Konfidensielt materiale er erstattet med forenklede rekonstruksjoner.
Mer treffsikker rekrutteringsbistand i NAV
Oppdraget handlet om å videreutvikle den eksisterende løsningen og gjøre arbeidsflyten mindre manuell og mer treffsikker.
- Kunde
- Arbeids- og velferdsetaten (NAV)
- Produkt
- Rekrutteringsbistand
- Periode
- 2021–2022
- Rolle
- UX-designer · tjenestedesign
- Ansvar
- UX-design · Brukerinnsikt · Oppgaveflyt · Informasjonsarkitektur · Løsningskonsept · Prototyping · Brukertesting · Validering · Produktretning
- Team
- Tverrfaglig, autonomt produktteam
- Designsystem
- NAV designsystem
Videreutviklingskonsept utviklet og brukertestet · Ikke satt i produksjon
Mer treffsikker rekrutteringsbistand i NAV
Rekrutteringsbistand var et etablert internt produkt som NAV-veiledere brukte til å registrere rekrutteringsbehov, finne aktuelle kandidater og dele kandidatlister sikkert med arbeidsgivere.
Oppdraget handlet om å videreutvikle den eksisterende løsningen og gjøre arbeidsflyten mindre manuell og mer treffsikker. En sentral del av arbeidet var å utforske hvordan maskinlæring kunne analysere stillinger og kandidatdata, prioritere relevante forslag og gi veilederen et bedre grunnlag for videre vurdering.
Dette var før generativ AI ble en vanlig del av digitale produkter. Konseptet bygget derfor på maskinlæring, eksplisitte kriterier og eksisterende data – ikke på en språkmodell.
Jeg hadde ansvar for UX-design, brukerinnsikt, kartlegging av den eksisterende oppgaveflyten, løsningskonseptet og valideringen med NAV-veiledere.
Veilederen kobler arbeidsgiverens behov, stillingsinformasjon, kandidatforslag og sikker deling i én sammenhengende flyt.
Forenklet rekonstruksjon av den etablerte tjenesteflyten fra arbeidsgiverens behov til sikker deling av kandidatliste.
En krevende oppgave i en travel arbeidshverdag
NAV-veiledere følger opp mange kandidater og arbeidsgivere samtidig. Å finne relevante kandidater eller stillinger kunne kreve omfattende filtrering, gjennomgang av fritekst og manuell vurdering av store mengder informasjon.
Den eksisterende løsningen hadde mange filtervalg, men flere filtre ga ikke nødvendigvis bedre treff. Veilederne måtte ofte prøve seg frem og bruke tid på resultater som ved nærmere vurdering viste seg å være lite relevante.
Viktig informasjon kunne også ligge i fritekst og var derfor vanskelig å fange opp gjennom tradisjonelle filtre.
Hvordan kan vi videreutvikle et etablert verktøy slik at NAV-veilederen raskere finner og prioriterer relevante kandidater, uten å miste kontrollen over den faglige vurderingen?
Kartlegging av den eksisterende arbeidsflyten
Arbeidet startet med å forstå hvordan NAV-veilederne allerede brukte Rekrutteringsbistand, og hvor i den etablerte arbeidsflyten det oppstod friksjon.
Den eksisterende løsningen støttet hele løpet fra registrering av arbeidsgiverens behov til søk, vurdering, utvelgelse og sikker deling av kandidater. Utfordringen var at flere deler av prosessen fortsatt krevde omfattende filtrering, gjennomgang av fritekst og manuell evaluering.
Kartleggingen gjorde det mulig å identifisere hvor maskinlæring og bedre informasjonsprioritering kunne forbedre produktet uten å bryte opp en arbeidsflyt veilederne allerede kjente.
- 01Behov
- 02Registrere
- 03Søke
- 04Vurdere
- 05Velge ut
- 06Liste
- 07Dele
- 01Behov
- 02Registrere
- 03Søke
- 04Vurdere
- 05Velge ut
- 06Liste
- 07Dele
Forenklet oversikt over den eksisterende flyten som ble kartlagt som utgangspunkt for videreutvikling.
