DCR Indicators - erfaringer fra et jobcenter

DCR Indicators - erfaringer fra et jobcenter

Brug af process mining i Jobcentre

Forstå hvordan medarbejderne arbejder bedst og del denne viden hurtigere med datadreven faglige sparring

Over sommeren gennemførte Deloitte Consulting og DCR Solutions en undersøgelse af arbejdsgangene i et jobcenter ved hjælp af data fra KMD Momentum. Formålet var at afdække om process mining kunne identificere problemstillinger i jobcentrene baseret på gode sagsforløb, så man kunne fremme den faglige sparring digitalt. Kan man finde de gode mønstre medarbejderne arbejder efter og fremme disse mønstre blandt alle medarbejdere. 

Konklusionen var klar. Process mining giver indsigt i hvordan medarbejdere løser problemer og denne viden kan deles som en del af den faglige sparring. Dermed deles viden hurtigere om hvordan man bedst hjælper borgerne med at komme i job. 

Konkret besluttede man at fokusere på to klare indikatorer. (1) At sagsbehandlerne ofte lukker sagerne for sent samt (2) at en tidlig kontakt til virksomheden ifm praktik gav bedre resultater førte til at man beder sagsbehandlerne tage kontakt tidligere til virksomhederne. I løbet af de næste 3 måneder vil man måle på resultaterne. 

 

Baggrund

DCR Solutions gennemførte i sommeren 2021 en process mining analyse på et datasæt fra KMD Momentum og fandt at #1 årsag til at arbejdsløse ikke kom i job var sagsbehandler skifte. Den syntetiske analyse pegede på præcis det samme problem som rapporten ”Sagsbehandlerens betydning for udsatte borgeres jobchancer” havde fundet i 2017. 

At process mining teknikker finder samme årsag som en længere manuel analyse tyder på at teknologien kan give indsigt i de mange data man har indsamlet. 

 

Undersøgelsen

Et sagsforløb er en sekvens af aktiviteter rettet mod en konkret sag der starter og slutter med en bestemt aktivitet indenfor en given periode. Et godt sagsforløb er et der starter og slutter indenfor den givne tidshorisont, mens et dårligt forløb er et som starter og enten ikke slutter eller slutter for sent. 

I samarbejde med en kommune valgte vi at undersøge tre områder:

  1. Det tidlige forløb
  2. Det langvarige forløb
  3. Det dårlige eksempel

Forløbet

Data blev trukket ud af KMD Momentum vha en standard DCR Connector. Mindre vask af data var nødvendig da data pga migrering indeholdt sager med forkerte datoer. Desuden blev alle aktiviteter der kun fandtes en gang fjernet. I alt 493.088 linjer med data blev trukket ud for en periode på ca 17 måneder fordelt på 18.284 forskellige sager, med i alt 1.058 forskellige aktiviteter. Der var ikke to identiske sagsforløb, dvs forløb som bestod af samme sekvens af aktiviteter! 

Derefter blev start og slut aktivitet samt varigheden indlæst i DCR Indicators hvorefter process mining beregningerne blev foretaget. Manuel behandling af data, model eller resultat var ikke nødvendig. 

Resultatet

Indenfor den tidlige indsats var resultatet klart. Baseret på analyse af 581 sagsforløb over 6 måneder fordelt på 371 gode og 210 dårlige fandt man at top 10 problemer dækker 58% af alle de dårlige sager.

 

Det betyder at hvis man kan afhjælpe disse 10 problemer vil 58% af sagsforløbene, dvs 121 sagsforløb, blive gode, svarende til at 121 arbejdsløse kommer i arbejde tidligt fremfor at skulle modtage understøttelse i flere måneder. De økonomiske konsekvenser af dette kan være markante. 

Vi vil ikke gå i detaljer med resultatet men kan overordnet pege på 3 problemstillinger, hvoraf den første belyses i lidt flere detaljer: 

  1. Sagsbehandlerne lukker ikke sagerne 
  2. Manglende opfølgning, og 
  3. Forkert sekvens 

Ad 1 – sagsbehandlerne lukker ikke sagerne

Af de 10 indikatorer fundet handlede 5 om at sagerne ikke blev lukket efter at en aktivitet skete, fx at man modtog en raskmelding af borgeren eller en ophørsdato fra KSD. 

Den manglende lukning af sagerne indenfor en tidsfrist medfører, at sagsmængden i jobcentret var større hvilket gør det svært for ledere og medarbejdere at fokusere og kan skabe unødig stress. 

I en efterfølgende dialog med KMD Momentum fandt de dette interessant og mente at en modul som automatisk kunne lukke sager ville være en stor hjælp for deres kunder. Hvis KMD Momentum brugte DCR til at styre processerne ville lukning kunne muliggøres ved at lade en Robot aktivitet lukke sagen hvis en af de fem aktiviteter skete. 

Konklusion

Process mining er en værdifuld teknologi som giver indsigt i de mange data fra jobcenter systemer som KMD Momentum og Schultz Fasit. 

DCR Indicators automatiserer udtrækket af data fra Momentum og Fasit og gør det muligt at lære fra gode sagsforløb baseret på en start, mellem og slut-aktivitet for en afgrænset periode. 

Den faglige sparring kan dermed blive data dreven og baseret på indsigt fra aktuelle sager. Man kan måle hvordan konkrete indsatser påvirker arbejdet, dvs om indsatsen virker for medarbejderne. 

Næste skridt 

Deloitte Consulting og DCR Solutions vil gerne tilbyde et workshop forløb for at undersøge data fra dit jobcenter system. 

Workshoppen løber over 4 dage (hvoraf nogle er remote møder) og en samlet periode på 3 til 4 uger. Indledningsvis aftales hvilke forløb der skal undersøges og hvordan de kan karakteriseres. Derefter foretages en analyse af data som præsenteres og diskuteres. Analysen justeres og gennemføres igen hvorefter de endelige resultater præsenteres. 

Pris DKK 150.000. 

DCR Indicator er en løsning som I selv kan bruge til at udtrække data og foretage analyser. Alt data bliver på jeres egen IT infrastruktur. Der er således ingen data i skyen. Dermed undgår vi at skulle indgå data behandler aftaler mv. Efter workshoppen kan vi introducere hvordan I selv kan bruge dette værktøj til den daglige faglige sparring og indsigt i data og processer.