Den datadrevne Fødevarestyrelse Perspektiver på data- og digitaliseringsprojekter

Transkript

1 Den datadrevne Fødevarestyrelse Perspektiver på data- og digitaliseringsprojekter

2 Kort om mig selv 1. April 2007: Ansættes i Fødevarestyrelsen Kilde: Laboratory&extendedfilters=False#HeaderText

3 Indhold Det store spørgsmål Flerårige planer kontra agilitet Mål og prioritering i Fødevarestyrelsen Tilgangen til det nye, herunder eksempler Læring og perspektiver

4 Spørgsmålet Hvad vil det sige at være en datadreven styrelse?

5 Hvor er hvilket kvæg og deres familierelationer [kvægdatabasen] Dyrlæger og dyrlæge-klinikker. [Vet.stat] Foder produktion Sundhedsaftaler og deres kategorier Transport af dyr Fakturering Data fra jord til bord - de umiddelbare Leds. Info Animalske biprodukter Tidsregistrering [Timesag] Budgetsystem Sygdomsfund på slagterier [Sygdomsbemærkninger] Eksport og samhandel af levende dyr [Eksportportal] Navision Opgørelse af slagtninger [Produktionsindberetninger] Journalisering [Workzone] Salmonellaovervågning [Ferskkødsovervågning] Eksportcertifikater Eksport og samhandel af levende dyr i og fra EU [Traces] Smiley Min side DiKo Foder kontrolresultater DiKo Veterinær kontrolresultater Klager over afgørelser DiKo Fødevare kontrolresultater Flytning af svin [Svineflyt] Flytning af får og geder [Flokflyt] Besætningsoplysninger [CHR] Overvågning af smitsomme sygdomme [Beredskab] LIMS/Prøver Oplysninger om vores kontrolobjekter [KOR] Oplysninger om vores tilsynsførende [TF-register] Fødevare-kontrollens planlægningssystem [PLS] Forbrugerklager Rapid Alert

6 Tre måder at se på datas formål (i Fødevarestyrelsen) At udstille data for at få større transparens i den offentlige sektor i forhold til beslutningsprocesser, ydelser, afgørelser mv. At bruge data til at forbedre de offentlige ydelser og effektivitet gennem nye indsigter. At gøre data tilgængelige og anvendelige til social innovation og økonomisk vækst og derved understøtte at nye virksomheder, produkter og ydelser opstår.

7 Forventninger til det datadrevne (og Fødevarestyrelsen) Totalt overblik over alt Kan forudsige handlinger og begivenheder Hurtigere og bedre reaktion på handlinger og begivenheder Fødevarestyrelsen bliver billigere, mere effektiv og effektfuld Politikerne bliver glade, borgerne bliver glade og embedsmændene bliver glade

8 Flerårige planer kontra agilitet Digitaliseringsstrategi Datastrategi individualiseret viden og kommunikation for kunder og medarbejdere den datadrevne Fødevarestyrelsen digital understøttelse af effektive arbejdsgange effektiv, sammenhængende og sikker IT-portefølje understøtte vores beslutninger med data målrette vores indsatser og effekter på baggrund af data effektivisere og modernisere med udgangspunkt i data skabe transparens for vores kunder ved hjælp af data. Udfordring: Hvordan gør vi os agile nok til at være klar til de digitale forandringer både nu og i fremtiden? FVSTs digitaliseringstrategi fra 2015 og Datastrategien fra 2016 nævner fx intet om RPA/robotteknologi, Machine learning eller blockchain mv. GDPR nævnes heller ikke. Strategierne forholder sig ikke specifikt til det.

9 Mål og prioritering Hvad forventer styrelsen at opnå med digitalisering og data Mere brugervenlige og overskuelige ydelser, fx virk.dk, digital kunderådgivning Mere effektive og effektfulde ydelser, fx hurtigere sagsbehandling og datadrevet kontrol Skabe bedre rammevilkår for erhvervet, fx åbne data Vigtige prioriteringsområder At sikre at organisationen, kompetencerne mv. er tilpas agile til at håndtere forandringstempoet Den datadrevne Fødevarestyrelse - målrette indsatser og effekter Persondataforordningen Budgetsystem, personalesystem, Facility management

10 Tilgangen til det nye Værdi Kerneforretning Skalérbar Generalisérbar Opgaver, som Fødevarestyrelsen skal varetage og udføre for at skabe kort- og langsigtede effekter i form af værdi for organisationen og for Fødevarestyrelsens kunder Løsningen skal være skalérbar dvs., at den med fordel kan udvikles som MVP på et område, hvor det ikke betyder noget, om man har 20 brugere af løsningen eller Løsningen skal være generalisérbar dvs., at den skal kunne udgøre en almen forretningsidé/regel på et forretningsområde, som kan benyttes på et andet

