Beskrivelse af epic af it-understøttelse af Styrelsen for Arbejdsmarked og Rekrutterings forretning

Interne links (indhold ikke relevant for eksterne)

BI-1 - Getting issue details... STATUS

Indholdsfortegnelse

Afgrænsning af epic

Oversigt over berørte webservices 

Manuel oversigt som er synlig for eksterne

Links i listen virker kun med STAR Jira konto og kan derfor ikke tilgås af eksterne. Links under Summary indeholder ikke andre oplysninger relevant for eksterne end hvad der fremgår i tabellen.

Automatisk oversigt

Ikke synlig for eksterne. Indhold er kopieret til den manuelle oversigt ovenfor.

Beskrivelse af epic

Kommentar til servicesændringer

Mulige løsningssenarier

Før denne epic kan detailbeskrives er det nødvendigt STAR vælger hvilket løsningssenarie der ønskes og gerne på kort og lang bane. Dette afsnit lister de identificerede løsningssenarier op, men har ikke foretaget en decideret forretnings og arkitekturmæssig vurdering af senarierne og har ej helle hold dem op mod hinanden mht. fordele, ulemper. økonomi m.v.. De nævnte fordele, ulæmper, økonomi i t-shirt er alene første og simplificeret kvalifikation, der ikke er blevet gennemgået af forretningen eller arkitekter.  

Det vil være en del af en evt. foranalyse, der vil gå forud for implementeringen af denne epic en sådan vurdering. En sådan foranalyse ville også skulle opstille de forretningsmæssige mål på kort og lagt sigt og et sæt af sådan forretningsmæssige mål vil kunne diskvalificerer nogle af senarierne. 

De forskellige senarie skal ses som løsningsmuligheder men vil i praksis vil der være nogle muligheder for at kombineres dem eller de er trin på en forbedringsproces over tid, igen dette vil kunne afdækkes i en for analyse.

Senarie 1 - Den meget simple model

Dette senarie tager udgangspunkt i den meget simple model som var på borgeres gamle CV (før 2020).

Modellen tager udgangspunkt i at der i dag eksisterer en statisk mapning mellem de eksisterende CV kvalifikationer og stillingsbetegnelser (efter 2021-1 vil denne mapning også omfatte ESCO STAR).

Model

Ud fra mapningen kan man f.eks. tage borgeres angivelse i "Jeg søger som som" og sende dem igennem mapningen og få et sæt af kvalifikationer.

Fordele

• Det er meget simple model teknisk
• Økonomiske er det en Small i størrelse 

Ulemper

• Det er ikke muligt på nogen måde at kvalificerer og prioriteter forslag overfor borger
• Den er baseret på data der ikke er vedligehold længe, inkl. mapning
• Den baseret på statisk data og det kræver manuelt arbejde af vedligeholde disse data.
• Modelle kan ikke rigtig forbedre eller gøre dynamisk
• Der kan ikke tages hensyn til andre data en stillingsbetegnelse fra f.eks Jeg søger, job som og arbejdserfaring

Opsummering: Simpel og billig men meget ufleksible og statisk med lille værdi for borger.   

Senarie 2 - Kvalificeret men statiske forslag ud fra borger data - BI beregner

Dette senarie tager udgangspunkt at forslag om kvalifikationer skal være mere målrette til og derfor mere brugbart for borger 

Model

BI trækker ud fra de data de allerede har inkl. CV oplysninger og danne for hver borger en prioriteret liste med forslag til kvalifikationer. Modellen BI benytter til beregning er statisk og simple i natur

Fordele 

• Borger får et kvalificeret og prioriterer forslag til kvalifikationer
• Det er muligt at bruge andre data som grundlag for beregninger af forslag end stillingsbetegnelser, f.eks. data fra de annoncer borger har søgt og angivet i Joblog
• Det er kendt teknologik i BI og den ville kunne igangsætte med det samme
• Modellen kan startes simpel og kan løbende forbedres uden det medføre rettelser i frontend på Jobnet
• Modellen kunne kombineres med mere dynamiske inspirationstekster i CV'et
• Økonomiske er det en Small til medium i størrelse og størrelse kan styres ud fra ambinisions niveau

Ulemper

• Løsning er ikke umiddelbart koblet med andre initiativer i STAR (det ville dog kunne tænkes ind)
• Løsningen er statisk og derfor noget old school tankemæssigt 

Opsummering: God værdi for borger, simple at etabler og gode udbygningsmuligheder men mangler den dynamiske dimension. 

Senarie 3 - Kvalificeret men dynamiske forslag ud fra borger data - BI beregner

Dette senarie tager udgangspunkt at forslag om kvalifikationer skal både være mere målrette men også være mere dynamisk og derfor mere brugbart for borger og dette løbende holde på et højt niveau. 

Model

BI trækker ud fra de data de allerede har og danne for hver borger en prioriteret liste med forslag til kvalifikationer men i stedet for en statisk model er det med en model der lære af data undervejs f.eks. i form af Machine Learning.

