Prozesse zu automatisieren, nur weil das cool erscheint oder der Lösungsansatz innovativ ist, schafft keinen Wert und bringt wenig Nutzen. Da Daten eine der wertvollsten Ressourcen sind, über die ein Unternehmen verfügen kann, sollte die Automatisierung einer strategische Lösung folgen, mit dem Ziel, Daten effizient zu nutzen. Einer von Seagate veröffentlichten Studie zufolge verdoppelt sich die Menge der Daten, die innerhalb eines Unternehmens generiert werden und verfügbar sind, zwischen 2020 und 2022 jedes Jahr. Vor diesem Hintergrund beschäftigt sich dieser Blog mit den größten Herausforderungen bei der Umwandlung von Daten in Wert. Eine zentrale Rolle nimmt dabei Robotic Process Automation (RPA) ein.
Herausforderungen bei der Umwandlung von Daten in Wert
Um Wert aus Daten zu generieren, müssen zwei Aspekte berücksichtigt werden. Erstens gilt es, die Workloads und Fehlerquoten der Daten zu minimieren, die in betrieblichen und transaktionalen Prozessen verwendet werden. Dies ist wichtig, um eine hohe Datenqualität zu gewährleisten und um Mitarbeitenden Zeit für wertschöpfendere Aufgaben zu verschaffen. Zweitens müssen Daten identifiziert, gesammelt, geprüft und strukturiert werden, um objektivere Erkenntnisse aus Analysen zu gewinnen. So können Unternehmen schneller arbeiten und kritische Geschäftsentscheidungen auf der Grundlage von Fakten statt anhand von Annahmen treffen. Doch bei der Umwandlung von Daten in Wert treffen Unternehmen oft auf zahlreiche Herausforderungen. Abbildung 1 listet die zentralen Herausforderungen auf.
Wie Robotic Process Automation eine entscheidende Rolle spielen kann
Durch die Einführung von RPA können in kürzerer Zeit erheblich mehr Daten gesammelt werden, wobei zugleich eine im Vergleich zu herkömmlichen manuellen Prozessen höhere Datenqualität erreicht wird. Während menschliche Mitarbeiter viel Zeit aufwenden müssen, um für eine bessere Entscheidungsfindung Rohdaten identifizieren, sammeln, bereinigen, strukturieren und verbessern zu können, sammelt RPA die Daten und kann sie direkt in Analysetools oder Machine-Learning-Algorithmen einspeisen. Auf diese Weise kann RPA in Kombination mit anderen Tools Daten liefern, um objektivere Entscheidungen zu treffen – ohne von Vorannahmen oder persönlichen Einschätzungen beeinflusst zu werden. Dies ist ein enormer Wettbewerbsvorteil in einer Situation, in der die Menge der generierten und verfügbaren Daten exponentiell ansteigt. Abbildung 2 zeigt, in welchen Bereichen die Einführung von RPA eine entscheidende Rolle spielen kann, um die beschriebenen Herausforderungen zu bewältigen.
Beispiel eines Anwendungsfalls für die Sammlung von Daten: Web Scraping
Das Internet ist voll von Informationen, die hilfreich sein können, um zeitnah Erkenntnisse zu gewinnen und daraus die richtigen Entscheidungen abzuleiten. Doch manuelles Browsen kann sehr arbeitsaufwendig werden. Nehmen wir als Beispiel ein Unternehmen, das mit Immobilien handelt. Das Ziel ist es, zu einem günstigen Preis Mietobjekte zu kaufen, die bestimmte Kriterien erfüllen, um diese dann zu vermieten oder zu gegebener Zeit wieder zu verkaufen und einen Gewinn zu erzielen. Das traditionelle Vorgehen wäre, jeden Tag auf bestimmten Websites nach guten Angeboten zu schauen. Nehmen wir einmal an, das dauert etwa zwei Stunden pro Tag. Bei der Anwendung von RPA durchsucht der Bot automatisch die verschiedenen Websites und prüft, ob bestimmte Kriterien erfüllt sind (z. B. bestimmtes Gebiet oder Mindestanzahl an Räumen). Sind die Kriterien erfüllt, prüft der Bot schließlich, ob der Preis in einer Spanne liegt, die vorab als „profitabel“ definiert wurde. Wenn dies der Fall ist, speichert der Bot das Angebot in einer Liste und informiert automatisch den menschlichen Mitarbeiter per E-Mail.
Als mögliche Erweiterung für diesen Anwendungsfall könnte RPA auch eingesetzt werden, um die Angebote der verschiedenen Websites zu sammeln und direkt in einen Machine-Learning-Algorithmus einzuspeisen, der anhand historischer Daten bewertet, ob ein Angebot gut ist oder nicht.
Prozesse sind die Pipelines, Daten die transportierten Güter
Bei RPA geht es um die Automatisierung von Prozessen. Diese Prozesse bilden die Pipelines für den Transport von Daten, aus denen Wert generiert wird. Der Umstand, dass täglich mehr Daten verfügbar werden, stellt eine Herausforderung dar. Gleichzeitig ist es aber eine grundlegende Chance, durch Analytics mehr Informationen zu erhalten – Informationen, die entscheidend sein können. Um die wachsende Menge an Daten überblicken zu können und eine schnellere Wertschöpfung aus Analytics-Projekten zu erzielen, migrieren immer mehr Unternehmen ihre Daten in die Cloud und nutzen dabei Data Lakes oder Data Warehouses. Da die Cloud ohne Zweifel die Zukunft sein wird, ist es wichtig, über eine Datenstrategie zu verfügen und ausgehend von dieser die Prozesse und Automatisierungen aufzubauen – und nicht umgekehrt.
Dieser Blog ist der dritte Teil einer Reihe:
Der erste Blogpost stellte vier zentrale Säulen für den langfristigen Erfolg eines Automatisierungsprojekts vor: Robotic Process Automation I: ein Weg zur Hyperautomation
Der zwei Artikel betont, wie wichtig es ist, die Prozesse in den Mittelpunkt zu stellen, und zeigt drei Schritte für die Auswahl der profitabelsten Prozesse auf: Robotic Process Automation II: die Auswahl der profitabelsten Prozesse
