AUTOMATISERING AF MANUELLE PROCESSER DEN KOMMUNALE CASE

Transkript

1 AUTOMATISERING AF MANUELLE PROCESSER DEN KOMMUNALE CASE Rigsarkivet konference den 7. november 2018 Søren Frederik Bregenov, KL

2 Om KL KL blev dannet i 1970 KL er en frivillig forening Alle 98 kommuner er i dag medlem af KL KL har i dag ca. 320 medarbejdere

3 KL s roller Interesseorganisation Arbejdsgiverorganisation Medlemsorganisation Rådgivning Konsulentydelser Implementering

4 Danmark er førende indenfor offentlig digitalisering I FN e-government survey fra sommeren 2018 blev Danmark kåret til det mest digitale land In a 2018 ranking of countries on egovernment development, Denmark, Australia, and Republic of Korea came out on top of a group of 40 countries, scoring very high on an index (the Egovernment Development Index EGDI), which measures countries use of information and communications technologies to deliver public services.

5 Digitalisering er high politics

6 Automatisering af manuelle processer Mange års systematisk digitalisering af de kommunale opgaveområder men fortsat systemer som ikke taler sammen, hvilket resulterer i manuelle arbejdsopgaver! Automatisering er hot Automatisering med software-robotter Robotten udfører den samme konkrete handling i systemer, som medarbejderen ville gøre det! Stigende interesse i kommunerne for automatisering af manuelle processer bl.a. ved hjælp af software-robotter, som forventes at kunne implementeres med kort tidshorisont på 8-12 uger (og hurtigere, hvis man har kompetencer in-house). Det fælleskommunale projekt skal understøtte vidensdeling og inspiration på tværs af kommuner og sætte skub på arbejdet med automatisering af manuelle processer.

7

8 Hvad er robotics (RPA)? Avanceret teknologi - men med enkel tilgang og høj ROI Beholder kompetencer lokalt Skalerbart både op og ned Ikke et it-projekt kan gennemføres af forretningen (med hjælp fra it) Modent og i fuld drift

9 Hvordan virker det? Automatisering af gentagne og simple regelbaserede opgaver Efterligner et menneskes arbejde ved brug af eksisterende brugergrænseflader Virtuel arbejdsstyrke er software robotter, der arbejder hurtigere, uden fejl og 24/7

10

11 Karakteristika for danske kommuner it-systemer i en gennemsnitlig kommune Meget varierende systemportefølje fra fagområde til fagområde Data flyttes manuelt fra system til system KOMBIT er på vej til at bryde KMD s monopol på en række kritiske systemer Der er lavet en fælleskommunal rammearkitektur Lokale forskelle ift. hvordan forretningsprocesser er dokumenteret Datakvalitet er forskellig fra område til område Volume af opgaver er forskellig fra kommune til kommune

12 Teknologier til automatisering af manuelle processer Business Process Management (BPM & Integration) Fx K2, Appian mv. Machine Learning & Big Data (AI) Fx. Watson, OpenAI, Google DeepMind, Amelia (IPSoft), Viv, mv. Robot Proces Automation (RPA) Fx WorkFusion, Blue Prism, Ui Path & Thoughonomy Enterprise Content Management (ECM) Fx edoc, SBSYS, Sharepoint, mv.

13 Eksempler på manuelle processer i kommunerne som er blevet automatiseret Fratrædelse af timelønnede Opus & afslut CRM sag (København) Betaling og kontering af regninger for lægeerklæringer (Odense) Sagsopfølgning ved udbetaling af ydelser (Randers) Håndtering af fraværsændringer i kontanthjælpssager (Odense) Automatisk distribution af post og mails til hovedpostkassen (Syddjurs) Indberetning af engangstillæg i lønsystem, samt brevskrivning og arkivering (København) Opret p-sag og skriv fratrædelsesbrev (København)

14 Områder som er særligt interessante i forhold til automatisering Beregne & dokumentere Skrive noter på sager Skrive sagsdokumenter Afstemning af konti Datafangst Hente data fra mails Behandle nye sager fra CRM Datamigration Flytte data fra et system til et andet Opdatere data Validering Kontrol af input Opfølgning på sager Kontrollere oplysninger i systemer Advisering Sende mails Sende breve Underrette borgere Strukturering af information Opsætning af rapporter Sortering af data Visitering af opgaver Automatisk behandling af data Prioritering af opgaver Kørsel på fast tidspunkt Klargøring af data om natten Journalisering Oprette sager Gemme dokumenter

