RPA: Produktivitätshebel für strukturierte Daten

Viele Unternehmen setzen bereits auf Robotic Process Automation (RPA), um ihre Geschäfts- und Verwaltungsprozesse zu automatisieren. Zumindest all jene Prozesse, die

• häufig durchgeführt werden
• wenig komplex sind
• festgelegten Regeln folgen und
• auf strukturierten Daten beruhen.

Hier können die Software Roboter kleine Produktivitätswunder vollbringen, denn sie arbeiten 24/7, ohne Pause und ohne Flüchtigkeitsfehler. Doch was passiert, wenn ein Prozess vom Standard abweicht und der weitere Prozessablauf eine Entscheidung, also eine gewisse Intelligenz, erfordert? Oder wenn unstrukturierte Daten verarbeitet werden müssen? Auch das ist kein Problem, denn RPA ist als Ansatz ausbaufähig.

Intelligente Software Roboter

Durch die Erweiterung um eine intelligente, kognitive Komponente sind jedoch auch Software Roboter in der Lage, „selbst zu lernen“. Dazu muss die RPA-Technologie allerdings ergänzt werden, z.B. um Verfahren, die auf Künstlicher Intelligenz (KI), Natural Language Processing (NLP) oder Machine-Learning (ML) basieren.

Während RPA-Roboter ausschließlich strukturierte Daten verarbeiten können, ermöglicht IPA die Verarbeitung und Automatisierung unstrukturierter Daten und Dokumente, inklusive Scans, Videos oder Bilder. Software Roboter, die KI-gestützt arbeiten, sind in der Lage, unstrukturierte Daten zu erfassen und zu extrahieren. Sie setzen die Daten in den passenden Kontext setzen und verarbeiten diese weiter. Durch den Einsatz von Intelligent Process Automation (IPA) können Prozesse deutlich weiter automatisiert und optimiert werden – mit entsprechend positiven Effekten für Bearbeitungs- und Durchlaufzeiten der Prozesse.

IPA-Beispiel Kundenservice

Das Auslesen eines Textes in einer Kundenanfrage erfolgt zunächst durch Optical Character Recognition (OCR). Eingetippte, aber auch handgeschriebene Schriftzeichen werden durch OCR in digitalisierten Dokumenten erkannt und automatisch in die nachgelagerten Systeme zur weiteren Verarbeitung weitergeleitet. Doch nicht alle Anfragen bestehen aus Text, daher können die OCR-Verfahren z.B. durch NLP ergänzt werden. Der Einsatz von NLP ermöglicht es, gesprochene und geschriebene menschliche Sprache zu erkennen und in einen sinngebenden Kontext zu bringen, der eine weitere Bearbeitung ermöglicht.

Anfragen im Kundenservice können durch die Verknüpfung von RPA und NLP zu einem hohen Anteil vollautomatisiert bearbeitet werden. Im Idealfall werden vom System die passenden Textbausteine für eine Kundenanfrage automatisch generiert und an den Kunden versendet. Sind weitere Aktivitäten erforderlich, wie z.B. eine Adress- oder Kontoänderung, werden diese im entsprechenden System von den Software Robotern angestoßen und das Anliegen abschließend bearbeitet. Die Verbindung von KI und RPA oder auch Workflow Automation Systemen wie Camunda bietet Unternehmen eine echte end-to-end Integration.

Die automatisierte, fallabschließende Bearbeitung einer Kundenanfrage ohne Eingreifen eines menschlichen Mitarbeiters liegt im Use Case einer Versicherung aktuell bei 85%. Überwiegend aufgrund fehlender Kundendaten können hier 15% der eingehenden E-Mails nicht vollautomatisiert bearbeitet werden. Durch Einsatz eines Chat-Bots, der die fehlenden Daten abfragt, kann man diese Quote auf weit über 90% steigern.

Anwendungsbeispiele für IPA

Die Einsatzmöglichkeiten für IPA sind vielfältig und versprechen ein hohes Potenzial. In einigen Branchen und Funktionsbereichen sind die RPA-und IPA-Potentiale aufgrund des hohen Anteils an repetitiven, manuellen Tätigkeiten besonders groß. Hierzu zählen vor allem die Bereiche Einkauf und Logistik sowie die Kundenbetreuung und Auftragsbearbeitung.