Fordele 

• Borger får et kvalificeret og prioriterer forslag til kvalifikationer hvor det løbende holdes i skarpt / tunes / forbedres
• Det er muligt at bruge andre data som grundlag for beregninger af forslag end stillingsbetegnelser, f.eks. data fra de annoncer borger har søgt og angivet i Joblog
• Det ville kunne igangsætte med det samme
• Modellen kan startes simpel og kan løbende forbedres uden det medføre rettelser i frontend på Jobnet
• Modellen kunne kombineres med mere dynamiske inspirationstekster i CV'et
• Økonomiske er det en Small til Medium i størrelse og størrelse kan styres ud fra ønske niveau 

Ulemper

• Løsning er ikke umiddelbart koblet med andre initiativer i STAR (det ville dog kunne tænkes ind)
• Det er delvis kendt teknologik i BI

Opsummering: God værdi for borger, mere kompleks at etabler med gode udbygningsmuligheder og en indbygget dynamiske dimension der sikre at brugbarheden løbende forbedres. 

Senarie 4 - Kvalificeret forslag ud fra borger data - Basret på VOA's kvalifikations ML motor

Dette senarie tage udgangspunkt at STAR har et arbejde igang i VOA der arbejder med en kvalifikationsløsning til beskæftigelsesregioner og det grundlag kunne genbruges i forhold forslag til kvalifikationer.

Model

Genbruge den model VOA arbejder med til at danne forslag til borger og udstille dette mod CV'et

Fordele 

• Borger får et kvalificeret og prioriterer forslag til kvalifikationer hvor det løbende holdes i skarpt / tunes / forbedres
• Genbruge en model der allerede er tænkt
• Model skal ikke opfindes  

Ulemper

• Svært at koble modellen til data om den enkelte borger
• Afhængig af VOA model
• Ikke kendskab til model, kan den reelt bruges ud af boksen eller skal der tilpasninger til
• Model  muligvis ikke tilpasset til behov, den rammer måske skævt
• Integration ikke tænkt ind i VOA model
• Modellen er ikke i produktion, det er uvist hvornår den løsning kunne være i drift
• Økonomiske er det en vanskeligt at sætte størrelse på, da det vil kræver mere kendskab til VOA løsning. 

Senarie 5 - Kvalificeret forslag ud fra borger data - Baseret på Schultz kvalifikations AI motor

Dette senarie tage udgangspunkt at Schultz har en AI løsning omkring kvalifikattioner de i dag anvender. Denne løsning er opså blevet presenteret for STAR da Schult var på besøg for at præsenterer deres Jobcenter løsning.

Til information: Schultz har tilkendegivet via Simon Kortz at de ville være intresseret i en diallog med STAR omkring anvendelsen at deres AI kvalifikationsløsning.

Model

Bruge Schultzs model til at danne forslag til borger og udstille dette mod CV'et

Fordele 

• Borger får et kvalificeret og prioriterer forslag til kvalifikationer hvor det løbende holdes i skarpt / tunes / forbedres
• Model skal ikke opfindes 
• Modellen er i produktion og der vil være kort tidshorisont på at få det i produktion
• STAR skal ikke ud og lave en investering i en egen model 

Ulemper

• Svært at koble modellen til data om den enkelte borger (skal undersøges om dette er et problem)
• Afhængig af Schultz løsning og deres videreudvikling
• Ikke kendskab til model, kan den reelt bruges ud af boksen eller skal der tilpasninger til
• Model muligvis ikke tilpasset til behov, den rammer måske skævt
• Økonomiske er det en vanskeligt at sætte størrelse på, da det vil kræver mere kendskab til Schultz løsning. 

Det bedste af alle verdner

Denne samling er et udkast til en muligt løsningsmodel det tager fordele og ulemper i betragtning og ser på fleksibilitet MVP og det at holde flest døre åbnet for fremtidige muligheder. Løsningemodellen tager udgangspunkt i følgende behov.

1. Den skal hurtigst muligt til til et minimum af omkostninger udstille forslag til kvalifikationer på borgers CV så de kan forbedre kvaliteten af deres CV
2. Der skal kunne udbygges til mere avanceret ML / AI løsninger
   1. Så forretningen bedre understøtte valg af kvalifikationer
   2. Forbedre udsøgningen af CV'er
   3. Med mindst mulige konsekvensrettelser til eksisterende logik (økonomisk fordelagtig)
3. Om mulig skal løsningen sammentænkes med at hjælpe virksomkeder med at sætte kvalifikationer på deres jobannoncer
4. Der skal være i tråd med de aktitekturrammer der er for denne type af løsninger

Løsningsmodelle er tænkt som idegrundlag.

