Lar algoritmer sortere telefonkøen. – Vi var nødt til å gjøre dette smartere

Når borgerne i København i dag tar kontakt med kommunen med spørsmål om manglende betaling av parkeringsavgifter, barnehageplasser eller bibliotekgebyrer, er det en algoritme som sørger for at den riktige medarbeideren får telefonen.

Ressourceguiden – som løsningen heter på dansk – bruker maskinlæring for å klassifisere innbyggeren, og videresender henvendelsen til den medarbeideren som er best kvalifisert til oppgaven.

– Utgangspunktet for prosjektet ligger i et enkelt regnestykke, forteller prosjektleder Amalie Eriksen: Hver måned kommer det rundt 1000 nye københavnere til hovedstaden. Og 10 prosent av dem ender før eller siden opp med å kontakte kommunen om betaling av gjeld til kommunen.

– Vi har hele tiden stadig flere kunder i butikken, som vi skal betjene med det samme antallet medarbeidere. Det medførte at vi var nødt til å gjøre noe smartere, forteller hun om prosjektet.

Utgangspunktet for systemet ble til på en felles strategidag for litt over ett år siden. Og den 16. oktober ble systemet satt i drift i Center for betaling og debitorstyring.

Analyse-resultat vises med emojier

I praksis fungerer systemet ved først og fremst å be innbyggeren taste inn CPR-nummeret sitt på telefonen. Allerede her vinner Center for betaling og debitorstyring noen sekunder i alle samtalene, forteller Amalie Eriksen.

– Vi har omkring 50.000 samtaler per år, så det blir veldig mye.

CPR-nummeret brukes til å finne analysen på den aktuelle innbyggeren, og komme med en forutsigelse av innbyggerens såkalte «betalings-parathet» – altså om borgerens vilje til å betale gjelden til kommunen.

Deretter oversendes innbyggeren til en medarbeider som dels er utdannet til å hjelpe akkurat denne typen innbygger, og dels blir orientert om hvilken type borger som finnes i den andre enden av tråden.

– Tidligere satt alle medarbeidere i samme telefonkø, og tok alle henvendelser uten å vite hva som kom inn, forteller Amalie Eriksen.

Når innringningen går videre til medarbeideren, ser denne en popup-boks med én av fem emojier, som er valgt ut i samarbeid med medarbeiderne, og som indikerer hvilken type innbygger som ringer inn. Hver medarbeider har dessuten fått en liste som kort forklarer hver kategori, samt et relevant spørsmål som kan stilles.

Emojien representerer utelukkende den kategorien som innbyggeren har fått, og altså ikke de dataene som ligger til grunn for resultatet.

– Vi gir samme service, uansett hvilken borger som ringer oss, og de får de samme betalingsmulighetene, understreker Amalie Eriksen.

Sidemannsopplæring i datastrukturer

Telefonmedarbeiderne kom tidlig i forløpet inn med sine synspunkter rundt hvilke parametere som er relevante og utslagsgivende når man skal vurdere situasjonen til en innbygger. Den lange listen av parametere – som blant annet var alder, jobbstatus og utdannelsesnivå – leverte Center for betaling og debitorstyring videre til kommunens Data Science-avdeling.

Her begynte man med å se bredt på hva betalingsevne og villighet er bestemt ut fra, forteller Jacob Bergmann Larsen, som er teamleder i Data Science-avdelingen under Strategi og Analyse.

– Basert på analysen, og hvilke data det var mulig å få tak i, endte vi opp med å fokusere på brukerens betalingshistorikk og demografiske informasjon, sier han.

Alt dette er data som saksbehandleren på forhånd har mulighet til å se på i forhold til saksbehandlingen.

Det data science-gruppen har brukt lengst tid på, har vært å sette seg inn i bedriftens data, forteller Jacob Bergmann Larsen. Under hele forløpet har det derfor sittet en data-scientist ute på Center for betaling og debitorstyring.

– Vi har ikke den kunnskapen om bedriftens data som de selv har. Så det har vært sidemannsopplæring i datastrukturer, og hva man kan tyde ut fra de forskjellige kildene, forklarer han.

Svartid satte stopper for live-analyse

Opprinnelig skulle analysen foregå i sanntid – i det øyeblikket innbyggeren ringte inn og taster inn CPR-nummeret. Men det ble raskt klart at svartiden i kommunens fagsystemer er for lang til at borgeren ville bli sittende i telefonkøen. Det ville ta 2,5 minutter for en UI path-robot å komme inn til systemene.

– Vi ville ikke gi dårligere innbyggerservice med denne løsningen, så vi var nødt til å bruke en annen metode, fastslår Amalie Eriksen.

I stedet har kommunen samlet data på alle de innbyggerne som har en utestående fordring hos kommunen, og derfor er omfattet av saksbehandling, forklarer Jacob Bergmann Larsen. – Og så har vi foretatt en forutsigelse av dem på forhånd.

Alle forutsigelser blir lagret i en tabell sammen med hashede CPR-nummeret. Når et CPR-nummer blir tastet inn på telefonen, blir det først hashet og deretter brukt til å finne fram den relevante forutsigelsen i tabellen.

– Hver 14. dag kjører analysen i en batch. Innbyggernes karakteristika endrer seg ikke så mye i løpet av 14 dager, sier Jacob Bergmann Larsen.

Feedback og gjentrening

Med parameterne på plass valgte bedriften fire kategorier som borgeren kunne bli kategorisert som: Lav, middels og høy betalingsvillighet, samt ukjent, der den sistnevnte dekker de innbyggerne som ikke har noe utestående med kommunen.

Sorteringen gjør det mulig å ha medarbeidere som er spesialiserte. Alle telefon-medarbeidere er kurset, og har blitt fordelt utover til de ulike innbyggerkategoriene. Denne prosessen har i seg selv vært en enorm endringsledelsesoppgave, forteller kontorsjef Birthe Nygaard.

– Så snart man begynner å dele inn medarbeiderne i grupper, blir det veldig mange spørsmål. Medarbeiderne spør, helt naturlig, hvorfor de havner i en bestemt gruppe, og om alle grupper er like gode. Dette har krevd en svært stor innsats, sier hun.

Random forest-algoritmen har en sikkerhet på omkring 90 prosent, men blir kontinuerlig forbedret på bakgrunn av tilbakemeldinger fra medarbeiderne, og blir automatisk gjentrenet hver 14. dag. Det har vært viktig å være åpen overfor medarbeiderne, mener Birthe Nygaard.

– Det var egentlig en aha-opplevelse for mange at maskinen ikke var ufeilbarlig. Og kanskje også litt rart at systemet ikke er perfekt. Vi er ikke bare maskiner, og vi skal bruke den fagkunnskapen som vi har i dag, slik at maskinen kan bli bedre.

Det finnes ingen beregninger for hvor mange flere innringninger som kommunen kan ta imot med det nye systemet, samt hvor mange flere penger som kan hentes inn ved å sammenstille den riktige medarbeideren med den riktige innbyggeren.

– Med Ressourceguide ønsker vi å utnytte den kunnskapen som vi allerede har om innbyggerne til å styrke tjenestetilbudet vårt, slik at vi på den måten kan tilby innbyggerne den best mulige betalingsavtalen. Vi tror at dette system vil sørge for flere penger i bunnlinjen for kommunen. Men vi vet det ikke nøyaktig, sier Birthe Nygaard.

Artikkelen har tidligere vært publisert på Datatech. Datatech tilhører Teknologiens Mediehus.