Als we het over RPA hebben (en dat hebben we nogal vaak hier), hebben we het meestal tegelijk over Artificial Intelligence (AI), data en de cloud. Waarschijnlijk ben je in jouw bedrijf, zelfs als je nog niet met RPA bezig bent, ook al druk aan de slag met die onderwerpen. In dit artikel ga ik op zoek naar hoe deze vier onderwerpen elkaar raken en, als je het goed aanpakt, versterken.
Een goed doordachte datastrategie helpt bedrijven om aan de ene kant het meeste uit hun data te halen en aan de andere kant uit te zoeken welke data ze missen. Om Robotic Proccess Automation (RPA) in een ‘klassieke’ datastrategie te passen, moet je nog wat extra werk doen.
In een klassieke datastrategie gaan analisten uit van een businessvraag. Een bedrijf is bijvoorbeeld op zoek naar nieuwe klantsegmenten of nieuwe manieren om bestaande segmenten te bereiken. Businessvragen worden uitgewerkt in analyses, die resulteren in voorspelmodellen die worden uitgerold naar een productieomgeving. Om dit mogelijk te maken wordt data centraal opgeslagen in een data lake. Daar bevindt zich, als het goed is, alle data waar het bedrijf over beschikt, in een formaat dat het makkelijk maakt om nieuwe mogelijkheden en verbanden te ontdekken. Grote bedrijven hebben hiervoor eigen data scientists in dienst. Kleinere bedrijven missen deze competentie, terwijl het ze aan data meestal niet ontbreekt.
Voor ons is dat een mooie kans om zo’n bedrijf verder te helpen. Omdat wij én kennis van RPA hebben, én kennis van data science en ook de verwevenheden van die vakgebieden goed kennen. Ook bij grotere bedrijven, die wel eigen ‘datamensen’ hebben, kunnen we vaak waarde toevoegen op datagebied. Ten eerste zijn die mensen altijd erg druk. En ze kijken niet altijd met een procesfocus naar hun data. Wij vragen altijd ‘Hoe kan deze data de processen verbeteren?’ Dat is een hele andere manier van kijken naar een data lake dat voornamelijk is ingericht voor Business Intelligence (BI) en marketing. Bedrijven zitten op enorme hoeveelheden data, die ze vaak niet met een procesblik bekijken. Als ik dat zie, begin ik direct na te denken. Wat kunnen we hiermee? Wat betekenen deze data voor bestaande processen? Welke nieuwe toepassingen van RPA kunnen we bedenken op basis van deze data?
Je hebt geen datastrategie en –infrastructuur nodig om met RPA te beginnen. Ook zonder uitgewerkte datastrategie is de businesscase voor RPA goed te maken. Bovendien: als RPA eenmaal draait genereren je softwarerobots data die op hun beurt weer kunnen worden gebruikt voor analyses, waarbij je nieuwe ideeën voor verbetering ontdekt. De gegenereerde data kunnen ook weer worden opgenomen in je datastrategie en je daar van inzichten voorzien. Je kunt een stap verder gaan en RPA inzetten in het dataproces zelf. Een softwarerobot kan bijvoorbeeld in je netwerk zoeken naar databronnen en deze dan overnemen in je data lake. Ook kan RPA niet door machines leesbare data overnemen in je data-infrastructuur. Daarbij gaat het vaak om oudere systemen die geen API’s of andere integraties ondersteunen. Een robot klikt, zonder klagen, iedere nacht de hele tijd door systemen heen om PDF-documenten of Excel-sheets te downloaden en vervolgens over te nemen in andere systemen.
De voordelen van de cloud hoef ik waarschijnlijk niet meer toe te lichten. Vrijwel iedereen heeft inmiddels door dat cloud-infrastructuur je helpt om schaalbaar, veilig en kosteneffectief IT-toepassingen uit te rollen. En dat deze zo voor de meeste toepassingen veel beter te hanteren is dan eigen servers. Wil je RPA combineren met AI en de grote hoeveelheden data die daarbij horen? Dan is de cloud je enige reële optie. Het opslaan van data in de cloud is volledig ‘elastisch’. Dat wil zeggen dat je zo veel data kunt opslaan als je maar wilt. Je hoeft niets te veranderen aan je infrastructuur als je ineens 10, 100 of 1.000 keer zoveel data wilt opslaan. Als je netjes de rekening betaalt, natuurlijk. Maar die rekening is alleszins redelijk: ik heb al prijzen gezien van 0,01 cent per gigabyte per maand. Het combineren van RPA met data en machine learning vraagt niet alleen veel data-opslag, maar ook veel rekenkracht. Die heb je 'on-premise' gewoon niet beschikbaar. Bovendien heeft het algoritme tijdens het trainen van een model snelle toegang nodig tot je data. De bandbreedtes die de cloud daarbij kan bieden zijn op eigen hardware absoluut onhaalbaar.
RPA is bedoeld om snelle slagen te maken met het automatiseren en optimaliseren van processen. Draai je RPA in de cloud, dan heb je op dat front extra voordelen. Identity & Access Management is bijvoorbeeld makkelijk in te regelen. In het geval van Microsoft Azure, onze favoriete cloudprovider, integreert dat ook nog eens vanzelf met Office 365. Automatische replicatie en redundancy krijg je er gratis bij. Dus kun je altijd bij je data. Ook belangrijk bij RPA: minimale impact op de bestaande IT. Door in de cloud te draaien, belasten we met RPA de bestaande IT-infrastructuur niet.
Er zijn ontzettend veel cloudaanbieders om uit te kiezen. Wij hebben gekozen voor Microsoft Azure. Azure biedt, boven op de algemene voordelen van de cloud en de naadloze Office-integratie, ook uitgebreide functionaliteiten voor het werken met AI en data. Het opzetten daarvan kan vaak zonder code. Azure maakt zo het grootschalig werken met data heel toegankelijk. Ook voor kleinere bedrijven. Wij kijken graag vanuit een procesperspectief naar de zaken, dus ook naar de kracht van AI. Een RPA-robot op Azure, voorzien van AI en genoeg data, is een slimmere robot. En een slimmere robot helpt om jouw processen beter te laten presteren.
Cloud, data en RPA zijn dus domeinen die je niet los van elkaar kunt zien. Pak je het goed aan, dan versterken ze elkaar. Het maakt daarbij eigenlijk niet uit in welk stadium jouw organisatie zit. Ben je al ver gevorderd en beschik je over een data lake, AI in de cloud en eigen analisten? Kijk dan eens hoe je die data en infrastructuur kunt gebruiken voor betere processen. Ben je nog niet zo ver? Dan kan RPA je helpen om snel stappen te maken.
Ik begrijp het
