La unión hace la fuerza: RPA y Big Data.

Habrás notado que cada vez hay menos sucursales bancarias. Para hacer esto posible no solo se han tenido que crear apps que permiten al usuario autogestionar su cuenta bancaria, sino que se han automatizado procesos del back office con RPA (Robotic Process Automation) y se ha hecho uso de la explotación de datos (Big Data) para que no necesitemos de un agente humano para las operaciones bancarias que antes sí lo requerían.

RPA

Robotic Process Automation (RPA) es una solución digital que consiste en que un robot virtual realice las tareas repetitivas que normalmente realiza una persona con un ordenador. De esta forma liberamos el tiempo del trabajador para que se pueda dedicar a realizar actividades más humanas en vez de aquellas más robóticas.

Además, esto nos permite extraer grandes volúmenes de datos a bajo coste, lo cual como veremos es de gran utilidad para servir de fuente de información para soluciones Big Data.

¿Cuándo se puede implementar RPA?

A continuación se muestran las condiciones que deben darse en las actividades de un proceso para que sea viable la automatización con RPA:

• Alta repetibilidad.
• Gran volumen de horas totales.
• Decisiones basadas en datos y no en opiniones.
• Escasa o nula intervención de personas en algún paso del nuevo proceso automatizado.
• Ausencia de llamadas telefónicas en el proceso.

¿Cuáles son las principales soluciones de RPA en el mercado?

Fuente: Blue Prism vs Automation Anywhere vs UiPath

¿Es fácil aprender a desarrollar un robot?

Depende de la plataforma que uses pero si es UiPath o BluePrism sí, mucho más fácil y rápido que aprender a desarrollar en cualquier lenguaje de programación, ya que se basa en el desarrollo visual con diagramas de flujo en vez de en líneas de código.

Aquí un ejemplo de función Switch para que el robot sepa qué hacer según el caso.

¿Se tardaría mucho en implementar una solución de este tipo?

Depende del alcance. De media unos tres meses desde que se identifica la oportunidad hasta que se sube a producción. Si viésemos que se necesitara más tiempo se reduciría el alcance priorizándose las actividades a automatizar que añadan más valor.

El desarrollo, por tanto, se puede iterar respecto al alcance tal y como se hace en la metodología ágil Scrum. ¿Quieres más información sobre Scrum? Te recomendamos este post sobre Cultura Ágil y Transformación Digital.

¿Cuáles son los pasos de una solución con RPA?

Los avances del proyecto se pueden gestionar con entregas cortas por sprint.

• IPA (Initial Process Assessment): Business case por parte del consultor de estrategia que valide la oportunidad de automatización (beneficio > coste).
• PDD (Process Definition Document): descripción por parte del consultor de estrategia hasta el más mínimo detalle (cada click y cada tecla picada) de los pasos que actualmente se siguen para la actividad a automatizar.
• SDD (Solution Definition Document): descripción de la solución por la parte del desarrollador.
• Desarrollo del robot virtual por parte del desarrollador.
• Testing: se comprueba que el robot virtual efectivamente realiza las actividades igual que lo haría una persona. Este paso se puede iterar por cada desarrollo / incremento de valor si se reparten las funcionalidades a desarrollar por sprint.
• Hypercare: se pone al robot en producción y durante un período de tiempo acordado (un mes normalmente) se monitorea su comportamiento y el desarrollador corrige las incidencias que puedan surgir.

Big Data

Big Data consiste en la explotación de grandes volúmenes de datos e información para poder tomar mejores decisiones. Como veremos posteriormente en el caso real que explicaremos, la automatización (RPA) habilita enormemente la explotación de datos.

¿Cuáles son los pasos de una solución con Big Data?

• Business case, incluyendo la relación coste-beneficio y la descripción de los sistemas y fuentes de datos existentes.
• Extracción de los datos de la fuente. Esto se podría automatizar con RPA.
• Transferencia de los datos a una base de datos como Google BigQuery. Esto se podría automatizar, por ejemplo, con las tuberías de datos del módulo Luigi del lenguaje de programación Python.
• Manipulación de los datos, por ejemplo, en Google BigQuery. Se automatiza con programación SQL para ordenar y limpiar la información de posibles errores.
• Transferencia de los datos desde Google BigQuery a un software de visualización como Tableau. Esta conexión entre sistemas es automática.
• Creación de gráficas y elementos de visualización de datos en Tableau de forma que se puedan sacar conclusiones de esa explotación de datos. Los datos se podrían visualizar en tiempo real ya que la extracción y transferencia de datos estaría automatizada.