15 Indhold i projektet Leverancespor 1: Kortlægning af erfaringer og katalog med manuelle processer Bruttoliste over processer med potentiale for automatisering Udpegning af de +20 proces/opgave kandidater, der har størst potentiale Kortlægning af erfaringer med automatisering i kommuner, stat og private virksomheder Leverancespor 2: Fælles værktøjer Screeningsværkøj til identificering af yderligere processer i kommunerne Skabelon til beskrivelse af business casen + notat med forudsætninger, som kan indgå i business casen. 2-3 business cases (dokumenterede og validerede) fra kommuner, som har lavet automatiseringsprojekter Notat med juridiske opmærksomhedspunkter Notat med konkrete implementeringsanbefalinger Leverancespor 3: Markedsafdækning løsninger og leverandører på markedet Løsningsmodeller (prismodeller, videreudvikling, drift)

16 Hvordan finder man egnede kandidater til procesautomatisering? En proces består af en række aktiviteter med et defineret start- og sluttidspunkt, involverer en eller flere aktører og producerer et eller flere produkter. Processer kan være rent manuelle, delvist manuelle (dvs. systemunderstøttede, men udført manuelt) eller fuldt automatiserede (uberørt af menneskehånd) Muligheder for automatisering afhænger deres forretningsmæssige karakteristika Boks 1 kriterier til screening af egnede kandidater til procesautomatisering Regelbaseret - I hvilket omfang er opgaven er regelbaseret? - Indgår der et element af vurdering eller skøn i opgaven/processen? Varians - Er processen altid den samme eller er der varians i processen/opgaveløsningen? Digital tilgængelighed - Er de informationer, dokumenter mv., der skal anvendes i processen digitalt tilgængelige? Volumen - Hvor mange processer/sager er der ca. tale om pr. år? Procestid - Hvor lang tid tager det typisk at behandle en sag? Kvalitet - Kan nedbringelse af procestid (og sagsbehandlingstid) give en bedre serviceoplevelse eller større kvalitet eller compliance? Udpegning af egnede kandidater til procesautomatisering kan ske på baggrund af en række foruddefinerede kriterier jf. boks 1 Risiko - Hvor stor økonomisk risiko er der ved fejl i form af indtægtstab eller fejludbetalinger? - Vil fejl påvirke borgernes retssikkerhed og privatøkonomi?

17 Processer i det prioriterede katalog Arbejdsmarkedsområdet inkl. ydelser IT og Tværgående processer Betaling af kurser Kontrolopslag eksterne registre - sagsopstart kontanthjælp Flekslønberegner 10 Sagsopfølgning ved udbetaling af ydelser Betaling og kontering af regninger for lægeerklæringer Social- og sundhedsområdet Kontrol af udsættelsestruede borgere fra boligforeninger Betaling af regninger for foranstaltninger Teknik og Miljø Kvalitetssikring af data i ejendomsarkiv og upload til weblager Journalisering på teknik og miljøområdet Økonomi og Indkøb Afstemning af kontantkasser (og afstemning generelt) Tjek af kontanthjælpsmodtagere i forhold til henstand med betaling Beregning af selskabsskat Håndtering af digitale blanketter Overvågning af svartider og tilgængelighed i fagsystemer Autorisationer og kontrol af datasikkerhed i IT-system (her fokus på økonomisystemet) Masseafsendelse Borgerservice inkl. Folkeregister Fejlretning i pasregisteret (mere end ét pas registreret til samme person) Kontrol af flyttemeddelelser Automatisk distribution af post og mails til hovedpostkassen (samlet af processerne 14, 75,78, 98, 103) HR og Personale Udbetaling af kørselsgodtgørelse Godkendelse af lønskemaer Automatisk bogføring af modtagne dagpenge refusioner Sammenhæng mellem ansøgninger og personalesager Automatisk anmodning om TR refusion Udbetaling af kørselsgodtgørelse for brugere udenfor AD Børn, skole og fritid Tilknytning af medhæfter til et krav

