Fire kommuner, fire forvaltningsområder og fire forskellige tilgange til at bruge data for at kvalificere beslutningerne om, hvilke indsatser der er mest effektfulde for borgerne. Datainformeret eller -drevet ledelse har set dagens lys mange steder. Vi hørte de første erfaringer.
Aarhus Kommune: Bruger data til at vurdere effekt af sociale indsatser
Kontorchef Martin Bilberg i Ressourcestyring, Socialforvaltningen
Hvordan arbejder I med data-drevet ledelse?
– Datadrevet ledelse er i min optik uløseligt relateret til styring. Og styringen har i de seneste årtier bevæget sig op ad en ”styringstrappe”, hvis nederste trin – økonomisk administration – basalt set handler om at betale regningerne til tiden, kontere dem rigtigt osv. Siden har vi trådt op ad trinnene med henholdsvis økonomisk budgetstyring og aktivitetsstyring og er nu nået op til øverste trin med effektstyring.
– Det er vi, fordi vi jo som socialforvaltning ikke er sat i verden for bare at betale regninger til tiden, overholde det økonomiske budget eller til at levere konkrete ydelser og aktiviteter. Det skal vi naturligvis også, men vores eksistensberettigelse er at skabe de bedst mulige effekter for de grupper af udsatte borgere, som er i vores system. Det er jo også det spændende og meningsfulde i vores arbejde.
– For at sikre det laver vi effektvurderinger i de individuelle handleplaner. Vi arbejder hele tiden på at få et bedre datagrundlag for at kunne vurdere, hvilken effekt de sociale indsatser har for borgerne. For her er vi inde i den inderste del af kernefagligheden: Når vi de mål, vi – oftest i fællesskab med borgeren – har sat os, både på kort og lang sigt? Og kan vi ændre et barns livsbane til det bedre gennem læring, uddannelse og beskæftigelse, men også netværk, medborgerskab og personlig udvikling?
Hvem bruger de data, I leverer?
– Meningen er, at disse data kan bruges på alle niveauer i organisationen til en dialog om, hvordan det går med at gøre den forskel for borgerne. Det vil sige, at data både kan bruges lokalt af den enkelte medarbejder eller afdelingsleder og mere overordnet af de forskellige chefniveauer, direktion og det politiske niveau. Men det er først og fremmest et socialfagligt redskab, som bl.a. handler om, at der skabes et fælles sprog mellem borgeren, myndighedspersonen og udføreren. Derfor har vi også implementeret et nyt it-system, hvor myndighed og udfører begge er på. For it er gelænderet, som går hele vejen op ad den styringstrappe, jeg taler om. Uden det at holde fast i er der stor risiko for, at man falder ned.
– Jeg mener dog, at vi er et godt stykke vej fra egentlig datadrevet ledelse. Hvis vi kan omsætte data til bedre ledelsesmæssige beslutninger, er det super godt, men foreløbig er vi nærmere på stadiet for datainformeret ledelse. For så gode data har vi heller ikke endnu. Men målet er at sikre, at viden om effekten og de sociale resultater, vi skaber, bliver en tydeligere del af beslutningsgrundlaget. Det kræver tålmodighed og vedholdenhed.
Kan man da registrere og måle alt i sociale indsatser?
– Nogle vil måske sige, at hver sag er unik, og at mennesker ikke kan puttes i kasser. På den ene side er det rigtigt, at det specialiserede socialområde ofte fordrer individuelt skræddersyede forløb, men på den anden side er der også fællestræk i sagerne, som gør det muligt at udtrække brugbare socialfaglige data og viden, vi kan systematisere og inddrage i beslutningsgrundlaget – både i det enkelte borgerforløb og på de forskellige ledelseslag i organisationen.
– Men jeg mener, at effektvurdering først og fremmest er et fagligt projekt. Det afgørende er, at den datagenererede viden gør en forskel i de faglige dialoger, som kvalificerer den sociale indsats bedst muligt og dermed understøtter borgerens egen proces for at blive bedre til at mestre eget liv.
Furesø Kommune: Tværgående data skal skabe forandring
Velfærdsdirektør Niels Milo Poulsen
Hvordan bruger I data i ledelsen hos jer?
– Inden man trækker data ud af sine systemer og for, at man kan bruge dem klogt i de indsatser, man vælger ud, skal man ledelsesmæssigt beslutte sig for, hvad man vil. Hos os er målet, at vi vil bryde social arv gennem sammenhængende indsatser på tværs af faglige og organisatoriske skel. Her ser vi på borgernes sammensatte udfordringer med det fælles mål at skabe en forandring, gøre dem selvforsørgende og i stand til at klare sig selv i tilværelsen.
