Indsigtsdrevne organisationer i den offentlige sektor...Big data og digitale spor Den øgede...

IDO

Indsigtsdrevne organisationer i den offentlige sektor

2© Deloitte 2019© Deloitte 2019 2

Oversigt

• Hvorfor datadrevet?

• Tænk hvis..

• Hvad er en datadrevet organisation?

• Metoderamme for IDO

• Værktøjer

• Snubletråde

• Hvad har andre gjort?

• Q&A

3© Deloitte 2019

Den teknologiske udvikling gør data til et betydningsfuldt aktiv for organisationer i den offentlige sektor

4© Deloitte 2019

85.000 flere ældre over 80 år i 2025*

50.000 flere børn mellem 0-5 år i 2025*

Løbende effektiviseringer – Grønthøsteren æder hvert år to procent

Borgernes forventninger stiger fx krav om minimumsnormeringer i institutionerne

• Data opsamles flere og flere steder og med nye analyseværktøjer kan data benyttes på flere og flere måder

• Data skal udveksles sømløst mellem myndigheder, borgere og virksomheder og skabe transparens

• Data kan benyttes til at træffe bedre beslutninger; til at identificere nye mønstre og at effektivisere arbejdsgange

Hvorfor er indsigt- og analysedrevet forvaltning ikke bare relevant, men nødvendig for organisationer i den offentlige sektor?

Datadrevet

forvaltning

Datadrevet

sundhed

Datadrevet

skat

Datadrevet

kommune

Datadrevet

erhverv

Datadrevet

ydelse

Datadrevet

beskæftigelse

Datadrevet

økonomi

Datadrevet

uddannelse

Borgere

Virksomheder

Det offentlige Danmark står overfor store udfordringer

Og store muligheder – En datadrevet forvaltning

*Citat fra Christian Harsløf, KL’s digitaliseringskonference 2019

5© Deloitte 2019

TeknologidisrupterTingenes internet (IoT), maskinlæring, kunstig intelligens vil ændre den måde, vi arbejder på

Regulering og nye forretningsmodellerØget dataregulering og nye forretningsmodeller eks. GDPR, åbne data, offentlig/private partnerskaber vil give nye muligheder og nye krav

Big data og digitale sporDen øgede datamængde og biprodukter fra digitale og online aktiviteter skaber nye muligheder og stiller etiske spørgsmål

Borgernes forventningerBorgerne forventer og kræver et øget niveau af personaliseret service og digitalisering.

VærdiskabelseØget pres på at anvende data til at øge indsigt og skabe ny værdi for forvaltningen

Tilsyn & kontrolFokus på at minimere tab og sikre kontrol af udbetalinger osv.

OmkostningspresFortsat pres for at minimere omkostningerne til at drive den offentlige forvaltning fra politisk hold

Optimering af processer og systemerØget pres for forbedring af processer, systemer og platforme både for at effektivisere, men også for at mindske monotone arbejdsgange

Samtidigt skaber ny teknologi, øget regulering og interne drivere nye udfordringer for den enkelte organisation

EKSTERNE UDFORDRINGER INTERNE UDFORDRINGER

6© Deloitte 2019

AI og gennemsigtighed i data vil ændre måden, vi tager beslutninger på

7© Deloitte 2019

Tænk hvis..

8© Deloitte 2019 8© Deloitte 2019

Tænk hvis..En offentlig sektor tilpasset den enkeltes behov og ønsker

• Maskinlæring kan øge hastigheden på komplekse beslutninger

• Maskinlæring kan ikke lære empati, men det kan skabe tid til det

• Borgere i vanskelige situationer har behov for svar og hjælp tilpasset deres udfordringer og med fokus på deres muligheder

Fremtidens social hjælper

• Hvor langt er vi?

