Die meisten Unternehmen führen Stammdatenmanagement (Master Data Management, MDM) aus zwei Gründen ein. Erstens wollen sie eine hohe Datenqualität erreichen und aufrechterhalten, zweitens soll dies so effizient wie möglich erfolgen. Hierbei ist die Automatisierung von Datenpflegetätigkeiten ein wesentlicher Erfolgsfaktor. Automatisierte Tätigkeiten können skaliert durchgeführt werden, erfordern kein menschliches Eingreifen und liefern rund um die Uhr verlässliche Daten. Daher sind Automatisierungsfunktionen für die Datenpflege seit jeher Teil von MDM-Anwendungen.
Anfangs wurden halbautomatisierte Funktionen unterstützt, die die manuellen Tätigkeiten im System reduzierten. Der Anwender musste jedoch weiterhin eine Aufgabe auswählen, die Daten prüfen und die Aufgabe für die Übergabe vorbereiten. Die einfachsten Beispiele für Datenpflegeautomatisierung sind Ableitungsregeln, die einen Wert anhand von Bedingungen festlegen (z. B.: wenn Materialart gleich „Endprodukt“, Basiseinheit auf „Alle“ setzen). Bis heute werden diese Regeln statisch mittels Steuerungstabellen und Programmierung umgesetzt. Zudem werden diese Regeln typischerweise von MDM-Fachkräften und Experten der jeweiligen Funktion gemeinsam definiert. Dies kann sehr mühsam sein, insbesondere wenn mehrere Funktionen/Regionen/Abteilungen und gemeinsam genutzte Datenobjekte (z. B. Materialstamm) involviert sind. Die Tatsache, dass in den meisten Fällen Ausnahmen berücksichtigt werden müssen, erschwert die Aufgabe weiter und erhöht die Komplexität der technischen Umsetzung.
In den letzten 15 bis 20 Jahren wurden die Konzepte weiterentwickelt und die technischen Möglichkeiten ausgebaut, was einen höheren Automatisierungsgrad zur Folge hatte. Zusammen mit ergänzenden Konzepten wie Vorlagen, Szenarien usw. hat sich die Basisautomatisierung als großer Mehrwert für Unternehmen erwiesen. Dennoch basieren die meisten Lösungen auf „alten“ Technologien (z. B. Programmierung und Steuerungstabellen). Um einen höheren Automatisierungsgrad zu erreichen und komplexere Aufgaben abzudecken, sind fortgeschrittenere technische Funktionen erforderlich.
Glücklicherweise kann Robotic Process Automation (RPA) genau diese Fähigkeiten bereitstellen und ermöglicht so eine erweiterte Automatisierung. RPA ist nicht nur eine Technologie, sondern vielmehr ein Ansatz, der mehrere technische Funktionen miteinander vereint, z. B. Screen Scraping und das Verstehen von natürlicher Sprache. Diese neuen Funktionen können Anwenderunterstützung leisten (beaufsichtigte Automatisierung) oder Aufgaben eigenständig ausführen (unbeaufsichtigte Automatisierung), die für gewöhnlich menschliches Eingreifen erfordern. Das Lesen einer E-Mail-Anfrage, das Erkennen der Absicht des Anfragenden (Intention), die Identifizierung der zugehörigen Stammdaten (Entitäten) und ein folgerichtiges Handeln sind Beispiele dafür, womit sich MDM-Teams heutzutage beschäftigen. RPA liefert Funktionen, um diese Schritte mit einer hohen Fallabdeckung zu automatisieren. Nur in außergewöhnlichen oder seltenen Fällen wird ein MDM-Experte hinzugezogen. Aufgrund dieser Funktionen sehen viele Unternehmen RPA als Wegbereiter für eine Umstellung von Shared-Services-Datenpflege auf botgestützte Datenpflege.
Während RPA für MDM innovativ ist und bisher nur von wenigen Unternehmen genutzt wird, ist RPA für die Automatisierung bereits ziemlich ausgereift und es gibt viele Lösungen auf dem Markt (z. B. BluePrism, Automation Anywhere und Uipath), die genutzt werden können, um die folgenden Vorteile zu erzielen:
Mit den jüngsten Durchbrüchen in Technologie und (Daten-)Wissenschaft haben sich die Funktionen erheblich verbessert. Komplexere Szenarien können abgedeckt werden, menschliches Eingreifen wird weiter reduziert und die Lösungen können dynamisch reagieren. Folglich geht es bei moderner RPA nicht mehr nur um die Ausführung/Automatisierung einzelner Datenpflegeschritte. Vielmehr sollen MDM-(Ro-)Bots geschaffen werden.
Aus diesem Trend ergibt sich die Vision für RPA in MDM, die sogenannte kognitive Automatisierung. Durch die Nutzung von Funktionen künstlicher Intelligenz (wie logische Schlussfolgerungen) und die Anwendung von Konzepten des maschinellen Lernens werden RPA-Lösungen in der Lage sein, aus Erfahrung zu lernen. Sie werden außerdem über ein gutes Verständnis relevanter Kontextinformationen (Wissensrepräsentation) verfügen, wodurch sie die richtigen Entscheidungen treffen und eine beständig hohe Datenqualität gewährleisten können. Manuelle MDM-Datenpflegetätigkeiten werden folglich auf ein Minimum reduziert und es muss beispielsweise nur noch ein bestimmter Prozessauslöser festgelegt werden.
CAMELOT unterstützt sowohl RPA-erfahrene als auch -unerfahrene Kunden bei der Erreichung ihrer Automatisierungsziele. Je nach Reifegrad beginnt der Prozess mit ersten Workshops, einer anfänglichen Machbarkeitsstudie (3–5 Monate) oder direkt mit der Entwicklung und Umsetzung einer Unternehmenslösung.
Wir danken Mirjam Baldas für ihren wertvollen Beitrag zu diesem Artikel.