Avinash Misra, PDG et co-fondateur de Skan.AI - Série d'interviews

Avinash Misra est le PDG et co-fondateur de peau. Avinash est un entrepreneur de longue date qui a fait ses preuves en faisant passer des entreprises de l'amorçage à la liquidité. Il a construit des entreprises prospères dans le domaine de la transformation numérique des entreprises et sa dernière entreprise a été acquise par Genpact (NYSE : G). La perspicacité d'Avinash pour Skan a pris racine dans des projets de transformation des processus métier à grande échelle qu'il a dirigés au cours de la dernière décennie.

Votre ancienne société Endeavour Software Technologies a finalement été rachetée par Genpact. Quelle était cette entreprise et quelles ont été les principales leçons que vous en avez tirées ?

Cette société était spécialiste de la transformation digitale front-office. Autrement dit, elle s'est spécialisée dans la création et le déploiement de technologies spécifiques telles que la vision par ordinateur, les chatbots/traitement du langage naturel (NLP) et les applications mobiles d'entreprise pour améliorer et transformer les processus commerciaux orientés client. 

Nous avons appris deux leçons essentielles. Premièrement, lorsque la technologie est appliquée uniquement pour elle-même, elle crée une dette à la fois technique et de processus. Deuxièmement, la plus grande valeur est obtenue lorsque la technologie aborde spécifiquement l'utilisateur final avec empathie et un état d'esprit de conception. 

Pourriez-vous partager l'histoire de la genèse derrière Skan?

"L'automatisation commence lorsque l'automatisation échoue." En une phrase, ce fut notre début. Lorsque nous avons créé des bots RPA pour des processus métier complexes, nous avons remarqué à plusieurs reprises qu'une fois qu'un bot était déployé, il échouait rapidement car il ne prenait pas en compte toutes les nuances, permutations et exceptions de ce processus métier. Chaque fois qu'un bot échouait, il devenait une autre permutation de travail manquante. C'était un cycle sans fin de déploiements et d'échecs. 

Alors, pourquoi ne connaissons-nous pas toutes les nuances des processus métier ?

Nous ne connaissons pas toutes les nuances des processus métier, car toute découverte de processus est effectuée par des analystes métier humains qui demandent aux agents de processus de décrire le travail. Les humains sont spectaculairement peu fiables pour décrire des choses qui ont un sens de familiarité ou d'habitude et de routine. Ce sont souvent des choses qu'ils peuvent bien faire, mais qu'ils ne peuvent jamais décrire avec la précision nécessaire. Par conséquent, nous avons construit Skan pour observer le travail réel et comprendre ce travail et les processus, plutôt que d'interviewer et de documenter les humains.

Skan est en partie une plateforme de découverte de processus. Pourriez-vous définir ce qu'est la découverte de processus pour nos lecteurs ?

La découverte de processus est un terme général qui fait référence à l'acte de découvrir ou d'apprendre comment les processus fonctionnent à un niveau opérationnel ou structurel. Cela est particulièrement difficile avec les processus qui impliquent des interactions homme-système avec des centaines ou des milliers de travailleurs, des dizaines d'applications logicielles et des flux de travail complexes. Un bon exemple est le processus de gestion des réclamations.  

Aujourd'hui, Skan est en fait plus qu'une plateforme de découverte de processus. Skan génère une compréhension approfondie du travail (découverte des processus) et fournit des analyses avancées pour aider les propriétaires de processus et les responsables de la transformation à mesurer, analyser et améliorer les KPI qui génèrent des résultats commerciaux tels que l'expérience client, les revenus et les coûts. Nous appelons cette capacité plus large : Process Intelligence ou la collecte systématique de données et le processus de bout en bout et l'application de ces connaissances pour contrôler les résultats de l'entreprise ou pour apprendre, comprendre et prendre des décisions. 

D’après une étude menée par Ernst & Young, 30 à 50 % des projets d'automatisation échouent. Pourquoi croyez-vous que c'est si élevé?

En travaillant avec nos clients, nous constatons que l'un des principaux obstacles au succès de l'automatisation est le manque de visibilité sur l'état actuel des KPI tout au long du cycle de vie des projets d'automatisation. 

Par exemple, afin de qualifier un projet d'automatisation, nous devons baser l'état actuel des KPI et construire une analyse de rentabilisation. Dans la phase d'expérimentation, nous devons identifier les modèles technologiques et définir les KPI cibles (à venir) basés sur les KPI de l'état actuel. Pendant la phase de conception, de développement, de test et d'opérationnalisation, nous devons nous aligner sur la cause première du problème à résoudre. 

Enfin, dans la phase de validation où nous mesurons le retour sur investissement et la réalisation des avantages, nous avons besoin d'une traçabilité vers les futurs KPI. Ainsi, nous voyons que tout au long de ce cycle de vie, la transparence et la traçabilité des KPI et des causes profondes de l'état actuel sont nécessaires. Et pourtant, selon Forrester Research (2021), seulement 16 % des organisations déclarent avoir une visibilité complète sur le fonctionnement des processus. Il n'est pas étonnant que les projets d'automatisation aient du mal à générer de la valeur. 

Pouvez-vous expliquer quelles procédures Skan utilise pour protéger la vie privée des personnes surveillées et les données commerciales sensibles ?

Il est important de noter que nous ne surveillons pas les personnes. Nous n'observons que des éléments spécifiques du travail (pas tout l'écran). Ces éléments sont des applications de travail spécifiques prédéfinies en amont.

Cela dit, pour toutes les applications observées, toutes les données de travail sensibles sont expurgées. Nous avons également la possibilité d'anonymiser le lien entre la personne qui a fait le travail et le processus. Les noms des personnes travaillant dans le processus peuvent également être anonymisés.

Pourriez-vous expliquer comment Skan utilise l’apprentissage automatique et en particulier l’apprentissage profond ?

Skan intègre plusieurs algorithmes d'IA et d'apprentissage automatique pour résoudre divers problèmes tels que l'anonymisation des informations sensibles (données texte et image), en extrayant les événements de bas niveau des activités commerciales, en déduisant des graphiques de processus et en découvrant les variations de processus.

Quels sont quelques exemples d'informations exploitables qui ont été tirées de ce processus ?

Skan aide les propriétaires de processus et les leaders de la transformation à mesurer, analyser et améliorer les KPI qui génèrent des résultats commerciaux. Voici quelques exemples d'insights :

Efficacité:

• Coût unitaire de production
• Utilisation des ressources (main-d'œuvre)
• Amélioration du NPS

Rendement :

• Découverte de l'automatisation
• Premier taux de réussite
• Conformité des processus
• Planification des capacités (effectifs)
• Variabilité de processus réduite

Quelle est votre vision de l'avenir de l'intelligence des processus ?

Notre vision de l'avenir de l'intelligence des processus est de transformer la façon dont les gens travaillent afin qu'ils puissent améliorer leur productivité et atteindre leur plein potentiel. 

Aujourd'hui, la pyramide mondiale du travail a une large base de tâches sans valeur ajoutée et un sommet très étroit de tâches à valeur ajoutée. Notre vision est que la découverte de processus inverse cette pyramide.

Merci pour cette excellente interview, les lecteurs qui souhaitent en savoir plus devraient visiter peau.