Leitfaden zur Unassisted Task Mining-Analyse

Einleitung

Diese Anleitung dient als Einführung in die Arbeit mit Analyseergebnissen von Unassisted Task Mining, nachdem ein Projekt erstellt, die Aufzeichnung von Aktionen abgeschlossen und eine Analyse durchgeführt wurde. Es richtet sich an Geschäftsanalysten, Projektadministratoren und andere, die lernen möchten, wie sie Unassisted Task Mining-Ergebnisse interpretieren und Aufgaben mit Optimierungspotenzial identifizieren. Dieser Leitfaden enthält auch eine Anleitung zum Umgang mit unerwarteten Ergebnissen und Fehlern in der Analyse.

Um Ergebnisse zu generieren, sucht der KI-Algorithmus nach Vorkommen der gleichen Sequence von Schritten in den aufgezeichneten Daten. Sie funktioniert ohne Kontext und kann daher Aufgabenkandidaten präsentieren, die reale Aufgaben nicht von Anfang bis Ende vollständig erfassen.

Manchmal enthalten die Analyseergebnisse Aufgaben und Schritte, die aus geschäftlicher Sicht irrelevant sind. Dies wird als Noise betrachtet. Um Automatisierungskandidaten zu identifizieren, ist es wichtig, dass der Prüfer zwischen hochwertigen Aufgaben und lauten Aufgaben unterscheidet.

Verschiedene Typen von Task Mining-Ergebnissen

Die vom KI-Algorithmus identifizierten Aufgabenkandidaten können mit realen Aufgaben übereinstimmen, sie können sich aber auch von den Erwartungen unterscheiden. Nicht alle Aufgabenkandidaten eignen sich für die Automatisierung, und der Prüfer muss mit den verschiedenen Arten von Ergebnissen vertraut sein, auf die er stoßen kann. Die identifizierten Aufgabenkandidaten können:

1. Erwartete Aufgaben nicht anzeigen
2. Unerwartete Aufgaben anzeigen
3. Aufteilen einer realen Aufgabe in mehrere Aufgaben
4. Erfassen Sie eine Aufgabe teilweise ohne den tatsächlichen Anfang und das eigentliche Ende
5. Keine realistische Aufgabe anzeigen

1. Die Ergebnisse zeigen nicht die erwarteten Aufgaben

Unassisted Task Mining wendet einen Algorithmus an, um Aufgabenkandidaten zu identifizieren, die gute Kandidaten für die Automatisierung oder Prozessoptimierung sein können. Es ist nicht garantiert, dass der KI-Algorithmus alles erkennt, und er kann einen Teilprozess oder sogar einen größeren Prozess als erwartet erkennen. Durch die in diesem Dokument beschriebenen Schritte kann der Prüfer bestimmen, ob die identifizierten Aufgabenkandidaten für die Automatisierung geeignet sind. Da es nicht gewährleistet ist, dass Unassisted Task Mining bekannte Aufgaben erkennt oder jede Variation oder Iteration auswählt, sollte es nicht ausschließlich zur Überwachung bekannter Aufgaben verwendet werden.

2. Ergebnisse zeigen unerwartete Aufgaben

Unassisted Task Mining identifiziert Aufgabenkandidaten, die dann nach ihrer Wahrscheinlichkeit als bessere Automatisierungsmöglichkeiten eingestuft werden. Einige Ergebnisse sind möglicherweise nicht repräsentativ für eine tatsächliche reale Aufgabe, aber der Prüfer kann sie basierend auf den in diesem Dokument vorgestellten Schritten als gute Automatisierungskandidaten identifizieren.

