Automatisierungsstrategie mit RPA-Entwicklern & Data Scientists aufwerten

Stellen Sie sich vor, Sie sind Chief Financial Officer (CFO), und das nächste Quartal steht bevor. Das vorherige Quartal war gut, aber Ihr Bauchgefühl sagt, das nächste wird besser.

In einer perfekten Welt würden Sie von einer instinktiven Optimismus zu einer datenbasierten Prognose wechseln. Sie wüssten vom ersten Tag an, wie viel Geld Ihre Abteilung am Quartalsende zur Verfügung haben wird. Sie wüssten genau, wofür Sie budgetieren können und welche Ressourcen Sie im nächsten Quartal einsetzen können.

Indem Sie die prädiktiven Fähigkeiten von künstlicher Intelligenz (KI) und Machine Learning (ML) mit Automatisierung kombinieren, können Sie diese hochwertigen Informationen an Ihre Fingerspitzen bringen. Doch es existiert eine Kluft: Die beiden Teams, die diese komplexen Datenherausforderungen lösen können, arbeiten typischerweise nicht zusammen. Ich spreche von Ihren Robotic Process Automation (RPA)-Entwicklern und Ihren Data Scientists.

Die Skillsets Ihrer Data Scientists und RPA-Entwickler sind komplementär. Mit der richtigen Governance können Sie neue Workflows konfigurieren, die beide nutzen. Wenn Sie das tun, können Sie ML schneller skalieren, Ihre Data Scientists für komplexere Arbeit freisetzen, RPA-Entwickler upskillen und beide Teams voll für Business Outcomes nutzen. Die erste Herausforderung: Ihre Data Scientists aus ihren Silos befreien.

Data Scientists sind in Silos isoliert

Um KI im Enterprise praktisch einzuführen und Ihre Organisation mit Automatisierung zu transformieren, ist es entscheidend, das RPA-Entwickler- und Data-Scientist-Team zusammenzubringen. Silos sind nicht ungewöhnlich, besonders in großen Enterprises, aber diese beiden speziellen Teams zusammenzubringen, ist eine der wirkungsvollsten Änderungen, die Sie machen können. Beide Teams wollen helfen, bessere, smartere Prozesse und Geschäftsentscheidungen zu informieren – aber das heißt nicht, dass sie zusammenarbeiten. Es besteht tendenziell eine organisatorische Lücke zwischen den Teams, die sie dazu bringt, unnötig separate Wege zu ähnlichen Zielen zu nutzen.

Data Scientists unterzunutzen, kann signifikante Zeit und Ressourcen verschwenden. Glassdoor berichtet, dass das durchschnittliche Data-Scientist-Gehalt in den USA 113.309 $ beträgt. Über das reine Gehalt hinaus gibt es auch Opportunity Cost, Ihre Data Scientists zu verschwenden.

Derzeit gibt es einen Mangel an Data Scientists – wenn Sie ein Team haben, ist es am besten, sie 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 zusammenarbeiten könnten.

Warum Unternehmen Data Scientists oft missverstehen

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

1. Ihr Business Value ist schwer zu artikulieren. Laut einer 2020er Anaconda Data Science Survey fühlen sich weniger als die Hälfte (48 %) der Data Scientists in der Lage, den Impact von Data Science auf Business Outcomes zu demonstrieren.

2. ROI ist teuer. Data Scientists – die bereits teuer sind – brauchen oft mehr Ressourcen, als Unternehmen bereit sind zu investieren. Unser eigener Jeremy Tederry, Machine Learning Product Manager bei UiPath und ehemaliger Data Scientist, verließ einmal ein Unternehmen, weil es nicht die Ressourcen hatte, ein ML-Modell in Production zu bringen.

