Ihr Automatisierungs-Dream-Team braucht RPA-Entwickler und Data Scientists

Stellen Sie sich vor, Sie sind Chief Financial Officer (CFO) und das nächste Quartal steht vor der Tür. Das vorherige Quartal war gut, aber Ihr Gefühl sagt, dass das nächste Quartal besser sein wird.

In einer perfekten Welt würden Sie von einem instinktiven Optimismus zu einer datengestützten Vorhersage wechseln. Sie wissen vom ersten Tag an, wie viel Geld Ihre Abteilung am Ende des Quartals zur Verfügung haben wird. Sie wissen genau, was Sie budgetieren und welche Ressourcen Sie im nächsten Quartal einsetzen können.

Durch die Kombination der Vorhersagefähigkeiten von künstlicher Intelligenz (KI) und maschinellem Lernen (ML) mit Automatisierung können Sie diese hochwertigen Informationen an Ihre Fingerspitzen bringen. Es gibt jedoch eine Kluft:Die beiden Teams, die diese komplexen Datenherausforderungen bewältigen können, arbeiten normalerweise nicht zusammen. Ich spreche von Ihren Entwicklern für robotergesteuerte Prozessautomatisierung (RPA) und Ihren Datenwissenschaftlern.

Die Fähigkeiten Ihrer Data Scientists und RPA-Entwickler ergänzen sich. Mit der richtigen Governance können Sie neue Workflows konfigurieren, die beides nutzen. Wenn Sie dies tun, können Sie ML schneller skalieren, Ihre Data Scientists für komplexere Arbeiten entlasten, RPA-Entwickler qualifizieren und beide Teams in Bezug auf Geschäftsergebnisse voll ausschöpfen. Die erste Herausforderung besteht darin, Ihre Data Scientists aus ihren Silos zu befreien.

Datenwissenschaftler sind in Silos isoliert

Um KI praktisch im Unternehmen einzuführen und Ihre Organisation durch Automatisierung zu transformieren, ist es entscheidend, die Teams von RPA-Entwicklern und Datenwissenschaftlern zusammenzubringen. Silos sind nicht ungewöhnlich, besonders in großen Unternehmen, aber diese beiden speziellen Teams zusammenzubringen, ist eine der wirkungsvollsten Änderungen, die Sie vornehmen können. Beide Teams wollen zu besseren, intelligenteren Prozessen und Geschäftsentscheidungen beitragen, aber das bedeutet nicht, dass sie zusammenarbeiten. Es besteht in der Regel eine organisatorische Lücke zwischen den Teams, die dazu führt, dass sie unnötigerweise getrennte Mittel verwenden, um zu ähnlichen Zielen zu gelangen.

Eine unzureichende Nutzung Ihrer Data Scientists kann viel Zeit und Ressourcen verschwenden. Glassdoor berichtet, dass das durchschnittliche Gehalt für Data Scientists in den Vereinigten Staaten 113.309 $ beträgt. Abgesehen vom reinen Gehalt gibt es auch Opportunitätskosten für die Verschwendung Ihrer Data Scientists.

Es gibt derzeit einen Mangel an Datenwissenschaftlern. Wenn Sie also ein Team haben, ist es am besten, es voll auszuschöpfen. Leider werden diese seltenen, teuren Einhörner oft missverstanden, sowohl von den Organisationen, die sie beschäftigen, als auch von den RPA-Teams, mit denen sie möglicherweise zusammenarbeiten.

Warum Unternehmen Data Scientists oft missverstehen

Es gibt vier Hauptgründe, warum Unternehmen den Wert von Data Scientists unterschätzen:

1. Ihr geschäftlicher Wert ist schwer zu artikulieren. Laut einer Anaconda Data Science-Umfrage aus dem Jahr 2020 ist weniger als die Hälfte (48 %) der Data Scientists der Ansicht, dass sie die Auswirkungen von Data Science auf Geschäftsergebnisse nachweisen können.

2. ROI ist teuer. Data Scientists – die ohnehin schon teuer sind – benötigen oft mehr Ressourcen, als Unternehmen zu investieren bereit sind. Unser eigener Jeremy Tederry, Produktmanager für maschinelles Lernen bei UiPath und ehemaliger Datenwissenschaftler, verließ einmal ein Unternehmen, weil es nicht über die Ressourcen verfügte, um ein ML-Modell in die Produktion zu bringen.

