Viele Informationen liegen heutzutage in E-Mails, Bildern oder Audio- und Videodateien vor – also in unstrukturierten Formaten, die sich nicht wie strukturierte Daten in zeilen- und spaltenorientierten Datenbanken ablegen lassen. Herkömmliche Verarbeitungsprogramme sind für diese unstrukturierten Daten nicht geeignet. Doch in mehrerlei Hinsicht ist die Option zur Speicherung und Nutzung dieser Daten von immenser Bedeutung. Erstens kann allein aus Compliance-Gründen im Hinblick auf Aufbewahrungspflichten eine Archivierung notwendig sein. Zweitens fallen mehr und mehr solcher Daten in der Interaktion mit den Kunden an – man denke nur an das Video-Onboarding, das neuerdings für die Eröffnung eines Bankkundenkontos in vielen Finanzinstituten FINMA-seitig zugelassen ist und angewendet wird. Und drittens steckt in diesen Daten beträchtliches Wissen, das für eine Optimierung des Kundenerlebnisses sehr wertvoll sein kann, wenn es in Form von Big Data verknüpft und analysiert werden kann. Dafür reicht es nicht, diese Daten einfach nur in digitaler Form zu speichern. Wenn sie «analysierbar» gemacht werden, können sie nach Schlüsselbegriffen durchsucht oder für den Zugriff durch verschiedene Businessanwendungen verfügbar gemacht werden. Solche Daten können korreliert werden und so als Basis für Machine-Learning-Modellierungen dienen. Zum Beispiel können die Informationen aus der Kundenkommunikation über die verschiedenen Kanäle – Mail, Brief/PDF, Telefon – intelligent ausgewertet und im CRM pro Kunde festgehalten werden. Machine-Learning-Algorithmen können diese Daten und Informationen für Modellierungen nutzen, damit beispielsweise das Marketing individueller und smarter auf den Kunden zugeschnitten werden kann.
Von der Strukturierung der Daten zur Hyperautomation
Unternehmen werden künftig AI-Technologien wie Machine Vision, Optical Character Recognition, die digitale Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) oder Process Mining nutzen. Künstliche Intelligenz macht es damit möglich, dass unstrukturierte Daten in Daten umgewandelt werden, die die Technologie der robotergestützten Prozessautomatisierung (RPA) leichter identifizieren kann, um Transaktionsvorgänge im Unternehmen zu automatisieren.
Mehr noch: Durch den Einsatz und die Kombination der verschiedensten Technologien und Plattformen können Unternehmen weit über einfache Robotic Process Automation hinausgehen und in die Hyperautomation hineinwachsen.
RPA ist seit zwei Jahren der am schnellsten wachsende Bereich der Softwareeinführung. Auch im Finanz- und Versicherungsbereich legt diese Technologie zur Abwicklung von Routineaufgaben stetig zu. Doch RPA im herkömmlichen Sinne kann nur strukturierte Daten verarbeiten und scheitert heutzutage sogar noch daran, Texte richtig zu lesen und zu interpretieren. Dank AI-Technologien wie den oben genannten versteht der Roboter und kann lesen, zuhören und zuschauen – also Audio, Video, PDF zu strukturierten Daten umwandeln.
Die Grenze zur Hyperautomation ist fliessend. Während die Automation eher simplere Optimierungen ermöglicht, schafft Hyperautomation eine höhere Intelligenz, die Prozesse smarter gestaltet. Sie ist sogar in der Lage, innerhalb eines komplexen Systems selbständig Optimierungspotenzial in den Geschäftsprozessen zu entdecken und zu automatisieren, indem sie autonom neue Bots für deren Erledigung erschafft. Die Automatisierung automatisiert sich sozusagen auf einem höheren Niveau selbst.
Inventx arbeitet in enger Kooperation des Bereichs Data Science & AI und dem von Sven Lenz geführten Bereich Automation bereits mit Hyperautomation an einem Use Case «Voice Banking»: Voice Intelligence wird für die Strukturierung von Audiodaten, die ein Kundenanliegen schildern, eingesetzt. Diesem Thema widmen wir uns in einem nächsten Blog in dieser Serie.
Wenn wir Sie aber bereits jetzt auf unsere Kompetenzen im Zusammenspiel von AI und RPA neugierig machen konnten, dann kommen Sie bitte mit Ihrem konkreten Anliegen auf uns zu.