3. Die Ergebnisse teilen echte Aufgaben in mehrere Task Mining-Aufgabenkandidaten auf

Der Unassisted Task Mining-Algorithmus sucht nach der am häufigsten vorkommenden und konsistenten Abfolge von Schritten. Je nachdem, wie konsistent Benutzer die Aufgabe ausgeführt haben, kann eine reale Aufgabe in den Ergebnissen in mehrere Aufgabenkandidaten aufgeteilt werden. Das Ende eines Aufgabenkandidaten kann der Beginn des nächsten sein. Der Aufgabenkandidat ist möglicherweise immer noch für Automatisierungs- oder Prozessverbesserungsaktionen geeignet. In diesem Fall empfehlen wir, diese Unteraufgaben im Prozessdefinitionsdokument (PDD) zu kombinieren, indem Sie alle relevanten Ablaufverfolgungen in Task Capture exportieren und in einem Dokument kombinieren. Das Kombinieren der Teilaufgaben durch eine Neuberechnung in Task Mining führt möglicherweise nicht zu optimalen Ergebnissen, wenn sich die Teilaufgaben die Start- und Endschritte teilen.

4. Ergebnisse erfassen teilweise eine Aufgabe ohne den tatsächlichen Anfang oder das eigentliche Ende

Der KI-Algorithmus identifiziert die konsistentesten Schrittfolgen als Aufgabenkandidaten. Abhängig von der Variabilität der Benutzer, die die Aufgabe ausführen, kann die Mitte einer Aufgabe konsistenter sein als der Anfang und/oder das Ende, was dazu führt, dass der Algorithmus diese Unteraufgabe als Kandidat anstelle der vollständigen End-to-End-Aufgabe erkennt.

Dies ist wahrscheinlich der Fall, wenn der Start und/oder das Ende einer Aufgabe sehr multifunktionale Anwendungen wie Outlook, Excel usw. Diese Anwendungen werden wahrscheinlich während mehrerer Aufgaben verwendet, und es ist für den Algorithmus schwierig, bestimmte Vorkommen von ihnen als Anfang oder Ende eines Aufgabenkandidaten zu unterscheiden. In diesem Fall empfehlen wir, sich auf den Großteil der Aufgaben zu konzentrieren und nicht 100 % aller Klicks eines Benutzers abzudecken. Wenn die Aufgabe dennoch ein geeigneter Kandidat für die Automatisierung ist, können der fehlende Start und das fehlende Ende beim Erstellen der Automatisierung hinzugefügt werden.

5. Die Ergebnisse zeigen eine unrealistische Aufgabe

Der erkannte Aufgabenkandidat sieht möglicherweise nicht realistisch aus oder ist keine erkennbare Aufgabe. Wenn ein Aufgabenkandidat aus geschäftlicher Sicht keinen Sinn macht, ist er wahrscheinlich störend und kann verworfen werden.

Priorisieren von Aufgabenkandidaten für die Analyse

Abhängig von den aufgezeichneten Daten identifiziert der Task Mining-Algorithmus möglicherweise viele Aufgabenkandidaten. Daher ist es wichtig, dass der Prüfer Prioritäten setzt, welche Kandidaten zuerst analysiert werden sollen, um keine Zeit mit Aufgabenkandidaten zu verschwenden, die wahrscheinlich keine geeigneten Automatisierungskandidaten sind. Die Seite Erkennungsergebnisse und ihre KPIs bieten Eingaben für diese Priorisierung.

Die Aufgabenkandidaten in den Discovery-Ergebnissen sind danach geordnet, wie wahrscheinlich es ist, dass sie ein geeigneter Automatisierungskandidat sind. Je weiter oben der Aufgabenkandidat auf der Liste steht, desto wahrscheinlicher ist es, dass er ein guter Automatisierungskandidat ist. Der Aufgabenkandidat mit dem Namen „Aufgabe 0“ wurde vom Unassisted Task Mining-Algorithmus unter Berücksichtigung verschiedener Faktoren, einschließlich Wiederholbarkeit und Komplexität, als bester Automatisierungskandidat identifiziert. Diese Rangfolge gibt jedoch nicht die Gesamtqualität der Task Mining-Ergebnisse an, aber relativ ist „Task 0“ eher besser als „Task 10“.

Der Prüfer kann die Standardsortierung auch ändern, indem er auf die Spaltenüberschriften klickt. Die drei Sortieroptionen, die für die Spalte Aufgabenname verfügbar sind, sind vom höchsten bis zum niedrigsten Automatisierungspotenzial, vom niedrigsten bis zum höchsten Automatisierungspotenzial und alphabetisch basierend auf dem Aufgabennamen.

