Datavarehus for uddannelsessektoren

Transkript

1 Datavarehus for uddannelsessektoren Delrapport 1 - Data i de fælles administrative systemer 19. maj 2010 CONNECTING BUSINESS & TECHNOLOGY.

2 Denne rapport er udarbejdet af Devoteam Consulting og Zangenberg & Company for Finansministeriet, Undervisningsministeriet, Ministeriet for Videnskab, teknologi og Udvikling samt Økonomi- og Erhvervsministeriet. Rapporten består af en hovedrapport og fire delrapporter. Opgaven har været at undersøge mulighederne for at etablere et fælles statsligt datavarehus for uddannelsessektoren, baseret på de data, som allerede findes i de administrative systemer. Undersøgelsen har omfattet de selvejende uddannelsesinstitutioner under Undervisningsministeriet (ungdomsuddannelser og professionsbacheloruddannelser samt produktionsskoler), under Videnskabsministeriet (universiteterne) og under Økonomi- og Erhvervsministeriet (de maritime uddannelser) Hovedrapporten sammenfatter og perspektiverer vores observationer og anbefalinger. Delrapport 1 beskriver resultatet af vores kortlægning af data i de fælles administrative systemer, herunder også den nuværende indsamling af data til brug på ministerieniveauet. Delrapporten munder ud i vores vurdering af dataparatheden, dvs. af muligheder og barrierer for indsamling af data fra de fælles administrative systemer til brug i et fælles datavarehus for uddannelsessektoren. Delrapport 2 beskriver best practice for opbygning og drift af datavarehuse, master data management mv., samt et udvalg af relevante eksempler på andre datavarehuse (cases) Delrapport 3 beskriver de erfaringer, der er gjort med opbygning af en prototype på et datavarehus, baseret på indsamling af data fra to af de administrative systemer. Delrapport 4 beskriver vores forslag til indretning og opbygning af et fremtidigt datavarehus for uddannelsessektoren

3 Indholdsfortegnelse 1. Indledning Metode Opgave og afgrænsning Generelt om kortlægningen og dataindsamling Oversigt over metoden Overordnet reference-begrebsmodel Strukturen i kortlægningen og de tilhørende skemaer Dataindsamling ved interviewmøder Metode til vurdering af dataparathed Oversigt Datavarehusorienteret model Definition af dataparathed Metode for beregning af dataparathed Indberetning og indsamling af data i dag Oversigt Tværgående datastrømme Områdespecifikke forhold Økonomi- og Erhvervsministeriet og Videnskabsministeriet Undervisningsministeriet Taxameterordningerne Danmarks Statistik Statens Koncern System, SKS Oversigt over SKS systemet Navision Stat Statens Budgetsystem, SB ØDUP, Økonomistyrelsens Data Udvekslings Punkt Indberetning og delte systemer i UVM Formålsregnskab i UVM

4 Regnskabsportalen i UVM Registrering af aktiviteter i CØSA Ressourceregnskabet Indberetninger i VTU Udviklingskontrakterne STÅ-indberetninger i VTU Indberetninger og kvalitetssikring i ØEM Eksisterende statistik- og analysesystemer DWH-S Datafællesskabet mellem UNI-C og Danmarks Statistik Kommende ressourceregnskab for UVM VTU s indikatorberedskab Danske Universiteters statistikberedskab ISOLA lønstatistik ØS LDV Institutions datamarter / SU Lokale datavarehuse Centrale stamdata- og dataopsamlingssystemer Institutionsregistret EASY-S SIS-S Øvrige delte systemer CPR CVR SU Anvendelsesområder Generelt Eksempel på tværgående sammenstilling af data Kortlægning af data i de administrative systemer Overblik Overordnet begrebslandkort

5 Særlige fokusområder Kortlægningen i institutionsområdeperspektiv Strukturen af områderne UVM-områderne VTU-området ØEM-området Kortlægningen i perspektiv af begrebsområder Tværgående systemer Geografi Studerende Institution Personale Pædagogiske/faglige aktiviteter Regnskab Ressourceforbrug Uddannelse Uddannelsesforløb Virksomhed ØEM begrebsområder Data governance UVM-området VTU-området ØEM-området Systemlandskaber UVM-området VTU-området ØEM-området Digitalisering Nuværende stade Relevante udviklingsplaner

6 5. Dataparatheden Oversigt over dataparatheden Parathed i tværgående systemer Navision Stat Statens Koncern System, SKS Statens Løn System, SLS Øvrige lønsystemer ISOLA ØS LDV UVM dataparathed Oversigt og baggrund UVM Geografi, institutioner, bygninger og lokaler UVM Studerende UVM Uddannelser UVM Regnskab og økonomi UVM Virksomheder UVM Personale og løn UVM Uddannelsesforløb (studieadministrative hændelser) UVM Undervisningsaktiviteter mv UVM Ressourceforbrug UVM Master Data Management VTU dataparathed Oversigt og baggrund VTU Geografi, institutioner, bygninger og lokaler VTU Studerende VTU Uddannelser VTU Regnskab og økonomi VTU Virksomheder VTU Personale og løn VTU Uddannelsesforløb (studieadministrative hændelser) VTU Undervisningsaktiviteter mv

