Tre trin: Fra data til handling

”Risiko er i virkeligheden at tro, at vi skal holde os og klamre os til status quo. Det er dét, der er risikofyldt. Så hvis vi vil undgå risiko, så skal vi være up front med at tænke, hvordan bliver vi gode til at tackle det, vi ikke ved – det der kommer, som vi ikke ved hvad er. Hvordan indretter vi os, så vi er i stand til at reagere hurtigt?”

Det siger professor, Eva Sørensen, fra Roskilde Universitet adspurgt om, hvilken risiko, der er forbundet med at udvikle og nytænke den offentlige velfærd[1].

Coronakrisen har vist, at vi hurtigt kan omstille den offentlige sektor, når der sker store indgribende begivenheder. Men hvad skal der til for, at vi i hverdagen bliver endnu bedre til at omstille og udvikle velfærden?

Data kan i endnu højere grad end i dag være en del af løsningen for at sikre, at vi prioriterer de rigtige indsatser i forhold til udfordringerne og får mest mulig kvalitet for de økonomiske ressourcer.

Data kan dog ikke stå alene – det skal ses som et værktøj, der sætter gang i dialogen på fra ledelse til udfører, og som konstant gør os klogere på, hvordan vi kan indrette os og arbejde smartest til gavn for borgere og brugere af velfærdsydelser.

Men det er ikke al data, der har substansen eller gennemslagskraften til at skabe handling. Det kræver tid, ressourcer og de rette kompetencer at kunne omsætte data til handling.

Nedboring i data

Det, der kan få embedsmænd og politikere til at handle, er i høj grad er data, der kan fungere som en øjenåbner. Der kan fx være data, der illustrerer en dramatisk uoverensstemmelse i budgetter eller forskel i ydelser til to tilsyneladende ens grupperinger. Det peger, Philip A. Streifer, amerikansk ph.d. i uddannelse og administration, ”Tools and Techniques for Effective Data Driven Decision-Making” på.

Han argumenterer for, at der er tre overordnede trin i arbejdet med data, som har betydning for, hvorvidt, man kan handle på resultaterne. De tre trin går fra at identificere mulige udfordringer til at sætte retning for korrigerende eller innoverende handlinger.

Denne udgave af nyhedsbrevet Råderum sætter fokus på, hvordan kommunerne på forskellige trin arbejder med data, og hvilke handlinger, de kan igangsætte på baggrund af analyserne på tværs af velfærdsområderne.

Figur 1: Nedboring i data - de tre trin
 

Figuren bygger på modellen ‘Data Driven Decision-Making’ i Tools and Techniques for Effective Data Driven Decision-Making af Philip A. Streifer 2004.

På første trin er det typisk aggregerede data, som viser det store, overordnede billede, som fx kan bruges til benchmarking. Data kan på dette trin indikere, om der er behov for at stoppe op og handle.

Gennemgående for tre kommunale cases, vi præsenterer i dette nyhedsbrev, er, at efterspørgslen efter data udsprang af en styringsmæssig udfordring.

Det var fx tilfældet i Assens Kommune, som overordnet kunne se, at der var overskridelser på budgettet. Økonomikonsulenten Henrik Egedorf fra Assens Kommune fortæller om, hvordan de kunne se, at budgettet skred – men at det var sværere at fastslå, hvor problemet specifikt opstod. Det fik dem til at lave en opbremsning og igangsætte yderligere analyser.

Artikel om Assens Kommune.

På andet trin dykkes der ned i mere detaljerede og individualiserede data. Dette trin giver indsigt i, hvad eller hvilket område der skal handles på – og om der i det hele taget er behov for handling. Dette trin kræver mere komplicerede analyser og værktøjer, og at resultaterne af analyserne følges op af anden viden.

Det har de arbejdet med i Gladsaxe Kommune for at styrke ledelsesinformationen på børne- og ungeområdet. Her indgik Familieafdelingen et samarbejde med Gladsaxe Kommunes enhed for datadrevet forretningsudvikling om udvikling af BI-rapporter, der visualiserer en række centrale data på området. På baggrund af samarbejdet er der blevet udarbejdet rapporter, der skaber overblik over de mest centrale data i en styringsmæssig optik.

Sagsoverblikket anvendes eksempelvis for den enkelte rådgiver som udgangspunkt for en drøftelse mellem teamlederen og rådgiveren, om hvorvidt der er tilstrækkelig sammenhæng mellem udgifter og resultater i de enkelte sager.

Artikel om Gladsaxe kommune

På det tredje trin bruges data til at prognosticere eller i bedst muligt omfang at forklare, hvad der ligger til grund for data. Det er ikke realistisk at stræbe efter, at data skal give definitive svar på sammenhæng mellem årsag og virkning. Men vi kan stræbe efter at begrænse de mulige forklaringer, så vi kan målrette vores tiltag og indsatser, så de får størst mulig effekt.

I Hjørring Kommune arbejder de med mange parallelle indsatser, der skal løfte de unge til job og uddannelse. I den forbindelse bruges DREAM-data, som kommunerne tilgår via FLIS, til at følge op på og evaluere effekterne af indsatserne løbende for at sikre, at flest muligt får noget ud af indsatserne, primært til gavn for den enkelte unge, men også for den økonomiske gevinst for kommunen.

Artikel om Hjørring Kommune

Kommunerne bruger således data på forskellige niveauer til at pejle sig ind på, hvordan de kan målrette deres tiltag og indsatser endnu mere for, for at sikre størst mulig effekt af dem. Men casene viser også, at der fortsat er rum til at bore endnu mere ned i, hvorfor tiltag og indsatser virker, som de gør.

Hvad skal der til for at lykkes med at omsætte data til handling?

Det er en udfordring at lykkes med at omsætte data til handling. Det skyldes, at der kan være tendens til, at vi antager, at vi har den rette viden og kompetencer til at løfte opgaven – og at vi dermed underkender, hvor omfangsrig og svær opgave, det kan være.

For at lykkes med at omsætte data til handling, kræver det ifølge Streifer, at vi:

• Forstår og er i stand til at identificere relevante målsætninger i forhold til kommunens overordnede visioner, som man kan finde data på, der viser det store billede
• Er i stand til at dekonstruere komplekse spørgsmål ned til komponenter, der kan analyseres og give mere viden om de linjer, der tegnes i det store billede
• Besidder, tilegner eller hyrer analytiske kompetencer, som kan lave analyser på trin 1-3
• Gennemskuer validiteten og brugbarheden af tilgængeligt data, eller hvorvidt der er behov for andre kilder
• Er i stand til at drage logiske slutninger på baggrund af data
• Bruger data som afsæt for drøftelser om effekter og kvalitet, så der er gennemsigtighed af de økonomiske konsekvenser ved beslutninger, og så faglighed og økonomi går hånd i hånd
• Bygger bro med data som et dialogværktøj, der kan bruges såvel horisontalt som vertikalt i organisationen med alle relevante aktører, der kan være med til at til at belyse udfordringer og muligheder.