Verwenden Sie die Schaltfläche Nur wichtige Aufgaben, um zu filtern, um nur Aufgaben anzuzeigen, die mindestens 5 Aktionen, 3 Schritte und 30 Sekunden Ausführungszeit haben. Dadurch sollte das Rauschen in den Ergebnissen reduziert werden.

Konzentrieren Sie sich auf größere Aufgabengruppen. Aufgabenkandidaten, die zusammen gruppiert werden, sind oft aussagekräftigere Aufgabenkandidaten. Suchen Sie nach dem besten Aufgabenvertreter innerhalb einer Aufgabengruppe. Bei der Analyse eines Aufgabenkandidaten, der für die Gruppe repräsentativ ist, kann es vorkommen, dass dieser Aufgabenkandidat ein hohes Automatisierungspotenzial hat, aber die End-to-End-Aufgabe ist nicht ganz korrekt. In diesem Fall empfehlen wir, die alternativen Aufgabenkandidaten der Gruppe auf einen besseren Repräsentanten zu überprüfen. Sobald der Prüfer einen besseren Vertreter gefunden hat, kann er ihn auswählen und als neuen Vertreter für diese Aufgabengruppe markieren.

Konzentrieren Sie sich innerhalb einer Aufgabengruppe auf die höherrangigen Aufgaben. Im Allgemeinen sind die besser eingestuften Aufgabenalternativen innerhalb einer Gruppe von höherer Qualität. Aufgabenalternativen, die nach 10 oder 20 eingestuft werden, sind in der Regel von geringerer Qualität.

Bei der Analyse der alternativen Aufgabenkandidaten kann sich herausstellen, dass sich einige von ihnen auf eine andere als die repräsentative Aufgabe beziehen. In diesem Fall kann der Prüfer eine neue Aufgabengruppe basierend auf diesen alternativen Aufgaben erstellen .

Untersuchen Sie die Metriken der verschiedenen Aufgabenkandidaten. Jeder Aufgabenkandidat zeigt unterschiedliche Metriken an, z. B. die Gesamtzeit, die die Benutzer für diese Aufgabe aufgewendet haben, die Anzahl der Benutzer, die diese Aufgabe ausgeführt haben, die Anzahl der Schritte in der repräsentativsten Aufgabe usw. Berücksichtigen Sie diese Metriken in Ihrer Analyse und wenden Sie Ihre eigenen Kriterien basierend auf dem Geschäftskontext Ihres Task Mining-Projekts an. Zum Beispiel können wir sehen, dass Aufgabe 7 eine viel geringere Gesamtzeit, Anzahl von Ablaufverfolgungen und Schritten hat als Aufgabe 1 und Aufgabengruppe Neu. Dies könnte darauf hindeuten, dass Task 7 ein geringeres Automatisierungspotenzial hat. Beachten Sie jedoch, dass es keine allgemeinen Richtlinien für große oder kleine Gesamtzeit gibt, die für alle Task Mining-Studien gelten. Diese Metriken sollten immer im Geschäftskontext des jeweiligen Task Mining-Projekts interpretiert werden.

Nutzen Sie die Lesezeichen- und Umbenennungsfunktion. Bei der Priorisierung der verschiedenen Aufgabenkandidaten für eine tiefere Analyse ist es wichtig, den Überblick darüber zu behalten, was priorisiert oder sogar bereits analysiert wurde. Das Setzen von Lesezeichen und das Umbenennen von Aufgabenkandidaten können helfen, die Analyse zu strukturieren.

Analyse einzelner Aufgabenkandidaten

Nachdem der Reviewer die verschiedenen Aufgabenkandidaten priorisiert hat, kann Ihre Analyse beginnen. Der folgende Abschnitt bietet dem Prüfer zunächst einige Einblicke, die er während der Analyse berücksichtigen sollte, und enthält anschließend eine Schritt-für-Schritt-Anleitung zum Navigieren durch die Analyseansicht.

