RPA и роботизация стандартных процессов

Сегодня RPA (Robotic process automation) — один из самых быстрорастущих инструментов бизнеса.

Роботизация рутинных процессов помогает снизить трудозатраты и сделать работу финансовых отделов более эффективной. На обработку задачи, которая занимает 10—15 минут человеческого времени, робот потратит около 1 минуты, что высвобождает до 60% рабочего времени сотрудников. При этом ошибки по вине человека сводятся к нулю. Освободившиеся ресурсы сотрудники могут потратить на решение аналитических задач и вопросов, которые автоматизации пока неподвластны.

Основной спектр процессов, которые можно роботизировать:

Помимо работы с документами и отчётностью, роботы и чат-боты успешно внедряются в сферы обслуживания и позволяют вывести качество сервиса на новый уровень.

С точки зрения финансовой функции, RPA упрощает множество процессов. В Burger King роботы используются для следующих, например, задач.

OCR и оптимизация документооборота

Оптическое распознавание символов (optical character recognition, OCR) используется в связке с роботизацией и помогает сделать документооборот более эффективным и быстрым. Основной предпосылкой к использованию оптического распознавания является необходимость обработки и учёта большого объёма однотипной документации на бумажных носителях, в том числе накладные, акты, дополнительные соглашения, стандартные внутренние документы. Оптическое распознавание символов также помогает идентифицировать неэффективные процессы и выявить возможности для автоматизации.

В Burger King Russia программы распознавания внедряются для распознавания наиболее стандартных типов документации, при этом по ряду документов точность распознавания достигает больше 95%. Нераспознанные документы, как правило, содержат «вычерки», когда в первичный документ вручную вносятся какие-либо правки. В этом случае нераспознанные документы отделяются от общего потока и направляются на ручную обработку.

ML и планирование рекомендаций

В последние годы растёт спрос на машинное обучение. Это одна из разновидностей искусственного интеллекта, которая обучает компьютерные системы составлять пошаговые инструкции и распознавать новые сценарии на основе прошлого опыта. Самый простой пример использования machine learning (ML) — всем известные алгоритмы социальных сетей. Технология собирает данные о предпочтениях пользователя на основе его вовлечённости в контент и выстраивает их в «умную» ленту.

Личный опыт. В Burger King Russia обратились к этой технологии, чтобы разработать динамическую систему рекомендаций блюд. Мы разделили все рестораны сети на кластеры, каждый из которых отличается своим паттерном поведения покупателя. Например, офисные сотрудники выбирают комбо-предложения для обеда вне офиса, студенты и школьники чаще пользуются промоакциями, а семьи с детьми заказывают комбо-наборы с большим количеством разных закусок. Алгоритмы анализируют потребности клиентов, ассортиментную матрицу и ценообразование, создавая наиболее эффективные комбинации блюд.

Чтобы сделать идеальную архитектуру меню, мы задействовали высокопроизводительные технологии, которые способны обрабатывать миллиардные транзакции с уникальным набором характеристик: локацией, каналом и временем продажи, набором товаров в чеке и т. д. В момент заказа через диджитал-каналы (в киоске самообслуживания, через мобильное приложение или сайт доставки) предпочтения гостей анализируются и сравниваются с имеющимися паттернами. При этом реакция посетителя в качестве обратной связи используется для дальнейшего совершенствования системы с помощью алгоритмов machine learning.

Ещё одна область, в которой мы применяем машинное обучение — моделирование выручки будущих ресторанов. На базе уже открытых точек алгоритм анализирует факторы успеха новой локации: трафик, уровень торговой активности, количество жилых объектов поблизости, средний доход жителей района и другие — всего более ста характеристик, которые в сумме дают максимум объективной информации. Это позволяет наиболее эффективно инвестировать в новые открытия.

С чего лучше начать внедрение технологии. Для эффективного применения machine learning необходимы качественные данные в основе алгоритмов, на которых учится модель. Чтобы обеспечить это условие, в компании должно быть сильное подразделение ИТ и качественно выстроенная ИТ-архитектура. Кроме того, важным элементом обучения модели является постоянная актуализация информации. Это помогает своевременно реагировать на изменения и распознавать меняющиеся тренды.