3. Ihre Arbeit liefert keinen Wert ohne Kollaboration. Data Science Outputs in Production zu bringen, wo sie ein Business impacten können, ist nicht immer straightforward. Data Scientists brauchen cross-organisatorischen Support, um erfolgreich zu sein. Laut Tederry: „ML-Modelle allein können nicht, und tun nicht, etwas – sie müssen in Konjunktion mit anderen Teams arbeiten und als Teil eines größeren Projekts inkludiert sein, um erfolgreich zu sein.“

4. Viel ihres Aufwands geht in unsichtbare Arbeit. Laut der erwähnten Anaconda Data Science Survey verbringen 45 % der Data Scientists ihre Zeit damit, Daten vorzubereiten (Laden und Cleansing), bevor sie in ein Datenmodell oder eine Visualisierung gehen. Das kann immens frustrierend für Data Scientists sein (wie der Tweet unten zeigt).

Quelle

Wenn sich diese vier Gründe kombinieren, neigen Unternehmen dazu, ihre Data Scientists zu unterschätzen und unterzunutzen. Was sie nicht wissen: Ihren Wert freizusetzen, ist nur ein Team entfernt.

RPA-Entwickler missverstehen Data Scientists auch

Die Mindsets von RPA-Entwicklern und Data Scientists tendieren dazu, unterschiedlich zu sein, weil sie unterschiedliche Workflows und Timelines haben. Wenn Ihr Workflow divergiert, wird Ihr Mindset es auch. Das ist natürlich, aber es macht es auch schwierig für diese Teams, abteilungsübergreifend zu kommunizieren – und schafft Silos.

Trung Nguyen, Data Scientist bei MSD, liefert ein gutes Beispiel. In einem Artikel über Intelligent Automation bricht er RPA- und ML-Workflows in distinkte Charts herunter, die Sie unten sehen. Achten Sie besonders darauf, wie der RPA-Entwickler auf das Schreiben von Regeln fokussiert, während der Data Scientist auf das Trainieren von ML-Modellen fokussiert.

Beide Teams starten mit Studieren, und beide werden evaluieren, launchen und Fehler in ihren Lösungen analysieren. Danach shifte der RPA-Entwickler typischerweise seine Strategie, sobald er Umgebungsänderungen begegnet, während Data Scientists Feedback typischerweise in Daten funnen, die ihre ML-Modelle weiter trainieren.

Das mag auf den ersten Blick wie ein kleiner Unterschied wirken, aber die Unterschiede kaskadieren, sobald man rauszoomt und auf Timelines schaut.

Der Zeithorizont für komplexes Problemlösen – die Art, für die Data Scientists am besten geeignet sind – beträgt mindestens sechs Monate. RPA-Entwickler nutzen stattdessen agile Workflows und messen Fortschritt in Wochen. Das bedeutet: RPA-Entwickler, eingebettet in diese schnelleren Workflows, tendieren dazu, in schnellen Lösungen zu denken, während Data Scientists zu explorativeren Projekten tendieren.

RPA-Entwickler- und Data-Scientist-Skillsets: Unterschiedlich, aber komplementär

Wenn Leader RPA-Entwickler und Data Scientists alignen, sind die Vorteile, die sie für Organisationen liefern können, größer als die Summe ihrer Teile. Ein RPA-Entwickler kann mit einem Data Scientist komplexere Prozesse automatisieren als allein, und ein Data Scientist, der mit einem RPA-Entwickler arbeitet, kann schneller und fokussierter arbeiten als je zuvor.

Trotz der beschriebenen Lücke sprechen RPA-Entwickler und Data Scientists dieselbe Sprache – oder coden sie zumindest.

Der UiPath State of RPA Developers Report 2020 zeigt, dass über 90 % der RPA-Entwickler einen Hochschulabschluss haben und Python bereits eine der Top-Sprachen ist, die RPA-Entwickler kennen. Die Wissenslücke ist nicht so breit, wie Sie vielleicht fürchten.

Es gibt auch den Wunsch, diese Lücke zu überbrücken. In unserer Forschung zeigen RPA-Entwickler bereits, dass sie mehr über Data-Science-adjazente Themen lernen wollen. Im UiPath The Impact of RPA on Employee Experience gaben über 80 % der RPA-Entwickler an, sie wollten über KI/ML lernen. Und im UiPath State of RPA Developers Report 2020 sagten mehrere RPA-Entwickler, dass sie neben RPA auch ML- und Data-Science-Skillsets hinzufügen wollten.