Berücksichtigen Sie dies bei der Analyse

Die Schritte basieren auf Bildschirmen. Der Aufgabenkandidat und seine Schritte werden auf der Ebene einer eindeutigen Benutzeroberfläche/eines Bildschirms angezeigt und stellen keine einzelnen Klick- oder Eingabeaktionen dar. Mehrere Klicks oder Eingabeaktionen, die auf demselben Bildschirm auftreten, werden normalerweise nach dem Task Mining-Algorithmus gruppiert. Daher zeigt das Diagramm nicht jede einzelne Klick- oder Eingabeaktion an.

Ein Aufgabenkandidat benötigt mindestens zwei Schritte (Bildschirme), um als solcher identifiziert zu werden. Damit der Task Mining-Algorithmus einen Aufgabenkandidaten identifizieren kann, muss er aus einem klaren Start- und Endschritt bestehen. Daher wird eine Aufgabe, die nur auf einem Bildschirm ausgeführt wird, nicht als Aufgabenkandidat identifiziert.

Die Schritte sind bei den verschiedenen Aufgabenkandidaten gleich. Schritte sind nicht an einen bestimmten Aufgabenkandidaten gebunden. Ein Schritt, der in einem Aufgabenkandidaten auftritt, kann auch in einem anderen auftreten. Das bedeutet, dass sich Aktionen wie das Umbenennen eines Schritts auf das gesamte Projekt auswirken.

Der PII-Maskierungsalgorithmus markiert möglicherweise etwas fälschlicherweise oder nicht als PII. Das PII-Modul ist ein KI-Algorithmus, der PII erkennen kann. Es kann vorkommen, dass der Algorithmus einen Fehler macht und einige PII möglicherweise nicht maskiert werden oder Text, der keine PII ist, maskiert wird. Diese Fehler hängen vom erkannten Text auf dem Bildschirm sowie vom Kontext der Wörter selbst ab. Wenn der Text nicht von der OCR erfasst oder teilweise abgeschnitten wird, wird er möglicherweise nicht maskiert. Wenn sich die anderen Wörter auf dem Bildschirm unterscheiden, ist es außerdem möglich, dass derselbe Text in einem Bildschirm als PII und in einem anderen nicht als PII identifiziert wird.

Wenn ein Aufgabenkandidat bei der Untersuchung von Ablaufverfolgungen keinen visuellen Sinn ergibt, handelt es sich wahrscheinlich nicht um einen qualitativ hochwertigen Aufgabenkandidaten. Der Algorithmus kann verrauschte und irrelevante Aufgabenkandidaten erkennen, insbesondere auf niedrigeren Rängen in der Aufgabenrangfolge. Diese Aufgabenkandidaten können sehr kurz oder sehr lang und extrem variabel sein. Sobald dies nach der Untersuchung einiger Spuren klar wird, sollten Sie keine Zeit damit verschwenden, sie zu interpretieren.

Suchen Sie nach dem Großteil des Prozesses (80/20-Regel). Die Aufgabenkandidaten stimmen möglicherweise nicht vollständig mit den erwarteten realen Aufgaben überein, sondern decken nur teilweise Unterteile davon ab. Wie bereits oben erwähnt, können abhängig von der Variabilität der Benutzer, die die Aufgabe ausführen, bestimmte Schritte einer Aufgabe konsistenter sein als andere, was dazu führt, dass der Algorithmus nur bestimmte Schritte der Aufgabe als Kandidaten erkennt und nicht die vollständige End-to-End-Aufgabe.

Der Aufgabenkandidat ist möglicherweise immer noch für die Automatisierung geeignet, unabhängig davon, ob Schritte fehlen. Diese können beim Erstellen der Automatisierung hinzugefügt werden.

Scrollen Sie durch die Ergebnisse. Die Ablaufverfolgungen eines Aufgabenkandidaten und die Screenshots für die Schritte werden chronologisch sortiert. Daher wird empfohlen, durch die Listen zu scrollen, um die Ergebnisse an mehreren Stellen zu überprüfen.