• Maskinlæring anvendes i dag til at klassificere store mængder af brugere på eksempelvis sociale medier*

• De samme teknikker kan anvendes til at indikere, hvordan en borger bedst kan hjælpes videre eller hvilke ydelser denne kvalificeres til

• Behov for mere indsigt i data i offentlige organisationer

Fordeling af ydelser

Tid til lateral tænkning, empati og kreativitet

• Beslutning om hvilke borgere, der kvalificeres til hvilken ydelse eller skal visiteres til hvilken indsats er kompleks

• Hurtig sagsbehandling skaber værdi for borgeren

• Den rette sagsbehandling skaber værdi for borger, myndighed og samfund

*Hbr.org, how AI could help the public sector, 2018

Tænk hvis..

En mere personlig og målrettet hjælp til diabetes patienter

Diabetes og økonomi


• Strømpen bliver produceret af privat virksomhed

• Patienten kan se data på app

• Der mangler sammenhæng mellem patientens data og sundhedssektoren

• Data kan udnyttes til at forbedre patientens liv samt betydeligt at reducere omkostninger til komplicerede følgesygdomme

Fremtiden for diabetes patienter

• Diabetes koster i alt samfundet 31,8 milliarder om året*

• 6,4 milliarder til plejesektoren

• 5,5 milliarder til praktiserende læger og hospitalerne

• Op mod 60% af omkostningerne skyldes komplicerede følgesygdomme såsom amputationer

Reduktion af antallet af følgesygdomme

• Kan data bruges til at reducere disse omkostninger?

• Ældre diabetes patienter anbefales at få tjekket deres fødder mindst én gang om året for at forebygge alvorlige fodsår og amputationer.

• Strømpe med censor opsamler data på temperaturen på patientens fødder

• Model kan prædiktere risikoniveauet for patienten i real tid.

*Diabetes Foreningen, 2019


*Ministeriet for Børn og Undervisning, 2012**Neural Networks for Automated essay grading, 2016

Tænk hvis..

Hvis underviseren fik mere tid til den enkelte elev

Retning af opgaver er tidskrævende


• I forsøg med 16.000 stile har man opnået en succesrate på 94,5%**

• Opgaver fra eksakte videnskaber rettes i dag flere steder med maskinlæring, hvilket viser positive resultater

• Behov for mere fokus på indsamling af data og udnyttelse heraf

Fremtidens undervisning

• En betydelig del af en undervisers tid går med efterbehandling af opgaver

• Omkring 15% bliver brugt på at rette opgaver*

• Omkring 30% bliver brugt på forberedelse af undervisning*

Bedre udnyttelse af tid

• Kan data bruges til at finde mere tid til forberedelse?

• Natural language processing og machine learning kan rette opgaver automatisk og markere opgaver, som kræver ekstra opmærksomhed

• Metoden giver bedre overblik over fejl, da disse kan rapporteres

• Underviseren får frigivet tid til at forberede undervisning og forbedre indhold

Tænk hvis..

En mere fair og sikker fordeling af nødhjælp

Flygtningekriser verden over


• Pilotprojekt med 106.000 syriske flygtninge i Jordan**

• Blockchain implementeret til at beskytte værdier og data

• Blockchain sikrer at ingen kuponer eller lignende går tabt eller stjæles

• Iris-scanner sikrer identifikation, når der handles mad i flygtningelejrene

• Implementeret her, men kan skaleres til andre områder såsom hospitalssektoren i Danmark

Fremtidens fordeling af nødhjælp

• Mere end 25,5 millioner flygtninge i verden*

• 2,6 millioner bor i flygtningelejre

• Uvist antal millioner bor i uformelle bebyggelser

• 37.000 er tvunget til at flygte hver dag

Blockchain skaber sikkerhed

• Kan data forbedre vilkårene for flygtninge?