Es ist nicht so, dass die Lücke für Data Scientists unsichtbar ist. Forschung zeigt, dass Data Scientists fast die Hälfte ihrer Zeit mit Problemen verbringen, die RPA-Entwickler besser und schneller lösen können. Erinnern Sie sich (laut der 2020er Anaconda Data Science Survey, die wir oben zitierten): Im Durchschnitt wurden 45 % ihrer Zeit damit verbracht, Daten ready zu machen, bevor sie sie für Modelle und Visualisierungen nutzen konnten.

Lassen Sie uns zusammenfassen:

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

2. RPA-Entwickler wollen über Data Science lernen und es implementieren.

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

Das lässt uns mit einer Frage zurück: Wie können wir diese klar komplementären Teams zusammenbringen?

Die Mauer zwischen Data Science und RPA Teams einreißen

Wenn Leader die Barrieren zwischen diesen Teams einreißen können, können sie massive Chancen für ihre Unternehmen freisetzen. Dazu müssen Leader Data Scientists befähigen, ihre Bedürfnisse an RPA-Entwickler zu kommunizieren, und beide Teams koordinieren, um größere Ergebnisse bei komplexen Problemen zu erzielen.

Leader können Kollaboration facilitieren

Smarte Organisationen setzen einen C-Level-Leader für beide Teams ein. In unserer Case Study mit Heritage Bank sagte David Johnston, Manager of Intelligent Automation and Process Excellence: „Data Science und Automation Teams sind oft disconnected. In unserer Organisation berichten jedoch beide Teams an unseren CFO.“ Das war ein riesiger Teil des Grundes, warum Heritage Bank, mit UiPath arbeitend, 98 % Accuracy über ihre jüngsten ML-Modelle erreichen konnte.

Auch wenn das nicht immer machbar ist und Organisationsstrukturen anders sind, können jeweilige Leader sicherstellen, dass beide Teams miteinander sprechen – und dass die Kommunikation wirklich bidirektional ist. Um dieses Level an Kollaboration zu facilitieren, können Leader High-Value-Use-Cases promoten, die die Vorteile beider Teams bei der Zusammenarbeit betonen. Kreativität ist imperativ. Wie erklärt, gibt es einen Mangel an Data Scientists – smarte Leader werden neue Wege finden, Data-Scientist-Hires zu sourcen und RPA-Entwickler upskillen, um Data-Science-adjazente Arbeit zu übernehmen.

RPA-Entwickler können Data Scientists helfen

Wenn Data Scientists ein Problem haben, können RPA-Entwickler zur Rettung kommen.

Inside Big Data weist auf zwei große Probleme hin, die Data Scientists tendenziell haben:

1. Data Scientists tendieren dazu, nicht genug gelabelte Trainingsdaten zu haben, um ihre Lernmodelle zu lehren.

2. Data Scientists tendieren dazu, theoretische Daten aus Sandbox-Datensätzen statt Daten aus echten Use Cases nutzen zu müssen.

Hier kommen RPA-Entwickler ins Spiel. RPA-Entwickler können Data Scientists unterstützen durch:

• Metadaten erstellen: Softwareroboter, besonders ergänzt durch Process Mining, hinterlassen Datenspuren, während sie Tasks erledigen, was Prozesse für Data Scientists verständlicher macht.

• Auf Legacy-Systeme zugreifen: Softwareroboter arbeiten mit Legacy-Systemen und machen Daten zugänglich, die früher in alten Tools gefangen waren.

• Daten nutzbar machen: RPA-Entwickler können große Datensätze in nutzbare Komponenten zerlegen und disparate Datenteile organisieren, labeln und cleanseln zu einem kohärenten Ganzen.

• Ready-made KI-Module implementieren: Viele ML- und KI-Use-Cases sind nicht neu, und statt dass Data Scientists Modelle von Grund auf bauen, können RPA-Entwickler bestehende Module deployen.

