Hyperautomatización de procesos

Para los responsables de Arquitectura de Negocio y de Innovación uno de los puntos más críticos es establecer una estrategia de escalabilidad y los KPIs/OKRs que midan y aseguren el éxito de la misma.

Además de aplicar tecnologías RPA (Automatización Robotizada de Procesos – Robotic Process Automation) de inicio a fin, deben integrarse tecnologías complementarias que acompañen la eficiencia y la eficacia del resultado final.

Por otro lado pueden priorizarse soluciones tácticas puntuales y sin continuidad, pero siempre teniendo en cuenta una hoja de ruta global a largo plazo. Una aproximación exclusivamente táctica corre el riesgo de producir falta de credibilidad y confianza dentro de la organización que visualiza a los responsables como apagafuegos sin continuidad ni estrategia (ver el perfil WoLF).

Los principales retos que se pueden encontrar a la hora de crear un plan global de eficiencia y eficacia de procesos son:

  1. Falta de orientación y estrategia que ayude a las organizaciones a integrar sistemas de automatización de procesos (RPA) con otras herramientas. Esto dificulta de la visisón estremo a extremo de los procesos, y por tanto se pierdan valores comerciales estratégicos.
  2. Las iniciativas para agregar inteligencia artificial a los procesos comerciales a menudo se producen en silos sin una estrategia global integrada en sus desarrollos. Esto produce problemas futuros de escalabilidad por volumen, diseño tecnológico y organizativo.

Por tanto, para acelerar la transformación empresarial y la nueva arquitectura es recomendable:

  1. Planificar una hoja de ruta estratégica a largo plazo alineando los objetivos comerciales, identificando procesos a optimizar y eligiendo tecnologías complementarias al proceso.
  2. Desarrollar una estrategia de integración que permita la automatización de principio a fin y ayude diseñar el RPA, la gestión de procesos de negocios (BPM) y otras herramientas necesarias.
  3. Aumentar los procesos comerciales y de relación con clientes mediante la integración progresiva de inteligencia artificial para aprovechar los nichos de valor comercial a largo plazo.

En 2022, el 65% de las organizaciones que integraron automatización de procesos robotizados introducirán inteligencia artificial, incluido el aprendizaje automático y algoritmos para procesar lenguaje natural.

Introducción

Los arquitectos de negocio (EA) e innovación tecnológica en general suelen recibir presión desde las áreas comerciales para que se concentren en las necesidades tácticas, rápidas, de la automatización de procesos.

Este enfoque puede proporcionar un alivio rápido como una forma de integración no invasiva. Sin embargo, los procesos no siempre son simples, rutinarios, repetitivos y estables. Pueden ser de larga duración y, a menudo, implican una optimización y una toma de decisiones inteligentes y automatizadas. El verdadero desafío consiste en tener la visión de escala más allá de los pocos frutos iniciales de los procesos rutinarios. Esto no se puede resolver con una sola herramienta o con estrategias aisladas.

La hiperautomatización hace referencia a la combinación eficaz de conjuntos de herramientas complementarias que pueden integrar silos funcionales y de procesos para automatizar y aumentar los procesos comerciales.

Esta hiperautomatización se basa en un conjunto de herramientas para simplificar, medir y administrar procesos en toda la empresa. Entre estas herramientas se pueden encontrar, más allá de RPA, motores BPM, sistemas de flujo de trabajo, suites de gestión de decisiones, minería de procesos, plataformas de aplicaciones de bajo código (LCAP), entre otras.

La primera duda que se plantea es por dónde empezar que escale correctamente. Este documento plantea realizar una aproximación en tres fases.

  1. Análisis: Definir el viaje hacia la automatización.
  2. Cocrear una estrategia para combinar las tecnologías y operaciones digitales.
  3. Aumentar los procesos comerciales con IA.

Para cada uno de estos pasos hay que tener en cuenta los ejes de clientes, plataformas tecnológicas, los ecosistemas y los productos resultantes. Contando en todos los ejes con los motores de Inteligencia e Inteligencia Artificial.

Análisis: Definir el viaje hacia la automatización

Defnir la hoja de ruta es el primer paso. Es importante establecer el resultado comercial deseado y los procesos que deben optimizarse, antes de automatizar y ensamblar el resto de herramientas complementarias.

Resultados de Negocio esperados

Ventas

Costes

Riesgos

Optimización de los Procesos

Evaluar / Dimensionar

Industrializar y escalar

Mejora continua

Integración con Herramientas Internas

Herramientas

iPaass

Inteligencia Artificial

Resultados de Negocio esperados

Es clave definir el objetivo digital al automatizar cualquier proceso.

