Technologias como Inteligência Artificial (AI) e Automação Robótica (RPA) estão juntando-se ao mainstream e estão chegando a um compartilhamento compartilhado (Centro). Em muitos casos, eles trazem grandes promessas de interrupção na forma de eficiência e eficácia dramaticamente melhoradas e grandes reduções no esforço humano. Uma proposta atraente - se realmente acontecer.
Para ter certeza, muitos dos aplicativos são inovadores. Algumas empresas, por exemplo, agora usam a IA para transformar a maneira como realizam entrevistas de emprego no início da rodada.
Candidatos que poderiam ter sido convocados anteriormente ao escritório de um potencial empregador agora usam seus smartphones para se livrar de perguntas respondendo a perguntas. A plataforma de IA compara as respostas de cada candidato - com tom de voz e expressão facial - com as de funcionários bem -sucedidos, permitindo que a empresa amarre menos recrutadores e dedique menos tempo à triagem candidata, provavelmente fornecendo melhores resultados.
Across such functions as HR, IT, and finance and accounting (F&A), solution providers are singing a similar refrain: let’s apply a new technology to a traditional process and do it faster, better, and cheaper. More disruptive yet, providers are applying these technologies to processes meant to deal with such genuine business problems as how to assess the credit worthiness of loan seekers. But is this Próxima geração de serviços compartilhados Realmente cumprindo seu faturamento? Em um estudo recente, o Boston Consulting Group determinou que, em muitos casos, as empresas não estão vendo os resultados que eles esperavam. O que está segurando a recompensa? Freqüentemente, o dedo pode ser apontado para um conjunto comum de desafios-obstacos que, com o planejamento e a previsão certos, podem ser superados. Em serviços compartilhados focados em RH, TI e F&A.
Disruption or Something More Modest?
In our study, we looked at 49 use cases: real-world applications of such technologies as AI and machine learning, RPA, natural-language processing, and big data and analytics (BDAA) in shared services that focus on HR, IT, and F&A.
É fácil entender a emoção que essas tecnologias geram. A IA e análises sofisticadas, por exemplo, estão sendo incorporadas a uma série de aplicações como gerenciamento inteligente de incidentes, previsão de risco de atrito, gerenciamento de coleções e design de currículo de treinamento. E, em alguns casos, essas tecnologias estão abrindo novos caminhos. Uma empresa em nosso estudo foi capaz de ensinar uma ferramenta de IA para identificar a causa - e a resolução potencial - de incidentes de TI, “alimentando” os dados de TI sobre incidentes e resoluções anteriores. Outra empresa usou o RPA para automatizar o processo de configuração do novo contrato: os bots de software-tudo operando o tempo todo-pula dados de arquivos do Excel para criar IDs de funcionários, alocar espaço de trabalho, atualizar listas de distribuição e criar 90 tipos diferentes de documentos, incluindo contratos de confidencialmente, os contratos de trabalho e os formulários de relocação. No exemplo de gerenciamento de incidentes, a ferramenta de IA reduziu o esforço manual necessário para solucionar problemas em uma arquitetura complexa de TI. No exemplo de configuração do novo contratante, o RPA reduziu o tempo de resposta em mais de 90%, melhorando simultaneamente a precisão. Enquanto 70% dos documentos estavam livres de erros antes da empresa implantar seu novo processo, quase 100% ficaram livres de erros desde que os bots foram desencadeados. (Veja o Anexo 1.) Em uma grande empresa global, a capacidade limitada do Departamento de RH de responder a perguntas de mais de 60.000 funcionários levou a uma insatisfação generalizada. Após uma inspeção estreita, a empresa descobriu que cerca de 80% das consultas dos funcionários estavam relacionadas a quatro temas. Ao automatizar seu suporte de suporte de RH-distribuindo seu manual de RH, criando uma base de conhecimento on-line e implantando chatbots e processamento de linguagem natural-a empresa conseguiu responder à maioria das consultas em tempo real, roteando apenas consultas não endereçáveis para a equipe de RH. Os custos de transação diminuíram 65%. Para um número semelhante, o tempo de resposta foi reduzido em 70% ou mais.
The benefits of such next-generation processes are not trivial—or theoretical. In the incident management example, the AI tool reduced the manual effort required for troubleshooting problems in a complex IT architecture. In the new-hire setup example, RPA reduced turnaround time by more than 90%, simultaneously improving accuracy. Whereas 70% of documents were error free before the company deployed its new process, nearly 100% have been error free since the bots were unleashed.