18 I hvilke processer er der potentiale for at automatisere indenfor HR og økonomi? Projektet har identificeret 12 processer med et positivt potentiale for automatisering. Processerne er dybdeanalyseret ved kommunerne. De 12 processer Tilbagevendende betalinger af mobil og bredbånd Tjek af kontanthjælpsmodtagere i forhold til henstand med betaling Bogføring af indtægter fra hovedkonto (enkeltposteringsniveau, daglig) Bogføring af indtægter fra specifikke konti Afstemning Bank overfor regnskab (sumniveau, månedlig) Sortering af infologs (batch) Oprettelse/ændring af faste løntillæg Barselsrefusion + Sygedagpengerefusion Ansøgt afskedigelse Bogføring og afstemning: håndtering af fejl Tillidsrepræsentantsrefusion Ajourføring af stamdata i kontoplan Indhentning af børne og straffeattester Udtræk af lønsystemet: kontrol af uddata Udtræk af lønsystemet: erindring om pension 17 processer er blevet dybdeanalyseret på besøg ved kommunerne Heraf viste 12 sig at have et tilstrækkeligt tidsbesparende potentiale for automatisering med RPA På disse processer er der udarbejdet Proces Design Dokumenter, som udgør konkrete automatiseringsmanualer for de konkrete processer Drejebogen introducerer til, hvordan Proces Design Dokumenterne kan bruges, når kommunerne skal automatisere de konkrete processer Kommunerne har være engagerede deltagere, og de har haft en god energi i projektet Godkendelse og betaling af faktura ved match mellem ordre og fakturabeløb Godkendelse og betaling af faktura ved manglende match mellem ordre og fakturabeløb RIGSARKIVET NOVEMBER 2018

19 Værktøjer og materialer som I kan bruge til automatiseringsprojekter (Fra MEP-projektet) Katalog med 22 prioriterede processer med en positiv business case indenfor HR, Økonomi og løn området samt teknik- og miljøområdet Screeningsværktøj til arbejdet med automatiseringsprojekter Drejebog for implementering af RPA processer Procesdesign dokumenter for de 22 prioritede processer Barriereanalyse for arbejdet med RPA og muligheden for fælleskommunale samarbejder Alt materialet kan hentes på:

20 Hvordan kan processerne automatiseres? Nedenstående viser et uddrag af, hvordan Proces Design Dokumenterne beskriver potentialet for automatisering på de konkrete processer. Proces Design Dokumentet er baseret på processen ved kommune, hvor den er analyseret. Eksempel: Tilbagevendende betalinger af mobil og bredbånd. Diagrammet viser, hvilke sagstrin, der er et automatiseringspotentiale i Uddrag af procesbeskrivelse fra Proces Design Dokument (her beskrivelse af RPA potentialet): Step 1: Robotten planlægges til at tjekke Kø til godkendelse [indsæt hvor ofte den skal køre]. Step 2: Robotten tjekker fastsatte regler indenfor max beløb [indsæt værdi, som gemmes i en variabel], og hvor mange fakturaer af samme type, der er blevet behandlet [Indsæt et max krav til fakturaer indenfor en given periode. Gemmes ligeledes i en variabel]. Overholder fakturaen ikke de fastsatte regler, sendes den til manuel behandling. Step 3: Lever fakturaen op til de fastsatte krav, tjekkes alle enkeltlinjerne. Det gøres lige nu baseret på erfaring. For at automatisere processen er det en forudsætning, at der er et opslagsværk. Medarbejders tilknytningsforhold bør kunne tjekkes i lønsystemet. Step 4a: Er hele fakturaen eller enkeltlinjer forkert posteret, skal de videresendes til den rette enhed. Selvom robotten tager sig af alle mobilregninger, bliver den nødt til at sende enkeltlinjer videre til rette enheder, da hele fakturaen skal bogføres under ét psp-element. Step 4b: Tilhører alle enkeltlinjer godkenders forvaltningsområde, indsættes psp-element og artskonto. Her er det vigtigt, at der er et opslagsværk, som robotten kan lede i, hvis den på sigt også skal håndtere andre fakturaer. Indenfor scopet af den her opgave vil de værdier være hardcoded. Step 5: Excel ark åbnes og opdateres for den givne periode. Her indsættes fakturabeløb for den pågældende måned under den rette post (mobiltelefoni). Step 6: Fakturaen godkendes og bogføres. RIGSARKIVET NOVEMBER 2018

21

22 Læringspunkter fra kommunerne 1. Skab klar rammesætning og få ledelsesopbakning 2. Vær risikovillige og tro på at det kan lade sig gøre 3. Governance skal på plads 4. Start småt men vær klar til at gå op i skala 5. Omkostnings- og ambitionsniveau skal afspejle potentialer 6. Kortlægning og implementering af processer er to forskellige discipliner men overlap er sundt 7. Skab en fail-fast-tænkning 8. Bliv hurtig klar på om I selv vil have udviklere og hvis ja, start med kompetenceopbygning i de første projekter

23 Hvor er kommunerne ift. automatisering af manuelle processer? Ca. halvdelen af alle kommuner arbejder med automatiseringsprojekter (ca. 5 kommuner var i gang primo 2017). Mange har gennemført (eller er i gang med) pilotprojekter, hvor 2-3 processer er automatiseret. Kommunerne bruger 4-5 forskellige teknologier til automatisering (indbyrdes erfaringsudveksling) Mange er i gang med at få skabt set-up, overvejelser om organisering, finansieringsmodeller mv.