Los arquitectos y responsables de negocio deben colaborar para establecer una visión futura de los resultados diferenciando entre la Transformación y la Optimización: reducción de costes, satisfacción del cliente, agilidad, ventas, etc. Se pueden agrupar estos objetivos en tres grupos:

  • Ingresos. ¿cuáles son los puntos clave clave para los ingresos? Por ejemplo, puede optar por concentrarse en mejorar los procesos, automatizar las tareas, aumentar la participación del cliente o introducir nuevos servicios.
  • Costes.: ¿Impulsa la optimización de costes? Puede mejorar la eficiencia automatizando las tareas, pero también rediseñando los procesos, reduciendo el costo de los errores y acelerandolos.
  • Riesgos. ¿Cuáles son los riesgos de cumplimiento, regulatorios o legales debido a procesos ineficientes? Al rediseñar y automatizar los procesos, debe minimizarse el riesgo de incumplimiento.

Identifique los casos de uso que desea optimizar para mejorar la eficacia y eficiencia de un proceso. Apunta a transformar los procesos comerciales
experimentando con nuevas formas de generar valor. Esto se puede hacer rediseñando y optimizando procesos. En su hoja de ruta, distinga claramente sus casos de uso y sus resultados asociados a sus objetivos de ingresos, costos y riesgos.

Optimización de los procesos

Muy a menudo, la automatización de un mal proceso puede empeorarlo. Es esencial estructurar los procesos comerciales para lograr un alto rendimiento. Esto es aplicable cuando la automatización requiere que las organizaciones adopten una nueva visión de las características clave de los procesos relacionados con la estructura de datos, la delimitación de componentes y las excepciones.

Identifique casos de uso para optimizar procesos centrándose en:

  • Ajustar el coeficiente de inteligencia del proceso. Determinar cuan «inteligente» debe ser el proceso desde el punto de vista del consumidos del mismo.
  • Industrializar y escalar los procesos centrales que impulsan los productos y servicios entregados a través de una plataforma empresarial digital (APIs, ecosistemas de servicios, terceros, etcétera)
  • Mejora constinua por proceso con resultados estructurados, estandarizados e inteligencia para la toma de decisiones.

Integración con Herramientas Internas

Las herramientas que forman parte del proceso de automatización son múltiples y variadas. Es becesario identificas las que están estrechamente alineadas con la hoja de ruta prevista.

Por tanto es importante evaluar diferentes tecnologías y crear un plan de inversión progresivo para entregar de manera efectiva valores comerciales tácticos y estratégicos.

Un conjunto de herramientas alineada con la automatización de procesos impulsada por el negocio provee de diversasopciones para abordar los diferentes pasos de automatización de procesos (descubrir, analizar, diseñar, automatizar, medir, monitorear y reevaluar).

Evaluar loscasos de uso y los objetivos comerciales a largo plazo ayuda a identificar las combinaciones óptimas de estas herramientas.

Sin embargo, no se puede pretender cubrir todas ellas, aunque se disponga de ellas, ya que la fase de análisis se puede dilatar mucho en el yiempo y conducir a la paralisis. Algunas de las que no están incluidas sin APIs y buses de servicio empresarial (Entreprise Service Bus, ESB).

Plataformas BPM / iBPMS

Las suites de BPM inteligentes (iBPMS) son un conjunto de herramientas maduras en el mercado para la orquestación procesos y automatización de tareas dentro de esos procesos. Los iBPMS consolidan los servicios de integración, la gestión de decisiones, la orquestación de procesos, los procesos ad hoc y la analítica avanzada en una única plataforma

La gestión de una herramienta BPM/iBPMS conlleva centrarse funcionalmente en:

  • Gestionar procesos de larga duración y transversales a toda la organización que incluyen personas, servicios de hardware, software y reglas o límites funcionales.
  • Aplicar iBPMS como orquestador maestro de listas de tareas de procesamiento y administración.
  • Activación de un robot o script de RPA para automatizar una tarea con un proceso. Puede usarse APIs para integrar los scripts de RPA con el orquestador maestro de BPM.
  • Supervisión de métricas y creación de cuadors de análisis para identificar oportunidades para mejorar el proceso.
  • Proporcionar servicios de integración directa / API a otras plataformas, aplicaciones y dispositivos en la organización o fuera de la misma.