7 VTU Ressourceforbrug VTU Master Data Management VTU Øvrige kommentarer ØEM Dataparathed Oversigt ØEM Geografi, institutioner, bygninger og lokaler ØEM Studerende, uddannelser, uddannelsesforløb, undervisningsaktiviteter ØEM Regnskab og økonomi, personale og løn, ressourceforbrug Dataparathed per dataområde (tværgående) Geografi Studerende Institution Lokale Personale Uddannelse Regnskab Budget Kontoplan Virksomhed Indskrivning Fremmøde Deltagelse/Tilmelding Resultat Personalehændelse Løn Sygefravær Personaleallokering Skema Undervisningsaktivitet

8 Øvrige pædagogisk/faglige aktiviteter Praktik Bevilling Finanspostering Budgetpostering Tidsforbrug Andet forbrug Dataparathed i forhold til indberetninger og indikatorer Muligheder for at øge dataparatheden Områder med højt kompleksitetsniveau Områder med alvorlige udfordringer

9 1. Indledning I denne delrapport redegør vi for vores kortlægning af data i de administrative systemer ved uddannelsesinstitutionerne (afsnit 4) og for den nuværende indsamling af data til brug på ministerieniveauet (afsnit 3). På grundlag heraf redegør vi i afsnit 5 for vores vurdering af dataparatheden, dvs. af muligheder og barrierer for indsamling af data fra de fælles administrative systemer til brug i et fælles datavarehus for uddannelsessektoren. Konklusionerne i denne danner grundlag for vores løsningsforslag, som er beskrevet i delrapport 4 - Løsningsforslag. Indledningsvis redegør vi i afsnit 2 for den anvendte metode. I afsnit 3 kommer vi nærmere ind på følgende emner: Indberetning Overblik over ministeriernes indsamling af data/indberetningsløsninger i dag Omfang af indberetninger i dag Her beskrives myndighedskrav, indberetninger osv., der findes i dag. Eksisterende statistik- og analysesystemer Her beskrives datafællesskab mellem UVM, DST og VTU samt statistikog analysesystemer mv., som findes i dag. Centrale stamdata- og dataopsamlingssystemer Her beskrives kortfattet relevante stamdata- og dataopsamlingssystemer Øvrige delte systemer Her beskrives andre centrale systemer af fælles interesse. Anvendelsesområder Her beskrives, hvilke områder det nuværende beredskab bruges til. Sammenfattende kan man sige, at de nuværende indsamlingsløsninger primært adresserer ministeriernes behov samt de brede behov for statistikker osv. I afsnit 4 dokumenteres og resumeres de faktuelle observationer fra kortlægningen af data i de fælles administrative systemer. I afsnittet kommer vi ind på følgende emner: Overblik Et summarisk udsyn hen over hele sektoren og en gennemgang af de særlige fokusområder, der har været vigtigst

10 Kortlægningen i institutionsområdeperspektiv Her gennemgås resultaterne for de undersøgte institutioner pr. begrebsområde. Her gives et overblik over hver institution, der er blevet undersøgt. Kortlægningen i perspektiv af begrebsområder Gennemgang af hvert begrebsområde, med beskrivelse af indsamlet data for området. Her gives et overblik over hvert begreb, der er blevet undersøgt. Data governance Her beskrives, hvordan data styres hos de forskellige institutioner og hvilken udbredelse, der findes af fælles standarder og kodesæt for data. Systemlandskaber Her beskrives den tekniske opsætning af de forskellige administrative systemer, med fokus på detaljer, der er relevante for dataudtræk (såsom databasetype, tilgængelighed af services etc.). Oplysningerne er relevante ift. at kunne vurdere, om det teknisk er muligt at lave dataudtræk fra forskellige systemer. Digitalisering Her beskrives i hvor høj grad, de forskellige administrative processer er itunderstøttede og hvor meget der endnu foretages manuelt. Relevante udviklingsplaner Her beskrives, hvilke videreudviklingsplaner der er blevet oplyst i forbindelse med undersøgelsen af de studieadministrative systemer. Oplysningerne er relevante for at se, hvor det er muligt at udvikle de administrative systemer til nemmere integration med et evt. datavarehus. Afsnit 5 indeholder vores beskrivelse af muligheder og barrierer for (automatiseret) indsamling af data til et kommende, centralt datavarehus. Hovedkonklusionen er, at der en del områder med god dataparathed, men der er også nogle områder, hvor det kræver en særlig indsats for at kunne komme frem til automatiseret indsamling af detaljerede registreringer. I afsnittet kommer vi ind på følgende emner: Oversigt over dataparatheden Her gives en samlet oversigt over dataparatheden baseret på vurderingerne af de kortlagte data. Parathed i tværgående systemer Her beskrives dataparatheden i de systemer, der anvendes af mange institutioner på tværs af ministerområderne

11 UVM dataparathed Her beskrives dataparatheden i de systemer, der anvendes inden for UVM. VTU dataparathed Her beskrives dataparatheden i de systemer, der anvendes inden for VTU. ØEM dataparathed Her beskrives dataparatheden i de systemer, der anvendes inden for de maritime uddannelser i ØEM (Søfartsstyrelsen). Dataparathed per dataområde (tværgående) Her beskrives dataparatheden på tværs af alle ministerområderne, grupperet ud fra dataområder i datavarehusmodellen. Dataparathed i forhold til indberetninger og indikatorer Her beskrives dataparatheden i relation til de i dag eksisterende indsamlinger af data i form af indberetninger og statistiske indikatorer mv. Områder med højt kompleksitetsniveau Her beskrives de områder, hvor data kan udtrækkes, men hvor kompleksiteten i at gøre det er særlig høj. Områder med alvorlige udfordringer Her beskrives de områder, hvor data først kan udtrækkes efter omfattende organisatoriske og forvaltningsmæssige tiltag (fx ændring af registreringspraksis, sektorstandardisering og meget andet)