• Store problemer med opbevaring af værdier og identifikation i flygtningelejre

• Blockchain kan sikre at ingen kan bruge værdier, de ikke ejer

• Blockchain kan verificere at alle får samme nødhjælp

*UNHCR, 2019

**WFP, Blockchain for zero hunger

12© Deloitte 2019

Data og indsigt kan løse komplekse udfordringer i dagens samfund - men der er behov for

en transformation

13© Deloitte 2019

Hvad er en indsigtsdrevet organisation?Det handler om organisatorisk mind set og evnen til altid at tænke data samt en dybt forankret overbevisning om, at det er forudsætning for succes

15© Deloitte 2019

IDO – Den Indsigtsdrevne OrganisationBaseret på vores erfaring er indsigtsdrevne organisationer bygget på et stærkt fundament og iscenesat igennem en forretningsdreven strategi for arbejdet med data.

• Strategi: Har vi en klar vision og strategi for digitalisering og data?

• Organisation: Har vi de rigtige kompetencer?

• Proces: Understøtter vores processer og vores organisation, det vi vil?

• Logik: Anvender vi regler og standarder, der er tilpasset vores vision og strategi, til at understøtte beslutningstagen?

• Data: Har vi data i den rigtige kvalitet, de rigtige datamodeller, og den rette governance?

• Teknologi: Har vi implementeret en integreret og skalerbar teknologiplatform?

Deloittes metoderammme for IDO

Planlægning af rejsen mod at blive en indsigtsdrevet organisation

En datadreven myndighed stiller de rette spørgsmål, har et økosystem af data, digitale løsninger og innovationskapabiliteter, der understøtter en analytisk kultur i alle enheder

FORMÅL FokusVision ”Kunder”Ambitions-

niveau

MENNESKER KommunikationOrganisations-

strukturSamarbejde

Roller &kompetencer

PROCESSER ComplianceDrifts-model

MetoderStyrings-

model

LOGIK CognitiveRoboticProcess

Automation

Superviseret og usuperviseret

læring

Extract, Transform &

Load

DATA GovernanceKortlægning SikkerhedFælles

definitioner

TEKNOLOGILeverandør-

styringVærktøjer SLA’erArkitektur

16© Deloitte 2019

• Myndighedens udnyttelse af data kan foregå på flere måder

• Der kan være tale om avanceret dataanvendelse og udstilling på specifikke forvaltningsområder og ift. specifikke udfordringer i forretningen. Her kan anvendelsen være avanceret, men samlet set mindre moden

• Der kan være tale om en mere omfattende og grundlæggende udvikling mod en tværgående dataunderstøttelse og udrulning af avanceret dataanvendelse på tværs. Det vil være udtryk for en større grad af modenhed.

Visionen for rejsen til at blive en Indsigtsdrevet Organisation?

Dataunderstøttelse kan foregå på mange forskellige niveauer og med forskelligt ambitionsniveau

Fo

rretn

ing

svæ

rd

i

Trin 1Begrænset

DataForretnings-monitorering

AnalyticsTværgående

dataudnyttelse

VidenDen

datadrevnemyndighed

InformationSiloorienteret dataudnyttelse

IndsigtDen

datadrevneoffentlige sektor

Trin 2 Under udvikling

Trin 3 Defineret

Trin 4 Avanceret

Trin 5 Førende

Simpel monitorering baseret på historiske og systemspecifikke data

Systemtværgående dataanalyse i enkelte forretningsenheder baseret på BI-løsninger

Dataanalyse på tværs af enkelte forretnings-enheder, hvor prædiktiv analyse anvendes til beslutningsstøtte

Dataanalyse anvendes tværgående som en integreret del af beslutningsprocesser.

Dataanalyse anvendes tværgående mellem myndigheder og med afsæt i fællesoffentlige standarder

Modenhed

17© Deloitte 2019

TeknologiDesign af arkitektur, valg

af teknologier samt opbygning af miljøer.

Analytikere har behov for mere end blot analytiske værktøjer, de har også behov for selv at kunne foretage datafangst og -

vask

Organisation Processer Teknologi Data

Strukturering af rejsen mod at blive en indsigtsdrevet organisation

Stil de rigtige spørgsmål, gennemfør de rette analyser og sæt gang i de nødvendige forandringer

OrganisationDesign og implementering af organisationen, inklusiv

kompetencer, organisatorisk forankring,

roller og ansvar, rekruttering og

identificering af nye talenter mv.