RPA

RPA es una tecnología de integración no invasiva que se utiliza para automatizar tareas rutinarias, repetitivas y predecibles a través de interacciones con el interfaz de usuario orquestadas que emulan acciones humanas.

Al usar un RPA funcionalmente abarca:

  • Entregas rápidas y beneficiones empresariales mediante la automatización de tareas rutinarias y repetitivas.
  • Creación de interfaces con APIs con otras aplicaciones. Este medio no invasivo interactua con aplicaciones, generalmente desarrolladas en el pasado, en las que la construcción de la integración tradicional sería compleja, lenta y costosa.
  • Obtención, consolidación y validación de datos de distintas fuentes en un proyecto de migración a gran escala.
  • Experimentar rápidamente con prototipos. Aplicar RPA permite realizar pruebas de concepto rápidas antes de lanzar un nuevo servicio o proceso.

Plataformas de Aplicaciones de Bajo Código / Sin Código (LCAP)

Los entornos LCAP suelen tener un potente frontal gráfico y por tanto pueden usarse para modelar la automatización rápida de un proceso. La mayoría de los proveedores de LCAP ofrecen servicios de flujo de trabajo y orquestación de procesos comerciales para automatizar rápidamente las tareas y coordinarlos en procesos más simples.

Al aplicar LCAP hay que tener en cuenta los siguientes aspectos:

  • Suele ser óptimo para procesos con pequeño alcance o que se cambian con frecuencia y se limitan a una sola función o equipo dentro de la organización. La capacidad de pasar rápidamente de una idea a una aplicación en ejecución es fundamental para los LCAP. Esta funcionalidad coloca a los LCAP en una posición muy sólida para automatizar procesos comerciales que necesitan un alto grado de flexibilidad.
  • Crear o modernizar la experiencia de uso (UX) de un proceso que requiera una interfaz de usuario web o móvil. Muchos LCAP también son plataformas de desarrollo aplicables a múltiples plataformas.
  • Aprovechar el amplio conjunto de conectores para automatizar tareas relacionadas con aplicaciones que tienen API existentes en la organización. Sin embargo, el conjunto de protocolos admitidos es más pequeño que el de una plataforma de integración o una suite BPM. Los conectores en LCAP se centran principalmente en la conectividad basada en HTTP REST API o en conectores para empresas comunes y SaaS (como los sistemas ERP).

Minería de procesos y descubrimiento / análisis

La minería de procesos se orienta a descubrir, monitorear y mejorar procesos reales mediante la extracción de conocimiento de los registros de eventos disponibles en los sistemas de aplicaciones. La minería de procesos incluye descubrimiento de procesos automatizado, verificación de conformidad y otras funciones analíticas avanzadas.

Estas herramientas se aplican a:

  • Identificar las eficiencias del proceso a nivel granular.
  • Descubrir, monitorear y configurar tareas que pueden ser automatizadas por bots / scripts.
  • Extraer el conocimiento de los eventos disponibles en el puesto de trabajo o capturados de las pantallas.
  • Crear documentación de proceso y generación automática de modelos de simulación.
  • Solución o extensión de los modelos.
  • Hacer recomendaciones de procesos basadas en datos históricos.

Pueden integrarse estas herramientas con plataformas BPM y RPA para optimizar las oportunidades de automatización de rutinas al descubrir, monitorear y analizar procesos comerciales, tareas e interdependencias.

Suites de gestión de decisiones (DMS) / Sistemas de gestión de reglas comerciales (BRMS)

Los DMS se utilizan para complementar el desarrollo de aplicaciones convencionales cuando estas incluyen decisiones que implican una lógica complicada o que cambia con frecuencia. Los productos DMS modernos han evolucionado más allá de los sistemas de administración de reglas comerciales al brindar un mejor soporte para el análisis y el modelado de decisiones. Estos se pueden utilizar junto con las herramientas de BPM.

Un DMS es relevante para aplicaciones que incluyen en decisiones que involucran cualquiera de los siguientes escenarios:

  • Diversos tipos de datos de entrada, que pueden recopilarse de varias fuentes.
  • Múltiples cálculos
  • Docenas, cientos de miles de políticas comerciales, implementadas como reglas
  • Algoritmos sofisticados que involucran una mezcla de reglas y modelos analíticos
  • Múltiples partes interesadas, a veces con diferentes objetivos

Al integrar una plataforma DMS, hay que tener en cuenta lo siguiente:

  • Creación de un modelo de decisión propio: por ejemplo, modelos mixtos conceptuales y lógicos.
  • Mejorar las herramientas de autoría o mantenimiento de decisiones, por ejemplo, a través de metáfora que facilitan a la empresa la creación o modificación de reglas y análisis sin la ayuda de complejos desarrollos tecnológicos.
  • Servicios de puntuación de análisis predictivo compatible, como la capacidad de importar o conectarse con PMML, PFA, R, Python u otros modelos desde plataformas de ciencia de datos (o herramientas de análisis avanzadas similares).

