为了进一步提升分析高度，我们可以把工作流程的各个环节抽象分解为4部分，如图4-19所示。
图4-19 各个环节的流程处理抽象 第一部分是“信息的获取”。由于一项工作的开始可能是在接收到外界一项指令，或者获得某项信息之后。例如接到公司领导的电话，告知你将要完成一项工作，或是收到一封邮件，邮件里交代了你要处理的事项，或者你从互联网上查询到一些数据等。在信息的获取过程中，执行者通常需要了解这些信息应该从哪里获取，从哪里可以获取，什么时间，以什么方式获取，主动还是被动。例如，对图像或视频中的信息识别，以及判断获取到的这些信息是否完整和准确，是否足以支持你开展后续的工作。 第二部分是“信息的加工”。随着信息化的普及，当获取信息之后，通常需要将这些信息输入计算机（也许是一个在线的处理系统，也许是个人办公软件，如电子表格或Word文档，或是云端存储）。然后对这些信息进行存储、过滤、加工、整合或抽取。在这个部分中，执行者需要了解这些数据的归类方式、存储结构、数据量、加工规则等。当然如果是基于后端强大的信息处理系统，执行者只需要关心信息的录入方式即可，包括单笔还是批量；录入数据之间的先后依赖关系；录入前需要检查的业务规则等。 第三部分是“信息的分析”。信息经过加工和处理后，需要转换成有意义的“信息”，也就是通常我们所谈到的数据分析。简单的数据分析包括查询、汇总、统计，复杂一点的数据分析用到了图或表的报表工具，甚至用到了各种商业智能（Business Intelligence，BI）分析工具，如Hyperion或者SAS等。 第四部分是“信息的决策”。数据分析之后，接下来就要做决策判断了。而决策过程中涉及的技术更为复杂一些。第一类属于决策“硬”技术，即定量决策，包括确定型决策技术、非确定型决策技术、竞争与随机型决策技术等。第二类属于决策“软”技术，即定性决策，包括德尔菲法、类比法、孙子兵法等。第三类属于“软硬结合”技术，如用模拟方法解决数学分析问题。在决策之前，自动化系统还需要进行必要的推理，包括演绎推理、归纳推理、类比推理。 以上4个部分可以说是我们目前工作模式的一种抽象模型，接下来分析一下RPA或IPA对于这4个流程分解部分的自动化处理能力，以及替代人工工作的比例。我们可以将自动化工作的难度分为易、中、难三个等级。“易”指的是利用简单的RPA技术就可以做到的工作；“中”指的是需要更高级的自动化或者智能自动化技术才可以做到的工作；“难”指的是依赖目前的人工智能技术难以做到，或者短期内没有技术可以实现自动化的工作。 1.信息的获取 在“信息的获取”工作中，我们又可以分为信息接收和信息理解两类工作任务。 利用自动化实现主动或被动的信息接收是容易的，基础的RPA就可以自动收取邮件、及时接收消息、获得系统反馈。但对于语音、图像、视频或者现实场景的信息接收，就需要借助人工智能技术。目前阶段，单一语种的语言转换成文字也不是非常困难，而且识别率非常高。在特指的一些工作场景中，即在低噪声的场景中，我们基本上认为语音的接收是容易实现自动化的。图像和视频的自动化接收方式是类似的，都需要对画面中的内容进行识别和获取，需要借助人工智能技术，以目前的人工智能技术能力来讲，实现难度为“中”。而对于现实场景中的信息接收，由于涉及诸多干扰因素，且来自三维空间，需要借助传感器等物联网技术来实现，所以难度为“难”，这也是自动驾驶难以实现的一个重要原因。回归到办公室的工作场景，接收信息自动化难度为“易”的部分在50%左右，借助智能自动化处理的部分约40%，其余的部分才是难以处理的。 人们通常认为信息理解环节的自动化处理比信息接收环节的自动化处理难度大很多。其实，这里的难度主要体现在人与人之间的理解。由于人的理解能力涉及文化背景、学识修养、价值观、世界观等诸多因素，更何况现实世界中充满了词不达意、语焉不详、上下文差异等误解。如果利用人工智能技术去实现人与人之间的理解，今天看来仍然是十分困难的。然而人与机器、机器与机器的相互理解其实是相对容易的，这也是为什么我们说，一家企业的数字化水平越高，自动化实现起来就越容易。机器之间的理解最为容易，因为它们必须遵循通信标准和规则协议标准。当然，不同系统间的标准可能不一样，但为了达到某种标准而对接口或服务重新设计，这个过程总是相对容易的。 总体看来，在“信息的获取”部分，通常能够达到自动化的比例可以在50%以上（难度为“易”和“中”）。依据目前的技术水平，一般需要人类员工配合实现最难部分的自动化。 2.信息的加工 “信息的加工”部分的自动化是相对容易实现的，但前提是必须有相应的业务处理规则。正常的业务实现甚至于生活都是有规则的，只是这种规则通常是非固化的。例如，汽车行进到路口时，必须依据信号灯指示来行进，信号灯这种基础设施就帮助固化了交通规则。但是不等于没有信号灯，交通路口就没有交通规则，例如，在一些没有交通标志的街道，人们也会自然形成一种礼让和行进规则。所以，有没有公示出来的规则并不是问题的核心，而规则是否明确才是核心问题。社会、城市管理水平越成熟，交通规则就越明确，而企业的管理成熟度也体现了信息处理中规则的明确程度。所以，实现自动化的一个重要前提就是将以前尚未明确的规则明确下来。 在明确规则的过程中，有两个重要因素不得不考虑，一个是异常，另一个是变化。通常我们认为在流程中，数据异常时有发生。