Lokal vs. central styring

Governance, principper og standarder

Operating model

ProcesserDesign, operationalisering og implementering af nye

processer.

Prioriter processer for usecases eller projekter

DataDefiner og vedligehold

informationsmodel. Definer tilgange til master og meta

data, datadefinitioner, datakvalitet og tilgængelighed.

Governance hører hjemme i krydsfeltet mellem organisation, processer og politikker. Governance kommer til udtryk gennem relationer mellem

begreber fra disse tre elementer, fx rolle ”X” er ansvarlig for overholdelse af politik ”Y” via proces ”Z”

Beslutning om udvikling vs. indkøb vs. outsourcing. Undersøg mulighederne for prebuild

løsninger.

Hvordan håndteres compliance og data lineage i et fleksibelt selfservice enabled environment

Funktionelt CentraliseretCentre of Excellence

ConsultingDecentralt Factory/fabrik?

18© Deloitte 2019

IDO Overview

• As-is situation og to-be ambition

• Vision statements, til/fravalg

• Nøglespørgsmål ud fra kategorierne: strategi,

mennesker, processer, data og teknologi

• Findings og anbefalinger

Analytics Benchmark

• Advanced analytics survey gennemføres

• Konsolideret overblik fra survey

• IDO benchmark i forhold til lignende

finanskoncerner

Capability Gaps

• As-is capabilities vurdering af strategi,

mennesker, processer, data og teknologi

• Hvor er kapabiliteterne placeret i nuværende

operating model?

• Hvor er der gaps i forhold til end-target-state?

Value Generation

• Match af analytics ydelser til strategiske mål

• Profilering af modtagerne af analytics ydelser

• Added-value tilgang

IDO Roadmap

• Sprint roadmap med actions, ejere and tidslinje

for at understøtte momentum i opbygningen af

jeres IDO

Customer Journeys

• Deep dives i driverne for dine kunder og

modtagere af jeres ydelser

• Forstå “en almindelig dag på jobbet” for dine

modtagere

PoC Prioritisation

• Out-of-the-box eksempler på prioritering

• Prioriteringsmatrix og tilgang

Analytics Canvas

• Deep dive på udvalgte analytics PoC’er

• Forstå krav til en analytics PoC

• Få ud af fordelene ved en PoC

Demand Generation

• Igangsætning med forretningen for at drive den

kortsigtede efterspørgsel

• Skalering for at møde stigende efterspørgsel

efterhånden som området modnes

Insight Delivery

• Data visualisering best practices

• Art of storytelling eksempler

• Ændrings- og kommunikationsforslag

Purple People

• Oversigt over jeres personlighedstyper

indenfor Purple People metoden

• Kompetencer, roller og ansvarsområder med

match til profiler

• Plan for at tiltrække, fastholde og udvikle

Data Exploration

• Katalog over interne og eksterne datakilder,

der er tilgængelige

• Adgang til data og data governance

framework forudsættes

Operating Model Reference Architecture

• Overblik over teknisk landskab, sourcing og

licensmodeller

• Visuel high level præsentation af jeres

arkitektur og gap’et til at kunne blive IDO

Data Governance

• Fælles begrebsmodel på kontekstuelt niveau

(EIM)

• Organisation for dataejerskab og roller

• Kriterier for datakvalitetssikring

Hjælpeværktøjer til rejsen mod at blive en indsigtsdrevet organisation

Overblik over de værktøjer Deloitte anvender til at hjælpe organisationer med rejsen mod at blive indsigtsdrevet

• Udvikling af operating model tilpasset

organisationens prioriteringer

20© Deloitte 2019

Kulturelle hæmmere

Den måde, organisationen er vokset-om bottom-up eller top down, og hvordan folk er ansporet indlejrer adfærd, der er vanskelige at ændre.

Unøjagtige målinger, forventninger og modeller

Alt for simplistiske modeller, overmodige analytikere og uklare resultater med unøjagtige antagelser har ført til ukorrekte fremstød.

