Tingkatkan Strategi Otomatisasi dengan Pengembang RPA & Ilmuwan Data

Bayangkan Anda adalah chief financial officer (CFO), dan kuartal berikutnya akan segera dimulai. Kuartal sebelumnya baik, tetapi perut perut Anda mengatakan kuartal berikutnya akan lebih baik.

Di dunia yang sempurna, Anda akan beralih dari optimisme instintual ke prediksi yang didukung data. Anda akan tahu sejak hari pertama berapa banyak uang yang akan dimiliki departemen Anda pada akhir kuartal. Anda akan tahu dengan tepat apa yang dapat Anda anggarkan dan sumber daya apa yang dapat Anda sematkan dalam kuartal berikutnya.

Dengan menggabungkan kemampuan prediktif kecerdasan buatan (AI) dan machine learning (ML) dengan otomatisasi, Anda dapat membawa informasi bernilai tinggi ini ke ujung jari Anda. Namun, ada sebuah kesenjangan: dua tim yang dapat menangani tantangan data kompleks ini biasanya tidak bekerja bersama. Saya bicara tentang pengembang robotic process automation (RPA) dan ilmuwan data Anda.

Keterampilan ilmuwan data dan pengembang RPA Anda saling melengkapi. Dengan tata kelola yang tepat, Anda dapat mengonfigurasi alur kerja baru yang memanfaatkan keduanya. Saat Anda melakukannya, Anda dapat menskala ML lebih cepat, membebaskan ilmuwan data Anda untuk pekerjaan yang lebih kompleks, meningkatkan keterampilan pengembang RPA, dan memanfaatkan penuh kedua tim untuk hasil bisnis. Tantangan pertama yang harus dihadapi adalah membebaskan ilmuwan data Anda dari silo mereka.

Ilmuwan data terisolasi di dalam silo

Untuk memperkenalkan AI secara praktis di enterprise dan mentransformasi organisasi Anda dengan otomatisasi, menggabungkan tim pengembang RPA dan ilmuwan data adalah kunci. Silo tidak jarang, terutama di enterprise besar, tetapi menggabungkan dua tim khusus ini adalah salah satu perubahan paling berdampak yang dapat Anda lakukan. Keduanya ingin membantu member informasi untuk proses dan keputusan bisnis yang lebih baik, lebih cerdas, tetapi itu tidak berarti mereka bekerja bersama. Cenderung ada kesenjangan organisasi di antara tim yang menyebabkan mereka menggunakan cara yang tidak perlu terpisah untuk mencapai tujuan yang sama.

Menggunakan ilmuwan data Anda secara tidak maksud dapat membuang waktu dan sumber daya yang signifikan. Glassdoor melaporkan bahwa rata-rata gaji ilmuwan data di Amerika Serikat adalah $113.309. Di luar gaji itu sendiri, ada biaya opportunity untuk membuang ilmuwan data Anda, juga.

Saat ini ada kekurangan ilmuwan data, jadi jika Anda memiliki tim, lebih baik untuk menggunakannya pada potensi penuhnya. Sayangnya, unikorn yang langka dan mahal ini sering disalahpahami baik oleh organisasi yang mempekerjakannya dan oleh tim RPA yang mungkin bekerja dengan mereka.

Mengapa perusahaan sering salah memahami ilmuwan data

Ada empat alasan utama mengapa perusahaan meremehkan nilai ilmuwan data:

1. Nilai bisnis mereka sulit diartikulasikan. Menurut survei Anaconda Data Science tahun 2020, kurang dari separuh (48%) ilmuwan data merasa dapat menunjukkan dampak data science terhadap hasil bisnis.
2. ROI mahal. Ilmuwan data—yang sudah mahal—seringkali membutuhkan lebih banyak sumber daya daripada yang perusahaan bersedia untuk diinvestasikan. Jeremy Tederry kita sendiri, Product Manager machine learning di UiPath dan mantan ilmuwan data, pernah meninggalkan perusahaan karena tidak memiliki sumber daya untuk memasukkan model ML ke produksi.
3. Pekerjaan mereka tidak memberikan nilai tanpa kolaborasi. Memasukkan output data science ke produksi, di mana dapat mempengaruhi bisnis, tidak selalu sederhana. Ilmuwan data membutuhkan dukungan lintas organisasi untuk sukses. Menurut Tederry, “Model ML sendirinya tidak, dan tidak, melakukan apa-apa—mereka harus bekerja bersama dengan tim lain dan disertakan sebagai bagian dari proyek yang lebih besar untuk sukses.”
4. Sebagian besar upaya mereka pergi ke pekerjaan yang tidak terlihat. Menurut survei data science dari Anaconda yang kita sebutkan di atas, 45% ilmuwan data menghabiskan waktu mereka untuk menyiapkan data (memuat dan membersihkan) sebelum data masuk ke model data atau visualisasi. Ini dapat sangat menyedihkan bagi ilmuwan data (seperti yang terlihat dalam tweet di bawah ini).