UX-design i et autonomt produktteam
Som UX-designer eide jeg brukerforståelsen, den konkrete designarbeidet og videreutviklingskonseptet i et tverrfaglig, autonomt produktteam. Med tjenestedesignperspektiv kartla jeg også den eksisterende oppgaveflyten og hvor i produktet forbedringene best kunne integreres.
- Kartla eksisterende oppgaveflyt og friksjonspunkter i dagens bruk
- Designet informasjonsarkitektur, interaksjon og prototyper i Figma
- Identifiserte hvor søk, filtrering og evaluering skapte unødvendig tidsbruk
- Utforsket konsept for maskinlæringsstøttet matching med forklarbarhet
- Gjennomførte brukertesting av videreutviklingskonseptet med NAV-veiledere
- Introduserte og testet OKR som støtte for produktretning og prioritering
Innsikt fra NAV-veiledere
Omfattende filtrering ga ikke alltid bedre treff
- Observasjon
- Veilederne hadde mange muligheter til å filtrere, men måtte ofte kombinere flere valg og prøve seg frem for å finne relevante kandidater eller stillinger.
- Betydning
- Flere filtervalg ga ikke automatisk bedre kvalitet på resultatene.
- Designkonsekvens
- Videreutviklingen måtte hjelpe veilederen med å prioritere og rangere muligheter, ikke bare tilby flere filtre.
Relevant informasjon lå også i fritekst
- Observasjon
- Erfaring, ønsker og andre viktige opplysninger kunne være skrevet som fritekst og ble ikke alltid fanget opp av faste kategorier.
- Betydning
- Tradisjonelle filtre alene fanget ikke hele beslutningsgrunnlaget.
- Designkonsekvens
- Maskinlæringsmodellen måtte kunne ta med både strukturerte kriterier og fritekst i vurderingen.
En score alene var ikke tilstrekkelig
- Observasjon
- En høy matchscore var ikke nok til å gjøre anbefalingen nyttig. Veilederen måtte forstå hvorfor en kandidat eller stilling ble vurdert som relevant.
- Betydning
- Numerisk relevans uten forklaring ga lite støtte til faglig skjønn.
- Designkonsekvens
- Anbefalingen måtte være forklarbar og gi tilgang til kriteriene og informasjonen som lå bak scoren.
Veilederens tid burde brukes på oppfølging
- Observasjon
- Veiledernes viktigste bidrag lå i dialog, vurdering og oppfølging av kandidater og arbeidsgivere, ikke i å grovsortere store mengder mulige treff.
- Betydning
- Tid brukt på søk og innledende evaluering tok kapasitet fra det faglige arbeidet.
- Designkonsekvens
- Videreutviklingskonseptet måtte redusere tiden brukt på søk og innledende evaluering, slik at mer tid kunne brukes på faglig oppfølging.
Fra eksisterende søk og filtrering til bedre beslutningsstøtte
Videreutviklingskonseptet utforsket hvordan maskinlæring kunne analysere stillinger og kandidatdata basert på definerte kriterier og mønstre modellen lærte av – som et forslag til forbedring av eksisterende funksjonalitet.
Eksisterende løsning og foreslått videreutvikling
Eksisterende løsning
- Etablert arbeidsflyt for registrering, søk, vurdering og deling
- Mange filtervalg
- Mye manuell gjennomgang
- Viktig informasjon kunne ligge i fritekst
- Begrenset støtte til prioritering
- Tid brukt på forslag som senere viste seg å være lite relevante
Foreslått videreutvikling
- Analyse av både strukturerte kriterier og fritekst
- Rangering av kandidater og stillinger etter relevans
- Matchscore som støtte for prioritering
- Kort begrunnelse for hvorfor noe foreslås
- Detaljert innsyn i kriteriene bak anbefalingen
- NAV-veilederen beholder kontrollen over vurderingen
Forbedring innenfor en etablert tjenesteflyt
Rekrutteringsbistand støttet allerede hele løpet fra registrering av arbeidsgiverens behov til søk, vurdering, kandidatlister og sikker deling.