Mangel på analytiske kompetencer

Talent er en kritisk factor i adoptionen af en indsigtsdrevet organisation. Et competence gap kan hinder, forsinke eller umuliggøre rejsen mod at blive indsigtsdrevet.

Tillid til data

Tilliden til dataene er lav på grund af inkonsistente definitioner og forskellige svar på det samme spørgsmål. Der er utilbøjelighed til at dele data og manglende evne til at få rettidig adgang til det.

Dårlig gennemførelse

Analytics er blevet udviklet i siloer, ofte af it, og data duplikeres i hele organisationen. Det mangler gennemførelse vision og/eller strategi for Enterprise-Wide business integration.

Blinde pletter

Bekymringer om privatlivets fred, utilsigtet brug, bedrageri og tyveri problemer er reelle og skal overvåges. Disse risiki skal håndteres som enhver anden risiko.

Sten på vejen

”Kultur spiser strategi til morgenmad.”


Hvad har andre gjort?

22© Deloitte 2019

Skatteministeriet: Datastrategien for Toldstyrelsen og ICT

En af de mest ambitiøse transformationer med IDO i Danmark

De strategiske valg er

drevet af et fokus på at

skabe en datadreven

toldmyndighed

Ambitionen udmøntes

gennem optimal

anvendelse af data samt

fokus på effekt og

compliance

23© Deloitte 2019

Banedanmark: Datakortlægning

Projektet omfattede et evalueringsspor samt et anbefalingsspor med målbillede og krav til fremtidige kapabiliteter samt en skitseret køreplan for dataudnyttelse

Forretnings-potentiale

Projektscoping & Referencemodel

Evalueringsspor

Anbefalingsspor

Målbillede for datastrategi

Fremtidigt kapabilitetskrav

Anbefalinger og køreplan

Nuværende datakapabilitet

Data-kortlægning

1. Forretningspotentiale Afdækning af scenarier og målbillede for

dataanvendelse i forretningsmæssigt perspektiv, som basis for at fastsætte

Banedanmarks aspiration og ambition for anvendelse af data i en fremtidig strategi

4. Målbillede for datastrategi Målbillede for fremadrettet datastrategi baseret på det konsoliderede overblik

over Banedanmarks aktuelle datatilstand, i sammenhæng med identificerede

forretningsmæssige potentialer

3. Nuværende datakapabilitet Vurdering af nuværende organisatoriske kapabiliteter i relation til at anvende og

håndtere data effektivt, som grundlag for at kortlægge gaps i forhold til at realisere

ambition for fremtidig dataanvendelse

2. Datakortlægning Kortlægning af data med udgangspunkt i referencedatamodel med det formål at afdække eksistens, tilgængelighed og troværdighed af data, som skønnes

nødvendige i henhold til referencemodel

6. Anbefalinger og køreplan Overordnede anbefalinger til strategi for anvendelse og håndtering af data samt

oplæg til køreplan for eksekverings-initiativer for realisering af datastrategi

5. Fremtidigt kapabilitetskravFremtidige krav til kapabiliteter,

kompetencer og organisation ift. data, samt identifikation af gaps ift.

nuværende kapabiliteter

24© Deloitte 2019

Analysemodellen understøtter en systematisk proces for behandling og analyse af data

• Der er etableret en hierarkisk struktur af nøgleord, som forholder sig til miljøforhold. Dette giver en ordbog som iterativt kan opdateres og beriges over tid med henblik på dybere analyser.

• Gennem text mining af tilsynsrapporter ud fra ordbogen, er der skabt et overblik over miljøforhold, som ikke tidligere har været muligt. Den hierarkiske struktur muliggør samtidig effektanalyser af overordnede miljøforholds delelementer.

• Koblingen til eksisterende datarapporter sikrer en mere alsidig analyse af virksomheder og tilsyn, idet flere dimensioner hurtigere kan kobles.

• Gennem værktøjet PowerBI samles alle datakilder ét sted og tilbyder en mere brugervenlig og intuitiv overflade.