12 2. Metode 2.1. Opgave og afgrænsning Opgaven har været at undersøge mulighederne for at etablere et fælles statsligt datavarehus for uddannelsessektoren, baseret på de data, som allerede findes i de administrative systemer. Undersøgelsen har omfattet de selvejende uddannelsesinstitutioner under Undervisningsministeriet, Videnskabsministeriet og Økonomi- og Erhvervsministeriet med følgende uddannelser: Undervisningsministeriet o Almengymnasiale uddannelser o Erhvervsrettede uddannelser o Videregående uddannelser o Voksenuddannelser, samt o Produktionsskoler Videnskabsministeriet o Universitetsuddannelser Økonomi- og Erhvervsministeriet o Maritime uddannelser I forhold til at dække hele uddannelsessektoren omfatter undersøgelsen således ikke grundskolen, de frie skoler (højskoler, efterskoler m.fl.) eller skoler/uddannelser under kulturministeriet. Undersøgelsen omfatter heller ikke data om forskningen ved universiteterne. Undersøgelsen har taget udgangspunkt i at kortlægge, de data, som allerede findes i de fælles administrative systemer, der anvendes ved institutionerne (de potentielle datakilder). Derudover har kortlægningen i udgangspunktet omfatte de systemer i ministerierne (inkl. UNI-C), der modtager eller anvender data fra de fælles administrative systemer ved institutionerne, samt SU og Danmarks Statistiks registre om uddannelse. Hen ad vejen har vi inddraget yderligere systemer, som vi har ment kunne være relevante datakilder, herunder centralt drevne systemer som o Praktikpladsen o Praktikplads plus o Vis kvalitet

13 en række administrative systemer ved universiteterne (som udfylder samme roller. som de fælles administrative systemer ved skolerne under undervisningsministeriet) Det har dog også været nødvendigt at afgrænse undersøgelsen fra en række systemer, der ikke anvendes direkte i institutionernes administration, som fx. optagelse.dk 2.2. Generelt om kortlægningen og dataindsamling Oversigt over metoden Den første del af opgaven er en kortlægningsopgave, der har ført til en oversigt over datagrundlaget i de tre ministerområder samt vurderinger af disses tilstand i forhold til mulighederne for automatiseret indsamling af disse data til et fælles datavarehus. Dernæst har opgaven været, at vurdere i hvilket omfang disse data var egnede ("parate") til automatiseret indsamling til et fælles datavarehus for uddannelsessektoren. Kortlægningsmetoden baserer sig på disse hovedkomponenter: En fælles overordnet referencebegrebsmodel, der gør det muligt at sammenstille information om data fra de forskellige domæner Et sæt af tre skemaer til forskellige formål Et stort antal interviewmøder, hvor vi med udgangspunkt i begrebsmodellen og skemaerne gennemførte kortlægningen I det følgende gennemgås disse elementer i lidt flere detaljer. Metoden for vurdering af dataparatheden gennemgås i afsnit Overordnet reference-begrebsmodel Inden for rammerne af projektet har vi arbejdet med en fælles referencemodel for de overordnede begreber på uddannelsesområdet. Projektet dækker mange forskellige typer af uddannelser i tre ministeriers områder. Det er derfor nødvendigt at anvende en fælles referenceramme, når man skal kortlægge og beskrive de mange data, der er i spil i systemerne. Begrebsmodellen

14 er styrende for en hel del af kortlægningsarbejdet og for den resulterende analyse, samt for løsningsforslagene i delrapport 4. I erkendelsen af, at der er forskellige domæner med forskelligt begrebsapparat på spil, måtte vi således udvikle en fælles referencemodel på forretningsniveau. Vi havde brug for et helikopterview, hvorfor det er en overordnet model. Der er ikke nogen etableret sektorstandard, men internationalt findes der er et School Interoperability Framework (SIF), som anvendes i USA, UK og Australien. EU (CEN) har haft en arbejdsgruppe om SIF. Vi har derfor modelleret de overordnede områder og forretningsbegreber, som er i fokus ved kortlægningen ud fra disse domæner: Overordnet domænemodel UVM (baseret primært på ResourceRegnskabet, men også på CØSA mv.) Overordnet domænemodel VTU (baseret på STADS, som anvendes på mange af universiteterne) Overordnet begrebsmodel for SIF Resultatet af syntesen af ovennævnte blev en overordnet referencebegrebsmodel med inspiration i SIF, men med kraftig tilpasning til danske forhold. Modellen fremgår af Figur 1. Som der fremgår, er begrebsmodellen opdelt i nogle begrebsområder (de stiplede kasser), som indeholder overordnede begreber på forretningsniveau (ovalerne). De mest iøjnefaldende sammenhænge mellem begreberne er visualiserede som pile, der symboliserer en 1-til-mange type af sammenhænge. I Figur 2 forsøger vi at oversætte begreberne mellem den overordnede begrebsmodelterminologi og de termer, der anvendes inden for de to store ministerområder

