Het is 2025, ik doe boodschappen en bedenk me plotseling dat ik mijn verhuizing nog moet doorgeven. Onlangs besloot ik te verhuizen naar de hoofdstad. Ik pak mijn telefoon en spreek mijn behoefte uit: ‘Ik wil mijn verhuizing naar Amsterdam doorgeven’. De Digitale Dienstverlener (DiDi) in mijn telefoon praat terug en vraagt per wanneer en naar welk adres ik ben verhuisd. Ik geef antwoord. Daarop wordt het regelwerk uitgevoerd en de juiste data wordt naar het juiste systeem verstuurd. In enkele seconden zie ik de bevestiging op mijn scherm: ‘Je verhuizing naar Amsterdam is doorgegeven’.  Ondertussen sta ik bij de zelfscankassa. Ik hoor het geluid van een notificatie. DiDi wijst mij erop dat ik, op mijn inmiddels oude adres, een parkeervergunning heb. Ze vraagt me of ik deze vergunning ook wil verhuizen. Mijn antwoord: Ja, graag! Binnen twee minuten heb ik zojuist mijn hele verhuizing geregeld.

Terug naar het heden. Ik heb besloten om als 18-jarige te gaan studeren. Na het behalen van mijn examen, begint het geregel. Het voelt aan als een akelige speurtocht. Een speurtocht die mij via e-mails, telefoontjes en brieven langs o.a. DUO, Studielink en gemeenten brengt. Gelukkig kan ik ook veel digitaal afhandelen. Het blijkt een periode van stress en onzekerheid. Heb ik straks wel een kamer of huurwonig in de stad waar ik ga studeren? Wat betreft ‘Citizen Experience’ lijkt mijn toekomstige-ik het toch beter voor elkaar te hebben.

Bij Digicampus houden we  van dromen. Om een stapje te zetten naar een gepersonaliseerde en proactieve dienstverlening hebben we een prototype gemaakt. Een stap naar een betere Citizen Experience dus! Hoe we dit hebben aangepakt en welke stappen we hebben gezet, lees je in deze blog.

Gebruikersonderzoek

We begonnen met het analyseren van de data van de doelgroep wiens leven we makkelijker wilden maken, die van de 18-jarige. Tijdens het analyseren van Google-zoekwoorden kwamen we tot de conclusie dat er voor een 18-jarige veel vragen zijn omtrent verhuizing en veel varianten op deze vragen. Daarover gingen we met de doelgroep in gesprek. Een paar van onze bevindingen:

  • 18-jarigen zijn hevig afhankelijk van hun ouders voor het doorlopen van de benodigde stappen. 
  • Het daadwerkelijk regelen en afhandelen is lastig, voor 1 actie heb je vaak verschillende organisaties nodig.
  • Er is behoefte aan informatie over hoe bepaalde data gebruikt wordt (bijv salaris ouders). Ook is van belang dat bekend is welke data er wordt gedeeld.

Met deze informatie hebben we een prototype gemaakt van een toegankelijk product die een 18-jarige zelfstandig kan gebruiken. Een app. Deze app geeft zowel visueel overzicht, als proactieve informatie en de mogelijkheid tot het daadwerkelijk regelen van zaken zoals een verhuizing. Hierbij vestigen we extra aandacht op:

  • Er is behoefte aan een overzicht met de te doorlopen stappen. Echter, de data van elke gebruiker is anders en dat heeft invloed op welke stappen gezet moeten worden. Dit betekent dat onze oplossing persoonlijke data moet ophalen. Daarna moet de ontbrekende informatie uitgevraagd worden. Dan pas kunnen de stappen gepersonaliseerd worden.
  • Om minder afhankelijk te van ouders is proactieve informatie van belang. In de app is de chatbot een toegankelijke informatiebron. De chatbot kan ook daadwerkelijk helpen met zaken afhandelen en data opvragen en versturen naar meerdere organisaties.  
  • Er moet expliciet aangegeven worden welke data gedeeld gaat worden. Wanneer de gebruiker besluit bepaalde data niet te delen heeft dit gevolgen voor de mate van automatisering.

Ontwikkeling

Tijdens de ontwikkelingen hebben we parallel gewerkt aan de technische en de zichtbare kant van het prototype. De technische kant van het prototype heeft als doel de haalbaarheid en de complexiteit van het product te toetsen. De visuele, User Experience kant moet mensen in staat stellen het ‘echte’ gebruik in te beelden en zo feedback te kunnen geven.