Indhold i analysemodel

Miljøstyrelsen: Datadrevet virksomhedsregulering

Systematisk indsamling og brug af data om virksomhedernes miljøkrav og –tilsyn skal kunne anvendes til at målrette de tilsyn, der gennemføres hos virksomhederne

Eksis

teren

de

data

gru

nd

lag

Ko

ble

de

pro

cesser

Standardvilkår-bekendtgørelsen

Tilsynsrapporter Datarapporter

Ordbog Text-mining Database PowerBI

Analysemodel

25© Deloitte 2019

Kontorchef: 1

Afdelingsleder: 2

Kundesupport: 1

Business analyst: 5

Data scientist: 6

Administrativ

medarbejder: 1

Den Fælles Dataenhed (DFD) bidrager til kommunernes kontrolindsats med udbetaling af ydelser gennem samkøring af oplysninger fra ydelsessystemer og offentlige registre

Udbetaling Danmark: Analytisk Center of Excellence (Den Fælles Dataenhed)

Analytisk modenhed: På en

skala fra 1-5 er DFD’s

analytiske modenhed 3. Dette

skyldes enhedens ad hoc

arbejde med modellering

baseret på et begrænset

omfang af standarder og

regler.

Teknisk modenhed: DFD’s

tekniske modenhed er 2 på

en skala fra 1-5. Dette

skyldes, at DFD mangler

kompetencer inden for data

engineering og at enhedens

data scientists derfor bruger

for meget tid på klargøring af

data frem for modellering.

Forretningsanalytisk

modenhed: På en skala fra

1-5 er modenheden 3½. DFD

har fem business analyst,

men samarbejdet med de

kommunale sagsbehandlere

er ikke fuldt organiseret.

Formål:At kontrollere udbetalingen af ydelser med henblik på at sikre tilbagebetaling af uberettigede udbetalinger.

Beskrivelse:DFD vedligeholder modeller, der kan identificere sager med en høj sandsynlighed for, at der er foretaget uberettigede udbetalinger. Sagerne udstilles til kommunerne og danner udgangspunkt for den efterfølgende kontrolindsats og potentielt krav om tilbagebetaling.

Operating Model

Udbetaling Danmark er

organiseret i ydelsesrettede

enheder, en it-afdeling, en

BI-afdeling og et analytisk

Center of Excellence (DFD).

Beskrivelse:

Udbetaling Danmark har etableret et central analytisk Center of Excellence (DFD) for at udnytte gevinsterne ved et strærkt analytisk miljø-

DFD er oprettet med henblik på at understøtte kommunernes kontrol af ydelsesmodtagere gennem samkøring af ydelsessystemer og registre, der indeholder oplysninger om ydelsesmodtagere med henblik på at identificere fejl og snyd.

Årsværk:

I 2017 havde DFD samlet set

16 årsværk

Beskrivelse:

DFD blev etableret i 2015 og

er blevet løbende styrket med

flere ansættelser og en fast

vækst frem til 2017.

ModenhedDesign model Ressourcer Roller Opgaver

Formål:

At reducere udbetalingen af

uberettigede ydelser

Beskrivelse:

DFD udvikler prædiktive

modeller for uberettigede

ydelser. Modellernes

resultater er tilgængelige for

sagsbehandlerne i forbindelse

med udbetaling af ydelser og

anvendes til at understøtte en

korrekt udbetaling af ydelser.

26© Deloitte 2019

Hvad opnåede Skat?

Kundetilfredshed øget gennem adfærdsindsigt og end-to-end monitorering af kunderejser

Effektivisering gennem robotics, databaseret AI og machine learning

Træfsikkerhed og time-to-market øget i frauddetection og compliance

Understøttelse af system transformation, f.eks. ejendomsvurdering og gældsinddrivelse

Målbillede for arkitektur og transitionsplan for gradvis kobling af nye og gl. data og analytics-teknologier

KPI styring, portefølje- og produktionsstyring

Fra 40 til 160 ansatte på 4 år, selvbetjenings-BI og selvbetjenings-analytics m. 200 superbrugere

Deltagelse i 20-40 projekter og 400-600 udviklingsopgaver pr. år

Skatteministeriet: Turnusanalyse af Skat

Turnusanalysen for BI & Analyse gav Skat en drejebog til at opbygge et af Danmarks største dataområder

Hvad var deres

mål?