In Branchenhinsicht bietet RPA insbesondere Banken und Versicherungen ein hohes Automatisierungspotential, da hier der Anteil an Datenerfassung und -verarbeitung relativ hoch ist. Software Roboter können zudem schnell den regulatorischen Änderungen angepasst werden, die sich regelmäßig verändern – wodurch Unternehmen Compliance-Probleme vermeiden.

Für IPA lohnt sich insbesondere der Blick auf komplexere Prozesse, die ein gewisses Maß an Intelligenz erfordern, wie z.B.:

• Automatisierte Buchungen
• Automatisieren von Supply Chain Prozessen, wie z.B. Demand Management und Order Management
• Warnmeldungen bei drohenden Stock Out-Situationen
• Vollautomatisierte Bearbeitung von Kundenanfragen im Kundenservice
• Forecasting: Predictive Analytics basierend auf Vergangenheitswerten
• Erkennen und Warnen bei Abweichungen von der Norm, z.B. bei Lieferantenrechnungen

Beim Automatisieren von Bestellungen erlaubt ML – als Bestandteil der KI – Prognosen hinsichtlich der zu erwartenden Nachfrage. Durch ausreichend verfügbare Daten, die als Lernmenge zur Verfügung stehen, können saisonale Bedarfsschwankungen und Nachfragetrends identifiziert werden und die Lagerbestände entsprechend optimiert werden.

Von RPA zu IPA

In vielen Kundenunternehmen erleben wir, dass IPA zwar ein relevantes Thema ist, aber oftmals das Know-How fehlt, um entsprechende Projekte umzusetzen. Unternehmen, die IPA einführen, sollten mit einem sorgfältig ausgewählten Prozess beginnen und erst mit steigender Lernkurve weitere, komplexere Prozesse angehen.

Eine IPA-Infrastruktur im Unternehmen ermöglicht es, verschiedene KI-Funktionen mit Workflows zu kombinieren, so dass Prozesse unternehmensübergreifend bearbeitet und miteinander verknüpft werden können.

Insbesondere in größeren Unternehmen empfiehlt es sich, ein Center of Excellence (CoE) zu etablieren, in dem Spezialisten sich um die Themen RPA und IPA kümmern. Sollte es bereits ein CoE für RPA geben, muss geprüft werden, inwieweit bestehende Standards, Tools und Technologien an IPA angepasst werden müssen. Falls neue Technologien hinzukommen, sollte geprüft werden, ob die Konnektivität in einer Cloud-Umgebung unter Umständen kostengünstiger und einfacher umgesetzt werden kann.

Time for change

KI-Ansätze brauchen Daten als Lernmenge. In einer Public-Cloud-Lösung ist diese Lernmenge erheblich größer als bei einem individuellen, on-premise installierten System. Viele Cloud-Provider können die erforderlichen Datensicherheits- und Datenschutzvorschriften mittlerweile ebenso gut erfüllen wie lokale Rechenzentrum, so dass Sicherheitsbedenken zunehmend wegfallen.

Ein kritischer Erfolgsfaktor bei IPA-Projekten – ebenso wie bei RPA-Projekten – ist die Begleitung der Veränderung durch ein umfassendes Change Management. Unsere Erfahrung zeigt, dass Automatisierungsprojekte nur dann erfolgreich sind, wenn die MitarbeiterInnen im Unternehmen die Projekte verstehen und die Veränderung unterstützen. Fehlt dieser Support, scheitern viele Projekte bereits in einer frühen Projektphase. Mehr dazu erfahren Sie in unserem kostenlosen RPA-Guide.

Mehr Informationen?

Möchten Sie gerne mehr über die Möglichkeiten von RPA und IPA in Ihrem Unternehmen erfahren? Oder mehr Informationen über Use Cases aus der Praxis? Wir informieren Sie gerne kostenlos und unverbindlich: Jetzt Termin reservieren!