24 RPA var første skridt på vejen Nu går vi i gang med kunstig intelligens Udfører handling Læring og vurdering af informationer Udfører handling, tænker og taler

25 Hvad er kunstig intelligens? Der er rigeligt med buzzwords Deep learning Cognitive computing Image recognition Machine learning Sentiment analysis NLP Artificial intelligence

26 Vi skelner mellem kunstig intelligens og robotics (RPA) Headwork Kunstig intelligens Handwork Robotics Process Automation (RPA) Regelbaserede processer Anvender eksisterende systemer Standardiserede, gentagne opgaver

27 Objektive data fra rapport Objektiv karak-teristik om hus RIGSARKIVET NOVEMBER 2018 Eksempel på anvendelse af kunstig intelligens (I) en case som kan ligne mange kommunale processer Automatisering af ekspertvurderinger i forsikringsselskab Hidtidig proces Hussalg Taksator evaluerer tilstandsrapport (hus/el) Manuel beslutning om tilbud ja/nej? Den udviklede algoritme var efter 12 uger i stand til at afgøre 45% af sagerne med så høj sikkerhed, at kun de resterende 55% ville skulle behandles af en medarbejder.? Kan en algoritme erstatte en manuel proces til vurdering af, om der skal gives tilbud på en ejerskifteforsikring? Fremtidig proces Hussalg Algoritme evaluerer tilstandsrapport (hus/el) Automatiseret beslutning - Tilbud ja/nej? Ejerskifteforsikring: Tilstandsrapporter vurderes manuelt i forhold til indtegning af tilbud om ejerskifteforsikring. Traditionelle data Areal Text analyse af tilstandsrapporter Rapporterne består af semistrukturerede data herunder en del fritekst, der er væsentlig input i forhold til den endelige vurdering og konklusion.!! Alder Pris Antal K1 fejl Antal K2 fejl Ved at bygge en Machine Leaning baseret sprogmodel til at håndtere naturligt sprog var det muligt at bygge en algoritme, der kunne vurdere sagerne eller anvendes som beslutningsstøtte for eksperterne.! Antal K3 fejl Negation kontekst!

28 Hvad kommer ud af projektet? Bruttoliste med problemområder, der kan løses med kunstig intelligens (Sep) Detaljerede beskrivelser af 5-7 problemområder og tilknyttede løsningsforslag (Sep) 2 PoC forløb indenfor udvalgte problemstillinger inkl. udvikling af algoritmer til forløbene - algoritmerne kan videreudvikles i andet regi (open source) (Okt dec) Struktureret erfaringsopsamling af erfaringer, herunder beskrivelse af læringspunkter ift. datagrundlag, datakvalitet, performance, forretningsmæssig værdi, tekniske krav mv. (dec jan 2019) Identifikation af indsatser som med fordel kan løses via fælleskommunale indsatser og aktiviteter, herunder i KOMBIT. (dec jan 2019)

