Vi får ofte for meget, når ledere og politikere gentagne gange taler om Big Data eller disruption. På et tidspunkt lytter man simpelthen ikke mere, fordi man har hørt om det så mange gange og ofte på en abstrakt facon, så ingen helt ved, hvad man taler om.

Men data og dataindsamling er faktisk ikke noget nyt. Danmarks Statistik har indsamlet data om danskere, virksomheder og samfundet siden 1835, hvor man registrerede de første folketællinger. De gav et øjebliksbillede af Danmarks befolkning – hvem boede sammen, hvor gamle var de, hvor kom de fra, og hvad levede de af? Fra begyndelsen får vi navn, alder, civilstand, bopæl og erhverv samt tilknytning til den aktuelle husstand. Fra 1845 får vi også fødestedet, og gradvist, som tiden skrider fremad, fyldes der flere oplysninger på.

Siden er der kommet flere til, både nationale og internationale organisationer og virksomheder, som arbejder med at indsamle, analysere og sælge data til offentlige og private virksomheder. Mængden af data vokser eksplosivt på alle områder og i en sådan grad, at vi har svært ved at forholde os til det.

Hvilke data-typer findes?
Den udvikling gælder også på beskæftigelsesområdet, og det er helt nødvendigt at se på de forskellige typer af data, når man som ansat eller leder skal arbejde med at udvikle og forbedre systemer og relationer via data.

Der findes fire typer data:

• Strukturerede eksterne data er de tal og statistikker, som bl.a. Beskæftigelsesministeriet løbende udarbejder og stiller til rådighed for ansatte, ledere og politikere om ledighed over tid, køn, brancher og uddannelse. De tegner et fortids- og nutidsbillede på området ud fra helt specifikke måder at indsamle data på.
  
  
• Ustrukturerede eksterne data på en person eller organisation, som vi bl.a. finder på Google+, Facebook og Instagram. Det kan også være sensordata, som indsamler data fra de fysiske omgivelser fx temperatur, antal biler, berøring og stop i en bygning, som viser noget om, hvor mennesker stopper og er i tvivl.
  
  
• Interne data. De fleste organisationer som fx jobcentre indsamler løbende data på antal ledige, varighed og uddannelse, også kaldet interne data. Det er noget, organisationen selv står for, og i det offentlige er det ofte lovbestemt eller regelfastsat, hvilke data forvaltningen er forpligtet til at indhente.
  
  
• Interne men ustrukturerede data er data, som kan være fælles dokumenter på share-point, fælles sagsbehandlingssystemer, intranet og lignende. Det er data, som alle har adgang til, måske uden at alt er tilgængeligt for alle i en organisation. Ofte er der ikke bestemte måder at tilgå dem, og der er ikke organiseret adgang og adgangsveje fra systemets side i forhold til den enkelte.

De rette data
Datamængden vokser, og heldigvis øger man kapaciteten på de digitale motorveje og gør det muligt at transportere data hurtigt rundt mellem myndigheder og organisationer. Det betyder dog ikke nødvendigvis, at vi uden problemer står med de rigtige data i de sammenhænge, hvor vi har brug for det.

OECD har flere gange estimeret, at det offentlige kunne reducere omkostningerne med ca. 15-20 % ved at arbejde bedre med de interne data, det vil sige de data, som organisation eller myndighed selv er herre over.

Oftest har man i samfund og virksomheder været meget fokuseret på nye teknologier frem for data, da data lyder kedeligt, men konsulentfirmaet McKinsey redegør for, at der oftest er større gevinst ved optimeret brug af data end ved at indføre ny teknologi [i].

I dag går teknologi og data hånd i hånd, når vi taler om service og sagsbehandling på mange offentlige områder inkl. beskæftigelsesområdet, da nye teknologier ikke har relevans, med mindre de er udviklet, indsamlet og agerer med brug af de rette data.

Arbejdet og potentialet i arbejde med data er stort, og nedenstående er udvalgte eksempler på, hvorfor det er vigtigt at arbejde med data på beskæftigelsesområdet.

Oprydning
Netop fordi beskæftigelsesområdet er fyldt med data, er oprydning i data en særlig vigtig opgave. Det kræver en kritisk gennemgang af alle de data, som indsamles automatisk eller manuelt i organisationen til centralt eller decentralt brug. Giver de mening, eller bruger man tid og energi på at indsamle data, som måske er forældede eller aldrig bliver brugt til at udvikle service, forståelse eller interaktion med brugerne? 

Typisk indfører centrale myndigheder nye krav om indsamling af data uden at tage stilling til, om alle de data, som i forvejen indsamles, stadig er relevante.

Automatisering – frigørelse af arbejdstid og bedre brugeroplevelse 

En af de store gevinster ved brug af data er at automatisere arbejdsgange fx i forbindelse med sagsbehandlingssystemer, så data om alder, køn og ledighed automatisk forberedes til den sagsbehandler, som skal møde en borger eller træffe en afgørelse i sagen. 

Beskæftigelsesområdet har i årtier været præget af, at størstedelen af arbejdet er gået med administrative opgaver i stedet for det personlige møde og formidling af job eller andet til den enkelte borger.