Sumber

Ketika keempat alasan ini digabungkan, perusahaan cenderung meremehkan dan menggunakan ilmuwan data mereka secara tidak maksud. Namun, yang tidak mereka ketahui adalah membuka nilai mereka hanyalah satu tim jauh.

Pengembang RPA juga salah memahami ilmuwan data

Mindset pengembang RPA dan ilmuwan data cenderung berbeda karena mereka memiliki alur kerja dan timeline yang berbeda. Ketika alur kerja Anda divergen, mindset Anda juga akan demikian. Ini adalah alami, tetapi juga membuat sulit bagi tim ini untuk berkomunikasi lintas departemen, menciptakan silo.

Trung Nguyen, ilmuwan data di MSD, memberikan contoh yang baik. Dalam artikel tentang otomatisasi cerdas, ia membagi alur kerja RPA dan ML menjadi grafik yang berbeda, yang dapat Anda lihat di bawah ini. Perhatikan, khususnya, bagaimana pengembang RPA fokus pada penulisan aturan, sedangkan ilmuwan data fokus pada pelatihan model ML.

Keduanya memulai dengan mempelajari, dan keduanya akan mengevaluasi, meluncurkan, dan menganalisis kesalahan dalam solusi mereka. Setelah itu, pengembang RPA biasanya mengubah strategi mereka setelah mereka mengalami perubahan lingkungan, sedangkan ilmuwan data biasanya menyalurkan umpan balik ke dalam data yang melatih model ML mereka lebih lanjut.

Ini mungkin terlihat seperti perbedaan kecil pada pertama kali, tetapi perbedaan tersebut berrunut sekali Anda zoom out dan melihat timeline.

Cakupan waktu untuk pemecahan masalah kompleks—jenis yang paling cocok ditangani oleh ilmuwan data—adalah setidaknya enam bulan. Pengembang RPA cenderung menggunakan alur kerja agile, mengukur kemajuan dalam hal minggu. Ini berarti pengembang RPA, terbenam dalam alur kerja yang lebih cepat ini, cenderung berpikir dalam hal solusi cepat, sedangkan ilmuwan data cenderung melayari ke arah proyek yang lebih eksploratif.

Keterampilan pengembang RPA dan ilmuwan data: berbeda tetapi saling melengkapi

Ketika pemimpin menyelaraskan pengembang RPA dan ilmuwan data, manfaat yang dapat mereka sampaikan kepada organisasi lebih besar dari jumlah bagian-bagiannya. Sebuah pengembang RPA dapat mengotomatisasi banyak proses yang lebih kompleks bekerja sama dengan ilmuwan data daripada bekerja sendirian, dan ilmuwan data yang bekerja sama dengan pengembang RPA dapat bekerja lebih cepat dan fokus lebih baik dari sebelumnya.

Meski ada kesenjangan yang telah kami sebutkan, pengembang RPA dan ilmuwan data berbicara bahasa yang sama—ataupun mengkodenya.

Laporan State of RPA Developers Report 2020 UiPath menunjukkan bahwa lebih dari 90% pengembang RPA memiliki gelar perguruan tinggi dan Python sudah salah satu bahasa teratas yang diketahui oleh pengembang RPA. Kesenjangan pengetahuan tidak semampit yang mungkin Anda khawatirkan.

Ada keinginan untuk menyeberangi kesenjangan ini juga. Dalam penelitian kami, pengembang RPA sudah menunjukkan bahwa mereka ingin mempelajari lebih banyak tentang topik bersebelahan data science. Dalam The Impact of RPA on Employee Experience UiPath, lebih dari 80% pengembang RPA menunjukkan bahwa mereka ingin mempelajari AI/ML. Dan dalam State of RPA Developers Report 2020 UiPath, beberapa pengembang RPA mengatakan bahwa selain RPA, mereka ingin menambahkan keterampilan ML dan data science.