User Experience

Om zo snel mogelijk tot een werkbaar prototype te komen zijn we begonnen met een front-end ontwerp in Figma en Framer. Hierdoor kunnen (potentiële) gebruikers ons snel feedback geven, die wij vervolgens kunnen verwerken in een nieuw ontwerp.

Voorbeeld van het prototype Didi

Technische systemen

Voor de technische kant is gebruik gemaakt van RASA. Deze open source conversational AI tool stelt ons in staat om de back-end in Python te bouwen. De basis van RASA werkt als volgt: De chatbot herkent de intentie van de gebruiker, stelt vragen aan de gebruiker, en is in staat de benodigde informatie uit het antwoord van de gebruiker te halen.

Een goed begin, maar heel proactief is dit nog niet. Om dat te verbeteren moet de data van de gebruiker gekoppeld worden. Hiervoor kunnen we bijvoorbeeld gebruik maken van van Trusted Online Ecosystem of Self Sovereign Identity. Ook moet de koppeling met wetgeving gemaakt worden om daadwerkelijk zaken te kunnen regelen. Dit kan worden gedaan met behulp van FLINT. Daarmee kunnen we de bekende gebruikersdata vergelijken met de criteria van de wetgeving. Onder andere Discipl is betrokken bij de ontwikkeling van deze software.

Schermafbeelding uit de software Rasa van het prototype Didi

Puzzel leggen

Rasa, Flint en SSI werken als volgt samen: stel dat er een wet is waarin wordt bepaald of ik spaghetti mag eten of niet. De vereisten zijn dat ik minimaal 12 jaar oud moet zijn, ik geen auto mag bezitten en ik afgelopen week een boek moet hebben gelezen. De data die ik deel toont aan dat ik ouder ben dan 12 jaar en dat ik geen auto heb. Om tot een beslissing te kunnen komen is nog een variabele nodig, namelijk of ik in de afgelopen week een boek heb gelezen. Via RASA wordt deze ontbrekende informatie uitgevraagd, waarop ik bevestigend antwoord. Met behulp van FLINT wordt de wetgeving getoetst aan de hand van deze drie variabelen. Aangezien ik aan alle drie de vereisten voldoe, is de beslissing dat ik spaghetti mag eten. 

Een fictief voorbeeld natuurlijk, maar met andere variabelen kan op dezelfde manier worden vastgesteld of een persoon zich wel of niet kan inschrijven voor een sociale huurwoning.

Tabel met tekst

Nu bekend is waar de variabelen vandaan komen en hoe ze worden verwerkt is het tijd om deze techniek in een concrete case (ons prototype) verder toe te lichten.

Use case

In het prototype ligt de koppeling met persoonlijke data (de SSI variabelen) buiten onze scope. We hebben de datadeling nagebootst met een fictieve database. De case die we gebruiken is: de inschrijving van een 18 jarige voor een huurwoning.

Conversation design

Dankzij Flint weten we welke gegevens er nog nodig zijn om een beslissing te kunnen maken voor een inschrijving van een sociale huurwoning. De volgende stap is om de persoonlijke data op te halen en de missende informatie uit te vragen. Voor het uitvragen hebben we ‘een conversation flow’ ontworpen voor de chatbot genaamd DiDi. Hieronder is een klein stukje van deze flow te zien. Ook willen we dat de chatbot context in acht neemt, dus er moet ook ‘contextual interjection’ mogelijk zijn.

Schets van gegevens uitwisselen

Deze infrastructuur vormt de basis voor het ontwikkelde prototype, waarvan een demo te zien is.

Toekomst

Met de overload aan informatie, kan het vinden van het juiste stukje informatie voelen als zoeken naar een speld in een hooiberg. Met het prototype dat beschreven is in deze blog, kan de juiste informatie, op het juiste moment, bij de juiste persoon komen. 

Het prototype is natuurlijk in een beginnende fase. Uiteraard zijn er nog heel veel vragen over o.a. beveiliging en privacy die we moeten beantwoorden. Dit project fungeert puur als proof of concept en er is gewerkt met fictieve data. Een volgende stap kan zijn om de chatbot te vervangen door een voice assistants. Op deze manier kunnen tools als deze toegankelijker worden voor bijvoorbeeld slechtzienden. In het algemeen zullen slimme virtual assistants de dienstverlening toegankelijker en inclusiever maken. Een betere Citizen Experience dus.

Om het eerder beschreven niveau van 2025 te halen, moeten we samen verdere stappen zetten. Zo maken we de toekomst een stukje mooier.