Ovenstående figur er en illustration på hvordan en trinvis løsningsmodel kunne se ud:

1. MVP løsningen er at på baggrund af borgers data beregnes en kvalificeret list af kvalifikationer som vises på Jobnet på skærmen i CV hvor registrerer sine kvalifikationer (via en service snitfalde).
   Beregningsmodellen kan være meget simple og f.eks. blot tage udgangspunkt i "Jeg søger job som" og Arbejdserfaring (svarende lidt til det der var på det gamle CV) eller lidt bedre og bruge flere data om borgeren
2. Løsningen kunne så forbedres på fire måder, ikke alle måder behøver at vælges og de valget der kunne tages i separate trin
   1. Beregningen i BI kunne udvides til at omfatte flere data om borgeren eller de annoncer borger har søgt på (Joblog) 
   2. Beregningen i BI kunne gøre mere intelligent og se på hvilke kvalifikationer der virkede bedst på tværs af borger der ligner hinanden (f.eks. i form machine learning, Power BI)
   3. Beregningen kunne i større udstrækning anvende data fra jobannoncer borger f.eks. var udsøgt i forbindelse med eller annoncer der kunne være relevant for borger
   4. Beregningen kunne koble op mod de ML / AI løsninger der er i forbindelse med kvalifikationer (VOA og Schultz) og udbytte disse
3. Løsningen kunne genanvendes i forbindelse med Virksomhedernes jobannoncer så virksomheden f.eks. blev inspiretet til at efterspørge kvalifikationer der gav mange CV hits i CV søgning

Nedenstående Acc.kr er ikke udfyldt mht. løsningsmodel blot skitseret 

Acc.kr 951.18.1 - Som STAR vil jeg have, at Taxonomy udstiller forslag til kvalifikationer for borger 

For at hjælpe borger til at udfylde sit CV på Jobnet bedre, skal borger kun få kvalificeret forslag til hvilke kvalifikationer der kunne være relevant for borger at berige sit CV med. 

Løsningsmodel

1. Der er etableres en service der for en given borger udstiller forslag til kvalifikationer i en prioriteret liste
2. Forslaget preberegnes af BI ud fra relevante parametre, herunder hvad borger har angivet i "jeg søge job som" og arbejdserfaring
3. Det beregnede forslag ligges i den nye silo til formålet (placering skal afklares med STAR)  

"SuggestionsService"

Navngivning er foreløbig

GetQualificationSuggestions

Metoder der for en borger give forslag til kvalifikationer.

Acc.kr 951.18.2 - Som borger vil jeg have forslag til kvalifikationen i CV'et 

Ud fra de forslag til kvalifikationer, som servicesnitfalde giver, præsenteres borger for disse forslag.

Løsningsmodel

1. Design af CV.kvalifikations element mht. forslag til kvalifikationer (dette er lavet i CV projektet og der er US beskrivelse og wire frames på det)
2. Genbesøg og få forretningsregler bekræftet hos Anna og Christian

>>>>>>>>>>>

Overvej for hvert acceptkriterie hvilke systemer der berøres af ændringen:

• DFDG
  • Services
  • WSRMer
  • Kodelister
  • PersonStatusService (PSS)
  • PersonHistoryService (PHS)
  • LSS (Landssupportsystem) og herunder Registerudtræk (hvis STAR har dataejerskab og der er lavet PHS på domænet)
• Jobnet
• VITAS
• JobKon
• JobAG
• BI integrationsplatform
• Alle områder
  • Nye batchjobs
    • Dokumentation af jobbet til SF (jf. skabelon: xxx link til skabelon) 
  • Dataløft
    • Hvis der i Databaser tilføjes eller fjernes kolonner med personfølsomme data (f.eks. person navne, adresser, email, telefonumre etc.), så skal SF informeres så disse data fremadrettet tilføjes eller fjernes fra scrambling.
• Kommunalt sagsbehandlingssystem
• A-kasse sagsbehandlingssystem
• Kommunalt bookingsystem
  • JobcenterPlanner (JCP)
  • WorkForcePlanner (WFP)
• Kommunalt ydelsessystem

Særlige krav til test

* Batchjobs

• bør testes både med delta og fuldt load,
• bør hvis der er afhængigheder køres med normalt load fra BI i ét testmiljø i hele testperioden
• bør testes i samarbejde med teams som har afhængigheder
• kørselstid, særligt hvis det er en del af NightlyBatch

Konsekvenser for drift/idriftsættelse

I forbindelse med idriftsættelse:

• Skal der køres et fuldt dataload ved første kørsel af et batchjob - aftal med SF hvornår load skal køres
• skal der køres konvertering
• Skal der køres databasescripts for opdatering af tabeller i databasen

Efter idriftsættelse:

Arkitektur- og implementeringsnoter 

Her beskriver PO/FA om arkitekturen og teknikken bag løsningen, om der f.eks. anvendes:

• Nye dataområder
• Nye snitflader
• Nye komponenter
• Nye miljøer
• Nye teknologier
• Nye aftagertyper
• Eller afvigelser fra principperne
• Eventuelle behov for reduktion af teknisk gæld skal afdækkes

Der gives en beskrivelse af hvorledes disse tænkes håndteret/implementeret i løsningen og om dette har været vendt med STAR arkitekten.