Bukan seperti kesenjangan tidak terlihat bagi ilmuwan data juga. Penelitian menunjukkan bahwa ilmuwan data menghabiskan hampir separuh waktu mereka pada masalah yang dapat diselesaikan lebih baik dan lebih cepat oleh pengembang RPA. Ingat (menurut 2020 Anaconda Data Science Survey yang kita kutip di atas), rata-rata, 45% waktu mereka dihabiskan untuk menyiapkan data sebelum mereka dapat menggunakannya untuk mengembangkan model dan visualisasi.

Mari kita rangkum ini:

1. Pengembang RPA dan ilmuwan data dapat berkomunikasi dalam bahasa yang sama.
2. Pengembang RPA ingin mempelajari dan mengimplementasikan data science.
3. Ilmuwan data sering macet melakukan pekerjaan yang dapat dibantu oleh pengembang RPA.

Jadi itu meninggalkan kita dengan pertanyaan: bagaimana kita dapat menyatukan tim yang jelas saling melengkapi ini?

Menghancurkan dinding antara tim data science dan RPA

Jika pemimpin dapat menghancurkan hambatan di antara tim ini, mereka dapat membuka peluang besar bagi perusahaan mereka. Untuk melakukannya, pemimpin harus memungkinkan ilmuwan data untuk mengkomunikasikan kebutuhan mereka kepada pengembang RPA dan menyelaraskan kedua tim untuk mencapai hasil yang lebih besar pada masalah kompleks.

Pemimpin dapat memfasilitasi kolaborasi

Organisasi yang cerdas menempatkan pemimpin tingkat C-suite yang bertanggung jawab atas kedua tim. Dalam studi kasus kami dengan Heritage Bank, David Johnston, Manager of Intelligent Automation and Process Excellence, mengatakan, “Tim data science dan otomatisasi sering terputus. Dalam organisasi kami, namun, keduanya melaporkan ke CFO kami.” Ini adalah bagian besar dari alasan Heritage Bank, bekerja sama dengan UiPath, dapat mencapai 98% akurasi di seluruh model ML terbaru mereka.

Meskipun itu mungkin tidak selalu dapat dilakukan dan jika struktur pelaporan organisasi berbeda, pemimpin masing-masing dapat memastikan kedua tim berbicara satu sama lain dan komunikasi benar-benar dua arah. Untuk memfasilitasi tingkat kolaborasi itu, pemimpin dapat mempromosikan kasus penggunaan bernilai tinggi yang menekankan manfaat kedua tim bekerja sama. Kreativitas adalah imperatif. Seperti yang kami jelaskan, ada kekurangan ilmuwan data, jadi pemimpin cerdas akan menemukan cara baru untuk mendapatkan karyawan ilmuwan data dan meningkatkan keterampilan pengembang RPA untuk mengambil pekerjaan bersebelahan data science sebagai gantinya.

Pengembang RPA dapat membantu ilmuwan data

Ketika ilmuwan data memiliki masalah, pengembang RPA dapat datang untuk menyelamatkan.

Inside Big Data menunjuk pada dua masalah utama yang cenderung dimiliki oleh ilmuwan data:

1. Ilmuwan data cenderung tidak memiliki cukup data pelatihan yang berlabel untuk mengajari model pembelajaran mereka.
2. Ilmuwan data cenderung harus menggunakan data teoretis dari dataset pasir alih-alih data dari kasus penggunaan nyata.

Ini adalah tempat pengembang RPA masuk. Pengembang RPA dapat memberikan manfaat kepada ilmuwan data dengan:

• Membuat metadata: Robot perangkat lunak, terutama ketika dikomplemen dengan process mining, meninggalkan jejak data saat mereka menyelesaikan tugas, membuat proses lebih dapat dipahami oleh ilmuwan data.
• Mengakses sistem lama: Robot perangkat lunak bekerja dengan sistem lama dan membuat data yang sebelumnya terjebak dalam alat lama dapat diakses.
• Membuat data dapat digunakan: Pengembang RPA dapat memecah set data besar menjadi komponen yang dapat digunakan dan mengorganisir, memberi label, dan membersihkan potongan data yang terpisah menjadi keseluruhan yang kohesif.
• Mengimplementasikan modul AI siap pakai: Banyak kasus penggunaan ML dan AI bukanlah hal baru, dan alih-alih ilmuwan data membangun model dari nol, pengembang RPA dapat menerapkan modul yang sudah ada.
• Menggunakan AutoML untuk menghemat waktu: Pengembang RPA dapat menggunakan AutoML untuk menemukan model prediktif mana yang paling akurat, memastikan ilmuwan data tidak perlu membuat dan menguji beberapa model untuk kasus penggunaan yang diberikan. Ini membebaskan ilmuwan data untuk bekerja pada tugas yang lebih menantang.