3. Ihre Arbeit liefert keinen Wert ohne Zusammenarbeit. Data-Science-Ergebnisse in die Produktion zu bringen, wo sie sich auf ein Unternehmen auswirken können, ist nicht immer einfach. Data Scientists brauchen organisationsübergreifende Unterstützung, um erfolgreich zu sein. Laut Tederry „können und tun ML-Modelle allein nichts – sie müssen mit anderen Teams zusammenarbeiten und Teil eines größeren Projekts sein, um erfolgreich zu sein.“

4. Ein Großteil ihrer Bemühungen fließt in die unsichtbare Arbeit. Laut der oben erwähnten Data-Science-Umfrage von Anaconda verbringen 45 % der Data Scientists ihre Zeit damit, Daten vorzubereiten (Laden und Bereinigen), bevor sie in ein Datenmodell oder eine Visualisierung einfließen. Dies kann für Data Scientists sehr frustrierend sein (wie im folgenden Tweet deutlich wird).

Quelle

Wenn diese vier Gründe zusammenkommen, neigen Unternehmen dazu, ihre Data Scientists zu unterschätzen und zu wenig zu nutzen. Sie wissen jedoch nicht, dass die Erschließung ihres Wertes nur ein Team entfernt ist.

RPA-Entwickler missverstehen auch Datenwissenschaftler

Die Denkweisen von RPA-Entwicklern und Datenwissenschaftlern sind in der Regel unterschiedlich, da sie unterschiedliche Arbeitsabläufe und unterschiedliche Zeitpläne haben. Wenn Ihr Workflow abweicht, wird auch Ihre Denkweise davon abweichen. Das ist natürlich, macht es diesen Teams aber auch schwer, abteilungsübergreifend zu kommunizieren, wodurch Silos entstehen.

Trung Nguyen, Data Scientist bei MSD, liefert ein gutes Beispiel. In einem Artikel über intelligente Automatisierung schlüsselt er RPA- und ML-Workflows in verschiedene Diagramme auf, die Sie unten sehen können. Sehen Sie sich insbesondere an, wie sich der RPA-Entwickler auf das Schreiben von Regeln konzentriert, während sich der Datenwissenschaftler auf das Trainieren von ML-Modellen konzentriert.

Beide Teams beginnen mit dem Studium, und beide werden die Fehler in ihren Lösungen bewerten, starten und analysieren. Danach ändert der RPA-Entwickler normalerweise seine Strategie, sobald er auf Umweltveränderungen stößt, während Datenwissenschaftler normalerweise Feedback in Daten umwandeln, die ihre ML-Modelle weiter trainieren.

Dies mag auf den ersten Blick wie ein kleiner Unterschied erscheinen, aber die Unterschiede kaskadieren, sobald Sie herauszoomen und sich die Zeitachsen ansehen.

Der Zeithorizont für die Lösung komplexer Probleme – für die Data Scientists am besten geeignet sind – beträgt mindestens sechs Monate. RPA-Entwickler neigen stattdessen dazu, agile Workflows zu verwenden und den Fortschritt in Wochen zu messen. Das bedeutet, dass RPA-Entwickler, die in diese schnelleren Workflows eingetaucht sind, eher in schnellen Lösungen denken, während Data Scientists eher zu explorativen Projekten tendieren.

Fähigkeiten von RPA-Entwicklern und Datenwissenschaftlern:unterschiedlich, aber komplementär

Wenn Führungskräfte RPA-Entwickler und Datenwissenschaftler aufeinander abstimmen, sind die Vorteile, die sie den Unternehmen bieten können, größer als die Summe ihrer Teile. Ein RPA-Entwickler kann viel komplexere Prozesse automatisieren, wenn er mit einem Datenwissenschaftler zusammenarbeitet, als wenn er alleine arbeiten könnte, und ein Datenwissenschaftler, der mit einem RPA-Entwickler zusammenarbeitet, kann schneller arbeiten und sich besser konzentrieren als je zuvor.

Trotz der beschriebenen Lücke sprechen RPA-Entwickler und Datenwissenschaftler dieselbe Sprache – oder programmieren sie zumindest.

Der UiPath State of RPA Developers Report 2020 zeigt, dass mehr als 90 % der RPA-Entwickler einen Hochschulabschluss haben und dass Python bereits eine der Top-Sprachen ist, die RPA-Entwicklern bekannt sind. Die Wissenslücke ist nicht so groß, wie Sie vielleicht befürchten.

Es besteht der Wunsch, auch diese Lücke zu schließen. In unserer Recherche geben RPA-Entwickler bereits an, dass sie mehr über an Data Science angrenzende Themen erfahren möchten. Im UiPath The Impact of RPA on Employee Experience gaben mehr als 80 % der RPA-Entwickler an, mehr über KI/ML erfahren zu wollen. Und im UiPath State of RPA Developers Report 2020 gaben mehrere RPA-Entwickler an, dass sie zusätzlich zu RPA ML- und Data-Science-Fähigkeiten hinzufügen wollten.