Schritt-für-Schritt-Analyse

Führen Sie die folgenden Schritte aus, um die priorisierten Aufgabenkandidaten genau zu analysieren. Dies hilft bei der Unterscheidung zwischen Automatisierungskandidaten und verrauschten Aufgaben

1. Analysieren Sie den Start- und Endschritt des Aufgabenkandidaten, um seine Qualität zu bestimmen
   • Klicken Sie auf den Schritt, um die Screenshots auf der rechten Seite des Bildschirms anzuzeigen.
   • Untersuchen Sie die Screenshots des Start- und Endschritts des Aufgabenkandidaten, um zu verstehen, was passiert. Ein qualitativ hochwertiger Schritt ist in der verwendeten Anwendung und der ausgeführten Arbeit konsistent. Wenn die Screenshots des Start- oder Endschritts viele verschiedene Bildschirme und Aktionen zeigen, sind die Ablaufverfolgungen sehr inkonsistent. Dies ist ein Hinweis darauf, dass der Aufgabenkandidat wahrscheinlich kein guter Kandidat für die Automatisierung ist.
   • Die Screenshots sind chronologisch geordnet, daher empfiehlt es sich, die Screenshots am Anfang, in der Mitte und am Ende der Liste zu überprüfen.
   • Benennen Sie die Schritte um, damit Sie einen Überblick darüber behalten, welche Schritte überprüft wurden.
2. Öffnen und überprüfen Sie die wichtigsten Schritte im Prozess
   • Suchen Sie wichtige Schritte , indem Sie den Filter für das Auftreten von Schritten unten anpassen. Versuchen Sie, die Varianz und Verständlichkeit auszugleichen. Wenn Sie den Schieberegler weiter nach links verschieben, wird die Komplexität im Allgemeinen auf Kosten der Vollständigkeit reduziert. Um es einfacher zu machen, sollten Sie den Schieberegler nach links verschieben, um nur 2-3 Schritte zusätzlich zum Start- und Endschritt zu haben.

   • Filtern Sie nach hochwertigen Spuren. Der Filter für die häufigsten Pfadablaufverfolgungen kann die nützlichste Ablaufverfolgung bereitstellen, daher wird empfohlen, diese Ablaufverfolgungen zuerst zu analysieren. Wenden Sie den Filter an, um nur zu sehen, dass Ablaufverfolgungen diesem häufigsten Pfad folgen. Dieser Filter ist im Filterbereich verfügbar.

     
     

     

     
     
   • Überprüfen Sie die Screenshots , wie in der Analyse der Start- und Endschritte beschrieben. Einige inkonsistente und verrauschte Schritte sind akzeptabel, aber idealerweise hat ein Aufgabenkandidat mit hohem Automatisierungspotenzial mindestens einige hochwertige Schritte in der Mitte des Diagramms, die Teil der meisten Ablaufverfolgungen sind.

   • Benennen Sie die Schritte um. So behalten Sie den Überblick darüber, welche Schritte überprüft wurden.

     
     

     

     
     
3. Ablaufverfolgungen überprüfen
   • Ablaufverfolgungen sind chronologisch geordnet. Wir empfehlen, die Ablaufverfolgungen am Anfang, in der Mitte und gegen Ende der Liste zu überprüfen.

   • Ein qualitativ hochwertiger Aufgabenkandidat enthält viele Ablaufverfolgungen, die ähnlich aussehen. Suchen Sie nach den folgenden Indikatoren:

     • Ablaufverfolgungen haben ähnliche Schritte in der Mitte der Ablaufverfolgung.
     • Ablaufverfolgungen sind aus geschäftlicher Sichtsinnvoll.
     • Überprüfen Sie die Screenshots, um zu sehen, ob die Ablaufverfolgungsinformationen zu dem Element, an dem gearbeitet wird, innerhalb jeder Ablaufverfolgung gleich sind, sich jedoch zwischen Ablaufverfolgungen unterscheiden (z. B. Problem-ID, Kundenname, Rechnungsnummer usw.). Stellen Sie sicher, dass Sie dies auf der richtigen Ebene analysieren, da eine Rechnungsnummer in mehreren Ablaufverfolgungen erscheinen kann, aber jede Ablaufverfolgung eine andere Zeile der Rechnung abdeckt.
   • Wenn Sie während der Analyse der Ablaufverfolgungen feststellen, dass der Aufgabenkandidat von schlechter Qualitätist, wird empfohlen, sich nicht auf sie zu konzentrieren und zum nächsten Aufgabenkandidaten in Ihrer Prioritätenliste überzugehen.