11 Eksempler på det nye (I) Projekt Formål Effekter Læring Fødevareberedskab og blockchain Fødevareberedskabet er en kerneopgave og en optimering af processen hos både FVST og virksomhederne vil medføre en bedre fødevaresikkerhed Effekter erhvervet: Bedre fødevaresikkerhed (hurtigere, bedre tilbagetrækninger) Mindsket risiko for dobbeltkontrol Potentiale for bedre risikobaseret kontrol gode virksomheder får mindre kontrol Effekter Fødevarestyrelsen: Analytiske muligheder (fx distributionsnet/handelsmø nstre i forhold til sporing i udbrudssammenhæng) Bedre, risikobaseret kontrol Effektivitetsforbedring Stort fokus på kundens logik og behov. Uden erhvervets tilslutning intet projekt Forretningsviden koblet til Fødevarestyrelsens data er en forudsætning. Know-how, ressourcer og tilgængelige data er vigtige i en udviklingsfase

12 Eksempler på det nye (II) Projekt Formål Effekter Læring AI/Machine learning og kontroltekster Hvordan kan vi bruge teknologien til at løfte det juridiske niveau på kontroltekster ( kontrolrapporter årligt)? På kort sigt: Monitorere hvordan kvaliteten af kontroltekster er og udvikler sig Hvilke fejl optræder oftest? Hvordan virker en målrettet undervisningsindsats på et områder? På længere sigte: give mere direkte feedback/læring til tilsynsførende på sigt flytter feedbacken helt ud i brugerfladen, så der er er kvalitetskontrol i forbindelse med, at teksten bliver færdiggjort Teknologien er forholdsvis billig og nem at håndtere. Fordi computeren kun kan lære af det, vi lærer den, opdager vi, at juristerne ikke altid er ensartede i deres vurderinger. Ensartethed kræver ressourcer, og at man stiller opgaven rigtigt. Der er en tendens til, at man undervurderer alt det bløde rundt om projektet.

13 Eksempler på det nye (III) Projekt Formål Effekter Læring Robotics (RPA) og straksregistrering Projektet har fokus på tre processer, der skal implementere RPA i Fødevarestyrelsen, således at vi har en strategisk platform til at kunne håndtere flere administrative processer via RPA Økonomi: Der er en positiv business case i forhold til de konkrete initiativer Ensartet kvalitet i sagsbehandling: Robotten håndterer sager 100% ens fra gang til gang Standardisering: På tværs af flere afdelinger Øget medarbejder tilfredshed: Robotten håndterer de sager/sagsgange opfattes som monotone Afhængigheder til andre aktører og deres evner/prioriteringer - skal håndteres som en væsentlig risiko for projektet. Rettidig og konstruktiv dialog med de berørte aktører, giver bedre forudsætninger for forandring Interne ressourcer til drift af nye teknologiområder bør være en del af prioriteringen

14 Læring og perspektiver (I) Udfordring: At blive datadrevet kan give effektivisering, men i første omgang forudsætter det investeringer. Et succesfuldt projekt har tre fokuspunkter, hvis sammenhæng og indbyrdes afhængighed er nødvendige. Værdi. Værdien i projektet skal sikres gennem fokus på - Kerneforretningen - Skalérbarhed - Generalisérbarhed Efterspørgsel Efterspørgsel. Projektet skal have : - Legitimitet på politisk niveau. Projektet skal falde inden for Fødevarestyrelsens mission. - Ved indadrettede projekter er det vigtigt, at organisationen er forandringsparat. - Ved udadrettede projekter er det vigtigt, at erhvervet og forbrugerne er med på ideen. Værdi Evner. Her er spørgsmålet, om Fødevarestyrelsen har tilstrækkelig med knowhow, ressourcer og tilgængelige data til i første omgang at: - Udvikle løsningen Evner men lige så vigtigt i anden omgang at: - Drifte løsningen.

15 Læring og perspektiver (II) Udfordring: Man undervurderer de bløde barrierer De hårde barrierer er fx digitaliseringsklar lovgivning, herunder manglende lovgivning til udveksling og brug af andre myndigheders data. Hårde barrierer kan også være teknik. Det er oftest hårde barrierer, man taler om, men det er ikke de hårde barrierer, der er den største udfordring. Dem kan man prioritere at gøre noget ved og dem kan man omkostningsvurdere. Det er de bløde barrierer, som er sværest at gøre noget ved. En klassisk blød barriere er forandringsparatheden, herunder udviklingshastigheden kontra business as usual. Det udfordrer måden en organisation tænker på i forhold til planlægning, økonomi mv. De bløde barrierer indeholder ofte en skjult omkostning for organisationen. De bløde barrierer kan udgøre en usynlig risiko for, at projekterne ikke lykkes.