15 Figur 1 Overordnet referencebegrebsmodel Område Figur 2 Begrebsmodel og aktuelt anvendte termer Referencebegreb Geografi Adresse Institution Institution Stamdata omkring den enkelte institution Institutionsområde Beskrivelse UVM VTU Beskriver institutionens Region, Kommune, Postdistrikt. geografiske placering Postadresser for Institutioner og Lokaleplacering, bl.a. Klassifikation af institutionerne på tværs af sektorerne Institution, hovedskole, afdeling og udbudssteder. Hovedskole (er juridisk enhed), som består af én eller flere afdelinger/produktionsenheder. Institutionsområde er et område, der er omfattet af samme lovbekendtgørelse grundlag/lov Skal analyseres nærmere Fakultet, Institut, Administrativ enhed Universitet Lokale Stamdata omkring institutionens bygninger og lokaler Bygning, lokale, undervisningssted Lokale, Bygning

16 Område Referencebegreb Beskrivelse UVM VTU Kalender Kalender Både kalenderår, men også planlægnings- og produktionsperioder mv. Varierer en del. Skoleår og flere andre perioder. Type af kalender og periode afhænger af uddannelsen og er fx. - Kalenderår - Skoleår (følger rene kvartaler 1/7-30/6) - Tværsnitår, er 30/10 til 29/10 - Gymnasieår, følger tilskudsordning ift FM - Grundlagsår (bestemmende for tilskud), er kvartal 2010 og 1 kvartal 2011 (for 2010) - Regnskabsår Akademisk år, Semester, Årgang mm Personale (HR) Pædagogisk/faglige aktiviteter Omfatter de læringsorienterede aktiviteter mv. som institutionen afholder Personale Personaleallokeringer Personalehændelser Undervisningsaktivitet Øvrige aktiviteter Praktik Beskriver de forskellige former for praktik og opgaveløsning for virksomheder, som studerende deltager i Regnskab Økonomi Regnskab, dvs. kontoplan, posteringer og bevillinger (taxameter osv.) samt budgetter Ressourceforbrug Ressourceforbrug Stamdata omkring medarbejderne i institutionen Øvrig Lærer/Underviser/Ledelse/ Sammenknytter medarbejderen og uddannelsesaktivi- Heltid- og halvtidsallokering teterne, fx. ansvar for kursus, underviser, censor osv. Beskriver de hændelser, Ansættelse, Ophør, Udvikling, der optræder gennem en Fravær, Heltid, Deltid, Øvrig medarbejders ansættelsesforhold Beskriver de enkelte aktiviteter i den almindelige - Forberedelse Undervisningsaktivitet; undervisning (konfrontationstimer mv.) - Undervisning (på stedet) - Vejledningsaktivitet - Rettearbejde - Prøve, Eksamens- og Censor arbejde - Løntimer, m.v. Beskriver de øvrige pædagogisk/faglige aktiviteter, indtægtsgivende virksomhed Mentor, e-læring, virtuel læring, som institutionen tilbyder etc. Omfatter timeregnskab, samt ressourceforbrug i både tid (tidsforbrug), Andet forbrug og penge (fra regnskabet) Studerende Studerende Person, som deltager, eller har deltaget i, undervisning på en institution Uddannelse Uddannelse Stamdata omkring den enkelte uddannelse Uddannelsesgruppe Skema Klassifikation af uddannelserne på tværs af sektorerne. Resultatet af planlægningen af uddannelserne for en periode. Praktik SKS kontoplan, Formåls (CØ- SA) kontoplan samt lokalt anvendt kontoplan. Interne regnskaber. Økonomi dækker: Årsrapporter, Protokollat, Resultatopgørelse, Balance, Nøgletal, Revision, mv. Begreber fra Navision Stat og ØS LDV Elev/Studerende/Kursist (enkeltfag)/prøvedeltager/ Uddannelsessøgende Uddannelse, Speciale, Grundforløb, Hovedforløb, Studieretning CØSA klassifikationerne (stammer fra RR), Gruppering af uddannelsesordninger, Uddannelsesområde Skema Underviser Ikke analyseret endnu Aktivitet, Undervisningsaktivitet, Eksamensaktivitet Undervisning, e-læring, virtuel læring, myndighedsbetjening, indtægtsgivende virksomhed, konsulentvirksomhed etc. Projekter Primært ØSS Begreber fra ØSS, Scanpas, Scantid Studerende ( Person i STADS). Uddannelse, Uddannelsesdel, Studieretning Bekendtgørelse, Uddannelsestype/-ramme, Studieordning, Uddannelsesgruppe, -element, Enkeltfag Lektionsplan, kursuskatalog