   • Filtern Sie die Spuren mit niedriger Qualität heraus. Selbst ein Aufgabenkandidat mit hoher Qualität enthält einige Traces mit niedriger Qualität, bei denen der Algorithmus einen Fehler gemacht hat. Diese Ablaufverfolgungen sind oft viel länger oder viel kürzer als andere und enthalten Rauschen/irrelevante Aktionen. Entfernen Sie sie, indem Sie die Filter neben der Suchleiste anwenden. Passen Sie die Filter basierend auf den Histogrammen an, um Spuren herauszufiltern.

     Die qualitativ hochwertigen Spuren bilden häufig eine größere Erhebung innerhalb des Histogramms. Wenn sich kleine Spitzen an den Kanten befinden, die weit vom Hauptteil des Histogramms entfernt sind, empfehlen wir die Verwendung der Schieberegler, um diese zu entfernen und zu sehen, ob dies das Aufgabendiagramm und die Spuren verbessert. Ablaufverfolgungen mit sehr niedrigen oder sehr hohen Schritt- und Aktionszahlen sind wahrscheinlich keine geeigneten Aufgabenkandidaten.

     Wenn Sie in Zukunft zu einer bestimmten Filtereinstellung zurückkehren möchten, verwenden Sie die Funktion zum Speichern von Ansichten .

     
     

     

     
     
     
     

     

     
     
   • Wenn der gewünschte Schritt nicht im Diagramm angezeigt wird, wechseln Sie zu einer bestimmten Ablaufverfolgung. Legen Sie die Häufigkeit auf 100 % fest und entfernen Sie den Filter „Nur wichtige Schritte anzeigen“. Kehren Sie dann zu allen Ablaufverfolgungen zurück, und filtern Sie nach dem gewünschten Schritt.
4. Schritte zur Neuberechnung

• Nachdem Sie hochwertige Ablaufverfolgungen ausgewählt und die wichtigsten Aktivitäten identifiziert haben, empfehlen wir eine Neuberechnung. Wählen Sie nur die wichtigsten Schritte aus, die in den Aufgabenkandidaten aufgenommen werden sollen, lassen Sie irrelevante oder verrauschte Schritte aus und definieren Sie die richtige Reihenfolge der Schritte.

Beachten Sie, dass dadurch auch die Schritte, die Ihnen für die nächste Neuberechnung zur Verfügung stehen, weiter reduziert werden. Daher kann die Eingrenzung von Aufgabenkandidaten schwieriger werden. Die Option Neu berechnen enthält auch einen Versionsverlauf, mit dem Sie eine frühere Version eines Aufgabenkandidaten neu laden können, wenn Sie mit dem Ergebnis einer Neuberechnung nicht zufrieden sind.

Benennen Sie Schritte um

Das Umbenennen von Schritten dient zwei Zwecken. Erstens werden die Schritte interpretierbarer. Zweitens können Sie zwischen hoher Qualität und Rauschen unterscheiden. Da Schritte in mehreren Aufgabenkandidaten auftreten können, erspart Ihnen das Umbenennen die Mühe, sie im nächsten Aufgabenkandidaten erneut zu überprüfen. Einige bewährte Methoden:

• Schritt mit hoher Qualität: Umbenennen in Anwendungsname + Verb + Substantiv. Es ist nicht möglich, nach Anwendungen zu filtern, aber Sie können nach Schrittnamen filtern. Wenn mehrere Anwendungen für die Aufgabe verwendet werden, erleichtert dies die Analyse.
• Rauschschritte: in Rauschen umbenennen.