Enfoque y retos

Los responsables de arquitectura de negocio tienen como reto la transición de un
ecosistema RPA débilmente acoplado con algunas tecnologías, a un conjunto de herramientas perfectmente conectadas. A este concepto se le está dando el nombre de DigitalOps. Desde 2020, muchos proveedores proporcionan una única plataforma con una oferta integrada. Por ejemplo:

  • Microsoft ha lanzado la solución Power Automate como RPA con sus aplicaciones de flujo de trabajo y código bajo de Power Apps.
  • SAP lanzó su oferta BPMRPA integrada desde su nube empresarial, integrada con S/4HANA ERP.
  • Pegasystems ya proporciona una solución BPMRPA integrada.
  • Appian se ha asociado con UiPath, AutomationAnywhere (muy famosa y de los primeros y más versátiles RPA del mercado) yBlue Prisma.
  • Oracle se ha asociado con varios proveedores de RPA.

La transición desde un modelo donde se dispone de un RPA con una serie de herramientas diversas complementarias (Complemented RPA, CoRPA) es claramente diferente y evoluciona hacian un modelo de arquitectura y disponibilidad de herramientas de DigitalOps.

Aumentar y optimizar los procesos comerciales usando IA

Para acelerar la hiperautomatización, un sistema integrado de inteligencia combina eficazmente las herramientas de DigitalOps con:

  • Inteligencia artificial (IA)
  • Aprendizaje automático (ML)
  • Procesamiento del lenguaje natural (PNL)
  • Reconocimiento óptico de caracteres (OCR)
  • Chatbots conversacionales

Un modelo integrado de IA, ML y PNL podría tener la siguiente arquitectura funcional:

En un ecosistema integrado de herramientas de DigitalOps:

  1. RPA permite la automatización de tareas.
  2. BPM / LCAP / DMS habilita la orquestación dinámica.
  3. La capa de AI añade la inteligencia al proceso.

El ERP transaccional existente y las plataformas centradas en el cliente incorporan sus propias herramientas locales centradas en procesos.

La IA se puede aplicar en cada capa de integración de aplicaciones para facilitar conocimientos predictivos y permitir recomendaciones guiadas, minería de procesos y toma de decisiones adaptativa.

Un proceso empresarial que afecta a muchas aplicaciones y sistemas puede utilizar de forma eficaz los modelos de IA, ML y NLP para lograr lo mismo.

AI y ML se utilizan sobre todo en escenarios de automatización para:

  • Realizar un aprendizaje continuo con los datos recopilados en los procesos de automatización para actualizar los modelos de forma dinámica, lo que mejora la calidad de la automatización, y realizar los ajustes pertinentes.
  • Reutilizar modelos de aprendizaje (es decir, modelos capacitados para otros clientes para casos de uso similares y luego reutilizados en un nuevo modelo de cliente). Esto minimiza el tiempo y los datos necesarios para construir e implementar un modelo.
  • Proteger la privacidad del modelo, asegurando que cualquier información del cliente utilizada para entrenar el modelo se extraiga de los modelos de aprendizaje reutilizados.
  • Automatizar el entrenamiento y la construcción de modelos ML sin requerir el proceso manual de entrenamiento y selección de algoritmos ML.

Los casos de uso comunes de AI, ML y NLP dentro de la automatización de procesos comerciales incluyen muchos ejemplos de la industria, como:

  • Manejo de siniestros en seguros (p. Ej., Extracción, clasificación de datos de siniestros)
  • Esfuerzos contra el blanqueo de capitales en banca (por ejemplo, conciliación, monitoreo de datos de transacciones)
  • Gestión de contratos
  • Procesos legales
  • Ensayos clínicos y farmacovigilancia en la atención sanitaria
  • Selección y resolución automatizados de consultas/soporte

Para obtener valor comercial, se deben implantar soluciones que brinden resultados comerciales específicos y medibles para cada caso de uso. Descubrir y desarrollar en equipo casos de uso candidatos de IA y ML, permite identificar resultados comerciales cuantificables de cada uno de estos casos.