Caso real en departamento de compras

Durante mi experiencia en una importante empresa automovilística de Reino Unido, mi objetivo como uno de los cinco responsables de mejora de negocio era encontrar formas de reducir los costes del departamento de compras, que se componía por algo más de seis mil empleados.

Los mayores costes de este departamento eran:

• Mano de obra de los compradores (buyers).
• Gasto en compra de materiales para la fabricación de los coches.

Tradicionalmente para reducir costes lo que se hacía era mapear el flujo de valor del departamento en cuestión con un mapa de proceso, proponer la eliminación de actividades innecesarias y mover las tareas de menos valor añadido pero esenciales a un entorno de trabajo más favorable económicamente.

A la hora de buscar oportunidades de reducción de costes en el departamento de compras se observó que los compradores pasaban más tiempo en tareas administrativas que negociando con los proveedores. Para la empresa era muy importante conseguir el mejor precio unitario posible para la compra del material, ya que se compraba en grandes volúmenes.

A la hora de entender en qué consistían esas tareas administrativas se encontró lo siguiente:

1. Cuando el comprador cerraba el precio con el proveedor, este último enviaba un email con todos los datos de la compra en un archivo pdf.
2. El comprador entonces descargaba el archivo pdf y pasaba los datos a SAP para que estuvieran en nuestro sistema.
3. Además, el comprador tenía que generar un informe mensual en formato Powerpoint para la gerencia. Para realizar ese informe, descargaban los datos de SAP (los mismos datos que habían introducido desde el pdf) y los manipulaban en Excel para crear gráficas que luego pasaban a la presentación en PowerPoint.

Al ver que la calidad de la información de esos informes era baja y que existía mucho retrabajo debido a los errores humanos durante la manipulación de los datos, pensé que el departamento de transformación digital podría tener una solución tecnológica al respecto.

Así fue cómo descubrí que existía una opción mejor que externalizar el trabajo administrativo.

Solución con RPA

La solución con la herramienta RPA de BluePrism consistía en crear un robot virtual que al recibir los emails automáticamente transfiere los datos de compra del pdf al sistema SAP, de la misma forma que lo haría una persona, pero con varias diferencias:

• El robot es más productivo que cualquier trabajador humano: trabaja 24 horas al días los 365 días del año.
• El robot no comete errores humanos, por lo que la calidad del trabajo administrativo es más alta.
• El coste de crear un robot y su mantenimiento era algo más bajo que el coste de un trabajador externalizado, con el beneficio adicional de la productividad y calidad del servicio.

Más allá de RPA: analítica de datos

La solución de explotación de datos se centraba en evitar que los compradores tuvieran que invertir tiempo en la generación de informes.

1. Una tubería de datos desarrollada con el módulo Luigi de Python conectaba SAP con una base de datos de Google BigQuery para la transferencia automática de datos.
2. En esa base de datos de BigQuery, los desarrolladores previamente habrían creado un modelo de manipulación de datos con SQL para que los datos estén libres de errores y en el formato necesario para ser leídos por Tableau, un software de visualización de datos.
3. El software Tableau visualizaba los informes mensuales con los últimos datos actualizados en tiempo real. Cualquier gerente podía acceder desde su ordenador al enlace web.

El poder de los datos

Aparte de poder automatizar esos informes que ya se generaban previamente, el hecho de disponer de un robot nos permitió añadir más datos a nuestro sistema para que con Tableau pudiéramos visualizar todo el histórico de datos de que disponíamos en tiempo real: el rápido acceso a tanta información de nuestra cartera de proveedores de todo el mundo resultó ser tremendamente útil para negociar de forma más efectiva con ellos.

Además, como ahora los compradores tenían más tiempo para negociar, se consiguió en la mayoría de los casos comprar materiales a un precio mucho más bajo de lo que estábamos habituados. Digamos que nos creamos nuestro propio comparador de precios (como Rastreator).

Conclusión

El futuro ya está aquí. Las grandes organizaciones que tienen un legado grande de procesos tradicionales tienen una desventaja respecto a las start-up: no son nativas digitales y, por tanto, no nacieron según las necesidades de hoy, sino las de antes.

Por eso es especialmente importante usar herramientas de transformación digital como RPA y Big Data. Si quieres conocer estas herramientas más en profundidad, no te pierdas este webinar sobre Business Optimisation y Transformación Agile.

Porque el futuro no se espera, se conquista, como bien dice el economista Marc Vidal en su último libro 'La era de la humanidad'.