HBR´s udfordring med automatisering af fælles mailboks
Hovedstadens beredskab (HBR) har en e-mailadresse på deres hjemmeside, hvor borgere, kommuner, journalister med mange andre kan kontakte HBR vedrørende stort og småt. Disse e-mails havner i en fælles postkasse, som overvåges af to medarbejdere, som læser dem igennem og de e-mails de ikke selv skal håndtere, sendes videre til de rette modtagere internt i organisationen. Reglerne for hvor disse e-mails skal sendes hen er ikke beskrevet og ej heller 100% regelbaserede, men er baseret på medarbejdernes erfaring og interne viden. Denne opgave tager to timer af medarbejdernes tid hver dag, og opgaven i sig selv skaber ikke så meget værdi. Hovedstadens beredskab har derfor ønsket at finde en mere intelligent løsning til håndteringen af videre sendelse af ovenstående e-mails.
Workflow og vores løsning
Vi havde, inden vi udviklede løsningen, en tæt dialog med domæneeksperterne, hvor vi først kortlagde den nuværende proces og arbejdsgang i samarbejde med dem. Med domæneeksperterne fik vi defineret hvilke e-mails, der ikke skulle håndteres automatisk, men som stadig krævede en menneskelig hånd og hvilke tidspunkter det ville være optimalt for dem at håndtere de e-mails, som ikke kan videresendes automatisk.
Vi satte en software robot til at læse fællespostkassen 2 gange dagligt og videresende e-mails. De e-mails hvor robotten føler sig ”mere end 70% sikker” på, sendes videre til de rette modtagere internt i organisationen. De e-mails robotten ikke er helt sikre på hvor skal hen, hvilket vil sige den er ”under 70% sikker” videresender den ikke, men lægger dem i en folder som så skal håndteres manuelt.
Efter noget tid træner vi robotten igen og fodrer den med ny data og det gør at robotten bliver bedre og bedre til at genkende tekst og regler og dermed bliver mere ”sikker” på hvor de modtagne e-mails skal sendes hen. Det gør at mængden af mails, som skal håndteres af menneskehænder, bliver mindre og mindre jo mere den trænes. De e-mails robotten tidligere kun var ”60% sikker” på, er nu steget til ”90% sikker” og robotten håndterer dem nu selv. Hermed kan medarbejderne i stedet for at bruge tid på en forholdsvis mekanisk og tung administrativ opgave, bruge tid på andre mere menneskelige og værdiskabende opgaver.
Til automatiseringen vurderede vi følgende løsningsmodeller:
- Et regelbaseret system: Vi kan opsætte noget der ligner 10 regler for hvilke ord de forskellige mails indeholder og herefter få en software robot til at videresende e-mail på baggrund af disse regler. Denne løsning er nem og hurtig, men har sine begrænsninger. I dette tilfælde er den heller ikke særlig robust og ville nemt kunne falde sammen, hvis der er ændringer.
- Machine learning –Klassifikation og ’clustering’: Med Machine Learning kan vi lave en klassifikationsmodel, som vi træner til at lave clusters ud fra hvilke ord der er repræsenteret i alle indkomne e-mails. Denne løsning gør det muligt for robotten at "lære" på baggrund af ny data og på sigt blive mere præcis (”sikker”) til at forudsige resultater uden at være eksplicit programmeret til det.
- NLP (Natural Language Processing): NLP er også Machine Learning, men til forskel fra option 2 prøver NLP at opnå tekstforståelse. NLP er en ret kompleks tilgang til at løse problemet og vil tage rigtig lang tid og større ressourcer at sætte korrekt op.
Vi valgte en løsning nr. 2 eller Machine Learning løsningen med en klassifikationsmodel. Vi satte derfor en cloud instans op hos Azure, der indeholder selve modellen. Vi fik derfra en RPA-robot til to gange dagligt at lave et RESTful API kald til vores Machine Learning-model og alt efter hvad modellen så svarer, sende diverse e-mails videre.
En central fordel med denne løsning er at det ikke kun er e-mails, men stort se alle tekster fra alle kanaler som kan analyseres, automatiseres og videresendes. Dermed vil denne løsning kunne genbruges og anvendes til at optimere andre processer på andre kanaler.
Frigivet mere tid til værdiskabende arbejde
Med en proces som videre sendelse af e-mails, er der ikke altid en 100% klar regel man kan sætte op på forhånd, og de processer har man derfor typisk opgivet at automatisere. Men her er det man med fordel kan anvende Machine Learning, som på næsten magisk vis, selv kan lære hvor e-mails skal sendes hen og på sigt måske gøre det endnu mere præcist end et menneske.
Dagligt at skulle videresende e-mails fra en fælles mailboks er, udover at tage en time dagligt fra en medarbejder som kunne bruges på noget mere værdiskabende, heller ikke noget arbejde som er særligt attraktivt at udføre og kan derfor gøre det svært at rekruttere medarbejdere til sådanne opgaver på sigt. Derfor er det nødvendigt for virksomheder at begynde at udforske nye teknologier og smartere måder at udføre disse administrative arbejdsopgaver på. Machine Learning er en af disse nyere teknologier og med erfaringerne på denne opgave håber Hovedstadens Beredskab at de også kan bruge Machine Learning andre steder i deres organisation.
”En af de større gevinster ved brug af teknologi som Machine Learning til at automatisere processer, udover at vi får frigivet tid og reduceret antal af menneskelige fejl, er at vi med tiden får skabt en mere interessant arbejdsplads for yngre generationer som er ”born digital”, og gerne vil have løst deres opgaver effektivt og ved brug af moderne teknologi. Til at hjælpe os med denne transformation har vi derfor ledt efter en forretningspartner som er mere end en IT-partner, og den partner har vi fundet i Sopra Steria.”
Christian Falberg Goth, Chef for IT, Digitalisering & Shared Service
Læs andre relevante artikler om
RPA sparer 13 årsværk Få bedre medarbejdere med automatisering Få succes med RPA
Vil du vide mere om Machine Learning og automatisering af administrative opgaver i din virksomhed, så kontakt os på +45 61 77 70 70 eller på mail: rasmus.halvor@soprasteria.com
Kontakt os