letzten Jahr radikal verändert. Wenn Sie die heutigen Prozessschritte aus Mitarbeiterbefragungen ableiten, könnten Ihnen wichtige Schritte entgehen, die Ihre Arbeitsabläufe optimal funktionieren lassen.
2. Ineffiziente Prozesse
Zweitens könnten die Prozesse von ihrem ursprünglichen Arbeitsablauf abgewichen sein oder einfach schlecht konzipiert sein. Beispielsweise könnten veraltete Betriebsverfahren für die Rechnungsverarbeitung überflüssige Abzeichnungen aufweisen. Oder die Mitarbeiter haben aus Bequemlichkeit und auf Kosten der Qualität Umgehungslösungen in verschiedene Prozesse eingebaut.
3. Nicht standardisierte Prozesse
Drittens ist eine Automatisierung bei Prozessen, die entweder teilweise oder vollständig nicht standardisiert sind, möglicherweise gar nicht möglich. Wenn Ihr Team Aufgaben nicht auf wiederholbare Art und Weise mit vorhersehbaren Ergebnissen erledigt, werden alle RPA-Versuche unzuverlässig sein.
In jedem dieser Fälle könnte Ihre Prozesslandkarte voller Fehler, Abkürzungen und verschwenderischer Schritte sein, die nicht Ihren wesentlichen Bedürfnissen entsprechen.
Prozesse sollten in der Regel erst dann automatisiert werden, wenn sie auf ihre Effektivität hin überprüft worden sind. Dennoch kann es für Unternehmen verlockend sein, niedrig hängende Früchte trotzdem zu automatisieren.
Letztlich führen die Versuche, falsch konstruierte RPA zu skalieren, viele Unternehmen wieder an den Anfang zurück.
Wie die Abbildung von Legacy-Prozessen zu fehlerhaftem RPA führt
Selbst bei sauberen Prozessen kann das Automatisierungsdesign selbst ein Hindernis für das KI-Training sein.
Ein besseres RPA-Design würde bessere Datensätze bedeuten - zumindest in der Theorie. Die manuelle Prozessabbildung an sich öffnet jedoch die Tür für alle Arten menschlicher Verzerrungen und Versäumnisse. Diese Fehler beeinträchtigen die Ergebnisse und drosseln die Automatisierungsergebnisse im gesamten Unternehmen.
Darüber hinaus bindet das Legacy Process Mapping viele Stunden an Aufwand für die Sammlung und Analyse von Informationen. Zusammen mit der mühsamen RPA-Codierung ist dies oft nicht die schnellste Methode zur Skalierung.
Wie Process Mining und Low-Code RPA überholen könnten
Die wichtigste Erkenntnis? Eine theoretische Prozesslandkarte und traditionelles RPA werden Herausforderungen haben, die ihre realen Gegenstücke widerspiegeln.
Die Nachteile von RPA haben dazu geführt, dass die Vorbereitung auf die Automatisierung immer wichtiger wird. Process Mining und Low-Code-Automatisierung werden immer attraktiver, um KI-Trainingsdaten zu generieren. Die Vorteile dieser Verfahren sind dreifach:
- Schnellere Umsetzung und Ergebnisse
- Naturgetreue Sichtbarkeit
- Laufende Überwachung
Anstatt Daten auf herkömmliche Weise zu sammeln, werden beim Process Mining zeitgestempelte Protokolle von Ereignissen innerhalb eines größeren Arbeitsablaufs erstellt.
Mining-Tools greifen direkt auf Ihre Anwendungen zu, indem sie einen gemeinsamen Konnektivitätspunkt nutzen - Anwendungsprogrammierschnittstellen (APIs). Von CRM-Anwendungen (Customer Relationship Management) und darüber hinaus können Unternehmen Prozessdaten ohne zusätzlichen Aufwand in Echtzeit extrahieren.
Dieser entscheidende Schnittpunkt zwischen Geschäftsprozessmanagement und Process Mining wird als Prozessentdeckung.
Prozessfindung erklärt
Die Suche nach Möglichkeiten zur Kostensenkung durch Automatisierung wird viel einfacher, wenn Unternehmen darauf vertrauen können, dass ihren Prozessdaten vertraut werden kann. Mit anderen Worten: Eine bessere Prozesstransparenz führt zu einer klareren Priorisierung.