17 Område Uddannelsesforløb Omfatter de studieadministrative hændelser i den studerendes tilknytning til uddannelse(r) på institutionen. Referencebegreb Uddannelseshændelse Indskrivning (herunder forudsætninger), Optagelse, Overflytning, Gennemførelse, Orlov, Udmeldelse Uddannelsesresultat Administration i øvrigt Beskrivelse UVM VTU Beskriver den studerendes forløb i forhold til uddannelsen, fra Indskrivning over fremmøde og deltagelse til gennemførelse eller afbrud. Beskriver resultatet af en gennemført uddannelse/aktivitet (Eksamen/Prøve/Bevis osv.) Studieadministrative aktiviteter i øvrigt Virksomhed Virksomhed Dækker over juridiske virksomheder samt tilhørende/underliggende produktionsenheder Pt. uden for referencemodellen (Aktivitetsgruppe) - Tilmelde (resultere i Optagelse eller Afvisning) - Bedømmelse - Optagelse (resultere i Påbegyndelse) - Påbegyndelse - Afbrud (og evt. ny påbegyndelse) på uddannelse - Afbrud på uddannelsesretning (ikke hele uddannelsen) - I risiko for afbrud - Gennemførelse - Overgang (til anden uddannelse og/eller andet uddannelsessted) - Deltagelse - Ventelister - Fremmøde Resultat, Eksamen, Prøve, Bevis Resultat, Eksamen Der skelnes på private henholdsvis offentlige virksomheder Brugertilfredshed, Særlige indsatser, Kompetenceudvikling, Internationale ophold, Medarbejdertrivsel Social arv, Ind- /udrejse, Ind- / udvandring, Beskæftigelse efter uddannelse, HR og løn, Forskning (økonomi og resultater), Efteruddannelse, Bygninger og økonomi Strukturen i kortlægningen og de tilhørende skemaer Data er i det væsentligste indsamlet ved interviews. Data er opsamlet i struktureret form i en række gennemgående skemaer, der ligger til grund for vores vurderinger. Der udarbejdet et antal skemaer, som er opdelt i tre typer: Overordnet begrebsmodel og landkort ( SKEMA 1, forretningsorienteret), et skema, der gælder alle områder o For VTU findes dog særskilte skemaer SKEMA 1 per universitet Èn Systemliste ( SKEMA 2, system- og it-arkitektur-niveau), der gælder alle områder Mange Data Governance skemaer ( SKEMA 3, den forretningsmæssige brug), der er udarbejdet specifikt per system. SKEMA 3 skemaer er samlet i foldere per område Nedenfor er sammenhængen illustreret mellem skema 1, 2 og 3:

18 Figur 3 Sammenhængen mellem kortlægningsskema 1, 2 og 3 Beskrivelse af systemer Beskrivelse af begreber Indenfor UVM s området findes der dokumentation af: UVM Systemlandskab, der viser systemer relevante for kortlægningen 1 SKEMA 3 for hvert system, der er vurderet vigtigt for området Dertil nogle systemdiagrammer, ét diagram for hvert af de mest vigtige systemer. Indenfor VTU s område findes der dokumentation af: VTU Systemlandskab, der viser systemer relevante for kortlægningen 1 SKEMA 1 per universitet, som beskriver det pågældende universitets portefølje 1 SKEMA 3 for hver forekomst af brug af 1 system på et universitet (med fokus på de systemer, der er interessante i forhold til kortlægningen). På det Tværgående økonomi- og lønområde findes pt. disse skemaer: 1 SKEMA 3 for Danmarks Statistik. Alle interviews er blevet kodificeret i skemaer (1-3). De udfyldte skemaer er blevet fremsendt til interviewpersonerne, som dermed har haft mulighed for at gennemse og validere resultaterne. Alle skema 1 er efterfølgende blevet konsoliderede til et samlet skema 1. Det samme er tilfældet for skema Dataindsamling ved interviewmøder Kortlægningen er udført af to to-mands hold af konsulenter fra Devoteam: Team A

19 o Undervisningsministeriets område Team B o VTU s område, o ØEM's område (de maritime uddannelser) og o Tværgående systemer (økonomi og løn mv.) Der er således tre grupper af resultater (skemaer) for hhv. UVM, VTU og de tværgående økonomi- og lønsystemer (primært Navision Stat og SLS). På UVM s område er der gennemført et antal interviews med systemforvaltere (UNI-C), CSC, systemleverandører og UVM. På VTU s område har der været gennemført et antal interviews med UNI-IT, udvalgte systemleverandører samt alle universiteterne på koncernniveau. Universiteterne er kendetegnede ved, at de har koncernstruktur, egne it-afdelinger og et antal egenudviklede systemer. Mht. økonomi- og lønsystemer har der været afholdt møde med Økonomistyrelsen omkring Navision Stat, SLS, ØS LDV og SKS. Interviewene fokuserede så godt som udelukkende på det forretningsmæssige/faglige niveau. Det, der interesserede os, var at kortlægge: De vigtige forretningsdata inden for administration, produktion og opfølgning på gennemførelse af uddannelsesforløbene på jeres institution, herunder: o Begreber o Sammenhænge mellem begreber o Standarder, fx værdisæt på området (referencedata såsom koder, klassifikationer og lign.), der anvendes bredt Tilstedeværelsen af de vigtige forretningsdata i de systemer, vi taler om (hvad ligger hvor) Kort om systemerne, dvs. nogle få spørgsmål om blandt andet: o Software (standardsystem, databaseprodukt etc.) o Volumen (antal poster, antal brugere) o Hvilke integrationsmuligheder, der pt. findes til andre systemer De forvaltningsmæssige aspekter omkring brugen af disse data, fx: o Processer og aktualitet, historik mv

