Technologie · Automatyzacja

Automatyzacja procesów: decyzje przygotowane na podstawie danych, wyjątki w rękach ludzi

Automatyzacja procesów zaczyna się od pomiaru, bo zły proces po automatyzacji nadal jest zły, tylko działa szybciej.

Kurz gefasst
  • Co daje: W naszym obliczeniu modelowym dla fikcyjnego przedsiębiorstwa nowy sposób pracy pozwala w scenariuszu średnim zaoszczędzić 54 600 euro rocznie z obecnych 135 000 euro kosztów weryfikacji. Kwota uwzględnia już monitoring i utrzymanie modelu, ale nie obejmuje nakładu jednorazowego. Rachunek życzeniowy oparty na stopniu automatyzacji obiecywałby 108 000 euro. W scenariuszu ostrożnym nowy sposób pracy okazuje się droższy od obecnego.
  • Czego wymaga: dużej liczby podobnych przypadków, zapisanych decyzji i wyniku, który da się później sprawdzić.
  • Kiedy się nie opłaca: gdy wystarcza stała reguła, gdy wolumeny są małe albo gdy sam przebieg pracy budzi spory.

Automatyzacja procesów: definicja i rozgraniczenie pojęć

Automatyzacja procesów polega na przekazaniu powtarzalnych kroków procesu biznesowego systemowi, który albo działa według stałych reguł, albo korzysta z modelu wyuczonego na danych. Ta strona dotyczy drugiego przypadku, czyli kroków, w których dziś człowiek sprawdza, zatwierdza lub planuje, a właściwa decyzja zależy od danych.

Cztery pojęcia często się myli. Automatyzacja oparta na regułach wykonuje to, co da się zapisać jako regułę typu „jeżeli A, to B”. Robotic Process Automation, w skrócie RPA, to oprogramowanie, które na danych ustrukturyzowanych wykonuje rutynowe zadania oparte na regułach [1]. Inteligentna automatyzacja łączy RPA ze sztuczną inteligencją, na przykład z uczeniem maszynowym [1]. Przez automatyzację AI rozumiemy na tej stronie tę część, w której model przygotowuje decyzję na podstawie danych za pomocą prognozy, klasyfikacji lub wykrywania anomalii.

Tam, gdzie wystarczą reguły, są one lepszym wyborem, bo kosztują mniej i dają się prześledzić. Model opłaca się dopiero tam, gdzie stała reguła myliłaby się w zbyt wielu przypadkach. Nie sprzedajemy ani licencji RPA, ani oprogramowania do sterowania przebiegiem pracy. Nasz wkład to model stojący za decyzją i jego integracja z Państwa systemem dziedzinowym. Wcześniej sprawdzamy, czy model decyduje lepiej niż obecny sposób pracy, i mówimy Państwu o wyniku także wtedy, gdy jest negatywny.

Postulat, by najpierw przeprojektować przebieg pracy, nie jest nowy. Michael Hammer już w 1990 roku domagał się na łamach Harvard Business Review, by przebiegi pracy projektować od nowa, zamiast jedynie automatyzować istniejące [2]. Jeszcze wcześniej, w 1983 roku, Lisanne Bainbridge opisała na przykładzie instalacji przemysłowych, jak automatyzacja może powiększać problemy z ludzkim operatorem [3].

Tak działa automatyzacja procesów z AI

Jeśli chcą Państwo automatyzować procesy biznesowe, najpierw potrzebne są liczby opisujące obecny przebieg pracy. Bez wartości wyjściowej nie da się później ani wykazać korzyści, ani zauważyć szkody.

KrokCo się dziejeCo z tego wynika
1. Pomiar procesuwolumeny, czasy obsługi, odsetek błędów i warianty ustala się na podstawie danych z systemówwartość wyjściowa do każdego porównania
2. Rozgraniczenie decyzjidla każdego kroku ustala się, czy wystarczy stała reguła, czy decyzja zależy od danychlista, która każdy krok przypisuje regułom, modelowi albo człowiekowi
3. Budowa modeluna podstawie wcześniejszych decyzji i ich wyników model uczy się, jak zaklasyfikować przypadekpropozycja dla każdego przypadku wraz z informacją, na ile jest pewna
4. Porównanie z obecnym przebiegiem pracyna odłożonych przypadkach testowych model jest porównywany z pracownikami, którzy dziś rozpatrują takie przypadki, oraz z prostą regułąporównanie oraz próg, od którego przypadek uznaje się za wyjątek
5. Włączenie w proceswynik pojawia się w systemie dziedzinowym jako propozycja, którą zatwierdza człowiekdecyzja przygotowana na stanowisku pracy
6. Monitoring i ponowne trenowaniekontrole wyrywkowe i porównanie z późniejszymi wynikami rzeczywistymi trwają dalejmodel, którego jakość jest stale mierzona

Rzetelnego dostawcę rozpoznają Państwo po dwóch pierwszych krokach. Zanim złoży ofertę, mierzy obecny przebieg pracy w Państwa firmie i wskazuje, które kroki obejdą się bez modelu.