Hvor ville de

fokusere?

Hvordan ville de

arbejde?

Hvilke

kapaciteter

skulle de sikre?

Hvilke ressourcer

og styring var

påkrævet?

Anvende data og analyse langt mere proaktivt til at understøtte Skats strategiske mål og bl.a. sikre bedre:

• Ledelsesmæssig styring• Produktionsstyring• Kvalitet og agilitet i nye

digitale løsninger• Bedre og enklere

kundeoplevelser• Øget træfsikkerhed ift.

kontrol og inddrivelse

Udvikling af en fælles arkitektur og platform, som understøtter både eksperter i BI&A CoE og superbrugere

Øget datatilgængelighed og sikring af bedre time-to-market i løsningerne

Egenudvikling af løsningerne til BI, analytics/ML, robotics/AI, dataudveksling med 3. parter

Data governance, fælles begrebsmodel, datakvalitetssikring og dataejerskaber

Opbygge ekspertise indenfor:

• Agil systemudvikling og forvaltning

• Data- og IM-arkitektur• Dataadministration og

dataintegration• Data governance• Data og

procesmodellering• Strategisk valg af

teknologier og værktøjer

• Viden om data

Sikre data behandles som et fælles strategisk aktiv

Gradvist implementere en ny fælles Databank, der sikrer at alle data er tilgængelige

Understøtte agil udvikling af digital transformation

Optimere processer vha. data og analyser

Anskaffe fleksible og skalerbare teknologi-platforme

Sikre tryg og sikker udnyttelse af data

Etablering af samarbejdsorienteret partnerskabsmodel

Styrket porteføljestyring og prioritering med stakeholdere

Udvikling og anvendelse af håndbog med metoder, standarder og principper, der sikrer agilitet

Autoritativ beskrivelse af datadefinitioner og struktur for dataejerskaber

Politik for dataanvendelse

Udvalgte leverancer

Vision

Ydelsesområder Gaps

Data Governance

Arkitektur, data og teknologier

Roadmap for implementering

Om DeloitteDeloitte leverer ydelser indenfor revision, consulting, financial advisory, risikostyring, skat og dertil knyttede ydelser til både offentlige og private kunder i en lang række brancher. Deloitte betjener fire ud af fem virksomheder på listen over verdens største selskaber, Fortune Global 500®, gennem et globalt forbundet netværk af medlemsfirmaer i over 150 lande, der leverer kompetencer og viden i verdensklasse og service af høj kvalitet til at håndtere kundernes mest komplekse forretningsmæssige udfordringer. Vil du vide mere om, hvordan Deloittes omkring 286.000 medarbejdere gør en forskel, der betyder noget, så besøg os på Facebook, LinkedIn eller Twitter.

Deloitte Touche Tohmatsu LimitedDeloitte er en betegnelse for en eller flere af Deloitte Touche Tohmatsu Limited (”DTTL”), dets netværk af medlemsfirmaer og deres tilknyttede virksomheder. DTTL (der også omtales som ”Deloitte Global”) og alle dets medlemsfirmaer udgør separate og uafhængige juridiske enheder. DTTL leverer ikke ydelser til kunderne. Vi henviser til www.deloitte.com/about for nærmere oplysninger.

© 2019 Deloitte Statsautoriseret Revisionspartnerselskab. Medlem af Deloitte Touche Tohmatsu Limited

Spørgsmål eller kommentarer?

Indsigtsdrevne organisationer i den offentlige sektor...Big data og digitale spor Den øgede...

Documents

Transcript of Indsigtsdrevne organisationer i den offentlige sektor...Big data og digitale spor Den øgede...