18. marts 2019

Algoritme styrker gældsopkrævning i Københavns Kommune

Nyt It-værktøj gør det muligt hurtigt at klassificere borgeres betalings-parathed, når de søger vejledning om gældsopkrævning, og det frigiver arbejdstid og sikrer en lav ventetid.

Der er fortsat fart på digitaliseringen i kommunerne, og den telefoniske betjening af borgeren er et område, hvor der stadig er gevinster at hente. Det sker bl.a. ved at forbedre arbejdsgangene for sagsbehandlerne ved brug af Machine Learning.

Machine learning går ud på, at computeren ud fra en udviklet algoritme og en større mængde data kan træffe intelligente beslutninger, der kan hjælpe sagsbehandleren i opgaveløsningen.

Ressourceguide i Københavns Kommune

Kontoret for Betaling og Gældsvejledning (KBG) i Københavns Kommune har indført et nyt IT-værktøj indenfor opkrævning af gæld. Værktøjet skal styrke kvaliteten af servicen for borgerne ved at skabe en mere målrettet og effektiv serviceproces.

IT-værktøjet hedder Ressourceguide og kan via en specialudviklet algoritme opdele borgerne i matchgrupper efter deres anslåede betalingsparathed.

Netop den anslåede betalingsparathed har en afgørende værdi for KBG, der som kommunens opkrævningsafdeling hele tiden er i dialog med mange borgere om indbetaling af deres gæld til kommunen.

Formålet med IT-værktøjet er at understøtte sagsbehandlerens arbejde ved at matche borgeren med den rette sagsbehandler fra starten af, så sagsbehandlerne understøttes i, hvilket værktøj i samtalestyringen de skal vælge, og ventetiden forbliver lav.

Den største gevinst ved IT-værktøjet er derfor frigivelse af mere tid, så samme antal medarbejdere kan håndtere en stigende mængde opkald og samtidig fastholde den gode borgerservice.

Når en borger ringer ind til KBG indtaster de først deres CPR-nummer, som så aktiverer algoritmen, der klassificerer borgeren som enten høj, medium eller lav betalingsparat baseret på allerede tilgængelig data som eksempelvis betalingshistorik.

Når opkaldet går videre til rette sagsbehandler, viser computeren en emoji, der placerer borgeren i en af matchgrupperne. Ud fra den viden er sagsbehandleren bedre forberedt på samtalen med borgeren, og kan via en række lommekort, der er udviklet til hver borgertype, stille mere relevante spørgsmål, så det styrker gældsopkrævningen.

Billede 1: Overblik over borgerbetjening med anvendelse af algoritme

Algoritmer kan ikke stå alene for at få succes

Algoritmer kan dog ikke stå alene. Birthe Nygaard, som er kontorchef i KBG peger på, at et succeskriterium for projektet har været et samspil mellem udvikling af selve algoritmen og udvikling af medarbejdernes kompetencer. Birthe Nygaard udtaler:

”Vi har haft meget fokus på forandringsledelse og kompetenceudvikling, så vi derigennem kunne skabe den ønskede adfærdsændring hos medarbejderne. Hvis algoritmen matchede borgerne 100 pct. korrekt, mens sagsbehandlerne derimod behandlede borgerne på præcis samme måde som før, ville vi have været lige vidt”

Det store fokus på forandringsledelse har betydet, at leverancen er blevet implementeret løbende, så medarbejderne har haft den længst mulige tilvænningsperiode til forandringerne.

Derudover har medarbejderne fået et kompetenceløft, hvor de gennem medarbejderinddragelse har været med til at udvikle værktøjer som fx lommekortene, ligesom de har bidraget til fastholdelse af forandringen.

Udover et fokus på et tæt samarbejde med medarbejderne i KBG, har projektet også bygget på et tværgående samarbejde mellem en række andre centrer og kontorer i organisationen, herunder Strategi og Analyse i Koncern IT, og Callguidegruppen i Center for Digitalisering og Innovation.

Billede 2: Eksempel på lommekort