Nasz przykład z produkcji, osadzony w fikcyjnym zakładzie wzorcowym, pokazuje, jak może wyglądać krok 5. Wynik modelu pojawia się tam jako komunikat serwisowy w systemie utrzymania ruchu: „Maszyna 14 ma ryzyko awarii za dziewięć dni, zalecane okno konserwacji: niedziela, nocna zmiana”.

Przykład obliczeniowy: automatyzacja AI w planowaniu zaopatrzenia, 60 000 propozycji zamówień

Poniższy przykład to obliczenie modelowe dla fikcyjnego przedsiębiorstwa. Średniej wielkości hurtownia planuje zaopatrzenie w systemie ERP, który generuje propozycje zamówień według stałych reguł. Przypadkiem jest tu pojedyncza propozycja zamówienia, czyli artykuł z ilością, terminem i dostawcą. Planista ją sprawdza, w razie potrzeby zmienia i zatwierdza.

Model klasyfikuje każdą propozycję albo jako przypadek standardowy, jeśli nie zgłasza żadnej nieprawidłowości, albo jako wyjątek z uzasadnieniem, na przykład z powodu nietypowego zapotrzebowania. Zatwierdzenie pozostaje w rękach planisty, który przypadki standardowe zatwierdza zbiorczo, a wyjątki rozpatruje pojedynczo. Stopień automatyzacji oznacza tu udział propozycji, które nie przechodzą pojedynczej weryfikacji.

Założenieostrożnyśrednikorzystny
Propozycje zamówień rocznie (przypadki)60 00060 00060 000
Dzisiejszy czas weryfikacji propozycji, w minutach333
Stawka za godzinę pracy, w euro454545
Stopień automatyzacji (udział przypadków standardowych), w procentach708090
Wyjątki z pojedynczą weryfikacją, w procentach302010
Czas na wyjątek, w minutach864
Monitoring rocznie, w godzinach (zbiorcze zatwierdzanie, kontrole wyrywkowe, porównanie z wartościami rzeczywistymi)480320160
Bieżące utrzymanie modelu rocznie, w euro (moc obliczeniowa, ponowne trenowanie, interfejs)18 00012 0009 000

Dziś weryfikacja zajmuje 3 000 godzin rocznie, co przy stawce 45 euro za godzinę daje 135 000 euro. Rachunek życzeniowy mnoży tę kwotę przez stopień automatyzacji i w scenariuszu średnim dochodzi do 108 000 euro. Pomija przy tym trzy pozycje.

Pierwszą pozycją są wyjątki. Pojedynczo weryfikowanych propozycji jest 12 000 i są to właśnie te trudne. Każda z nich zajmuje 6 minut zamiast 3, ponieważ planista musi prześledzić uzasadnienie modelu. Daje to 1 200 godzin, czyli 54 000 euro. Drugą pozycją jest monitoring, który zajmuje 320 godzin i kosztuje 14 400 euro. Trzecią jest bieżące utrzymanie modelu. Przyjęte dla niego 12 000 euro to założenie, z którego nie da się wyprowadzić żadnej ceny. Ze 135 000 euro zostaje rocznie 54 600 euro efektu netto, czyli mniej więcej połowa tego, co obiecywał rachunek życzeniowy.

Scenariusz (kwoty w euro)Rachunek życzeniowyWyjątkiMonitoringUtrzymanieEfekt netto rocznie
ostrożny94 500108 00021 60018 000−12 600
średni108 00054 00014 40012 00054 600
korzystny121 50018 0007 2009 000100 800

W każdym scenariuszu efekt netto jest niższy niż w rachunku życzeniowym, bo dochodzą monitoring i utrzymanie modelu, a rozpatrzenie wyjątku trwa dłużej niż dzisiejsza weryfikacja. W scenariuszu ostrożnym nowy sposób pracy okazuje się droższy od obecnego. Wyjątki i monitoring pochłaniają tam łącznie 2 880 godzin, prawie tyle co dzisiejsza weryfikacja. Efekt netto staje się ujemny dopiero po doliczeniu utrzymania modelu.

Do własnego szacunku mogą Państwo użyć wzoru:

Efekt netto rocznie = dzisiejsze koszty weryfikacji − koszty wyjątków − monitoring − bieżące utrzymanie modelu

Dzisiejsze koszty weryfikacji to iloczyn liczby przypadków, czasu weryfikacji i stawki godzinowej. Koszty wyjątków to iloczyn liczby przypadków, odsetka wyjątków, czasu na wyjątek i stawki godzinowej.