20 o Hvad findes i dag mht. import /eksport af data (på forretningsniveau) o Data kvalitet o Ejerskab af data for så vidt angår både definitioner og indhold o Den nuværende brug af ledelsesinformation/datavarehus el. lign. Det handlede om at få overblik, så vi gik kun i detaljer, hvor det måtte være nødvendigt for forståelsen af lokale forhold og forretningsgange Metode til vurdering af dataparathed Oversigt Denne delrapport skal dokumentere vores vurderinger af mulighederne for automatiseret udtræk/indsamling af data. Vi har valgt at kalde vurderingen for en vurdering af dataparathed, som er defineret nedenfor. Dataparathed er at opfatte som et sammensat indeks, der sammenfatter de forskellige faktorer og parametre, der indgår i vurderinger. Paratheden udtrykkes om et enkelt tal i procent. Det skal understreges, at dataparatheden er en slags karaktergivning, men at den udelukkende vurderer mulighederne for automatiseret indsamling og sammenstilling. Vi har naturligvis ikke taget stilling til endsige vurderet på forvaltningsog/eller registreringspraksis i institutionerne. Dette har ikke været vores opgave. Parathedsvurderingerne tager udgangspunkt i kortlægningen, jf. oven for, som er dokumenteret i: Begrebslandkortet (begrebsområder og systemer) Systemer og deres egenskaber Detaljer om brugen af et system inden for et område eller en institution (universitet) mange egenskaber indsamlet om mange systemer Datavarehusorienteret model Paratheden er vurderet med udgangspunkt i den overordnede begrebsmodel, som er beskrevet i afsnit Men begrebsmodellen er i denne sammenhæng konverteret til en overordnet multidimensional datamodel (se Figur 4), idet det er sådanne, der anvendes i datavarehus og Business Intelligence

21 Figur 4 Sammenhængen mellem Dimensioner og Fakta I forhold til begrebsmodellen er der sket disse transformationer: Generelt er dimensionerne kun repræsenteret svarende til begrebsområderne i den overordnede begrebsmodel (fx er Institutionsområde implicit indeholdt i Institution ) Lokale er trukket ud for sig (inkluderer bygninger) Personalehændelser og personaleallokeringer er trukket ud som fakta Personalehændelser er delt op i Løn, Sygefravær og Personalehændelser (som fx ansættelse, afskedigelse osv.) Skema er repræsenteret som fakta, men behøver i sidste ende også en eller flere dimensioner (ikke medtaget) Regnskab er delt op i både dimensioner og fakta (posteringsniveauet) Inden for Uddannelsesforløb er Deltagelse blevet til Deltagelse/Tilmelding for at markere, at det også er tilmeldinger på fag/kursus, der tænkes på. Ovenstående transformationer er lavet af vurderingstekniske grunde idet der således er et bedre match med de forskellige kildesystemer, der ligger bag ved (og som både er forskellige og bruges forskelligt)

22 Dataparathed inkluderer således en vurdering af transformationen fra kildesystemers repræsentation til den multidimensionale repræsentation i datavarehusmiljøet Definition af dataparathed Dataparathed er en samlet vurdering, der bygger på vurdering af disse faktorer og parametre: Tilgængelighed (for automatisk indsamling) o I hvilket omfang registreres disse data i det hele taget? Aktualitet o Er der tidsforsinkelser mellem en hændelse og registreringstidspunktet? Kvalitet o Vurderet ud fra forretningsprocesserne, interviewspørgsmål og flere andre faktorer o Det skal understreges, at datakvalitet (og bristede forudsætninger om samme) er den største risiko i disse projekter. Vi anbefaler derfor, at man: Deler alle (del-)projekter op i en foranalyse og en egentlig implementeringsfase Anvender dataprofileringsværktøjer i foranalysen Laver en rescoping og en resizing imellem foranalyse og implementering o Vores vurderinger her er derfor absolut ikke sikre, men ligger på et overordnet niveau Kompleksitet o Kodesæt (fx klassifikationer af uddannelser, fagkoder osv.) o Mapninger (fx mellem forskellige kodesæt) o Standardisering nødvendig? (Hvis fx en sektorstandardisering er nødvendig, er det en ekstra kompleksitet og i øvrigt også tidskrævende). Detaljeringsgrad/dimensionalitet o Hvilket niveau ( granularitet i datavarehusjargon) ligger data på? Fx: Findes data på lektionsniveau eller kun på fag-/kursusniveau? Høj detaljeringsgrad er at foretrække. Pris for at trække dem ud til et datavarehus o Vurdering af omfanget af implementeringsindsatsen for ETLrutiner, fx baseret på antal kildesystemer, kompleksiteten, redundans mv

23 Andre erfaringsmæssige komplikationer og observationer i kortlægningen. Der indgår således såvel konstateringer fra kortlægningen som faglige vurderinger i dataparatheden Metode for beregning af dataparathed Beregning af dataparatheden er konkret sket på følgende måde: For hvert område (UVM)/universitet (VTU) er der udfyldt skemaer som det følgende: Figur 5 Skabelon for opgørelse af dataparathed per uddannelsesområde Kolonnen Showstopper anvendes til at markere, at dimensionen/fakta under alle omstændigheder skal stå med en dataparathed på 0 (fordi den ikke findes, fx Fremmøde på universiteterne). De detaljerede retningslinjer for vurderingerne fremgår af følgende: (Der anvendes værdier mellem 0 og 1, hvor 1 betyder 100 % parathed)

