A Context-Driven Data Visualization Engine for Improved Citizen Service and Government Performance

Chaque jour, le gouvernement gnre et consomme de grandes quantits de donnes. Les agences fdrales sont maintenant la pointe de l'analyse du Big Data pour rsoudre des problmes tels que l'amlioration du service aux citoyens. La tranquillit domestique, la satisfaction de la clientle, la transparence et la fourniture de services de qualit comptent parmi les nombreux objectifs critiques que la plupart des agences gouvernementales visent atteindre grce au service aux citoyens. Les gouvernements fdral, d'tat, des comts et des villes sont constamment confronts un nombre impressionnant de demandes de citoyens, d'organisations, de chercheurs, de mdias et de nombreuses autres entits. Les gouvernements sont toutefois constamment confronts des problmes de responsabilit qui peuvent remettre en question leur rle et leur efficacit. Cet article, grce la science des donnes et du contexte, introduit un nouveau moteur qui pourrait tre utilis par toute agence fdrale dans le but d'amliorer le service aux citoyens, d'valuer les paramtres de performance et de fournir des indications pour amliorer les taux de satisfaction. Le modle utilis dans ce moteur (appel iGPS) est dploy travers un certain nombre de jeux de donnes de taille relle. Les visualisations de donnes significatives et exploitables sont prsentes aux employs fdraux en fonction de leur contexte pour les aider dans leur prise de dcision. Le modle a t test pour la premire fois ( travers six ensembles de donnes gouvernementales provenant de 46 agences), des modles d'apprentissage automatique sont dvelopps, des visualisations sont ralises, le systme est dploy au gouvernement amricain et les rsultats exprimentaux sont enregistrs et prsents. ABSTRACT. Every day, the US government creates and consumes significant amounts of data. Federal agencies are finally riding the wave of Big Data Analytics for solving problems such as improving citizen service. Domestic tranquility, customer satisfaction, transparency, and providing quality service are among the many critical goals that most government agencies aim to achieve through citizen service. Federal, State, County, and City governments are constantly challenged by the overwhelming number of service requests from citizens, organizations, scholars, the media, and many other entities. Governments, however, are constantly facing accountability issues that can call into question their role and efficiency. This paper, through the use of data science and context, introduces a novel engine that could be used at any federal agency to improve citizen service, evaluate performance metrics, and provide pointers to enhance satisfaction rates. The model used in the engine (called iGPS) is deployed through a number of real-world citizen's complaints datasets. Insightful and actionable data visualizations are introduced to federal employees depending on their context. -The goal is to aid them in decision-making. The model is tested for the first time (through six governmental datasets from 46 agencies), machine learning models are developed, visualizations are built, the system is deployed at the US government, and experimental results are recorded and presented.