• AutoML nutzen, um Zeit zu sparen: RPA-Entwickler können AutoML nutzen, um zu finden, welches Prädiktivmodell am genauesten ist – was Data Scientists davor bewahrt, multiple Modelle für einen Use Case zu bauen und zu testen. Das befreit Data Scientists für herausforderndere Aufgaben.

Diese Vorteile kombiniert machen nicht nur das Leben von Data Scientists einfacher, sondern helfen ihnen auch, mehr zu erreichen als zuvor. RPA-Entwickler befähigen Data Scientists, ihre Jobs schneller und besser zu machen, sowie die finale Lösung einfacher zu deployen.

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

Das Ziel eines zukunftsorientierten Enterprises ist nicht, einen Kompromiss zwischen den beiden oft divergenten Teams zu finden; es ist, sie beide zu realignen, damit sie gemeinsam mehr erreichen als getrennt. Data Science braucht akkurate, saubere, verifizierte Daten. RPA-Prozesse produzieren saubere Daten und starten oft mit Daten, die messy und unstrukturiert sind.

Ohne das richtige Toolset, das Daten über Geschäftsprozesse und Automatisierungs-Workflows an die Oberfläche bringt, wird selbst der beste Leader kämpfen, die beiden Teams zusammenarbeiten zu lassen. Die UiPath Platform stellt die Tools bereit, die Unternehmen brauchen, um ihre Data Science und RPA Teams zu vereinen.

UiPath kann Data Scientists helfen:

• Softwareroboter erstellen, die Daten an einem konsolidierten Ort sammeln

• Die „Last Mile“ von MLOps mit UiPath AI Center liefern und Modelle in Production deployen

• ROI für die Modelle, die sie bauen, beweisen – was ihnen erlaubt, den Großteil der Zeit auf das Erkunden von Daten und Verfeinern von Modellen zu fokussieren, die reale Probleme lösen

• Out-of-the-box KI-Lösungen wie UiPath Document Understanding und AI Document Understanding nutzen

UiPath hilft RPA-Entwicklern:

• KI-Modelle schnell testen und deployen

• Out-of-the-box KI-Modelle nutzen, damit Data Scientists keine von Grund auf bauen müssen und sich auf neuartige Probleme und Lösungen fokussieren können

• AutoML-Fähigkeiten mit Drag-and-Drop-Einfachheit via AI Center nutzen

• Wiederverwendbare RPA-Komponenten, inklusive ML, mit dem UiPath Marketplace deployen

Lassen Sie uns ein letztes Beispiel durchdenken: Wenn Ihr Unternehmen Sentiment Analysis nutzen will, können Ihre RPA-Entwickler eines unserer Starter-Modelle implementieren und ihm die Daten geben, die es braucht. Wenn Ihr Unternehmen dann die Sentiment Analysis genauer und robuster machen will – oder die gegebenen Algorithmen sonstwie tweaken –, dann brauchen Sie einen Data Scientist.

Eine andere Art, es zu sehen: Wenn Sie Mathe nutzen, um ein Problem zu lösen, ist das die Rolle des RPA-Entwicklers; wenn Sie versuchen, die Mathe herauszufinden, ist das die Rolle des Data Scientists. UiPath stellt eine Plattform bereit, die beide Arten von Arbeit umfasst.

Ihr Unternehmen kann so viel mehr erreichen, als Sie sich vorstellen können, sobald Sie Data Science und RPA kombinieren. UiPath AI Center ermöglicht Ihnen – ob Sie einen Data-Science-Background haben oder nicht –, KI per Drag-and-Drop direkt in Ihre Geschäftsprozesse zu ziehen. Für eine Hands-on-Perspektive: Testen Sie UiPath AI Center heute kostenlos.

Treten Sie KI-Leadern und UiPath-Experten beim UiPath AI Summit bei!

Das virtuelle Event findet über vier Wochen statt, ab 24. Februar 2021. Ob Sie neu in KI sind oder erfahrener KI-Praktiker, der seine Roboter superchargen will – es gibt eine Session für Sie.