Naar intelligente bedrijfsautomatisering met Business Rules en Machine Learning

Share this post:

Veel bedrijven denken dat ze al lang geleden de grote stap hebben gezet in de richting van bedrijfsautomatisering. Technisch gezien klopt dat, lang geleden. De volgende stap in de bedrijfsautomatisering is de daadwerkelijke automatisering van het bedrijf en dat is waar IBM Digital Business Automation voor zorgt door gebruik te maken van technieken als kunstmatige intelligentie (AI) en machine learning of machine learning.

Het aanbod van IBM Digital Business Automation combineert verschillende mogelijkheden daartoe, waaronder workflows, contentmanagement en beslissingsautomatisering of decision automation met IBM Operational Decision Manager. IBM ODM is een platform dat bedrijven in staat stelt om de regels van de beslissingen die ze digitaal nemen, te definiëren. Dit klinkt misschien ingewikkeld en technisch, maar het is bedoeld om niet-IT’ers of, zoals Francis Friedlander, Decision Automation Expert bij IBM het zegt, erbij te betrekken: “Met deze technologie zijn business rules transparant en gemakkelijk te veranderen. Als je enige flexibiliteit nodig hebt in de logica achter je beslissingen, kunnen business rules worden gewijzigd door de business users zelf, wat belangrijk is omdat de regelgeving, marktomstandigheden en best practices voortdurend veranderen”.

Friedlander praat graag over zijn werk en de vele uitdagingen die dit met zich meebrengt vanwege zijn brede portfolio aan bedrijven en instellingen. Samen met Wim Peeters, Tech Sales Leader BeNeLux voor Automation, geeft hij inzicht in de werking van IBM ODM en aanverwante technologie, zoals Robotic Process Automation en IBM Business Automation Insights.

Van maanden tot minuten

Peeters geeft een voorbeeld van systemen om te controleren of iemand in aanmerking komt voor een uitkering. In de meeste landen zijn die systemen oude legacy-systemen waarmee het tussen de negen en twaalf maanden kan duren om iets eenvoudigs te veranderen: “Stel je voor dat er een wet is die een bepaald aspect verandert van 26 tot 25 weken, dat kan vele maanden duren om aan te passen en te verwerken in legacy-systemen”, zegt hij. “Met IBM hebben we het mogelijk gemaakt om de bedrijfslogica te scheiden van de legacy-systemen, wat een enorm voordeel is, want nu kun je een verandering op voorhand plannen, bijvoorbeeld wanneer een wet verandert. Dan kun je een analist de eigenlijke regel laten veranderen voordat de wet van kracht wordt. Een groot voordeel, van maanden tot minuten.”

Een ander groot voordeel is het uitvoeren van simulaties van historische gegevens en zien wat de gevolgen zijn van nieuwe regels. “Op dit moment gebruiken we nog geen machine learning of kunstmatige intelligentie in deze systemen, maar dat zou een goede volgende stap zijn”, zegt Peeters.

Friedlander is het daarmee eens: “Met machine learning kun je voorspellende modellen bouwen en daarop trainen met historische data, bijvoorbeeld om potentiële fraudeurs te identificeren. Maar het probleem is dat machine learning wel keuzes maakt, maar deze niet kan rechtvaardigen. Je kunt niet zien hoe het systeem tot zijn beslissingen is gekomen of waar mogelijke vooroordelen vandaan komen. Wanneer iemand als mogelijke fraudeur wordt bestempeld, kun je niet zien hoe de machine tot zijn beslissing is gekomen.

Het probleem dat we niet weten hoe een kunstmatige intelligentie tot zijn beslissing komt, is gelukkig tot op zekere hoogte aangepakt. Friedlander: “IBM biedt een platform aan dat IBM Watson OpenScale heet en dat in staat is om dit probleem van het niet weten hoe een AI met machine learning tot zijn conclusies is gekomen, aan te pakken. IBM Watson OpenScale kan je vertellen welke kenmerken de sleutel waren tot het resultaat van machine learning, maar ook als je moet weten hoe deze kenmerken de beslissing hebben beïnvloed”.

Deskundigen schrijven regels niet alleen met de uitvoering, maar ook met het onderhoud in het achterhoofd. Naast het vermogen om te begrijpen wat er gebeurde toen een decision engine een specifieke regel-gebaseerd besluit nam, is het ook mogelijk voor bedrijfsanalisten om wijzigingen aan te brengen in het beslissingsmodel. Friedlander geeft een voorbeeld van een marketingdeskundige die de regels verandert als gevolg van de lokale concurrentie.

“Denk aan een stad als Utrecht waar veel studenten wonen. Stel je voor dat een verzekeringsbedrijf besluit om in Utrecht een korting van tien procent toe te passen op polissen als gevolg van de lokale concurrentie. De bedrijfsanalisten zullen die kortingsregels moeten schrijven. Gelukkig heb je geen gespecialiseerde IT-afdeling nodig om die regels aan te passen, de marketingafdeling kan dat eenvoudig zelf doen.”

“Nu voeren businessanalisten deze simulaties uit met de nieuwe business rules en komt het systeem met KPI’s over de gevolgen voor de omzet en andere gevolgen voor het bedrijf. Een simulatie in IBM ODM maakt gebruik van historische gegevens om de business impact van veranderingen in de business rules te bepalen.”

Combineren van door mensen gemaakte regels en machine learning-modellen

“Er is een krachtig model, namelijk de combinatie van machine learning en business rules geschreven door mensen. ODM-klanten hebben regels geschreven, gevalideerd en uitgevoerd die van toepassing zijn op klantgegevens uit een CRM. Machine learning kan voorspellen hoe een klant kan reageren op een productaanbeveling, bijvoorbeeld of hij of zij waarschijnlijk zal vertrekken naar de concurrentie of een auto zal kopen. Dit leidt natuurlijk tot een zeer krachtig huwelijk tussen business rules en machine learning, waarbij business rules inzichten gebruiken die voortkomen uit machine learning”, zegt Friedlander.