- Indem man dafür sorgt, dass die Tools und Workflow-Komponenten problemlos miteinander kommunizieren können, wird das Risiko einer Fehlkommunikation bei den erfassten Daten verringert.
- Darüber hinaus bedeutet das Sammeln von Informationen über den Prozess, wie er in der Praxis abläuft, dass die Unternehmen nicht lange suchen müssen, um zu verstehen, was in ihrem Unternehmen wirklich passiert.
- Schließlich kann eine laufende Prozessüberwachung dazu beitragen, zu klären, ob die Arbeitsabläufe konsequent eingehalten werden.
Wenn die Teams verstehen, was tatsächlich passiert und wo die Probleme liegen, können rote Fahnen innerhalb eines Prozesses leicht hinterfragt und ausgemerzt werden, während die gesunden Schritte erhalten bleiben.
So können beispielsweise ideale Arbeitsabläufe standardisiert werden, um sie mit anderen Unternehmensbereichen zu teilen. Einige Prozesse sind vielleicht schon gut genug, um noch schneller in die Automatisierungspipeline aufgenommen zu werden.
In jedem Fall öffnet das Vertrauen in die Kenntnis Ihrer Prozesse die Tür zu einer besseren Entscheidungsfindung in Bezug auf Automatisierungsmaßnahmen.
Wie passt die Low-Code-Automatisierung dazu?
Dadurch kann die Modellierung von Vorlagen für die Automatisierung viel schneller und einfacher erfolgen.
Low-Code-Automatisierungstools vereinfachen die Einrichtung, indem sie die Anforderungen an die Programmierkenntnisse eliminieren. Stattdessen werden sie von visuellen Prozess-Buildern mit Funktionen wie Drag-and-Drop-Design-Tools gesteuert, die praktisch jeder Mitarbeiter nutzen kann.
Process Mining kann diese Automatisierungen weiter überwachen und herausfinden, was funktioniert - und was nicht.
Die Kombination von Process Mining und Low-Code-Automatisierungstools ermöglicht es Unternehmen, effizienter und skalierbarer zu werden.
Darüber hinaus bieten diese Tools aufgrund ihrer Agilität mehr Flexibilität als herkömmliche RPA, wenn Unternehmen mit schnellen Veränderungen konfrontiert sind. Die Fähigkeit, sich anzupassen, wird mit der Pandemie und darüber hinaus weiter an Bedeutung gewinnen.
Was könnte KI-fokussiertes Process Mining und Low-Code-Automatisierung erschweren?
Trotz der vielen Vorteile haben Process Mining und Low-Code-Automatisierung zwei entscheidende Nachteile, die das KI-Training behindern könnten:
- Fehlender Kontext
- Misstrauen der Mitarbeiter
Auch wenn die Landschaft dieser Bedenken noch nicht vollständig erforscht ist, so können wir doch mit Zuversicht einige Aspekte untersuchen.
Kontext
Das Problem: Der Kontext von Prozessereignissen ergibt sich oft daraus, wie sich Mitarbeiter verhalten, um einen Schritt abzuschließen. Auf dieser individuellen Ebene könnten rein ereignisbasierte Anwendungsprotokolle übersehen, wie ein Benutzer durch grafische Benutzeroberflächen (GUIs) in seinem Arbeitsablauf navigiert, wie z. B. in CRM-Anwendungen.
Darüber hinaus kann das Mining die Automatisierung von fehlerhaften oder verschwenderischen Prozessen vorschlagen, die bei einer von Menschen durchgeführten Prozessanalyse auffallen würden.
Mögliche Lösung: Task Mining kann diese visuelle Komponente abdecken, um mehr Kontext in die Arbeitsweise der einzelnen Benutzer zu bringen. Process Mining allein zeigt, wann und wie oft Aktionen durchgeführt werden. Als begleitender Prozess zum Process Mining hilft das Task Mining den Teams zu verstehen, wie etwas gemacht wird.
Für einen tieferen Kontext könnte das Mining als zusätzliche Information genutzt werden, um menschliche Prozessanalytiker anzuleiten.
