– af Per Gulløv Lundh Eeg, Partner, og Nicolas Horst, Principal.
Robotterne kommer, og med sig har de bragt en række af hypede begreber som Robotic Process Automation (RPA), Machine Learning og AI. En ny rapport udarbejdet af McKinsey for Innovationsfonden estimerer, at 40 pct. af danskernes arbejdsopgaver kan automatiseres, så det er potentielt virkelig store omvæltninger, vi står overfor. Og hertil kommer, at automatisering ofte giver mulighed for at lære af data.
Ved Robotic Process Automation forstås i denne sammenhæng, at software programmeres til at foretage noget, der ellers ville blive foretaget af fx kommunale sagsbehandlere – altså at robotterne overholder de ”regler”, der stilles op. Med Machine Learning forstås i denne sammenhæng, at software fortløbende kan ”opdage” mønstre i data, foretage handlinger på baggrund heraf, samt ”forudsige” sandsynlige hændelser eller på anden vis gøre os klogere på, hvad data viser.
For kommunerne handler det om at skabe værdi gennem automatisering frem for passivt at se robotter overtage sagsbehandlingen. Kommunerne skal tage styringen, hvis de vil sikre, at de fortsat har ansvaret for opgaveløsningen. Robotter er nemlig ligeglade med, hvilken arbejdsgiver de arbejder for. Det er heldigvis også en reel mulighed. Erfaringerne fra de danske virksomheder, der er længst med at anvende industrirobotter fx G.N.Resound, som producerer hørerapparater, viser, at robotter kan give anledning til at hjemtage opgaver, der tidligere var outsourcet til lavtlønsområdet. Overført til kommunerne betyder eksemplet, at kommunerne ved intelligent brug af robot-automatisering kan undgå, at andre aktører overtager effektiviseringen af de kommunale opgaver.
Det er dog ikke industrirobotter, men derimod software-robotter, der p.t. banker hårdest og mest insisterende på den kommunale hoveddør. De teknologiske fremskridt inden for robot-software gør det i dag muligt at digitalisere og automatisere arbejdsprocesser som fx sagsbehandling. Her finder vi mange manuelle, men standardiserede arbejdsprocesser – eller i det mindste processer, der med fordel kan standardiseres og dernæst automatiseres.
Rationalet er ikke kun effektivisering, men også øget kvalitet i sagsbehandlingen, fordi menneskelige fejl elimineres. Softwaren har aldrig en dårlig dag, men agerer konstant ud fra de samme objektive kriterier og sikrer derfor et konsistent og retfærdigt niveau i sagsbehandlingen. Og på sigt kan det også hjælpe kommunerne til at blive mere datadrevet, dvs. kunne agere på baggrund af ny viden skabt gennem dataanalyser, der ikke tidligere var mulig.
Fremtidsvision? Nej, det lader sig allerede gøre i dag.
Automatisk sagsbehandling, menneskelig borgerservice
Den norske Domstolsadministration bruger således intelligent sagsbehandling til at understøtte alle typer rets- og forvaltningssager. Resultatet er, at de norske domstole i dag kan håndtere flere sager med de samme ressourcer, og at borgerne får en retfærdig og rettidig service fra det offentlige.
Et andet eksempel er PensionDanmark, der for to år siden gik i gang med automatisering af sagsbehandling og andre manuelle arbejdsprocesser. I dag har man automatiseret 80 procent, og inden for de næste to år regner man med at nå over 90. PensionDanmark er ikke nået så langt ved kun at automatisere standardiserede processer. Systemet er i dag så avanceret, at det også kan håndtere fejlbehæftede indberetninger. De frigjorde medarbejderressourcer bruges til at forbedre servicen til borgeren. Medarbejderne har mere tid til den personlige kontakt og rådgivning i forbindelse med eksempelvis en kritisk sygdom.
Hvordan gjorde de hos PensionDanmark og i Norge? De gik i gang. En traditionel lineær strategiproces er spild af ressourcer og ikke mindst tid, når mulighederne er så mange og uoverskuelige. Ingen leverandør har alle svarene, og derfor er kommunen sin egen bedste læremester. Værdi skabes i praksis.
Automatisering, ét skridt ad gangen
Fordi værdi af automatisering skabes i praksis, har Devoteam udviklet en model for bistand til at komme i gang med automatisering, der består af følgende tre letforståelige faser:
1. Forstå udfordringerne, kortlæg mulighederne og vælg det rigtige software (RPA vs ML)
Det første trin i fase 1 er at forstå udfordringerne. Drejer udfordringerne sig mest om ofte gentagne (manuelle) processer? Eller handler det mere om hurtigt at kunne forstå indholdet af en mail?
Og hvad er mulighederne for at ”få fat i data” fra systemerne? Eller må vi basere os på de data, I har?
Når dette er afklaret, udestår en forretningsmæssig prioritering af, hvor I begynder.
Og når det er sket – og først da – foreslår vi, hvilke løsninger der kan hjælpe jer. Det kan være Robotic Process Automation (RPA) og det kan være Machine Learning (ML).
