当基本任务通过跨各种应用程序运行的软件或硬件系统实现自动化时，就会发生机器人流程自动化 (RPA)，就像人类工作者一样。这可以通过加快处理速度并大大减少人为错误来大大降低劳动力成本并提高效率。
软件或机器人可以学习具有多个步骤和应用程序的工作流程，例如获取收到的表格、发送回执消息、检查表格的完整性、将表格归档到文件夹中以及使用表格名称更新电子表格，提交日期等。RPA 软件旨在减轻员工完成重复性简单任务的负担。
关键要点
- 机器人流程自动化 (RPA) 是指可以轻松编程以跨应用程序执行基本、重复性任务的软件。
- RPA 创建和部署具有启动和操作其他软件能力的软件机器人。
- RPA 主要针对办公室类型的功能而设计，其工作方式类似于数字助理，执行日常繁重的任务，否则会占用员工的时间。
- 如今，RPA 遍及各种行业和应用。
- 然而，没有人工监督的 RPA 可能会导致问题，就像抵押“机器人签名者”的情况一样。
了解机器人过程自动化
机器人流程自动化 (RPA) 旨在帮助主要用于办公类型的功能，这些功能通常需要能够以特定顺序执行多种类型的任务。它创建和部署一个能够启动和操作其他软件的软件机器人。从某种意义上说，其基本概念类似于传统的制造自动化，专注于完成工作流程的一部分——甚至只是一项任务——并创建一个专门从事这件事的机器人。
办公室工作通常需要同样的重复工作，但由于它是跨平台和应用程序操作的数据，因此不需要物理机器人。
虽然公司经常寻求自动化来简化流程和降低劳动力成本，但在某些情况下自动化已经出错了。
机器人过程自动化 (RBA) 的好处
流程自动化中使用的软件经过编程，可以由员工在特定工作流程中完成任务，而无需人工协助。该软件不会自行学习，也不会寻求调整新的效率或新的见解，如大数据分析或企业资源管理 (ERM) 软件。取而代之的是，RPA 就像员工的数字助理一样，通过清除占用每个办公室工作人员一天一部分时间的繁重、简单的任务来工作。
因此，RPA 是一种比人工智能驱动的系统或企业软件更简单的产品，它旨在将所有数据带入平台。这也使其成为比 AI 或ERM软件相对便宜的产品。这种简单性和相对便宜可以使 RPA 成为对许多公司更具吸引力的解决方案，尤其是在公司拥有遗留系统的情况下。机器人流程自动化旨在与大多数遗留应用程序兼容，与其他企业自动化解决方案相比，它更易于实施。
6000亿美元
行业研究表明，到 2022 年，全球 RPA 市场将增长到近 6000 亿美元。1
RBA 可以应用在哪里？
RBA 在金融服务行业非常普遍。随着合规性和监管备案要求的不断提高，金融行业（银行、保险公司和投资管理公司）已成为 RPA 的早期采用者。许多繁重的后台功能，例如确保提交最新的了解您的客户(KYC) 表格或在贷款申请中包含最近的信用检查，都是 RPA 的理想选择。消除员工的这种负担可以让他们专注于高回报的任务。更重要的是，该软件可以比人类更快地清除这些基本的归档和数据操作功能，从而减少整体处理时间。
当然，RPA 不仅限于金融领域。任何处理数据和归档的行业都可以从机器人流程自动化中受益。当软件无需繁重而复杂的实施即可降低成本并提高效率时，它将在几乎所有领域找到热切的用户和有用的应用程序。事实上，RPA 在以下领域也很有用：
- 客户服务和 CRM
- 会计
- 卫生保健
- 人力资源
- 供应链管理
澳洲联储面临的挑战
然而，RPA 也有其缺点。这些系统的定制和部署成本可能很高，并且可能不适合需要一定程度的人工判断或创造力的更复杂的任务。
RPA 系统如果不加以检查，也可能会出错。一个例子是抵押贷款行业中使用的所谓“机器人签名者”的案例。这些系统自动在房主的止赎文件上盖上橡皮戳，即使止赎是有问题或可以避免的。此外，这种做法未能满足政府对 2010 年代中期止赎过程的监管规定，导致继 2008-09 年金融危机的房地产市场泡沫之后出现丑闻。2随着自动签名者的公开曝光，止赎文件不得不手动重新审查，相关公司面临纪律处分。
机器人过程自动化 (RPA) 的目标是什么？
RPA 旨在自动化和简化使用软件或相关技术的组织的某些冗余文书流程。这是为了降低成本，同时提高效率。
机器人过程自动化是否需要编码？
RPA 系统通常是量身定制的，以满足特定组织或公司的特定需求。因此，RPA 必须根据个别公司或流程的规范和应用进行编码。与其他更交钥匙的自动化类型相比，这会使开发更加耗时和昂贵。
机器人过程自动化是一个好职业吗？
虽然 RPA 可以降低总体劳动力成本，但对那些开发 RPA 系统的人的需求仍然很大。其中包括从软件开发人员到产品经理和业务分析师的各种角色。
机器人过程自动化的两种主要类型是什么？
传统的 RPA 依赖于硬编码的例行任务来实现自动化。这仍然是当今最常见的 RPA 形式。然而，越来越多的机器学习和人工智能技术正在与 RPA 相结合，以使其能够完成更复杂的任务，例如识别图像、文本或语音；或分析非结构化数据集。