Indeed, in some of the cases we examined, the distinctions between the before and after pictures were quite compelling. (See Exhibit 1.) At one large global company, the HR department’s limited capacity for answering queries from its more than 60,000 employees had led to widespread dissatisfaction. Upon close inspection, the company discovered that some 80% of employees’ queries were related to four themes. By automating its HR help desk—digitizing its HR handbook, creating an online knowledge base, and deploying chatbots and natural-language processing—the company was able to respond to most queries in real time, routing only nonaddressable queries to HR staff. Transaction costs decreased by 65%.
Overall, in nearly a quarter of the cases we examined, productivity improved by 40% or more. For a similar number, turnaround time was reduced by 70% or more.
Mas também descobrimos que, em muitos casos, os benefícios não se concretizaram para as empresas de graduação esperadas ou foram alcançadas apenas com um esforço significativo - e surpreendente -. Considere dois exemplos do nosso estudo. Como essa era uma atividade simples baseada em regras, a empresa espera reduzir o tempo de processamento em mais de 50%. Mas, para trabalhar, a ferramenta RPA necessária para desenhar dados de três fontes diferentes: email, um data warehouse e um sistema de planejamento de recursos corporativos. Complicando ainda mais, os dados no email não foram estruturados e os dados no armazém eram de baixa qualidade. Por exemplo, uma data de oferta pode ser posterior a uma data de união. Foi necessária uma intervenção manual significativa antes que os dados fossem adequados para a RPA. E a cada poucos meses, quando as perguntas ou métricas de avaliação mudavam, o banco teria que levar a ferramenta RPA offline e reconfigurá -la. No final, o ganho de produtividade - nem 20% - era muito menos do que o banco havia previsto.
A large bank had attempted to apply RPA to its new-hire performance audits. As this was a simple, rules-based activity, the company expected to reduce processing time by more than 50%. But to work, the RPA tool needed to draw data from three different sources: email, a data warehouse, and an enterprise resource planning system. Complicating matters further, the data in the email was unstructured, and the data in the warehouse was of poor quality. For instance, an offer date might be later than a joining date. Significant manual intervention was needed before the data was suitable for RPA. And every few months, when assessment questions or metrics changed, the bank would have to take the RPA tool offline and reconfigure it. In the end, the productivity gain—not even 20%—was far less than the bank had anticipated.
Uma empresa de logística e navegação principal decidiu empregar RPA e IA para otimizar seu processo para fornecer e rastrear o acesso ao usuário à infraestrutura de TI (incluindo arquivos, servidores e aplicativos). A idéia era criar um ambiente de autoatendimento no qual os funcionários pudessem preencher um formulário on-line para solicitar acesso e um sistema automatizado vete solicitações, gerenciaria aprovações e monitoraria o uso. Mas o benefício antecipado - uma redução de 35% a 45% no tempo de resposta - foi compensada por desafios substanciais de implementação. Para treinar a ferramenta de IA, a empresa teve que migrar um grande arquivo de solicitações não estruturadas e baseadas em papel para um data warehouse e empregar um alto grau de gerenciamento de mudanças para o treinamento de 240.000 funcionários para usar o novo sistema. Muitas aplicações ainda não foram amplamente utilizadas e a eficácia de muitos permanece não comprovada. (Veja o Anexo 2.) Portanto, há pouco em termos de lições aprendidas e práticas recomendadas para fornecer orientação. E padrões - que conduziram gerações anteriores de serviços compartilhados - ainda não surgiram. Nosso estudo lança luz sobre onde - e como - as comprases devem se concentrar.
Companies are largely on their own as they plan for and deploy next-generation shared services. Many applications are not yet widely used, and the efficacy of many remains unproven. (See Exhibit 2.) So there is little in the way of lessons learned and best practices to provide guidance. And standards—which have driven previous generations of shared services—have yet to emerge.
Given such uncertainty and unpredictability, how can companies ensure the best outcomes? Our study sheds light on where—and how—companies should focus.
Six Main Challenges
Finding that the same handful of implementation challenges appeared time and again, we identified six common problems that, sooner or later, dampen an application’s payoff.