Datenschutz
Das Problem: Die Überwachung von Mitarbeitern ist nach wie vor ein heißes Eisen im Zusammenhang mit Überwachungsinstrumenten wie Process Mining. Wenn man bedenkt, dass mit genügend Daten die Aktivitäten der Mitarbeiter mit einem feinzahnigen Kamm durchleuchtet werden können, um alle Arten von Routinen zu ermitteln.
Viele Mitarbeiter können nachvollziehen, wie lange es dauert, ein Support-Ticket zu lösen, aber sie sträuben sich dagegen, zu erfahren, wie lange ihre Toilettenpausen im Durchschnitt dauern.
Mögliche Lösung: Arbeiten Sie mit Ihren Compliance- und Informationssicherheitsteams zusammen, um klare Grenzen für eine verantwortungsvolle Datenerfassung zu finden. Dabei sollten die Teams nicht nur ethische Grenzen, sondern auch rechtliche Grenzen wie die Allgemeine Datenschutzverordnung (DSGVO) berücksichtigen.
Wenn Sie die Ziele klarstellen und bei der Datenerfassung transparent bleiben, können Sie die Unterstützung Ihrer Teams im gesamten Unternehmen gewinnen.
Verlust von Arbeitsplätzen durch Maschinen
Das Problem: Jede Art von Automatisierung ist auf das Ziel ausgerichtet, menschliche Arbeitskraft so weit wie möglich zu ersetzen. Die heutigen Low-Code-Tools helfen zwar bei der Einführung von Arbeitsabläufen, die das menschliche Personal ergänzen, aber viele Aufgaben könnten mit der Zeit von den Arbeitsplätzen verschwinden.
Es ist unvermeidlich, dass sich einige Aufgaben von "ausschließlich menschlichen" zu "maschinenfähigen" Aufgaben verschieben werden. Von der Fabrikarbeit zu Bürojobs für AngestellteDie Menschen fürchten natürlich, dass ihre hart erarbeiteten Fähigkeiten veraltet sind.
Mögliche Lösung: Transparenz und die Möglichkeit, in zukunftsträchtige Rollen hineinzuwachsen, werden entscheidend sein, um die offene Übernahme von Automatisierungstechnologien zu fördern. Beispielsweise laden Unternehmen zunehmend Mitarbeiter an der Front ein, Low-Code-Tools als Bürger-Entwickler.
Wenn die Teams in die Verbesserung ihrer eigenen Arbeitsabläufe einbezogen werden, können sie die Vorteile aus erster Hand erfahren. Dadurch entwickeln sie Fähigkeiten, die auf dem künftigen Arbeitsmarkt von unschätzbarem Wert sind.
Die Rolle von Process Mining und der DigitalOps Toolbox bei der Einführung von KI
Je tiefer Unternehmen in den Kaninchenbau des Process Mining eintauchen, desto mehr Hindernisse können auftauchen. Die effizienteste Methode zur Sammlung von KI-Trainingsdaten könnte für viele Teams darin bestehen, die Stärken und Schwächen der KI mit anderen Tools zu ergänzen Werkzeugkasten für digitale Abläufe Technologien.
So hat beispielsweise das Mining bereits bei einigen anderen Unternehmen als Treibstoff für RPA-Bots Einzug gehalten. In seltenen Fällen, in denen Low-Code die Nischenbedürfnisse eines Teams nicht erfüllen kann, könnte individuell programmierte RPA für diese Lösungen gut geeignet sein.
Für die unternehmensweite Skalierung ist es jedoch oft am sinnvollsten, eine einzige Plattform für die Erstellung der Automatisierung und die Überwachung der Prozesse zu finden. Low-Code trägt dazu bei, viele unterschiedliche Methoden unter einem Dach zu vereinen, insbesondere wenn sie in intelligente Geschäftsprozessmanagement-Software (iBPMS) integriert werden.
Die Unterbringung all Ihrer Tools an der richtigen Stelle fördert nicht nur bessere Prozesse und Automatisierung, sondern auch stärkere Rückkopplungsschleifen für KI. Für viele könnten sich Process Mining und Low-Code-Automatisierung als schneller und effizienter Einstieg in diesen Bereich erweisen.
