⚙️ RPA-workflowautomatisering — Bots op een Procesgrafiek

In productie-RPA/IBPA-systemen is het uitzonderingspercentage de fractie gevallen waarin de betrouwbaarheidsscore van een bot onder een ingestelde drempel valt, een bedrijfsregel een anomalie markeert (bedrag boven een limiet, ontbrekende PO-match, dubbel factuurnummer), of de bot een onbehandelde toestand tegenkomt (een gewijzigde UI, een misvormd veld) en een fout genereert. Elke uitzondering wordt naar een menselijke wachtrij geleid voor handmatige afhandeling. Het verlagen van de betrouwbaarheidsdrempel verhoogt directe verwerking maar riskeert meer stille fouten die het grootboek bereiken; het verhogen ervan is veiliger maar duwt meer volume — en kosten — naar mensen. De uitzonderingspercentage-schuif hier laat je die afweging zien als een wachtrij, niet slechts een percentage.

De Wet van Little stelt dat, in steady state, het gemiddelde aantal taken in een systeem L gelijk is aan de gemiddelde aankomstsnelheid λ vermenigvuldigd met de gemiddelde tijd die elke taak in het systeem doorbrengt W (L = λW). Het geldt voor elk wachtrijsysteem, ongeacht de aankomst- of bedieningsverdelingen. In deze simulatie kun je het direct verifiëren: vermenigvuldig de huidige aankomstsnelheid met de gemiddelde doorlooptijd getoond in het statistiekpaneel, en het zou het totale aantal taken in behandeling (wachtend plus in verwerking plus onderweg) redelijk nauw moeten volgen zodra het systeem een tijdje heeft gedraaid.

Menselijke beoordeling wordt opzettelijk gemodelleerd met standaard slechts één beoordelaarsslot en een verwerkingstijd die ongeveer vijf keer langer is dan de geautomatiseerde botstappen — wat de werkelijkheid weerspiegelt, aangezien een persoon die een uitzonderingsgeval leest veel langer duurt dan een bot die een veld kopieert. Zelfs een bescheiden uitzonderingspercentage concentreert een onevenredige hoeveelheid totale werktijd op dat ene slot, dus stijgt de bezetting (en dus de wachtrij) veel sneller dan bij welk geautomatiseerd knooppunt dan ook naarmate je de uitzonderingspercentage- of aankomstsnelheid-schuiven verhoogt. Dit is precies waarom echte automatiseringsprogramma's obsessief bezig zijn met het verkleinen van het uitzonderingspercentage in plaats van alleen elders meer bots toe te voegen.

Botcapaciteit is het aantal taken waar een knooppunt parallel aan kan werken; verwerkingssnelheid schaalt hoe snel elke taak wordt voltooid zodra deze begint. Het verhogen van beide verhoogt de bedieningssnelheid van een knooppunt (capaciteit × 1/bedieningstijd), wat de bezetting bij dat knooppunt verlaagt en de wachtrij laat leeglopen. Maar een procesgrafiek is slechts zo snel als zijn traagste knooppunt: bots toevoegen aan een al inactief knooppunt doet niets voor de totale doorvoer, terwijl zelfs één extra bot toevoegen aan een verzadigd knelpuntknooppunt (meestal hier Menselijke beoordeling) een buitensporige daling in gemiddelde doorlooptijd kan opleveren — een directe illustratie van de theorie van beperkingen.

Echte facturen, claims of supporttickets komen niet aan als een metronoom — ze komen in golven en stiltes. Aankomsten modelleren met exponentieel verdeelde intervallen tussen aankomsten (een Poisson-proces) is de standaardmanier om die onvoorspelbaarheid vast te leggen terwijl je één enkele, instelbare "aankomstsnelheid"-parameter behoudt. Dit is wat het hierboven beschreven wachtrijgedrag produceert; een simulatie met perfect gelijkmatig gespreide aankomsten zou bijna nooit een wachtrij vormen, zelfs bij hoge bezetting, wat ernstig zou onderschatten hoe achterstanden in echte operaties ontstaan.