Uso do aplicativo no vácuo e não como um elemento de uma estratégia digital. Considere, por exemplo, o processamento inteligente de faturas não padronizadas. Em teoria, tal aplicação deve automatizar contas a pagar, ajudando as empresas a realizar melhorias significativas da produtividade e o ROI - geralmente da ordem de 30% e 60%, respectivamente. Na prática, no entanto, muitas empresas não conseguem alcançar esses retornos porque não lançaram as bases adequadas. Por exemplo, eles ainda podem estar usando faturas em papel-escanando-as e editando-as manualmente-ou fazendo outras coisas que dificultam a automação. Sem uma estratégia digital mais ampla que garante que as faturas estejam de uma forma que funcione bem com a automação, é improvável que as empresas obtenham todos os benefícios que as soluções de IA e RPA possam trazer. escala. A maioria das empresas geralmente sabe o que uma solução específica pode fazer por elas, e a seleção de provedores tende a se resumir ao preço, a capacidade de personalizar alguns processos específicos do setor e as promessas de melhoria contínua do provedor. Mas quando se trata de soluções baseadas em tecnologias mais recentes, como RPA, AI e BDAA, há muito mais variação e incerteza. A imaturidade relativa de muitas aplicações, juntamente com a falta de padrões, pode levar muitas empresas a confiarem demais nas reivindicações e garantias de um provedor - um problema que freqüentemente leva a expectativas irrealistas. Mas cada vez que os processos de tempo ou formatos de documentos mudam, as regras mudam e as empresas precisam recodificar a ferramenta RPA. Esses sistemas também têm problemas quando a qualidade da entrada é ruim ou quando os formatos são inconsistentes. Enquanto isso, os fluxos de trabalho específicos da região ou da região, que são responsáveis por práticas locais e questões regulatórias, podem aumentar os custos e o tempo necessários para implementar soluções baseadas em RPA. Many companies embrace a new application without crafting—and meeting—a clear set of requirements for making it work. Consider, for example, the intelligent processing of nonstandardized invoices. In theory, such an application should automate accounts payable, helping companies realize significant productivity improvements and ROI—generally on the order of 30% and 60%, respectively. In practice, however, many companies fail to achieve such returns because they haven’t laid the proper groundwork. For example, they may still be using paper-based invoices—scanning them and editing them manually—or doing other things that make automation difficult. Without a wider digital strategy that ensures that invoices are in a form that works well with automation, companies are unlikely to realize the full benefits that AI and RPA solutions can bring.
Limited Understanding of How Next-Generation Solutions Do—or Do Not—Fit Within a Company’s Unique Environment. Traditional solutions have been “around the block” and then some, with standardized systems deployed—and proven—on a global scale. Most companies generally know what a particular solution can do for them, and provider selection tends to boil down to price, the ability to customize a few industry-specific processes, and the provider’s promises of ongoing improvement. But when it comes to solutions based on newer technologies, such as RPA, AI, and BDAA, there is much more variation and uncertainty. The relative immaturity of many applications, along with the lack of standards, can lead many companies to rely too heavily on a provider’s claims and assurances—a problem that frequently leads to unrealistic expectations.
Inconsistent or Changing Workflow, Formats, and Input. RPA systems do a great job of following rules for automating processes and extracting information from standardized documents. But each time processes or document formats change, the rules change and companies have to recode the RPA tool. These systems also run into trouble when input quality is poor or when formats are inconsistent. Meanwhile, country- or region-specific workflows, which account for local practices and regulatory issues, can ratchet up the costs and time required to implement RPA-based solutions.
Falta de dados para aprendizado de máquina, processamento cognitivo e BDAA. Por exemplo, para "aprender" como identificar o potencial de uma falha no sistema, uma ferramenta de IA precisa peneirar os dados de desempenho de falhas anteriores para identificar padrões que sinalizam problemas. Os dados necessários raramente estão disponíveis em um formato prontamente consumível, e as empresas geralmente gastam tempo e esforço consideráveis para localizá -los e reestruturá -los. Este trabalho pode adiar a implementação - e a recompensa - de um novo aplicativo. Most AI and BDAA tools need to process large volumes of data before they can do their job. For instance, in order to “learn” how to spot the potential for a system crash, an AI tool needs to sift through performance data from earlier crashes to identify patterns that signal trouble. The necessary data is rarely available in a readily consumable format, and companies often expend considerable time and effort in locating and restructuring it. This work can delay the implementation—and payoff—of a new application.