Wzór wymaga trzech zastrzeżeń. Nakład jednorazowy na budowę modelu i włączenie go w proces leży poza wzorem i zestawia się go z efektem netto. Ponadto wynikiem rachunku są na razie tylko zwolnione godziny. W scenariuszu średnim zwalnia się 1 480 z 3 000 godzin, a to, czy przełożą się one na pieniądze, zależy od sposobu ich wykorzystania. Wreszcie rachunek obejmuje tylko to, co mieści się w dzisiejszych kosztach weryfikacji. Dlatego dla braków towaru i nadmiernych zapasów nie podaje żadnej kwoty w euro. Obie wielkości da się jednak zmierzyć, bo przy każdym zamówieniu widać później, czy artykułu zabrakło, czy zalegał w magazynie. Pilotaż porównuje je ze stanem sprzed wdrożenia modelu, a wynik tego porównania pozostaje otwarty.

Przy 6 000 propozycji rocznie dzisiejsze koszty weryfikacji wynoszą 13 500 euro. Jeśli utrzymanie modelu pozostanie tak drogie jak w scenariuszu średnim, samo pochłonie 12 000 euro. Wtedy pojedyncza weryfikacja pozostaje rozwiązaniem bardziej opłacalnym.

Moduł 8 naszej serii czekoladowej pokazuje na przykładzie weryfikacji dokumentacji, jak model wstępnie sortuje, a człowiek decyduje.

Kiedy automatyzacja procesów się opłaca, a kiedy nie

Automatyzacja procesów z użyciem modelu opłaca się, gdy jednocześnie spełnione są trzy warunki: przypadków jest dużo, wcześniejsze decyzje zapisano razem z ich wynikiem, a po fakcie da się ustalić, czy decyzja była trafna. Bez trzeciego warunku nikt nie zmierzy, czy model dobrze pracuje. W przykładzie obliczeniowym warunek ten jest spełniony, bo braki towaru i nadmierne zapasy pokazują przy każdym zamówieniu, jak dobra była decyzja.

Łatwo tu o cztery błędne wnioski:

  • Stopień automatyzacji to nie oszczędność. Bez pojedynczej weryfikacji przechodzą przypadki łatwe, a kosztowne zostają u planisty.
  • Sporny proces pozostaje sporny także z modelem. Jeśli dwóch planistów rozstrzyga ten sam przypadek różnie, model uczy się również tej sprzeczności.
  • Pełna automatyzacja przychodzi najwcześniej na końcu. Najpierw model przedstawia propozycje, które zatwierdza człowiek. Udział przypadków bez pojedynczej weryfikacji rośnie wraz ze zmierzonymi wynikami.
  • Odpowiedzialność pozostaje przy człowieku. Przed startem trzeba ustalić, kto odpowiada za błędną decyzję i kto rozpatruje wyjątki.

Jeśli decyzja dotyczy osób fizycznych, na przykład klientów indywidualnych lub pracowników, dochodzą do tego granice prawne. Art. 22 ogólnego rozporządzenia o ochronie danych (RODO) ogranicza decyzje, które opierają się wyłącznie na zautomatyzowanym przetwarzaniu i wywołują wobec danej osoby skutki prawne lub w podobny sposób istotnie na nią wpływają [4]. W każdym przypadku trzeba ocenić od strony prawnej, czy dane przedsięwzięcie podlega temu przepisowi.

Odradzamy automatyzację, gdy stała reguła rozstrzyga przypadek równie dobrze, gdy wolumeny są małe albo gdy sam proces wciąż budzi spory.

Automatyzacja procesów w procesie data science

Projekt automatyzacji procesów przechodzi przez sześć faz CRISP-DM, rozpowszechnionego modelu postępowania w projektach data science [5]. Dla takiego projektu rozstrzygające są trzy z nich. Faza 1 określa, jaką decyzję przygotowuje model i ile kosztuje błąd. Faza 5 sprawdza model na tle obecnego sposobu pracy i ustala próg dla wyjątków. Faza 6 przenosi wynik do systemu dziedzinowego i go monitoruje. W większości projektów w średnich przedsiębiorstwach do eksploatacji modeli wystarcza częściowo zautomatyzowany potok, który uruchamia człowiek. Warunek jest taki, że modeli jest niewiele, dane zmieniają się w skali tygodni, a nie minut, i każdą zmianę modelu zatwierdza człowiek.