– Det er en smuk plan, som for at blive til virkelighed kræver datatræk: Hvilke borgere har vi i hvilke sektorer? Det har vi brugt analyseværktøjer til at se på, også på tværs af forvaltningsområderne. For normalt kører indsatserne jo meget søjleopdelt i de forskellige fagsystemer. Vi har så valgt 100 borgere ud og etableret en tværfaglig indsats for dem i et nyoprettet ”Team sammenhængende borgerforløb”. I stedet for mange forskellige myndighedspersoner er der nu kun én sagsbehandler. Her har den største udfordring været at få lov til at hente og krydse data, som kræver samtykke fra borgerne.
Hvad bruger I dataene til?
– Når vi sætter indsatser i gang, har vi både økonomiske og faglige overvejelser. Derfor måler vi progressionen hos borgerne efter specifikke mål, vi har sat op, og som vi kan monitorere. Det er måden, vi har valgt at bruge den datadrevne ledelse til at følge fremdriften af vores indsatser på.
– For mig som chef i den strategiske del er dialogen med den faglige ledelse af indsatserne meget vigtig. For vi har mange gode indsatser, drevet af helhjertede indsatser, men når man spørger, om det virker, er det ofte enkeltstående historier snarere end den samlede aggregerede viden, vi taler om.
Er risikoen ikke, at I kun styrer efter det, som kan måles og vejes – hvad med det professionelle skøn og erfaringen?
– ”Er det nu ligegyldigt, at jeg har fået en god relation til borgeren – og at det har taget tre måneder overhovedet at få borgeren herop til et møde?”. Jo, det har vi selvfølgelig drøftet, for vi skal ikke krænke den faglige vurdering og erfaring, der ligger forud i sagerne. Men når vi har prøvet en indsats i tre-fire-fem-seks måneder, og den ikke skaber forandring – skal vi så blive ved med det?
– En vigtig pointe i det her er, at vi bygger videre på de arbejdsmetoder, vi i forvejen bruger. Det er en videreudvikling af de faglige og tværfaglige indsatser. Og de data, vi bruger, findes i delsystemerne, for data fødes jo der, hvor den faglige indsats foregår. Så øvelsen er mere en systemopgave – med den klare gevinst, at vi kan lave én samlet plan for borgeren frem for fire delhandleplaner i hvert sit system.
– Og jo, det er en gigastor øvelse, som kræver mandsmod. Man skal på én gang være tålmodig og have fokus på, at tingene flytter sig. Det er farligt at sætte sig for høje mål, fordi vi endnu kun har få erfaringer med at arbejde datadrevet på de tværfaglige indsatser. Derfor er den forudgående faglige dialog så vigtig – for at sætte realistiske mål for borgeren. Derfor ser jeg den datadrevne del lige så meget som en indgang til en åben og nysgerrig faglig dialog, som den er en måde at monitorere arbejdet på undervejs mod de fælles mål. For vi skal huske på, at det ikke er måleværktøjerne, som skaber resultaterne. Det er den faglige indsats. n
Varde Kommune: Datadrevet opfølgning på KPI’er
Arbejdsmarkedschef Erik Schultz
Hvordan bruger I data i ledelsen hos jer?
– Beskæftigelse er et af de områder med allerflest data, fordi vi registrerer alt, hvad vi gør. Så vi kan stort set få de data, vi ønsker. Faren er selvfølgelig, at vi henter data på alt muligt, vi ikke har brug for, så derfor har vi i ledelsen udvalgt tre fokuspunkter, som vi har udmøntet i tre Key Point Indicators (KPI): Hvor mange ledige har vi inden for hver målgruppe, hvor længe er de ledige, og hvor mange får vi i job?
– Den ledelsesinformation har vi brug for for at kunne styre ’produktionen’ i jobcentret – ikke mere: De data fortæller os, hvor vi er nu, og hvilken effekt vores indsatser har. Det interesserer mig som den, der sidder øverst.
– Men de tre KPI’er folder vi også ud ned igennem pyramiden, for det kan godt være, at fx afdelingslederne gerne vil have mere information. I princippet kan vi folde data ud helt ned på medarbejderniveau og fx se forskellen på, hvor længe den enkelte medarbejder er om at få en ledig i job. Men den forskel kan der jo være mange gode forklaringer på, så derfor har vi ikke taget benchmarking på medarbejderniveau i brug som et værktøj endnu. Fordi det her ikke handler om at slå nogen oven i hovedet. – Vi bruger heller ikke denne ledelsesinformation til at benchmarke ud af huset. Det er tal fra vores egne fagsystemer, som ikke nødvendigvis kan sammenlignes med tal fra et jobcenter et andet sted i landet. Men de tal, som vi indberetter centralt, bruger STAR til at sende benchmarkingrapporter ud til de kommuner, vi er i klynge med. Det er tal, som typisk kommer med et halvt til et helt års forsinkelse, mens de data, vi arbejder med internt, er dugfriske, fordi vi kan trække dem direkte.
