Avinash Misra, PDG et co-fondateur de Skan.AI – Série d’entretiens

Avinash Misra est le PDG et co-fondateur de Skan. Avinash est un entrepreneur toute sa vie avec un parcours éprouvé de prise de sociétés de la graine à la liquidité. Il a construit des sociétés prospères dans l’espace de la transformation numérique d’entreprise et sa dernière société a été acquise par Genpact (NYSE : G). L’intuition d’Avinash pour Skan a pris racine dans de grands projets de transformation des processus métier qu’il a dirigés au cours de la dernière décennie.

Votre société précédente, Endeavour Software Technologies, a finalement été acquise par Genpact. Quelle était cette société et quels étaient quelques-uns des enseignements clés que vous avez appris ?

Cette société était une spécialiste de la transformation numérique du front-office. C’est-à-dire qu’elle se spécialisait dans la construction 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 métier axés sur le client.

Nous avons appris deux leçons clés. Premièrement, lorsque la technologie est appliquée pour elle-même uniquement, elle crée à la fois une dette technique et une dette de processus. Deuxièmement, la plus grande valeur est dérivée lorsque la technologie aborde spécifiquement l’utilisateur final avec empathie et une mentalité de conception réfléchie.

Pouvez-vous partager l’histoire de la genèse derrière Skan ?

“L’automatisation commence lorsque l’automatisation échoue.” En une phrase, c’était notre début. Lorsque nous avons construit des robots RPA pour des processus métier complexes, nous avons constamment remarqué que dès qu’un robot était déployé, il échouait rapidement car il ne prenait pas en compte toutes les nuances, les permutations et les exceptions de ce processus métier. Chaque fois qu’un robot échouait, il devenait une permutation de travail manquante de plus. C’était un cycle sans fin de déploiement 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 parce que 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 habituelles et routinières. Ce sont souvent des choses qu’ils peuvent faire bien, mais qu’ils ne peuvent jamais décrire avec la précision nécessaire. Nous avons donc construit Skan pour observer le travail réel et comprendre ce travail et les processus, plutôt que d’interroger et de documenter les humains.

Skan est en partie une plate-forme de découverte de processus. Pouvez-vous définir ce qu’est la découverte de processus pour nos lecteurs ?

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

Aujourd’hui, Skan est en fait plus qu’une plate-forme de découverte de processus. Skan génère une compréhension approfondie du travail (découverte de processus) et fournit des analyses avancées pour aider les propriétaires de processus et les dirigeants de la transformation à mesurer, analyser et améliorer les KPI qui stimulent les résultats commerciaux tels que l’expérience client, les revenus et les coûts. Nous appelons cette capacité plus large : intelligence de processus ou la collecte systématique de données et l’application de cette connaissance pour contrôler les résultats commerciaux ou pour apprendre, comprendre et prendre des décisions.

Selon une étude menée par Ernst & Young, 30 % à 50 % des projets d’automatisation échouent. Pourquoi pensez-vous que ce chiffre est si élevé ?

Sur la base de notre travail avec nos clients, nous constatons qu’un des principaux obstacles au succès de l’automatisation est le manque de visibilité dans l’état actuel des KPI tout au long du cycle de vie des projets d’automatisation.

Par exemple, pour qualifier un projet d’automatisation, nous devons établir les KPI de l’état actuel et construire un cas d’affaires. Dans la phase d’expérimentation, nous devons identifier les modèles technologiques et définir les KPI cibles (à être) sur la base des KPI de l’état actuel. Lors de la phase de conception, de développement, de test et d’opérationnalisation, nous devons nous aligner sur la cause profonde du problème à résoudre.

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

Pouvez-vous expliquer les procédures que Skan prend pour protéger la vie privée des personnes surveillées et les données d’entreprise sensibles ?

Il est important de noter que nous ne surveillons pas les personnes. Nous n’observons que des éléments spécifiques de travail (et non l’écran entier). Ces éléments sont des applications de travail spécifiques qui sont prédéfinies à l’avance.

Cela étant dit, pour toutes les applications observées, toutes les données de travail sensibles sont masquées. Nous avons également la capacité d’anonymiser le lien entre la personne qui a effectué le travail et le processus. Les noms des individus travaillant dans le processus peuvent également être anonymisés.

Pouvez-vous discuter de la façon dont Skan utilise l’apprentissage automatique et plus précisément l’apprentissage profond ?

Skan intègre plusieurs algorithmes d’IA et d’apprentissage automatique pour résoudre divers problèmes tels que l’anonymisation des informations sensibles (à la fois les données texte et image), l’abstraction d’événements de bas niveau en activités métier, l’inférence de graphiques de processus et la découverte de variations de processus.

Quels sont quelques exemples d’informations actionnables qui ont été obtenues à partir de ce processus ?

Skan aide les propriétaires de processus et les dirigeants de la transformation à mesurer, analyser et améliorer les KPI qui stimulent les résultats commerciaux. Voici quelques exemples d’informations :

Efficacité :

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

Efficience :

• Découverte de l’automatisation
• Taux de passage en premier
• Conformité du processus
• Planification de la capacité (main-d’œuvre)
• Réduction de la variabilité du processus

Quelle est votre vision pour l’avenir de l’intelligence de processus ?

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

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

Merci pour cette grande interview. Les lecteurs qui souhaitent en savoir plus peuvent visiter Skan.