Wszystkie sześć faz CRISP-DM w skrócie Faza 5: walidacja modeli Faza 6: wdrożenie i monitoring

Najczęstsze pytania o automatyzację procesów

Czym jest automatyzacja procesów?

Automatyzacja procesów oznacza przekazanie powtarzalnych kroków procesu biznesowego systemowi, który albo działa według stałych reguł, albo nauczył się na podstawie danych, jak zaklasyfikować dany przypadek. Człowiek nadal zajmuje się wyjątkami i monitoringiem, a także ponosi odpowiedzialność, która wiąże się z podjętą decyzją.

Czym różni się automatyzacja procesów z AI od Robotic Process Automation?

Robotic Process Automation działa według stałych reguł i sprawdza się w krokach, które zawsze przebiegają tak samo. Model AI wkracza tam, gdzie decyzja zależy od konkretnego przypadku, na przykład gdy trzeba ocenić, czy propozycję zamówienia można przyjąć bez zmian. Oba podejścia da się łączyć.

Ile kosztuje automatyzacja procesów i kiedy się zwraca?

Rachunek ma cztery składniki: dzisiejsze koszty weryfikacji, koszty wyjątków, monitoring i utrzymanie modelu. Saldo tych czterech składników to roczny efekt netto, który zestawia się z nakładem jednorazowym. Przy małych wolumenach rachunek z trudem się domyka, bo pozostaje stały, minimalny koszt monitoringu i utrzymania.

Jakich danych potrzebuje automatyzacja AI?

Model potrzebuje przypadków z przeszłości ze wszystkimi informacjami, które miała przed sobą osoba je rozpatrująca, a także jej decyzji i późniejszego wyniku. Jeśli te informacje istnieją tylko w e-mailach lub w wolnym tekście, przedsięwzięcie zaczyna się od ich porządnego zbierania, a model powstaje później.

Jak długo trwa, zanim automatyzacja procesów z AI zacznie działać?

Czas zależy od tego, co dzieje się przed modelem i po nim. Najpierw trzeba zmierzyć obecny sposób pracy i sprawdzić, czy wcześniejsze decyzje zapisano w formie nadającej się do analizy. Potem model początkowo tylko przedstawia propozycje, które zatwierdza człowiek. O tym, jak długo trwa ta faza, rozstrzygają zmierzone wyniki.

Od czego zaczyna się projekt automatyzacji procesów?

Zaczyna się od pomiaru, który pokazuje, ile jest przypadków, ile czasu zajmuje każdy z nich, ile powstaje błędów i jakie występują warianty. Następnie dla każdego kroku rozstrzyga się, czy wystarczy reguła. Dopiero dla kroków, w których decyzja zależy od danych, powstaje model i pilotaż z zatwierdzaniem przez człowieka.

Źródła

  1. Wil M. P. van der Aalst, Martin Bichler, Armin Heinzl: Robotic Process Automation. Business & Information Systems Engineering 60 (4), 2018, s. 269-272, DOI 10.1007/s12599-018-0542-4; oraz Kam K. H. Ng, Chun-Hsien Chen, C. K. M. Lee, Jianxin Roger Jiao, Zhi-Xin Yang: A systematic literature review on intelligent automation: Aligning concepts from theory, practice, and future perspectives. Advanced Engineering Informatics 47, 2021, artykuł 101246. https://doi.org/10.1016/j.aei.2021.101246
  2. Michael Hammer: Reengineering Work: Don't Automate, Obliterate. Harvard Business Review, lipiec-sierpień 1990, reprint 90406. https://hbr.org/1990/07/reengineering-work-dont-automate-obliterate
  3. Lisanne Bainbridge: Ironies of Automation. Automatica 19 (6), 1983, s. 775-779. https://doi.org/10.1016/0005-1098(83)90046-8
  4. Rozporządzenie Parlamentu Europejskiego i Rady (UE) 2016/679 z dnia 27 kwietnia 2016 r. (ogólne rozporządzenie o ochronie danych), art. 22 („Zautomatyzowane podejmowanie decyzji w indywidualnych przypadkach, w tym profilowanie”). https://eur-lex.europa.eu/legal-content/PL/TXT/HTML/?uri=CELEX:32016R0679
  5. Christoph Schröer, Felix Kruse, Jorge Marx Gómez: A Systematic Literature Review on Applying CRISP-DM Process Model. Procedia Computer Science 181, 2021, s. 526-534. https://doi.org/10.1016/j.procs.2021.01.199

Policzmy razem, czy automatyzacja Państwa procesu się opłaca

Liczba przypadków rocznie, czas na jeden przypadek i stawka godzinowa wystarczą do pierwszej oceny, czy automatyzacja procesów opłaca się w Państwa firmie.

Zarezerwuj bezpłatną rozmowę wstępną