Smarte Anwendungen für smarte Unternehmen

Artificial Intelligence, Machine Learning oder Deep Learning sind schon seit längerem in aller Munde – selbst komplexe Anwendungen werden schon heute zumindest teilweise automatisiert und Fehler dadurch oftmals vermieden. Die mehr oder weniger mechanische Abarbeitung bestimmter Aufgaben ist dabei die eine Sache.

Was aber ist mit den Erfahrungen, die die Mitarbeiter über die Jahre gesammelt haben – können diese auch in den maschinellen Lernprozess einfließen? Dieser Beitrag gibt einen Überblick, wie sich mit Smart Automation Services die Anwendererfahrung verbessern lässt.

Systemseitige Ressourcenplanung

Betrachten wir als Beispiel das Thema Ressourcenplanung. Zunächst einmal erkennt das System über das User Interface, wer vor ihm sitzt. Außerdem ist die Interaktion über den Sprachbot Wanda möglich. Die Aufgabenstellung für das Team lautet, zahlreiche Serviceaufträge abzuarbeiten. Die Aufgaben müssen dabei jedem einzelnen Teammitglied zugeordnet werden. Bislang wurde das manuell erledigt, der Teamchef hat den Mitarbeitern ihre jeweiligen Jobs zugewiesen. Genau das kann nun vom System übernommen werden: Das erkennt nämlich, welche und wie viele Aufgaben zu erledigen sind, in welcher Zeit dies geschehen muss und wie viele Mitarbeiter für diese Aufgaben zur Verfügung stehen.

Aufgrund der gemachten Erfahrungen weiß es auch, welche Mitarbeiter an welchen Standorten angesiedelt sind und kennt ihre jeweiligen Stärken. Ebenso bekannt ist, welche Sprachen ein Mitarbeiter sehr gut, gut oder nur rudimentär beherrscht, wer welche Jobs besonders gut erledigen kann, ob der jeweilige Mitarbeiter zu dem genannten Zeitpunkt überhaupt verfügbar oder ob er bereits ausgebucht ist oder aber sich im Urlaub befindet. Weitere Vorteile der Smart Services sind die optimale Ausnutzung der Arbeitszeit eines Mitarbeiters und eine zu einhundert Prozent sachliche Entscheidung in der Mitarbeiterauswahl, bei der jegliche Sympathien oder Antipathien außer Acht gelassen werden und wo allein die Qualifikation im Vordergrund steht.

Automatisierter Rechnungsservice

Ein anderes „smartes“ Beispiel ist die automatisierte Abarbeitung von Rechnungen. Hier werden Buchhaltungsinformationen automatisiert auf Rechnungen angewandt, bevor sie wiederum automatisch zur Freigabe an die jeweiligen Mitarbeiter verteilt werden. Das System unterscheidet Einzel- und Dauerbuchungen, einzelne und immer wiederkehrende Rechnungen und erkennt darüber hinaus, ob eine Rechnung automatisch freigegeben und zur Zahlung angewiesen wird, weil sie beispielsweise immer zum gleichen Zeitraum im Jahr erstellt wird und immer an den gleichen Kunden gerichtet ist.

Im Mittelpunkt steht die Anwendererfahrung

Stellt sich die spannende Frage, mit welchen und wie vielen Informationen ein Rechner im Vorfeld „gefüttert“ werden muss, um das Machine Learning mit neuronalen Netzen aktiv betreiben zu können? Jochen Wießler, Managing Director bei Unit4 für die DACH-Region, kennt die Antwort: „Grundsätzlich hängt das natürlich von der Art der Tätigkeit ab. Aus dem HR-Modul wissen wir beispielsweise, ob ein Mitarbeiter in Singapur oder München angesiedelt ist, von wo aus er seine Kundenbesuche startet und wie es um seine Sprachkenntnisse steht. Für jede Qualifikation gibt es eigenständige Eingabemasken, die man wie vordefiniert nutzen oder aber nach eigenem Bedarf abändern kann.“

Auch in diesem Beispiel wird wieder deutlich, dass die Anwendererfahrung in den Vordergrund rückt, denn auch hier geht es um sogenannte Skill-Tiefen-Level, also um Angaben darüber, wie viele Jahre Berufserfahrung ein Mitarbeiter hat, seit wann er dem Unternehmen angehört, ob er ein Junior oder Senior Consultant oder ob er auf eine bestimmte Aufgabenstellung spezialisiert ist. Darüber hinaus muss festgelegt werden, wie das System gepflegt wird und wer die Systemeingaben in welchen zeitlichen Abständen vornimmt. Das kann der Teamleiter sein oder auch der einzelne Mitarbeiter, der seine eigenen Daten selbst erfassen und regelmäßig updaten kann, etwa über getätigte Schulungen, neue Erfahrungen oder Review-Gespräche.

Rund 35 Prozent Zeiteinsparung

Untersuchungen haben ergeben, dass den Mitarbeitern durch das systemseitige Maschinelle Lernen und Abarbeiten der jeweiligen Aufgaben rund 35 Prozent ihrer Arbeitszeit geschenkt wird, die sie sinnvoll anderweitig nutzen können, etwa für das Managen von Ausnahmefällen. Die gute Nachricht ist die, dass man das Maschinelle Lernen zukünftig auf sehr viele Aufgabengebiete ausweiten wird, etwa auf die Urlaubs-, Schulungs- oder Finanzplanung oder auch auf die Erstellung von Forecasts, denn auch hier ist eigenständiges Handeln möglich. Wießler: „Das geht beispielsweise dann, wenn das System einen Jahres-Forecast abgegeben hat und nach zwei Monaten feststellt, dass die Vertriebszahlen nicht im Budget sind. Dann kommt systemseitig automatisch ein Vorschlag, bei dem das Defizit der ersten beiden Monate auf die verbleibende Zeit aufaddiert wird, so dass das Ergebnis unterm Strich wieder stimmt.“

Die Vorschläge, die das System unterbreitet („Paul soll sich im Büro in London von 12.00 Uhr bis 15.00 Uhr mit der französischen Übersetzung der Schulungsunterlagen befassen“), können von den Mitarbeitern jederzeit angenommen oder auch geändert werden. Sollten sich Regeln und Aufgabenstellungen ändern, muss dafür Sorge getragen werden, dass sich diese Änderungen auch im System wiederspiegeln. Und da Machine Learning und die Systeme – derzeitiger Stand – noch nicht ganz alleine laufen können, braucht es immer noch einen Mitarbeiter, der das System und die Arbeitsabläufe im System kontrolliert.

Ute Zimmermann ist freie Journalistin in Wiesbaden.

www.unit4.com/de