Tilbake til søkeresultatene

IKTPLUSS-IKT og digital innovasjon

Smart Journey Mining: Towards successful digitalisation of services

Alternativ tittel: Bedre digitale tjenester ved hjelp av databasert prosessanalyse og kundereiser.

Tildelt: kr 15,8 mill.

Den digitale transformasjonen av samfunnet har ført til fundamentale endringer i hvordan tjenester leveres og oppleves av mennesker. Digitaliseringen har som mål å øke effektiviteten og forenkle arbeidsoppgavene våre. Samtidig opplever vi ofte at digitale tjenester ikke fungerer som forventet, eller at de til og med hindrer oss i rollen som kunde, bruker, pasient eller ansatt. Hovedmålet i prosjektet er å øke kvaliteten på digitale tjenester ved å kombinere forskning på prosessanalyse og kundereiser, godt støttet av metoder innen formelle analyser og kunstig intelligens. Forskningspartnere er SINTEF Digital, Universitetet i Oslo og Eindhoven University of Technology. Prosjektet finansierer en postdoktor (ansatt ved SINTEF) og en PhD-kandidat (ansatt ved UiO). Med utgangspunkt i brukeren, eller brukerreisen, vil vi analysere og modellere hvordan digitale tjenester oppleves, i stedet for å ta utgangspunkt i tjenesteyteren og IT-systemene. Vi vil spore data generert av brukere på tvers av ulike systemer under deres gjentatte interaksjoner med en tjeneste, med fokus på individuelle opplevelser. Så langt har våre primære kilder til reisedata vært Telenor og Greps. Vi er i dialog med flere tjenesteleverandører for å trekke ut data fra kundereiser. Det har vist seg svært vanskelig å få tak i komplette kundereisedata, og vi ser derfor også på muligheten for å generere kunstige data. I første fasen av prosjektet utviklet vi et maskin-lesbart format for modelleringsspråket CJML (Customer Journey Modelling Language). Dette gjør at vi kan spesifisere kundereiser på en presis måte, og se på samsvar mellom reelle kundereiser og det forventede forløp. Dataformatet til CJML vil også danne grunnlaget for automatisk datafangst av digitale kundereiser. Vi har nå utviklet et grafisk verktøy som gjør det mulig å visualiere kundereiser. Dette verktøyet har funksjonalitet for import, eksport og grunnleggende analyse av kundereiser, og utgjør det vi kaller «Level 1 journey analyzer». Med utgangspunkt i databaser for brukerreiser og brukermodeller vil vi bruke logikkbaserte teknikker og maskinlæring til å avdekke avvik og estimere fremtidige forløp. Store og strukturerte datasett vil også gjøre det mulig å identifisere mønstre i hva som fører til gode brukeropplevelser og vellykkede tjenester. Som en del av resultatene vil vi utvikle maskinlesbare modelleringsspråk med tilhørende analyseverktøy til å beskrive brukerreiser, men også til å forutse fremtidige forløp og finne løsninger på problemer som kan oppstå. Vi vil basere disse språkene og analyseverktøyene på formelle metoder og samtidighetsteori, som bygger på grunnlaget for teoretisk informatikk. For å kunne forutsi hvordan brukerreiser vil forløpe har vi tatt i bruk flere metoder for dyp læring. Vårt hovedbidrag er å sette metodene i et system som gjør det enklere å sammenligne kvaliteten. For tiden utvider vi metodene for prediksjon til å ta hensyn til brukerreisens i en større kontekst. Vi har også utviklet et rammeverk basert på spillteori for reelle kundereiser ekstrahert fra systemlogger. Interaksjonen mellom tjenesteyter og sluttbruker er modellert som et spill hvor alle aktører har uavhengige, individuelle målsetninger. Analysen av slike spill kan avdekke feilsituasjoner og muligheter for forbedring av tjenesten. Analysen bidrar også til bedre forståelse av reelle brukerreiser siden vi kan avlede optimaliseringer ved å se på ulike spillstrategier. Dette vil bistå tjenesteytere med å støtte brukerne til å nå sine mål og unngå problematiske deler av brukerreisen. Prosjektgruppen har hatt et produktivt møte med den vitenskapelige rådgivningskomiteen for å legge til rette for den kommende midtveis-evalueringen i januar 2023. Prosjektet har produsert en rekke konferanseartikler og presentasjoner til vitenskapelige arrangementer som IEEE SCC 2021, BPM 2021, MODELS 2021, ICPM 2021, SAC 2022, SEFM 2022, ICPM 2022, BPM 2023. En tidsskriftartikkel har blitt publisert i Software and Systems Modeling (SoSyM). PhD-arbeidet til Paul Kobialka har resultert til ikke mindre enn TO BESTE-PAPIR-PRISER på internasjonale konferanser (!) og påfølgende invitasjoner til å sende inn artikler til spesialutgaver av tidsskrifter. Prosjektets nettside www.smartjourneymining.no inneholder en komplett publikasjonsliste, inkludert en blogg.

Public and private service providers are under pressure to digitalise their service offerings, and the opportunities for increased flexibility and efficiency are huge. However, the digital transformation continues to frustrate and burden users, citizens and customers. The Smart Journey Mining (SJM) vision is to support successful digitalisation by extending the research front in process mining and service science with recent advances in formal analytics and artificial intelligence. The overall goal is to develop a theoretical fundament and a process analytics framework based on formalized user journeys. Process mining allows organisations to reverse-engineer their business processes by analysing digital traces left in information systems. However, process mining as a research field does not have a profound user focus, and new methods and tools are needed. We will develop a theoretical foundation and prototype tools to capture and transform user data of varying granularity levels into a semantic user journey database. This will form the basis for developing user journey analytics at three levels: (1) a descriptive level for discovery and monitoring; (2) a predictive level for anomaly detection and possible behaviours; and (3) a prescriptive level for pre-emptive problem solving and service recovery. This SJM Analyser will be a tool for user-centred process analytics and simulation. By involving two service providers, the analytics will be validated against empirical investigations of the user experience in realistic service environments. SJM will provide researchers and analysts the necessary methods and tools to work across backend systems and detect patterns in vast volumes of user data. This will inform novel guidelines for the successful digitalisation of services. The SJM results will be made available to academia, industry and the public sector, thus supporting improved service quality in our society.

Budsjettformål:

IKTPLUSS-IKT og digital innovasjon