Mål, ledelse og tværgående processer. Hvordan arbejder vi bedre med data og dataanalyse i kommunerne?

Da de to netværksgrupper mødtes første gang, handlede det om data- og analysekonsulentens rolle og udfordringer med dataanalyse og Business Intelligence. Dengang pegede deltagerne på ledelsesopbakning og mistillid til data som generelle udfordringer. Ved datanetværkets andet møde var der forberedt to temaer:

• Mål og ledelse
• Forankring og tværgående interesser

Særligt var der fokus på metoder og værktøjer, så deltagerne kunne arbejde med temaerne i praksis. Temaerne afspejler de nævnte problemstillinger fra første netværksmøde, da værktøjerne kan bruges til at skabe opbakning hos ledelsen og forståelse for dataprojekter rundt i organisationen, og på den måde skabe mere tillid til data. Du kan læse mere om første netværksmøde her.

Mål og ledelse: i et dataanalytisk perspektiv

Data, digitalisering og BI er kommet til et sted, hvor det ikke længere er de tekniske problemer, der fylder mest. Nu er det i høj grad arbejdskulturen, man bokser med. Som dataanalysekonsulent står man med en stor analysefaglighed, men nu skal man også kunne lede opad, nedad, eller endda på tværs af kommunen, afdelingen eller enheden, alt efter, hvor langt arbejdskulturen har rykket sig på dataområdet. Derudover er forståelsen for data også meget forskellig. Det bliver hurtigt komplekst, og nogle gange er det den samme person, som ender med at stå med ansvaret uden nødvendigvis at være den mest kvalificerede.

Derfor er det relevant at arbejde med mål og ledelse af data og tilegne sig de principper, man kan læne sig op ad – eller en fælles forståelse af dataarbejde i organisationskulturen. I den forbindelse blev deltagerne præsenteret for en afklaringsmodel bestående af 5 trin:

• Klart mål
• Hvad kan data?
• Hvad vil vi med data?
• Opgaver
• Ressourcer

I den perfekte verden starter man fra toppen ved at definere klare mål og snævrer det derfra ind, men sådan er virkeligheden sjældent – i de fleste tilfælde får man startet hurtigt op og kommer i gang med et helt andet udgangspunkt. Derudover er det vigtigt at huske, at selvom data kan rigtig meget, så kan data ikke alting. Og bare fordi man har data tilgængeligt, skal man så bruge det?

Modellen skal derfor bruges til refleksion eller som hjælpespørgsmål, om hvorvidt man i kommunen har et klart mål? Og om man kan sige nok ud fra den data, der er tilgængelig?

Afklaringsmodellen er ikke de vises sten, de findes heller ikke. Det er måske også en indsigt i selv: Hvis der ofte går kludder i arbejdet med data, så skyldes det måske at situationen er uafklaret eller simpelthen bare besværlig. Det handler i høj grad om kulturforandring, og hvis der er en ting data ikke kan, så er det at skabe kulturforandring.

Et bedre tværgående dataarbejde

Når man skal indsamle førstehåndsdata, er det til en start vigtigt at have indsigt og forståelse for, hvad organisationen kan bruge data til. Det giver en højere datakvalitet og tillid til data, men fælles forståelse af data bliver svært, når der skal arbejdes tværfagligt. Når man er ude på fagområderne, møder man samarbejdspartnere, der er meget passionerede omkring deres kerneopgave. De har måske også data som en perifer interesse, hvis overhovedet en interesse. Det kan ofte udmønte sig i en tilbageholdenhed overfor data eller i værste fald en oplevelse af data som en hæmsko.

Det er en særlig kompetence at arbejde på tværs af fagområder som dataanalysekonsulent. Så deltagerne blev præsenteret for et designværktøj, som de fik lov til at afprøve. Værktøjet er en hjælp til at møde andre ud fra deres synsvinkel, og inddrager arketyper på medarbejdere med forskellige udfordringer og muligheder. Arketyperne hjælper med relevant perspektivering til det tværfaglige dataarbejde:

F.eks. den stressede fagkonsulent, som åbenlyst kan være en udfordring, da vedkommende mangler tid. Omvendt kan denne stress komme fra en stor berøringsflade og den stressede fagkonsulent kan derfor være en nyttig alliancepartner.

På samme måde kan den databegejstrede fagchef måske være udfordrende, selvom det på overfladen kan ses som den perfekte alliance. Vedkommende kan måske sætte nogle projekter i gang, som der ikke er opbakning til i hele organisationen.

Derfor er det nyttigt at sætte sig i arketypernes position og tænke over, hvad de er pressede på. På den måde kan man gøre dataarbejdet mere relevant og forklare, hvordan data skaber værdi.

Det vigtige er nødvendigvis ikke at udfylde et arketype-skema. Det handler om at være bevidst omkring perspektivering og sætte sig selv i andres sted. I sidste ende handler det om mennesker, og der er derfor ikke én metode, der passer til alt.

KL har to nye netværk om dataanalyse og Business Intelligence, der starter til februar på henholdsvis Sjælland og i Jylland. Der er stadig enkelte ledige pladser i netværkene og du kan læse om format og finde datoer for de nye netværksmøder i 2020 her.