29 Nuværende status på projektet Der er gennemført workshop med projektdeltagerne og der blev udarbejdet en bruttoliste med +25 problemstillinger som muligvis kan løses med kunstig intelligens. Pt. pågår kvalificering af 5 PoC kandidater i samarbejde med projektkommunerne. Case titel Resume Forventet gennemførbarhed og kompleksitet i PoC WS- Score Potentiale Skalerbarhed Kompleksitet 1 Magtanvendelse i Socialtilsynet (Udsatte) Assistance til sagsbehandlers vurdering om magtanvendelse på borger er tilladt / ikke tilladt. Socialtilsynet modtager magtanvendelser fra tilbud og skal vurdere, om magtanvendelsen er tilladt i henhold til lovgivning. Middel grad af kompleksitet, eftersom use casen er afgrænset, tilbuddene er specificerede, og der vurderes at være valide historiske sager/data at træne algoritmen ud fra. Potentialet vurderet 1:1 er afgrænset til de fem tilsynskommuner, men som generelt eksempel på beslutningsstøtte i vurderingssager har use casen stort potentiale, da mange andre områder og processer indeholder lignende problemstillinger Ledelsestilsyn - kvalitetssikring af jobkonsulenternes arbejde (Kontanthjælp) Bistand ift. screening af sager for at sikre en bedre kvalitetssikring af afgørelser. I dag laves tilsyn forventeligt på mindre end 0,5% af sagerne. AI skal bistå med at vurdere om sagen er håndteret korrekt (80 pct. heraf er objektive krav og 20 pct. er skønsmæssige vurderinger) for derigennem at kunne bistå med at udvælge sager til ledelsestilsyn/kvalitetssikring. Kompleksiteten afhænger af hvor langt man ønsker at gå i PoC en: Kompleksiteten er mindre såfremt modellen alene anvender data fra fagsystem/esdh-system for at risikovurdere sagerne og screene sager til ledelsestilsyn. Kompleksiteten stiger såfremt modellen også skal inddrage dokumenter på sagerne. Kompleksiteten stiger yderligere såfremt modellen skal inddrage dokumenter på sagen og angive en vurdering af, om sagen er behandlet korrekt som del af screeningen. Herudover skal det særligt afklares hvilke typer af data, der findes om ledelsestilsynet, og hvordan disse gøres tilgængelige Beslutningsstøtte til sanktionering (Beskæftigelsesområdet) En beslutningsunderstøttende AI til sagsbehandleren før beslutning om sanktionering træffes. Dette skal understøtte bedre, hurtigere og mere ensartede beslutninger om sanktionering. Middelhøj kompleksitet, idet beslutning om sanktionering sker på et mangfoldigt grundlag. Det kan være en udfordring at træne en AI op i mod hvilken vurdering der sker forud for en sanktionering. En superviseret træning af modellen skal imødekomme mange scenarier for hvorfor en sanktionering gives/trækkes tilbage. (Kompleksiteten kan mindskes ved at fokusere på særlige grunde for sanktionering) Beslutningsstøtte til tildeling af ydelser* (Ældreområdet) Det kan i dag være svært at afgøre hvilke ydelser, der samlet er er bedst og billigst. AI hjælper med at afgøre, hvilken støtte der er bedst for den ældre. Hvis man kan forudsige effekt af ydelser pba. tidligere sager, vil AI kunne agere som beslutningsstøtte for fremtidige valg af ydelser. Høj kompleksitet. Der kan være udfordringer i at måle effekterne af den rigtige indsats. Dertil skal eksistere data, hvor det er muligt at påpege at et givent tilbud/indsats har været en primær kausal faktor for at skabe en (positiv) effekt for borgeren. Deri ligger et forudgående analytisk arbejde. (Det skal desuden undersøges, i hvor høj grad der sker en egentlig vurdering fra sagsbehandleren) Beslutningsstøtte til målgruppe-afklaring (Handicapområdet 41/42) Kvalificering af sagsbehandlerens vurdering af om en borger er i en given målgruppe og efterfølgende beslutningsstøtte til, hvilke ydelser borgeren er berettiget til. Det er en stor arbejdsopgave at svare på henvendelser samt et komplekst lovgrundlag, der ligger til grund for afgørelser på området. Høj kompleksitet. Kompleksiteten består bl.a. i antallet af faktorer, der indgår i at træffe en afgørelse, og hvordan disse vægtes op mod hinanden. Det kan gøre det svært at træne en AI til at give kvalificeret input til en sagsbehandlers vurdering *Denne case omhandlede oprindeligt foranstaltninger, men KL og Deloitte har bl.a. pba. input fra workshoppen vurderet, at der ikke er gode nok data om effekt af foranstaltninger til, at en PoC synes realistisk. I stedet er valgt ydelser på ældreområdet, hvor dokumentationen af effekt antages at være til stede i højere grad. Dette skal dog kvalificeres.

30 KOMBITS innovationsenhed og idébanken KOMBIT har etableret en idebank Med Idébanken er KOMBITs strategi 2018+blevet konkretiseret og der er blevet udviklet et værktøj, der giver kommunerne mulighed for at melde de gode digitale idéer ind. Ambitionen er idebanken kan bidrage til at få kvalificeret gode ideer og sammen med KOMBIT finde mulige samarbejdspartnere og få søsat projekter med deltagelse af et antal kommuner. Det vil sige at nogle af de ting vi finder frem til i nærværende projekt kan føres videre i regi af KOMBITs innovationsenhed på sigt.

31 SPØRGSMÅL?