24 Figur 6 Kriterier for vurdering af dataparathed Kriterium Indikator Kommentar Dimensioner T. Tilstedeværelse Dækningsgrad (% af bestand) 1 = 100 % dækning P. Pris (ETL udvikling) 1 / Antal kildesystemer (ETL jobs) Høj værdi = billig ETL K. Kvalitet Kvalitetsindeks Høj værdi = god kvalitet A. Aktualitet Aktualitetsindeks Høj værdi = close to real-time Lav værdi = forsinket i mere end 1 år M. Mapning og kompleksitet S. Showstopper forhold Fakta Mapningsindeks Høj værdi = Ingen mapning og simpel datamodel 1 = ingen kendte showstoppere, 0 = kendt(e) showstopper(e) findes T. Tilstedeværelse Dækningsgrad (% af bestand) 1 = 100 % dækning P. Pris (ETL udvikling) 1 / Antal kildesystemer (ETL jobs) Høj værdi = billig ETL K. Kvalitet Kvalitetsindeks Høj værdi = god kvalitet A. Aktualitet Aktualitetsindeks Høj værdi = close to real-time Lav værdi = forsinket i mere end 1 år Høj værdi = få manglende dimensioner D. Dimensionalitet S. Showstopper forhold Flere kildesystemer? Granularitetsindeks (1 / (1-antal manglende dimensioner)) Her skrives navnet på kildesystemerne, hvis der mere end et. Der skal angives hvor stor en procendel af den samlede bestand hvert kildesystem bidrager med af Tilstedeværelsen. Lav værdi = detaljeret granularitet (i forhold til BUS matricen (maks antal dim)) 1 = ingen kendte showstoppere, 0 = kendt(e) showstopper(e) findes Eksempel: EASY-A (60 %), SIS (40 %) Disse udfyldte skemaer bliver efterfølgende konsolideret til flere summerede skemaer: Dataparatheden på tværs af alle ministerområderne Dataparatheden i UVM opgjort per institutionsområde Dataparatheden i VTU (per universitet)

25 Dataparatheden i ØEM SFS I beregningen af den konsoliderede parathed anvendes følgende formler: For dimensioner: = (2*T + P + 0,5*K + 0,5*A + M)*S/5 For fakta: = (2*T + P + 0,5*K + 0,5*A + D)*S/5 Der er således tale om en vægtet scoring, hvor der er anvendt disse vægte: Figur 7 Vægte for scoring af dataparathed Parameter Vægt T = Tilstedeværelse 2 P = Pris 1 K = Kvalitet 0,5 A = Aktualitet 0,5 M = Mapning/kompleksitet (dimensioner) 1 D = Dimensionalitet (fakta) 1 S er showstopperfaktoren, som er brugt til i enkelte tilfælde at sikre en parathed på nul. Paratheden normaliseres til en værdi mellem 0 og 1 og repræsenteres som procent

26 3. Indberetning og indsamling af data i dag 3.1. Oversigt I dette afsnit gives en beskrivelse af den nuværende situation med hensyn til central indsamling af data/indberetninger i dag. Der ses på såvel indberetninger drevet af myndighedshensyn som på datavarehuse og statistikformål. Ministeriernes indsamling af data/indberetningsløsning i dag er ganske forskellig på tværs af de 3 ministerområder. Overordnet betragtet er der tale om tre kategorier: Fælles offentlige systemer som Statens Løn System (SLS), Statens Koncern System (SKS), Statens Uddannelsesstørre (SU) samt naturligvis andre støttesystemer som CPR, CVR m.fl Data, der indsamles til datavarehus og statistikformål Data, der indsamles i forbindelse med forvaltningsmæssige myndighedskrav, taxameterordningerne osv Tværgående datastrømme For de statslige (ikke selvejende) institutioners vedkommende (som anvender Navision Stat) sker der en automatiseret opsamling til Statens Koncern System, SKS, hos Økonomistyrelsen. Det drejer sig om regnskabsdata på posteringsniveau (når data kommer fra Navision Stat) eller på Sum-niveau (fra SAP), som opsamles en gang i døgnet. Disse data konsolideres til statsregnskabet. Både SLS og SU (samt CPR og CVR) er centrale online systemer, der tilbyder såvel indtastningsmuligheder som andre integrationsmuligheder såsom filoverførsel og (i stigende omfang) serviceorienterede løsninger. Dataindsamling til Danmarks Statistik sker primært som filudtræk, se nedenfor. Taxameterordningernes indberetninger sker primært som udveksling af datafiler og regneark