Desafios de integração de sistemas. As empresas precisam aplicar testes, conhecimentos e recursos consideráveis para unir tudo. In complex IT environments that run multiple types of servers and applications, it can be difficult to integrate new AI and RPA systems. Companies need to apply considerable testing, expertise, and resources to tie everything together.
Capacidade interna limitada de gerenciar as soluções. Muitos têm dificuldades para se adaptar às mudanças que suas novas ferramentas exigem. Para obter o maior estrondo dos serviços compartilhados da próxima geração, as empresas geralmente descobrem que precisam reconfigurar sua força de trabalho e maneiras de trabalhar. A incapacidade de fazer isso - ou pelo menos, fazê -lo bem - é um impedimento ao sucesso. Many organizations lack the personnel required to evaluate, implement, and maintain solutions that use technologies such as RPA and AI. Many have difficulties adapting to the changes their new tools require. To get the biggest bang from next-generation shared services, companies often find that they need to reconfigure their workforce and ways of working. The inability to do this—or at least, to do it well—is an impediment to success.
Construindo uma base para o sucesso
A boa notícia é que as empresas podem tomar medidas para enfrentar e derrotar os desafios. Um conhecimento esclarecido-e finalmente bem-sucedido-para os serviços compartilhados da próxima geração abraça vários imperativos.
Desenvolva um caso de negócios claro e abrangente para soluções de próxima geração. Ele precisa entender o esforço, os recursos e os custos necessários para atender a esses requisitos e considerá -los o caso de negócios para adotar a solução. Esse cálculo é diferente para todos os negócios, e é exatamente por isso que toda empresa precisa resolvê-lo-e acertar. As faturas de algumas empresas já estão em um formulário digital consistente que permite automatizar o processo desde o início. Mas outras empresas podem precisar integrar várias soluções - como reconhecimento óptico de caracteres para ler faturas manuscritas e IA para detectar diferentes tipos de aberrações -, antes que possam automatizar o processo. Essas etapas extras afetam o custo - e o caso de negócios - para o aplicativo de processamento inteligente. De fato, uma vez que eles ajustaram o caso de negócios, algumas empresas não podem mais justificar o investimento, principalmente quando o centro de serviços compartilhados já está em um local de baixo custo. Ambientes - é difícil para as empresas estarem em casa na solução certa. Mas as seguintes diretrizes podem ajudar: Before implementing a new solution, a company must identify all the requirements for making that solution work. It needs to understand the effort, resources, and costs necessary to meet those requirements and factor them into the business case for adopting the solution. This calculus is different for every business, which is precisely why every company has to work it out—and get it right.
Consider once more the invoice-processing example. Some companies’ invoices are already in a consistent digital form that allows for automating the process from the outset. But other companies may need to integrate multiple solutions—such as optical character recognition to read handwritten invoices and AI to detect different types of aberrations—before they can automate the process. These extra steps affect the cost—and the business case—for the intelligent processing application. Indeed, once they have adjusted the business case, some companies may no longer be able to justify the investment, particularly when the shared-services center is already in a low-cost location.
Craft a well-designed provider strategy that creates and engages partners in success. In today’s yet-to-mature application landscape—in which standards are elusive, many providers lack long track records, and different products are optimized for different environments—it’s difficult for companies to home in on the right solution. But the following guidelines can help:
- Faça a líquida ampla e veteram os fornecedores mais promissores por meio de provas de verificações de implementação de conceito ou referência.
- No início do processo de seleção, envolva o CIO ou o CTO no teste da robustez das soluções propostas e sua compatibilidade com a arquitetura de TI existente.
- Traga o chefe de compras para garantir que as ofertas incluam os acordos corretos no nível de serviço (SLAs) e estratégias de pagamento que incentivam os provedores a fornecer as soluções prometidas. Por exemplo, as empresas podem conceder aos provedores uma parcela cada vez mais generosa dos retornos quando os alvos especificados em um SLA forem excedidos.
Lembre -se também de que a colaboração com um provedor não - ou pelo menos, não deveria - não deve ser com a implementação da solução. As soluções baseadas em RPA podem precisar de reconfiguração como ambientes legados, fluxos de trabalho, regulamentos e termos do contrato mudam. Enquanto isso, as soluções de IA exigem ajustes contínuos que otimizam sua capacidade de aprender. As empresas devem garantir que seus provedores possam - e fornecerá o apoio a médio prazo. Um contrato cuidadosamente criado que enfatiza e incentiva a colaboração em andamento é uma obrigação. Nesses casos, as empresas simplesmente não conectam uma nova ferramenta. Eles também reenviam processos e arquitetura de dados de maneiras que ajudaram a nova ferramenta a fazer seu trabalho. Por exemplo, algumas empresas redesenharam seu ambiente de dados para que as soluções de IA pudessem acessar mais facilmente conjuntos de dados relevantes. A idéia é pensar holisticamente e entender como todas as peças necessárias - a solução e os recursos e processos relacionados - se unirem melhor.