而对于某种异常情况，规则明确则更加复杂且难度大。一些自动化的实践者有时候会由于异常情况的规则明确太复杂，甚至放弃对正常业务的规则梳理，这就显得有些为了芝麻丢了西瓜。如果以“二八原则”作为参考，我们只要弄清楚那80%的正常业务就可以了，另外的20%可以暂时放下不管。另外，谈到规则的变化，其实是加入了一个时间维度，即随着时间的推移规则会发生变化。规则的变化其实没有那么迅速，也没有那么容易。RPA带来的规则改变也只是一些小的细节上的变化，并不会影响整个规则的设定。 3.信息的分析 关于“信息的分析”，由于市面上已经有太多的数据分析类工具，所以数据分析环节本身的自动化不会成为最大的问题。目前，数据分析领域的关键制约点在于前期的数据采集和整合。由于数据来源于多个应用系统，难以形成实时的分析结果，也就难以对业务进行实时决策。另外，由于各个系统中的数据标准不同、规则不同、语法不同，因此难以对数据进行核对和整理。 我们站在RPA的角度来看待“信息分析”，发现其优势主要有三个方面。 第一，由于RPA实现的是帮助前端业务人员实现数据处理，那么其所能获取的数据必然是业务人员能够理解的。不像传统的数据分析引擎，其数据来自各个系统的数据库。所以，RPA的数据无须转义，且与有多少个后端应用来存储数据没有关系，从而避免了前端录入数据到后端存储数据的转换问题。 第二，RPA机器人所操作的数据范围远远超过了传统应用系统所存储的数据。例如，Excel表的处理、收发邮件中的内容，这无形中增加了传统应用系统的数据采集范围，使数据变得更“大”了。 第三，机器人操作的数据来自实时业务场景，也就是说，实时分析对于RPA机器人来说并不困难，不再像传统方式通过数据仓库或大数据平台“T+1”或“T+2”延时分析。 基于以上这三点，RPA结合一些报表或仪表盘（Dashboard）工具，所能带来的价值远超传统的数据分析平台。理论上，“信息的分析”部分实现自动化的比例在80%以上。 4.信息的决策 “信息的决策”是4个部分中最难实现自动化的。根据上面谈到的“硬”“软”“软硬结合”三种方式，在“硬”决策判断中，还有50%实现的可能，另外两种方式的决策判断就很难通过RPA来实现自动化。 接下来，我们需要回答这样一个问题：到底自动化流程在企业所有流程中的占比是多少？这个问题的回答有助于让企业的领导者认识到自动化对企业运营流程的影响有多大，应该采取什么样的战略来应对这场自动化变革。 在今天，很多企业负责人希望RPA或者IPA帮助他们实现流程的100%自动化，即流程中不再需要人为参与。因为他们相信只要有人参与，就会拖慢整个流程进度，还会带来人为风险，也没有实现人力资源的完全释放，反而需要人力来干预或打断机器人的处理，增加了业务流程的复杂度。所以直到今天，很多企业仍旧是在单点的、零散的一些流程片段中引入RPA应用，就像是在原来的流程中或系统上打一些补丁。为什么会出现这样的情况，我们来综合分析一下。 我们假定企业是希望做端到端流程自动化的，如上所述，“信息的获取”部分实现自动化的工作比例是50%，“信息的加工”部分实现自动化的工作比例是80%，“信息的分析”部分实现自动化的工作比例是80%，“信息的决策”部分实现自动化的工作比例是10%。如果完整地看第一到第四部分，确实会得到类似的结论——最终自动化的比例为3%（50%×80%×80%×10%），即企业所有流程中只有3%可以实现全面自动化。而通常，咨询公司或厂商在宣传材料中提到的这个比例是40%～50%，这个结论几乎截然相反。这就是今天一些企业在做流程自动化可行性分析时经常遇到的问题，表面看上去流程自动化机会很多，但仔细分析下去，又都不适合做自动化了。 那么问题出在哪里？原因在于很多企业的运营和管理是不够成熟的。举例来说，企业经常会要求一个员工从头到尾完成一个完整的流程。举一个大家较为熟悉的例子，即我们去医院门诊看病的流程。在一些大医院里，挂号之后，患者经常需要等几个小时才能见到医生，常规门诊的医生接待一个患者的平均时间约10分钟。在这10分钟里，医生要做的事情还有很多，需要询问病情、做出判断、录入病例、开药单等。而从全社会来看，医疗资源是紧缺的，医生的精力也是有限的。但事实上，医院已经算是分工较为细致的一个行业，挂号、看病、缴费、取药各个流程都是标准化运作的。 所以通常我们在分析自动化流程的时候，需要做的第一项工作就是对流程任务进行定性分析，即分析哪些是专业工作，哪些是简单的数据处理工作，并对流程环节进行拆分，甚至是对流程步骤拆分，梳理清晰之后，再将任务重新归类整理，专业性、创造性、决策性的工作交给专业人士来处理，机械性、重复性的工作交给RPA机器人，最后由专业人士和RPA机器人协作，形成新的自动化业务处理流程。 如果是按照这种方法，我们再来重新做一下自动化的比例计算，假定企业中从第一到第四部分的工作量是均匀分布的，都是25%，那么该流程的自动化比例就有可能达到55%，即25%×50%+25%×80%+25%×80%+25%×10%，是不是和一些行业报告中的数字接近了许多。 业务流程分析和优化工作是RPA实施过程中最重要的一环，甚至超过了技术实现本身。对于RPA行业的从业者来说，为了做好业务流程的梳理和分析，最好让业务流程各方在使用RPA之前就达成共识。