Maskinlæringsdelen var derfor ikke en separat løsning, men et forslag til hvordan eksisterende funksjonalitet kunne forbedres. Designarbeidet måtte ta hensyn til hvor informasjon ble registrert, hvordan veilederne søkte og vurderte kandidater, og hvordan utvalget senere ble delt med arbeidsgiveren.
Fire sentrale designbeslutninger
- Utfordring
- Den eksisterende løsningen ga veilederne mange filtreringsmuligheter, men det kunne fortsatt være tidkrevende å finne hvilke kandidater eller stillinger som burde vurderes først.
- Beslutning
- Vi utforsket hvordan en matchscore kunne supplere eksisterende søk og filtrering ved å rangere de mest relevante forslagene.
- Begrunnelse
- Målet var ikke å erstatte filtrering eller faglig skjønn, men å gi veilederen et bedre startpunkt.
- Resultat
- I brukertestene ble score og rangering oppfattet som nyttig støtte for prioritering og videre evaluering.
Relevant erfaring fra lignende stillinger og ønsket arbeidstid stemmer med arbeidsgiverens behov.
Forenklet rekonstruksjon av hvordan matchscore og begrunnelse kunne integreres i eksisterende oversikter.
- Utfordring
- En score alene ville gitt liten verdi dersom veilederen ikke kunne forstå hvorfor et forslag ble vurdert som relevant.
- Beslutning
- Vi la til en kort begrunnelse i oversikten og mer detaljert informasjon om kriteriene når veilederen åpnet forslaget.
- Begrunnelse
- Forbedringen måtte bygge videre på veilederens eksisterende arbeidsmåte og gi bedre beslutningsstøtte, ikke introdusere en svart boks.
- Resultat
- Konseptet viste hvordan maskinell prioritering kunne integreres i den eksisterende løsningen uten å svekke transparens eller brukerens kontroll.
- Kriterier
- Erfaring
- Kvalifikasjoner
- Fritekst
- Matchscore
- Kort begrunnelse
- Beslutningsgrunnlag
Modellen kombinerer strukturerte kriterier og fritekst før den foreslår rangert match med begrunnelse.
Forenklet modell for hvordan kriterier og fritekst kunne kombineres til score, begrunnelse og beslutningsgrunnlag.
- Utfordring
- Relevant informasjon fantes allerede i løsningen, men mye var skrevet som fritekst og vanskelig å bruke gjennom tradisjonelle filtre.
- Beslutning
- Vi utforsket hvordan maskinlæringsmodellen kunne ta med fritekst i beregningen av relevans og matchscore.
- Begrunnelse
- Dette kunne øke verdien av informasjon som allerede var registrert, uten å kreve mer strukturering eller ekstraarbeid fra veilederen.
- Resultat
- Konseptet viste hvordan eksisterende data kunne gi mer treffsikre forslag og redusere behovet for manuell grovsortering.
- Utfordring
- En ny matchingsfunksjon måtte passe inn i et produkt og en arbeidsflyt NAV-veilederne allerede brukte.
- Beslutning
- Vi integrerte score, begrunnelse og detaljert matchinformasjon i den eksisterende vurderingsflyten, fremfor å etablere en separat prosess.
- Begrunnelse
- Forbedringen skulle redusere friksjon og læringsbehov, ikke skape et nytt parallelt verktøy.
- Resultat
- Brukertestingen ga positiv respons og mer innsikt i hvordan funksjonaliteten kunne videreutvikles innenfor det eksisterende produktet.