Hvad bruger I data om de tre KPI’er til?
– Vi bruger dem offensivt, fordi vi jo kommer væk fra ’synsninger’. Vi kan se, om et helt konkret tilbud er effektfuldt og kan stoppe samarbejdet med en konkret leverandør, hvis tilbuddet ikke har den effekt, vi ønsker.
– Vi deler også ’undren’ over ledelsesinformationen på vores ledermøder og reagerer hurtigt på udsving ud fra fem sigtelinjer for borgeren: så kort tid som muligt i systemet, så få kontaktpunkter som muligt, nedbryde ventetider og barrierer, borgerinddragelse og sikre den nødvendige arbejdskraft til virksomhederne.
– Det næste bliver, at vi kan lave fælles data på tværs af beskæftigelses- og børne-familie-området i sagerne med unge op til 18 år. Vi har rykket medarbejderne fysisk sammen og givet dem fælles opgaver for at sikre, at planerne for de unge under 18 år hænger sammen med dem på voksenområdet. På den måde håber vi bl.a. at kunne undgå, at så mange debuterer på kontanthjælp som 18-årige.
Københavns Kommune: Machine learning kan transformere den kommunale forretningsmodel
Mikkel Folmø, kontorchef i Koncern IT
Hvordan arbejder I med datadrevet ledelse?
– Vi er en intern konsulentfunktion, som laver machine learning og automatiseringsprojekter i samarbejde med de enkelte forvaltninger i kommunen, som selv har ansvaret for, hvilke data de vil bruge til hvad. Vi kan levere forudsigelser og statistik, som de kan bruge i deres sagsbehandling.
– Fx er vi i gang med et projekt sammen med Teknik- og Miljøforvaltningen om at forudsige, hvor der er ledige p-pladser i byen. Det gør vi med data fra p-automater, data om, hvor der er solgt flest beboerlicenser, og med satellitdata. Ud fra disse mange informationer kan vi lave en algoritme, som giver borgerne et bud på, hvor og hvornår i byen der er størst sandsynlighed for ledige p-pladser. Det er politisk vedtaget datadrevet borgerservice, og første version af systemet forventer vi går i luften i år.
– Et andet eksempel inden for den mere klassiske velfærd er, at vi sammen med Sundheds- og Omsorgsforvaltningen har lavet en algoritme til at forudsige, om den enkelte ældre borger får brug for mere hjælp i den nærmeste fremtid – baseret på data om omfanget af hjemmepleje, hospitalsindlæggelser osv. Den viden kan forvaltningen bruge til visitations- og personaleplanlægning eller til forebyggelse.
– Derudover automatiserer vi nogle funktioner med at sortere og fordele post, som kræver mange medarbejderressourcer. Men velfærdsområderne er de mest interessante – ikke kun fordi datadrevne løsninger kan spare penge, men også fordi vi kan give bedre tilbud, som hurtigere kan få borgerne i den retning, man ønsker.
– Så machine learning eller data-drevet velfærd handler ikke om at fjerne den menneskelige kontakt mellem borger og medarbejder, men om at få sagsbehandleren til hurtigere at gennemskue borgerens historik og herudfra finde ud af, hvilket tilbud som har størst effekt – altså træffe bedre beslutninger på baggrund af bedre information.
Men handler machine learning ikke bare om at effektivisere og spare penge?
– Machine learning er at sætte computeren til at lære af sager. Du tager dine data, fx et antal sager, som er afgjort, og hvor du kender udfaldet, og så fortæller du maskinen, hvad den korrekte handling i den enkelte sag er. Når der så kommer en ny sag, skal maskinen kunne foreslå eller træffe en afgørelse. Jo flere sager, den bliver fodret med, des større bliver dens træfsikkerhed.
– Der skal altid et menneske til at vurdere i tvivlstilfælde, men hvis de enkle sager kan afgøres hurtigere, vil det give et overskud af tid til de mere komplicerede sager. Så nej, det er ikke guldstøv, vi drysser ud over det hele, så ingen behøver at arbejde mere. Men vi kan gøre nogle arbejdsopgaver ikke bare mere effektive, men også løfte kvaliteten af dem, fordi maskinerne kan overskue og bearbejde meget større mængder data end en enkelt medarbejder kan, uden at det koster ekstra tid.
Hvordan kommer lederne til at kunne bruge datadrevet ledelse?
– Som leder skal man først og fremmest vide, hvad ny teknologi kan gøre for ens fagområde – og tage det med ind i sin ledelsesdagsorden. For udfordringen er, at hvis alle andre begynder at bruge den nye teknologi til deres kunder, men kommunen ikke gør over for os som borgere, bliver der utilfredshed, og i yderste konsekvens risikerer velfærdsindsatserne at blive disruptet udefra.
Artiklen har været bragt i Offentlig Ledelse 3/2018