Manfaat gabungan ini tidak hanya membuat kehidupan ilmuwan data lebih baik tetapi juga membantu mereka mencapai lebih dari yang sebelumnya. Pengembang RPA memungkinkan ilmuwan data untuk melakukan pekerjaan mereka lebih cepat dan lebih baik, serta membuat solusi akhir lebih mudah diterapkan.

UiPath dapat membantu ilmuwan data dan pengembang RPA Anda mencapai ketinggian baru—bersama

Tujuan enterprise yang berpikir maju bukan untuk menemukan kompromi antara dua tim yang sering divergen; itu adalah untuk menyelaraskan keduanya sehingga mereka dapat mencapai lebih banyak bersama daripada yang bisa mereka capai terpisah. Data science memerlukan data yang akurat, bersih, dan terverifikasi. Proses RPA menghasilkan data yang bersih dan sering kali dimulai dengan data yang berantakan dan tidak terstruktur.

Tanpa alat yang tepat yang menampilkan data tentang proses bisnis dan alur kerja otomatisasi, bahkan pemimpin terbaik akan kesulitan membuat kedua tim bekerja sama. Platform UiPath menyediakan alat yang diperlukan perusahaan untuk menyatukan tim data science dan RPA mereka.

UiPath dapat membantu ilmuwan data:

• Membuat robot perangkat lunak yang mengumpulkan data ke dalam satu tempat terpusat
• Menyampaikan “last mile” MLOps dengan UiPath AI Center dan menerapkan model ke produksi
• Membuktikan ROI untuk model yang mereka bangun, lebih baik memungkinkan mereka untuk fokus sebagian besar waktu pada menjelajahi data dan menyempurnakan model yang menyelesaikan masalah dunia nyata
• Memanfaatkan solusi AI siap pakai seperti UiPath Document Understanding dan AI Document Understanding

UiPath membantu pengembang RPA:

• Menguji dan menerapkan model AI dengan cepat
• Menggunakan model AI siap pakai sehingga ilmuwan data tidak perlu membangun dari nol dan dapat tetap fokus pada masalah dan solusi baru
• Menggunakan kemampuan AutoML dengan kemudahan drag-and-drop menggunakan AI Center
• Menerapkan komponen RPA yang dapat digunakan kembali, termasuk ML, dengan UiPath Marketplace

Mari kita pikirkan satu contoh terakhir: jika perusahaan Anda ingin mulai menggunakan analisis sentimen, pengembang RPA Anda dapat mengimplementasikan salah satu model starter kami dan memberinya data yang dibutuhkan untuk bekerja. Jika perusahaan Anda kemudian ingin membuat analisis sentimen lebih akurat dan lebih kuat—ataupun menyesuaikan algoritma yang diberikan—maka Anda membutuhkan ilmuwan data.

Cara lain untuk memikirkannya adalah jika Anda menggunakan matematika untuk menyelesaikan masalah, itu adalah peran pengembang RPA; jika Anda mencoba memahami matematika, itu adalah peran ilmuwan data. UiPath menyediakan platform yang mencakup kedua jenis pekerjaan.

Perusahaan Anda dapat melakukan banyak hal yang lebih dari yang Anda bayangkan, saat Anda menggabungkan data science dan RPA. UiPath AI Center memungkinkan Anda—baik Anda memiliki latar belakang data science atau tidak—untuk menyeret dan meletakkan AI langsung ke dalam proses bisnis Anda. Untuk perspektif praktis, coba trial untuk UiPath AI Center hari ini.

Bergabunglah dengan pemimpin AI dan ahli UiPath di UiPath AI Summit!

Acara virtual akan berlangsung selama empat minggu, dimulai 24 Februari 2021. Baik Anda baru dalam AI atau praktisi AI yang berpengalaman yang ingin memperkuat robot Anda, ada sesi untuk Anda.