ENG
Бизнес инвестирует в RPA (Robotic process automation — роботизацию процессов), но итог некоторых проектов не внушает оптимизма: компании внедряют в среднем около пяти роботов. В чем причина таких результатов и почему для масштабной роботизации стоит вкладываться в «интеллектуальный» анализ бизнес-процессов?
От больших надежд — к разочарованию
Не так давно компания UiPath — один из крупнейших участников рынка RPA — уволила около 400 своих сотрудников. Фил Фершт, основатель и генеральный директор HFS Research, прокомментировал эту новость так:
«UiPath поняла на своих ошибках, что интеллектуальная автоматизация — это марафон, а не спринт. Она подогревала хайп вокруг RPA слишком агрессивно».
Также эксперт отметил, что RPA все равно несет «огромную выгоду в плане <…> автоматизации процессов». Однако, по его мнению, сейчас компании испытывают трудности с тем, чтобы проводить роботизацию в крупных масштабах — большинство не смогло внедрить более пяти ботов. Данные Deloitte говорят примерно о том же: в конце прошлого года лишь 4% организаций эксплуатировали более 50 роботов.
При таком масштабе компаниям очень трудно увидеть реальную выгоду от роботизации. Чаще всего они автоматизируют те процессы, что находятся «на поверхности», или те, где использование программных роботов гарантированно пойдет на пользу бизнесу. И когда проект заканчивается, возникает закономерный вопрос: а что дальше? Из-за непонимания компаниями своих процессов и отсутствия долгосрочной стратегии автоматизации возникают такие проекты с пятью ботами. Об этом говорит и Лесли Уилкокс, профессор Лондонской школы экономики:
«В организации быстро получают результаты, но видят лишь ограниченные возможности, поэтому дальше точечных применений дело не идет».
Медленно — не всегда верно
«Спонтанная» роботизация не работает. Для того чтобы RPA-проекты приносили хорошие результаты, крайне важно, чтобы компании перед покупкой программного обеспечения инвестировали время и ресурсы в оценку своих бизнес-процессов. Чем больше организация о них знает, тем проще ей составить стратегию автоматизации. Сегодня для этого на рынке сформировались три подхода.
Некоторые организации привлекают внешних специалистов, чтобы те помогли найти процессы, роботизация которых повысит производительность и приведет к снижению влияния человеческого фактора. Консультанты выясняют, как сотрудники компании выполняют ту или иную работу, а затем создают тепловые карты, которые показывают эффективность от автоматизации того или иного процесса. Однако ручная подготовка таких отчетов требует большого количества времени.
Для упрощения работы консультантов были разработаны и выпущены решения класса Process Mining. Они собирают логи — файлы, в которых содержится информация о действиях пользователей и программ. После сбора данные отправляются аналитикам, которые разбираются в полученной информации, а затем строят тепловые карты. И тут есть проблема. В части логов очень трудно разобраться, к тому же системы Process Mining не понимают, например, что делает пользователь в Microsoft Excel. Поэтому после создания тепловых карт и перед построением бизнес-процессов аналитикам нужно проверять точность отчетов с сотрудниками, тем самым отрывая их от работы. В итоге системы Process Mining не так уж упрощают и ускоряют автоматизацию. Такие решения включают неплохой инструментарий, который помогает компании лучше понять свои процессы, но он не заточен под дальнейшую роботизацию.
Process Discovery: все включено
Первые два подхода — ручной анализ процессов и полуавтоматический, назовем его так, не дают компании того, что необходимо для последующей успешной автоматизации — полной ясности в оценке своих процессов, точности при обработке информации и, что важно, оперативности. Вендоры осознают проблему и работают над ней: постепенно участники рынка поняли, что наиболее перспективный вариант — полностью доверить исследование процессов ИТ-решениям.
В результате на рынок вышел продукт нового класса — Process Discovery, который использует в работе возможности искусственного интеллекта. В отличие от других решений, ИИ здесь — не надстройка для усовершенствования, а полноценная часть системы. Discovery-бот устанавливается на ПК сотрудника и работает так, что пользователь вообще не замечает, что за ним кто-то наблюдает. Вспоминать о слежке здесь не нужно: «агентов» PD интересуют исключительно процессы, которые выполняет сотрудник. Они собирают информацию о том, сколько человек работает с той или иной задачей, как часто к ней обращается, какие существуют отклонения. После этого за короткое время система формирует из полученных данных некий рабочий процесс и анализирует, насколько он подходит для последующей роботизации. Затем ИИ дает рекомендации, какие процессы он считает наиболее перспективными для делегирования их RPA-помощникам.
Отличие нового подхода в том, что инструментарий PD основан на тех же технологиях, что RPA-платформа. В результате время, которое требуется компании для перехода от анализа процессов к их алгоритмизации и параметризации, сокращается в разы — на самом деле после получения рекомендаций от PD-системы пользователь может сразу же приступить к созданию алгоритма для робота. Поэтому компании гораздо проще проводить масштабную роботизацию. После автоматизации 4–7 процессов проект не замораживается, так как компания имеет четкое представление обо всех остальных, а также рекомендации системы — с очень большой вероятностью она пойдет дальше.
По мнению экспертов Kryon, возврат инвестиций в таких проектах может достигать 70% против 50%, которые мы наблюдаем сегодня, и то в редких случаях. В результате «интеллектуальный» анализ процессов станет важной частью цифровой трансформации бизнеса. О ней много пишут и говорят, но не все понимают, с чего начать — теперь на этот вопрос есть простой ответ.