Es clave conocer cómo las funciones de IA dentro del proceso automatizado funcionarán con otros componentes. Si se necesita justificar las decisiones dentro de un proceso, entonces el uso de IA y ML puede que no sea un buen enfoque, o puede que sea necesario integrar algún tipo de supervisión humana.

Ejemplo 1

Se persigue automatizar el proceso para la prevención blanqueo de capitales. implementando un algoritmo de detección de fraude, todo ello integrado con los sistemas actuales de la organización y tareas no rutinarias, inteligencia para la toma de decisiones y el juicio humano.

Esto implicaría los siguientes elementos y pasos:

  1. Una suite de gestión inteligente de procesos de negocio y / o una herramienta de sistema de gestión de distribución gestiona el flujo de trabajo / orquestación del proceso de acuerdo con diversas decisiones.
  2. Activa un bot / script de RPA para realizar una recopilación de datos y otras rutinas de validación los datos de los clientes, mercado, proveedores, etcétera.
  3. El algoritmo de detección de fraude, construido sobre un modelo ML, que se ejecuta sobre los datos consolidados para identificar patrones. Este proceso podría introducir la intervención humana, requiriendo que se proporcione una aprobación formal o una firmaelectrónica para poder avanzar.
  4. Posteriormente otro RPA para realizar acciones de seguimiento, como enviar correos electrónicos y actualizar sistemas transaccionales (como la solución ERPs, CRM y otras aplicaciones internas).

Ejemplo 2

Otras tareas rutinarias se suelen encontrar en la relación con los clientes a través de contact centers.

  1. Utilizar una función de análisis de texto de PNL para realizar un análisis de la opinión del cliente en función de las transcripciones de las quejas de los clientes.
  2. Identificar el plan para preparar al agente y los sistemas para impulsar una conversaciones de valor añadido.
  3. Un bot de RPA atendido realiza accione de seguimiento para el agente, como preparar un correo electrónico estructurado con datos de valor para el cliente.

Recomendaciones

El uso de AI, ML y NLP tiene diversos aspectos relevantes a tener en cuenta para obtener el mejor resultado en su aplicación

  • Identificar las motivaciones mñás relevantes para el uso de cada área de IA, incluidos ML, NLP, OCR y chatbots.
  • Evaluar los recursos necesarios, habilidades, tiempo, costes y complejidad involucrados en la construcción de modelos de IA para justificar cada caso de negocio.
  • Garantizar la disponibilidad de datos históricos de buena calidad en los modelos ML.
  • Analizar todos los factores, los puntos de activación, los límites del subsistema, las API de interfaz, el manejo de excepciones y los casos extremos en los que se requieren intervenciones humanas.
  • Planificar por entregas mínimas viables, rápidas e iterativas en operaciones comerciales.
  • Explotar los aceleradores de IA de los principales proveedores de servicios en la nube que puedan integrarse con plataformas propias LCAP, DMS, BPM, RPA e iPaaS. Las bibliotecas comunes de AI / ML a menudo disponibles en estas plataformas incluyen AWS Machine Learning, Google Cloud (TensorFlow), IBM Watson Studio, Microsoft Azure Machine Learning Studio, StanfordNLP, Natural Language Toolkit y spaCy.
  • Inbcluir funciones de AutoML para habilitar los procesos RPA para optimizar los aceleradores ML y NLP. Los motores de AutoML utilizan la entrada y salida de datos de tareas manuales completadas para seleccionar algoritmos, entrenar los modelos e insertar modelos en la automatización sin interrupciones.

Acrónimos

AIInteligencia Artificial
BPMGestión de Procesos de Negocio(Business Process Management)
EAArquitectos de Negocio (Enterprise Architects)
DMSSuites de gestión de decisiones (Decision Management Suites)
iBPMSSuite de Gestión de Procesos de Negocio Inteligentes (intelligent Business Process Management Suites)
iPaaSIntegración de Plataforma como Servicio (integration Platform as a Service)
LCAPPlataformas de Aplicaciones de Bajo Código / Sin Código (Low-Code Application Platforms)
MLMachine Learning
NLPProcesado de Lenguaje Natural (Natural Language Processing)
OCRReconocimiento óptico de caracteres (Optical Character Recognition)
RPAAutomatización Robotizada de Procesos (Robotic Process Automation)
SaaSSoftware como Servicio (Software as a Service)
Artículo anterior
Artículo siguiente

RELACIONADOS

- Publicidad -spot_img

ÚLTIMas publicaciones