Derfor er drømmen, at automatisering af kontrol, data og opfølgning på den længere bane kan frigøre arbejdskraft til det personlige møde og udvikling/forbedring af forvaltningen på området.

Automatisering kan også ske i mødet med borgeren, som man kender det fra Dr. Watson Jill eller Chatbots, hvor man automatiserer typiske spørgsmål fra brugere og svar fra de professionelle. Det gøres ved, at robotten kan genkende og forstå sproget og samtidig matche et relevant spørgsmål på en forespørgsel. Robotten har adgang til viden/data, som den bruger i sine svar.

På den måde kan man gøre det muligt for borgere og brugere at få svar og tilbagemeldinger på de mest almindelige spørgsmål og bekymringer 24 timer syv dage om ugen.

Større individualisering i relation mellem system og bruger
I dag præges Jobnet og andre af de tilknyttede systemer af, at der som borger eller arbejdsgiver er en måde og et koncept, som skal følges i forbindelse med ledighed, kontanthjælp eller opslag af et job. Ofte tvinges brugeren eller virksomheden gennem en lang række automatiske og lovpligtige arbejdsgange, uanset hvilket behov og ressourcer den enkelte person eller virksomhed er i besiddelse af.

Data om person eller virksomhed kan bruges til at udvikle flere typer af adgange og måder at tilgå systemet på efter behov og den situation, man står i. Derfor er data på bruger og virksomhed koblet med data på, hvordan brugere agerer i systemet, samt hvor de møder barrierer og ofte springer fra, altafgørende for at kunne forbedre og være med til at sikre, at man løser de rigtige udfordringer for brugere og virksomheder.

Ofte sker der det modsatte, nemlig at systemet mener at kende de rigtige udfordringer og ikke har brugernes reelle udfordringer med i udviklingsarbejdet. Data fra mødet mellem bruger og system er altafgørende for at udvikle og optimere relationen.

Hvis man ikke kender brugeren, begår man oftest fejl i forbindelse med automatisering. Fx ville et ministerie automatisere ansøgninger til opholdstilladelser, men havde lige glemt, at mennesker, som ansøger om opholdstilladelse, oftest har en anden nationalitet og et andet sprog – derfor blev det en meget besværlig proces for både ansøgere og systemet. Måske kunne historiske data med fordel have været anvendt til (på krypteret vis) automatisk at udfylde skemaet på den enkelte og udpege de steder, som vedkommende selv skulle udfylde.

En vej ind i det offentlige
Et drømmescenarie for mange borgere er, at de fra starten bliver taget i hånden og hjulpet hen til de steder eller personer, som de har brug for i forbindelse med den konkrete sag. Mange gange skal man henvende sig flere steder med forskellige eller samme problemstillinger.

Det skaber frustration og raseri, at ting skal gentages og udfyldes flere steder. Oftest er baggrunden, at hvert område repræsenterer en bestemt lovgivning, men borgere og virksomheder går på tværs af de lovgivningsmæssige siloer og har brug for koordinering og effektivisering af kontakten.

Det kan kun ske ved analyse af den enkeltes behov lig data, behov og kobling til de mange steder, som er relevante for den enkelte. Også her kan de rette data være med til at skabe et langt bedre flow i mødet mellem brugeren og systemet.

Data og de ansatte på beskæftigelsesområdet
Når man gerne vil bruge data for at forbedre arbejdsprocesser, arbejdsmiljø og brugernes oplevelse, er de ansattes viden og erfaring med systemer, data og brugere helt central.

Man kan ikke altid dokumentere, at det er vigtigt. Men når man ser på de offentlige it-skandaler, har professor Søren Lausen  i projekter, bl.a. Polsag hos Rigspolitiet og Rejsekortet, identificeret fem hovedårsager udover mangel på kvalificerede it-professionelle:

1. Projekterne identificerer ikke brugernes behov.
   
   
2. Projekterne beskriver ikke krav, der dækker brugernes behov.
   
   
3. Projekterne vil opnå alt på én gang.
   
   
4. Brugergrænsefladerne designes alt for sent.
   
   
5. Der opstår for mange overraskelser, når forskellige systemer integreres.

I alle fremtidige systemer indgår altid data. Som det fremgår, er de væsentlige årsager til kaos i it-projekter, at projekterne ikke har haft brugere tæt inde i udviklingsprocessen til at definere, hvilke data som var relevante i bestemte situationer, og hvilke behov som brugerne havde i forhold til systemerne. Ikke mindst, at brugerne kan forstå, hvad og hvordan de kan tilgå systemerne.

Så data og adgang, kobling og brug af data kan ikke stå alene, hvis man ikke har de rigtige kompetencer i spil i fremtidens it-projekter.

Udvikling og brug af data er som kinderægget med tre væsentlige elementer, som skal spille tæt sammen for, at man opnår gevinst til gavn for samfund, brugere og ansatte, nemlig: de it-professionelle, de ansatte og brugerne.

Man kan sige, at mange it-projekter er gennemført med store udgifter og kaos som konsekvens, fordi man ikke har lyttet seriøst og inddraget de, som kender dagligdagen, praksis, egne og eksterne brugeres behov.

Det bør man tage langt mere seriøst i fremtiden!

Referencer

[i] McKinsey & Company (2016): "The Age of Analytics: Competing in a Data Driven World".