Consider how processes and data architecture should be reengineered. The most successful applications in our study share a key characteristic: they were implemented as part of an integrated transformation program. In these instances, companies didn’t simply plug in a new tool. They also reengineered processes and data architecture in ways that helped the new tool do its job. For example, some companies redesigned their data environment so that AI solutions could more easily access relevant datasets. The idea is to think holistically and understand how all the necessary pieces—the solution and related resources and processes—fit together best.
RETAIN A força de trabalho. Para desenvolver os recursos necessários, os fornecedores criaram programas de treinamento em larga escala. As organizações de serviços compartilhados que planejam usar soluções de próxima geração devem considerar seguir o exemplo. Eles podem começar identificando novas funções de trabalho, avaliando os funcionários atuais e identificando as necessidades de reciclagem. O desenvolvimento de novos recursos tem uma vantagem que vai além do gerenciamento de soluções de próxima geração. Quando as empresas têm as habilidades internamente, elas podem desafiar as abordagens dos provedores para o design e o preço do produto-e obter melhores resultados e valor. De fato, para processos de back-office que não têm escala suficiente, a terceirização faz muito sentido. A terceirização também pode fornecer o suporte manual que pode ser necessário enquanto novas soluções estão sendo trazidas on -line. Uma solução baseada em IA, por exemplo, pode precisar de muitos meses de treinamento de dados antes de funcionar com pouca ou nenhuma intervenção manual. Um aplicativo de IA implementado em uma empresa de serviços financeiros poderia, mesmo após seis meses, automatizar apenas 30% dos trabalhos que foi alimentado. De fato, levou dois anos para atingir 90%. É importante observar, no entanto, que, à medida que os novos serviços compartilhados maduros e a automação aumentam, os modelos de terceirização provavelmente mudarão e o pagamento se baseará menos na contagem de cabeças e mais nos resultados. Mas também está tendo um impacto menos visível e nos bastidores. Tecnologias emergentes como RPA, AI e BDAA estão mudando e automatizando a maneira como as empresas realizam processos tradicionais de back-office e infundindo-os com inteligência. As empresas estão começando a se beneficiar - mas não ao nível possível. Com a estratégia certa-envolvendo os provedores certos, projetando os processos certos, identificando os usos e casos de negócios certos-as compras podem fechar essa lacuna e perceber todo o potencial dos serviços compartilhados de próxima geração. Leading providers of IT services have recognized that those who implement, use, and manage technologies such as AI and RPA require new skills. To develop the requisite capabilities, providers have set up large-scale training programs. Shared-services organizations that plan to use next-generation solutions should consider following suit. They can start by identifying new job roles, assessing current employees, and pinpointing retraining needs. Developing new capabilities has an upside that goes beyond managing next-generation solutions. When companies have the skills in-house, they can challenge providers’ approaches to product design and pricing—and get better results and value.
Don’t rule out outsourcing—or the strategic role it can play. Automated and intelligent shared services don’t spell the end of outsourcing. Indeed, for back-office processes that lack sufficient scale, outsourcing makes a lot of sense. Outsourcing can also provide the manual support that may be needed while new solutions are being brought online. An AI-based solution, for example, may need many months of data training before it works with little or no manual intervention. An AI application implemented at one financial services company could, even after six months, automate only 30% of the jobs it was fed. Indeed, it took two years to reach 90%. It is important to note, however, that as the new shared services mature and automation increases, outsourcing models will likely change, and payment will be based less on head count and more on outcomes.
The digital era has sparked no shortage of high-profile disruption in how we work, learn, and live. But it is also having a less visible, behind-the-scenes impact. Emerging technologies such as RPA, AI, and BDAA are changing and automating the way companies perform traditional back-office processes and infusing them with intelligence. Businesses are starting to benefit—but not to the level that is possible. With the right strategy—engaging with the right providers, designing the right processes, identifying the right uses and business cases—companies can close that gap and realize the full potential of next-generation shared services.
