Smart Journey Mining: Towards successful digitalisation of services

Digitaliseringen av tjenestesystemer har forvandlet måten vi opplever og mottar tjenester på. Selv om hensikten er å forenkle livene våre og øke effektiviteten, ender digitale tjenester ofte opp med å frustrere og belaste oss i rollen som kunde, bruker, pasient, eller ansatt. Hovedmålet med prosjektet er å øke kvaliteten på tjenester og støtte en vellykket digitalisering av tjenester ved å forene forskning på kundereiser og prosessanalyse (process mining) med logikkbasert analyse og kunstig intelligens. Partnerne er SINTEF Digital, Universitetet i Oslo og Eindhoven University of Technology. Med utgangspunkt i sluttbrukeren vil vi analysere og modellere hvordan enkeltpersoner opplever digitale tjenester, i stedet for å ta utgangspunkt i tjenesteyteren og IT-systemene. Vi vil spore data generert av brukere på tvers av ulike systemer over tid, med fokus på individuelle opplevelser. Våre kilder til kundereisedata er primært selskapene Greps og Bookis. Det har vist seg utfordrende å få tak i strukturerte og komplette kundereiser, og vi planlegger derfor også å utforske metoder for å generere kunstige data. I første fasen av prosjektet utviklet vi et maskin-lesbart format for modelleringsspråket Customer Journey Modelling Language (CJML). Dette gjør at vi kan spesifisere kundereiser på en presis måte, og se på forholdet mellom den faktiske kundereiser og det planlagte forløp. Dette xCJML-formatet utgjør det første steget mot automatisert datafangst av digitale kundereiser. Vi har også utviklet et grafisk verktøy som kan visualisere kundereiser, med funksjonalitet for import, eksport og grunnleggende analyse av kundereiser. I andre halvdel av prosjektet utvikler vi kjørbare modelleringsspråk og tilhørende analyseverktøy for å beskrive, forutsi og foreskrive brukerreiser. Disse språkene og verktøyene er basert på formelle metoder, som bygger på grunnlaget for teoretisk datavitenskap. Vi utvider også koblingen mellom modellering av kundereiser (xCJML) og representasjoner av observerte reisdata i form av hendelseslogger (event logs) brukt innen process mining. Prosjektets verktøy har blitt presentert for vår vitenskapelige rådgivningskomite gjennom en midtveisevaluering i januar 2023. Flere komponenter utvikles: (1) Et spillteoretisk rammeverk for brukerreiser som fanger opp reelle brukerreiser hentet fra hendelseslogger. Samspillet mellom brukere og en tjenesteleverandør modelleres som et spill, hvor begge aktørene har sine egne, uavhengige mål. Analysen av slike spill avdekker feilpunkter og mulige forbedringer av tjenesten. Dette gir oss bedre forståelse av de faktiske reisene, da vi kan konstruere handlingsanbefalinger fra strategiene som genereres av spillet. Slike strategier er en del av anbefalingene om hvordan tjenesteleverandører kan forbedre samspillet med sine brukere, veilede dem mot sine mål, og unngå tidligere observerte brukerbarrierer. Vi undersøker også hvordan vi kan utnytte dem til å forbedre utviklingen av maskinlæringsmodeller for å forutsi utfallet av brukerreiser før de er fullført. (2) Vi har brukt dyplæringsmetoder som har vært svært vellykkede i andre fagfelt, og tilpasset dem til å forutsi fortsettelsen eller avslutningen av en brukerreise. Vi har også utvidet disse prediksjonsmetodene for bedre å kunne ta hensyn til konteksten av en brukerreise i form av en hendelsesgraf-representasjon. (3) SJM Integrator ble utviklet for å integrere hendelsesdata samlet inn fra IT-systemene til flere tjenesteleverandører til en sammenhengende representasjon av brukerreiser. Den drives av Neo4J-databasemotoren og et nytt hendelsesgraf-skjema som kombinerer CJML-konsepter med eksisterende representasjoner for grafbaserte hendelseslogger innen process mining. Samtidig som vi henter ut rike kundereisedata fra våre dataleverandører, utforsker vi i hvilken grad vi klarer å fange opp alle berøringspunkter (touchpoints) mellom brukeren og tjenestesystemet. Spesielt utforsker vi hvordan vi kan få innsikt i individuelle brukeropplevelser. Dette er en stor utfordring, og vil representere et første skritt mot automatisert og validert måling av brukeropplevelser over tid. Prosjektet har produsert flere konferanseartikler som har blitt presentert på vitenskapelige konferanser som IEEE SCC 2021, BPM 2021, MODELS 2021, ICPM 2021, SAC 2022, SEFM 2022, ICPM 2022, BPM 2023, IESS2.4, SERVSIG'24, BPM 2024, FM 2024. To tidsskriftsartikler har blitt publisert i Software and Systems Modelling. Paul Kobialkas doktorgradsarbeid har resultert i to «Best Paper Awards» på prestisjefylte internasjonale konferanser, samt invitasjoner til å sende inn artikler til prestisjetunge tidsskrifter. Prosjektets nettsted, www.smartjourneymining.no, inneholder en fullstendig publikasjonsliste, blogg og lenker til åpen kildekode for flere utgitte komponenter.

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.