IDO Indsigtsdrevne organisationer i den offentlige sektor
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
• Hvor langt er vi?
• 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
10© Deloitte 2019 10© Deloitte 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
• Hvor langt er vi?
• 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
• Hvor langt er vi?
• 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
14© Deloitte 2019© 2017 Deloitte Consulting AG. All rights reserved.
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
19© Deloitte 2019
Snubletråde på vejen
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.”
21© Deloitte 2019 21© Deloitte 2019
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?