Fase 1 kan gennemføres som et workshopforløb på 2-3 dage. Vi ser på processer, volumen og fagsystemer og evt. konkrete datasæt. Vi identificerer indsatsområder, teknologier og gevinster. Og vi vælger de (få) processer ud, som vi ønsker at automatisere først og de robottyper, der er mest hensigtsmæssige på det givne område.
2. Afprøvning i Proof of Value
I fase 2 afprøver vi de valgte områder i en såkaldt Proof of Value (POV).
Det kan være: Anskaffelse af en egnet software-robot. En dedikeret software-robot (=en kode), der automatiserer processerne, og er integreret i de programmer, som sagsbehandlerne ellers bruger.
Analyse af værdiskabelsen – hvilken værdi gav POV’en? Demonstrér værdi gennem opsætning og implementering af robotløsning, så organisationen få viden og indsigt i at arbejde videre med softwarerobotter. Herunder it-sikkerhed ift. idriftsættelsen af robotten. POV’en kan evt. afrapporteres i en egentlig business case.
Det kan også være: Byg Machine Learning-modeller baseret på kundens forretningsmæssige udfordringer og kundens tilgængelige data. Optimer modellen til at forbedre forretnings-KPI’er.
Gennemfør analysen for at finde svar på om kommunens forretningsmæssige udfordringer kan løses ved hjælp af Machine Learning. Formidl resultater ved hjælp af mock-up-API’er (prototype). Selve afprøvningen kan ske med ekstern bistand, men det er afgørende, at kommunen selv bistår med at fortolke resultaterne.
Afprøvningen tager typisk et par måneder, og afrapporteringen kan ske på et par uger.
3. Valg af næste skridt: På hvilke områder skal kommunen gå videre?
Dette trin afklarer kommunes videre arbejde med at udbrede og optimere sagsområder med RPA-teknologi. Hvos POV’en var positiv, sættes softwaren i drift. Det kan forudsætte indkøb af en dedikeret platform eller at tage ejerskab til videreudvikling og vedligeholdelse af Open Source software. Og formentligt kan erfaringer fra de første områder overføres til andre områder – og så gælder det jo bare om at gentage processen.
Faldgruber ved robotautomatisering
Et automatiseringsforløb er ikke uden faldgruber. Her skal fremhæves et par af de typiske udfordringer, kommunerne skal adressere:
Undlad at cementere uhensigtsmæssige processer
Automatisering giver størst gevinst, når der er mange gentagne processer. Det er selvfølgelig godt, at automatisere processerne. Men hvad nu, hvis de uhensigtsmæssige processer skyldes en uhensigtsmæssig digitalisering – fx fordi kommunen havde etableret for mange forskellige indberetningsløsninger. Så er den mest rationelle løsning på langt sigt måske ikke automatisering, men derimod oprydning i uhensigtsmæssige løsninger. Dette opmærksomhedspunkt er særligt vigtigt, hvis kommunens rådgiver entrerer med egen software til optimering, da det jo kræver stærk moral at foreslå kunden ikke at købe rådgiverens produkt.
Undgå forelskelsen i den hurtige gevinst
Den langsigtede gevinst ved at processe data er at blive mere datadrevet. Selv om en business case med ren automatisering kan virke besnærende, er der grund til at stoppe op og huske at spørge: kan kommunen også blive klogere på, hvad en mere omfattende analyse af data kan vise. Derfor skal kommunen holde fokus på, at automatiseringsprojekter også skal give anledninger til at blive mere datadrevne og kunne basere sine beslutninger på ny viden opnået ved nye og større dataanalyser.
Udfordringer ved Machine Learning
Et Machine Learning-forløb hjælper kommunerne tættere på at blive datadrevet, men er ikke uden udfordringer:
Machine Learning forudsætter adgang til data. Mens RPA ikke behøver adgang til data – ud over almindelige brugerinterfaces – forudsætter Machine Learning direkte adgang til kommunens data. Det kan være en udfordring, så længe alle systemer endnu ikke har åbne API’er – og det tager realistisk set nok nogle år endnu!
Det kræver særlige kompetencer (statistiske, programmering og forretningsforståelse) at skabe værdi af ML. Medarbejdere er eftertragtede og svære at holde på.
ML forudsætter ofte en dedikeret platform, hvis analysemodellen ikke skal integreres i eksisterende løsninger, så som outlook. Dette anbefales ikke, men kan være en måde at vise værdi. Mens RPA typisk kan implementeres, uanset hvilke systemer procesoptimeringen vedrører og uden særskilt platform.
Heldigvis er pris er ikke længere en udfordring! Fremkomsten af nye databaseteknologier (Hadoop) har gjort indsamlingen af massive datamængder utrolig billigt, så billigt at de traditionelle datavarehuse ikke kan følge med.
Vil du vide mere?
Så er du velkommen til at kontakte Per.
Vi stiller gerne op til faglige indlæg og individuelle møder om emnet.