“Regels leggen gezond verstand, beleid, best practices en overeenstemming vast, terwijl machine learning-modellen leren van gestructureerde en ongestructureerde data en het combineren ervan is dan ook krachtig, hoewel dit onderdeel van IBM Cloud Pak for Automation nog niet officieel beschikbaar is. Om verder in die richting te gaan, heeft IBM onlangs een Technology Preview van IBM Automation Decision Services (ADS) uitgebracht, een nieuwe ‘born-in-the-cloud’ digitale beslissingscomponent met een ingebouwde functie om Machine Learning-modellen van op regels gebaseerde beslissingen aan te roepen. ADS is bedoeld als onderdeel van een toekomstige IBM Cloud Pak for Automation-release.”

PayPal

Fintech-bedrijf PayPal presenteerde zijn ervaringen met het gebruik van ODM en machine learning en bigdata-technieken onlangs op een Think!-conferentie. Ze gebruiken de techniek om hun stakeholders over de hele wereld beter op maat gesneden decision management-software te kunnen bieden. Dit leidde tot een betere focus op de klant en uiteindelijk een gelukkiger klant.

PayPal heeft veel aandacht besteed aan de bescherming van de klant, zoal veilige betalingen en bescherming tegen frauduleuze gebruikers. Nu gebruikt het bedrijf veel meer verschillende parameters om in contact te blijven met de klant. Ze maken gebruik van data-acquisitie van verschillende apparaten en sociale netwerken en combineren dit met real-time beslissingsdiensten rond het gedrag van de klant. Een beslissingsplatform beheert agile regels en analyse-ontwikkeling om regels te schrijven, te testen, te verifiëren, zelf in te zetten en de prestaties van regels te monitoren. Alles in combinatie met het reken- en dataplatform. de back-end is de analytics-omgeving voor datawetenschappers voor zaken als data-onderzoek en analyse van de logica achter de besluitvorming.

Simulatie

Het woord ‘simulatie’ komt steeds terug in Friedlanders woorden. Hij geeft een voorbeeld van het gebruik van business rules en machine learning in de context van een callcenter. In dit geval praat hij over het toewijzen van nieuwe business rules met de hulp van ODM, met legacy data voor de simulatie.

“Simulatie is zeer krachtig om ervoor te zorgen dat de veranderingen die bedrijfsanalisten toepassen op digitale beslissingen en de impact van deze veranderingen onder controle blijven”, vervolgt Friedlander. “Als je sommige business rules wilt veranderen, wil je dat ze een positief en bekend effect hebben op je bedrijf”, zegt hij. De callcenter-case is een duidelijk voorbeeld van een complexe situatie waarin bedrijfsautomatisering veel waarde toevoegt. Je wilt oproepen routeren, rekening houdend met wie er belt, wat de reden van het gesprek is en hoe de pool van callcenteragents eruit ziet. Er zijn twee verschillende soorten klanten: platina en goud. Op dit moment krijgen alle platinumgebruikers direct een gesprek met de superexpert en goldmembers met de reguliere expert, maar om kostenoptimalisatie of marketingredenen wil het bedrijf ook de telefoontjes of chats van goldmembers doorsturen naar superexperts. Dat zou wel eens lastig kunnen worden: moet je de reguliere experts beter opleiden? Overwerkte superexperts krijgen? Of is het beter om de business rules te veranderen en de calls anders te verdelen?

“Nu willen we de impact van deze verandering op het gebruik van de agent en op de ervaring van de klant voorspellen”, zegt Friedlander. “En daar komt simulatie bij kijken. We simuleren de calls met de data van het voorgaande jaar en kunnen de simulatie vele malen herhalen en kijken op welke manier we de business rules kunnen aanpassen om de beste verdeling van de gesprekken te krijgen vanuit een financieel of klanttevredenheidsstandpunt”. Het belang van het gebruik van legacy data is duidelijk: “Je kunt de gesprekken niet verzinnen, de realiteit is altijd anders en met legacy data heb je de realiteit van wat er in de toekomst waarschijnlijk gaat gebeuren. Toekomstige verdeling van cases moet op de een of andere manier vergelijkbaar zijn met vroegere verdeling, en je kunt ontbrekende data invullen door het toepassen van datawetenschappelijke technieken.

ODM handelt typisch in de backend om beslissingen te nemen, maar het is ook zinvol om ODM te gebruiken in de engagementlaag die begrijpt wat de klant bedoelt en wat zijn intenties zijn. Deze systemen zijn sterk afhankelijk van AI en machine learning of robotic process automation, of RPA. En als een actie in de backoffice moet worden afgehandeld in de loop van het gesprek, kan de chatbot het gesprek routeren. Bots zijn een goed voorbeeld waar AI en regelgebaseerde beslissingen samenwerken: ze moeten ongestructureerde documenten of stem herkennen en beslissen wie de juiste persoon is om het verzoek af te handelen, in onze casestudy naar de expert of superexpert.

Al met al is er veel aan digitale bedrijfsautomatisering dat maatwerk vereist. Weet u niet zeker waar u moet beginnen? Probeer IBM’s Decisions Composer, een no-cost cloud-gebaseerde tool om u te helpen bij het modelleren, schrijven, valideren, delen en uitvoeren van business rules in een no-code omgeving.

Wil je de nieuwsbrief IBM Automation Insider ontvangen?
Schrijf je dan hier in >