Es ist auch nicht so, dass die Lücke für Datenwissenschaftler unsichtbar ist. Untersuchungen zeigen, dass Data Scientists fast die Hälfte ihrer Zeit mit Problemen verbringen, die RPA-Entwickler besser und schneller lösen können. Denken Sie daran (laut der oben zitierten Anaconda Data Science Survey 2020) verbrachten sie durchschnittlich 45 % ihrer Zeit damit, Daten vorzubereiten, bevor sie sie zur Entwicklung von Modellen und Visualisierungen verwenden konnten.

Fassen wir das zusammen:

1. RPA-Entwickler und Data Scientists können in einer gemeinsamen Sprache kommunizieren.

2. RPA-Entwickler möchten Data Science kennenlernen und implementieren.

3. Data Scientists stecken oft mit der Arbeit fest, bei der RPA-Entwickler helfen könnten.

Das lässt uns mit einer Frage zurück:Wie können wir diese eindeutig komplementären Teams zusammenstellen?

Die Mauer zwischen Data-Science- und RPA-Teams niederreißen

Wenn es Führungskräften gelingt, die Barrieren zwischen diesen Teams niederzureißen, können sie enorme Chancen für ihre Unternehmen erschließen. Dazu müssen Führungskräfte Data Scientists in die Lage versetzen, ihre Anforderungen an RPA-Entwickler zu kommunizieren, und beide Teams koordinieren, um bessere Ergebnisse bei komplexen Problemen zu erzielen.

Führungskräfte können die Zusammenarbeit erleichtern

Kluge Organisationen beauftragen einen Leiter auf C-Suite-Ebene mit der Verantwortung für beide Teams. In unserer Fallstudie mit der Heritage Bank sagte David Johnston, Manager of Intelligent Automation and Process Excellence:„Datenwissenschafts- und Automatisierungsteams sind oft getrennt. In unserer Organisation berichten diese beiden Teams jedoch an unseren CFO.“ Dies war ein großer Teil des Grundes, warum die Heritage Bank in Zusammenarbeit mit UiPath eine Genauigkeit von 98 % bei ihren neuesten ML-Modellen erreichen konnte.

Auch wenn dies nicht immer machbar ist und wenn organisatorische Berichtsstrukturen unterschiedlich sind, können die jeweiligen Führungskräfte sicherstellen, dass beide Teams miteinander sprechen und dass die Kommunikation wirklich bidirektional ist. Um dieses Maß an Zusammenarbeit zu erleichtern, können Führungskräfte hochwertige Anwendungsfälle fördern, die die Vorteile der Zusammenarbeit beider Teams hervorheben. Kreativität ist zwingend erforderlich. Wie wir erklärt haben, gibt es einen Mangel an Data Scientists, sodass kluge Führungskräfte neue Wege finden werden, um Data Scientists einzustellen und RPA-Entwickler weiterzubilden, damit sie an ihrer Stelle datenwissenschaftliche Arbeiten übernehmen.

RPA-Entwickler können Datenwissenschaftlern helfen

Wenn Datenwissenschaftler ein Problem haben, können RPA-Entwickler zur Hilfe kommen.

Inside Big Data weist auf zwei Hauptprobleme hin, die Datenwissenschaftler haben:

1. Datenwissenschaftler haben in der Regel nicht genügend beschriftete Trainingsdaten, um ihre Lernmodelle zu unterrichten.

2. Datenwissenschaftler müssen in der Regel theoretische Daten aus Sandbox-Datensätzen anstelle von Daten aus realen Anwendungsfällen verwenden.

Hier kommen RPA-Entwickler ins Spiel. RPA-Entwickler können Datenwissenschaftlern helfen, indem sie:

• Metadaten erstellen: Software-Roboter hinterlassen, insbesondere wenn sie durch Process Mining ergänzt werden, Datenspuren, während sie Aufgaben erledigen, und machen Prozesse für Data Scientists verständlicher.

• Zugriff auf Altsysteme: Software-Roboter arbeiten mit Legacy-Systemen und machen die Daten zugänglich, die früher in alten Tools gefangen waren.

• Daten nutzbar machen: RPA-Entwickler können große Datensätze in nutzbare Komponenten zerlegen und unterschiedliche Datenteile zu einem zusammenhängenden Ganzen organisieren, kennzeichnen und bereinigen.

• Implementierung vorgefertigter KI-Module: Viele ML- und KI-Anwendungsfälle sind nicht neu, und anstatt dass Datenwissenschaftler Modelle von Grund auf neu erstellen, können RPA-Entwickler bereits vorhandene Module einsetzen.