Prototyping, brukertesting og produktretning
Jeg utviklet prototyper som viste hvordan de foreslåtte forbedringene kunne integreres i NAVs eksisterende produkt og designsystem.
Målet var å gjøre koblingen mellom arbeidsgivere, stillinger og kandidater mer treffsikker og mindre tidkrevende.
- Analyse av en allerede registrert stilling
- Rangering av kandidat- og stillingsforslag
- Matchscore i eksisterende oversikter
- Kort begrunnelse for match
- Detaljert visning av relevante kriterier
- Informasjon hentet fra strukturerte felt og fritekst
- Videre vurdering og håndtering i den etablerte arbeidsflyten
- Utvelgelse og deling av kandidater
Konseptet ble brukertestet med NAV-veiledere. Tilbakemeldingene var positive og viste at forbedringene kunne gjøre det enklere å prioritere relevante forslag innenfor en arbeidsflyt brukerne allerede kjente.
Testingen ga samtidig betydelig mer innsikt i hvilken informasjon veilederne måtte se for å forstå og stole på anbefalingene. Resultatet var et mer validert videreutviklingskonsept og et bedre grunnlag for videre produktbeslutninger.
Forenklet læringssløyfe fra innsikt og konsept til prototype, brukertest og revidert konsept.
Resultater og verdi
Prosjektet leverte et validert videreutviklingskonsept og et bedre beslutningsgrunnlag for videre produktutvikling, men ble ikke satt i produksjon.
Realisert i prosjektet
- Den eksisterende oppgaveflyten ble kartlagt
- Friksjonspunkter i dagens søk, filtrering og evaluering ble identifisert
- Et videreutviklingskonsept for maskinlæringsstøttet matching ble utformet
- Matchscore og forklarbar matching ble integrert i prototyper av eksisterende arbeidsflyt
- Bruk av både strukturerte kriterier og fritekst ble utforsket
- Konseptet ble brukertestet med NAV-veiledere
- Testingen ga positiv respons og ny innsikt til videre produktutvikling
- OKR ble introdusert som støtte for retning og prioritering
Potensiell verdi for NAV-veiledere
- Mindre tid brukt på omfattende filtrering
- Færre irrelevante forslag å evaluere
- Raskere prioritering av aktuelle muligheter
- Bedre forståelse av hvorfor noe foreslås
- Mer tid til faglig vurdering og oppfølging
- Bedre støtte innenfor en arbeidsflyt veilederne allerede kjente
Verdi for produktutviklingen
- Tydeligere forståelse av hvor den eksisterende arbeidsflyten skapte unødvendig tidsbruk
- Bedre sammenheng mellom brukerbehov og maskinlæringsfunksjonalitet
- Konkretisering av hvordan matchscore og forklaring kunne integreres i produktet
- Redusert risiko for å videreutvikle en modell uten tilstrekkelig transparens
- Validert retning før investering i implementering
- Bedre beslutningsgrunnlag for videre prioritering
Status
Videreutviklingskonsept utviklet og brukertestet. Ikke satt i produksjon.
Viktigste læring
Designarbeidet reduserte risikoen for å investere i en omfattende videreutvikling uten å vite om maskinlæringsstøtten faktisk passet inn i veiledernes eksisterende arbeidsflyt.
Gjennom prototyping og tidlig brukertesting kunne teamet undersøke om score, rangering og forklaringer ga verdi, hvilken informasjon som måtte være synlig, og hvordan funksjonaliteten kunne integreres uten å svekke brukerens kontroll.
Videreutvikling av et etablert produkt handler ikke bare om å legge til ny funksjonalitet. Forbedringen må passe inn i eksisterende arbeidsmåter, bygge på informasjonen som allerede finnes og løse et reelt problem uten å skape ny friksjon.
Prosjektet viste at maskinlæring kunne gi bedre beslutningsstøtte, men også at verdi og tillit var avhengig av forklarbarhet, integrasjon og fortsatt menneskelig kontroll.