• Mit AutoML Zeit sparen: RPA-Entwickler können AutoML verwenden, um herauszufinden, welches Vorhersagemodell am genauesten ist, wodurch sichergestellt wird, dass Data Scientists nicht mehrere Modelle für einen bestimmten Anwendungsfall erstellen und testen müssen. Dadurch können Data Scientists an anspruchsvolleren Aufgaben arbeiten.

Diese kombinierten Vorteile machen nicht nur das Leben von Datenwissenschaftlern aus, sondern helfen ihnen auch, mehr zu erreichen, als sie zuvor konnten. RPA-Entwickler ermöglichen es Data Scientists, ihre Arbeit schneller und besser zu erledigen, und vereinfachen die Bereitstellung der endgültigen Lösung.

UiPath kann Ihren Data Scientists und RPA-Entwicklern dabei helfen, gemeinsam neue Höhen zu erreichen

Das Ziel eines zukunftsorientierten Unternehmens besteht nicht darin, einen Kompromiss zwischen den beiden oft unterschiedlichen Teams zu finden; es geht darum, beide neu auszurichten, damit sie gemeinsam mehr erreichen können als getrennt. Data Science braucht genaue, saubere und verifizierte Daten. RPA-Prozesse produzieren saubere Daten und beginnen oft mit Daten, die chaotisch und unstrukturiert sind.

Ohne das richtige Tool-Set, das Daten zu Geschäftsprozessen und Automatisierungs-Workflows an die Oberfläche bringt, wird es selbst der besten Führungskraft schwer fallen, die beiden Teams zur Zusammenarbeit zu bewegen. Die UiPath-Plattform bietet die Tools, die Unternehmen benötigen, um ihre Data-Science- und RPA-Teams zu vereinen.

UiPath kann Datenwissenschaftlern helfen:

• Erstellen Sie Software-Roboter, die Daten an einem konsolidierten Ort sammeln

• Liefern Sie die „letzte Meile“ von MLOps mit UiPath AI Center und stellen Sie Modelle in der Produktion bereit

• Beweisen Sie den ROI für die von ihnen erstellten Modelle, damit sie sich den Großteil ihrer Zeit besser auf die Untersuchung von Daten und die Verfeinerung von Modellen konzentrieren können, die reale Probleme lösen

• Nutzen Sie sofort einsatzbereite KI-Lösungen wie UiPath Document Understanding und AI Document Understanding

UiPath hilft RPA-Entwicklern:

• KI-Modelle schnell testen und bereitstellen

• Verwenden Sie sofort einsatzbereite KI-Modelle, damit Datenwissenschaftler keine von Grund auf neu erstellen müssen und sich auf neue Probleme und Lösungen konzentrieren können

• Verwenden Sie AutoML-Funktionen mit AI Center ganz einfach per Drag-and-Drop

• Stellen Sie wiederverwendbare RPA-Komponenten, einschließlich ML, mit dem UiPath Marketplace

  bereit

Lassen Sie uns ein letztes Beispiel durchdenken:Wenn Ihr Unternehmen mit der Sentimentanalyse beginnen möchte, können Ihre RPA-Entwickler eines unserer Startermodelle implementieren und ihm die Daten geben, die es zum Arbeiten benötigt. Wenn Ihr Unternehmen dann die Stimmungsanalyse genauer und robuster machen oder die vorhandenen Algorithmen anderweitig optimieren möchte, brauchen Sie einen Data Scientist.

Man könnte es sich auch so vorstellen, dass die Rolle des RPA-Entwicklers die Aufgabe des RPA-Entwicklers ist, wenn Sie Mathematik zur Lösung eines Problems verwenden. Wenn Sie versuchen, die Mathematik herauszufinden, ist dies die Rolle des Datenwissenschaftlers. UiPath bietet eine Plattform, die beide Arten von Arbeit umfasst.

Ihr Unternehmen kann so viel mehr tun, als Sie sich vorgestellt haben, wenn Sie Data Science und RPA kombinieren. UiPath AI Center ermöglicht es Ihnen – unabhängig davon, ob Sie einen datenwissenschaftlichen Hintergrund haben oder nicht –, KI per Drag-and-Drop direkt in Ihre Geschäftsprozesse einzufügen. Probieren Sie noch heute eine Testversion für UiPath AI Center aus, um eine praktische Perspektive zu erhalten.

Treffen Sie KI-Führungskräfte und UiPath-Experten auf dem UiPath AI Summit!

Die virtuelle Veranstaltung findet über vier Wochen statt und beginnt am 24. Februar 2021. Egal, ob Sie neu in der KI sind oder ein erfahrener KI-Praktiker, der Ihre Roboter optimieren möchte, es gibt eine Sitzung für Sie.