27 3.3. Områdespecifikke forhold Økonomi- og Erhvervsministeriet og Videnskabsministeriet For ØEM og VTU er der tale om primært regnearks- og udtræksbaserede datastrømme, som indeholder en del manuelt arbejde Undervisningsministeriet Reglerne for tilskudsudbetaling til institutionerne er fastlagt i institutionslovgivningen for de enkelte institutionsområder. Udgangspunktet for tilskud er den faktiske aktivitet på uddannelserne. Tilskudsadministration til de selvejende uddannelsesinstitutioner m.v. er på de fleste områder elektronisk via system-til-system aktivitetsindberetninger eller manuelle indberetninger via Indberetningsportalen. De primære studieadministrative er systemer som EASY-A, Lectio, LUDUS og SIS, som alle udveksler aktivitetsindberetninger elektronisk til UVM. Indberetninger er specificeret ift. den generelle uddannelsesmodel, som UVM har defineret. Stamdata svarende til denne model bliver ligeledes udvekslet elektronisk til de ovenfor oplistede systemer. Datavarehuset DWH-S samt det kommende Ressourceregnskab modtager kildedata fra en række lokale studieadministrative systemer, fra centrale systemer hos UNI-C ligesom der udveksles en række data med Danmarks Statistik. Datagrundlaget der opsamles i disse to systemer er beskrevet yderligere i afsnit Taxameterordningerne De selvejende uddannelsesinstitutioner finansieres i vidt omfang gennem taxameterordningerne, som er aktivitetsbaserede (mv.) tilskudsordninger med udgangspunkt i takster og finanslovsbevillinger. Institutionerne afleverer en mængde indberetninger efter et forholdsvist komplekst regelsæt. Der findes et centralt takstkatalog, der bestemmer tilskuddenes størrelse i forhold til de enkelte uddannelser. I denne rapport behandles disse indberetninger ud fra et datamæssigt synspunkt

28 Tilskudsordningerne er mere detaljeret beskrevet bl.a. i Finansministeriets rapport Selvejende institutioner styring, regulering og effektivitet fra april Datastrøm: Indberetningerne dannes typisk som filudtræk eller webservices fra de studieadministrative systemer m.v. ind til de centrale opsamlingssystemer, driftet hos ministerierne. Dertil kommer ofte et antal manuelt indsamlede supplerende indberetninger. Der er ofte et betydeligt manuelt arbejde med registrering og kontrol af datagrundlaget for tilskudsberegningerne. I VTU-området anvendes der ofte datavarehuslignende teknikker og værktøjer i disse kontroller, som kræver såvel høj teknisk kompetence som høj forretningsforståelse for studieordninger, regelsættene osv. Datamæssigt omfatter disse indberetninger et udsnit af de begrebsområder, der er kortlagt i denne rapport. Det drejer sig primært om Lokale (bygninger), Praktik, Studerende, Uddannelseshændelse og Uddannelsesresultat. Der opereres både med kvartalsvise, halvårlige og årlige indberetninger. Afsnit 3.13 Anvendelsesområder giver en samlet oversigt over alle nuværende dataindsamlinger og deres datamæssige indhold i relation til begrebsmodellen Danmarks Statistik Danmarks Statistik opsamler en række data direkte fra institutionernes studieadministrative systemer ligesom der modtages data der oprindeligt kommer fra samme systemer via UVM/UNI-C. Det fulde overblik over kildedata der tilgår Danmarks Statistik fremgår af afsnit Datastrømme: Data indsamles typisk som filer, der indsendes elektronisk eller per brev til Danmarks Statistik. Indsamlingen sker i efteråret og de bearbejdede data offentliggøres medio året efter. Dataindholdet i indberetningerne drejer sig primært om Studerende, Uddannelseshændelser og Uddannelsesresultater. Dataene kan anvendes til opgørelse af såvel bestands- som forløbsopgørelser. 1 Selvejende%20institutioner/~/media/Publikationer/Imported/2009/1742- Selvejende%20institutioner/ pdf.ashx

29 Danmarks Statistik beriger disse data blandt andet med demografiske og beskæftigelsesmæssige oplysninger mv. De berigede data bliver stillet til rådighed via UNI-C s statistikberedskab og datafællesskabet i VTU/ØEM hos Danmarks Statistik (se nedenfor). Herudover indgår disse data naturligvis i Danmarks Statistiks tilbud til offentligheden, jf. deres hjemmeside Statens Koncern System, SKS Oversigt over SKS systemet Statens Koncernsystem (SKS) er et konsoliderings- og rapporteringssystem, der indsamler regnskabsdata fra alle statslige institutioner. Ud fra disse data opstilles det officielle statsregnskab og øvrige officielle regnskaber i staten. Systemets komponenter er beskrevet i følgende figur: Figur 8 SKS systemkompleksets system-, data- og udvekslingskomponenter Det var oprindeligt et samlet system. Senere blev rapporteringsdelen overflyttet og udviklet på en anden platform. De to miljøer er forbundne ved hjælp af daglige dataoverførsler:

30 SKS-Stamdata anvendes til opsamling og registrering af alle nødvendige oplysninger. Her indsamles regnskabsdata fra alle statslige institutioner samt stamdata i form af kontoplan og nummerstruktur. SKS-Rapportering anvendes til rapportering og regnskabsgodkendelse, og det bliver driftsafviklet i Økonomistyrelsen. Data overføres hertil fra SKSstamdata en gang i døgnet og præsenteres i rapporter. SKS kan udmærket godt opfattes som et konsolideringssystem, hvis it-arkitektur følger principperne for datavarehuse Navision Stat Navision Stat anvendes som regnskabssystem på langt de fleste selvejende uddannelsesinstitutioner. Der findes undtagelser flere steder, som fx ØSS-systemet, der anvendes på enkelte universiteter. Så godt som alle institutioner anvender Statens Kontoplan, som også er den, der skal indrapporteres på til SKS. De selvejende uddannelsesinstitutioner indrapporterer dog pt. ikke til SKS. SKS indsamler alle data på posteringsniveau fra alle finanskonti og med de fulde kontostrenge og dimensioner Statens Budgetsystem, SB Statens Budgetsystem, SB, opfatter vi som et modul i SKS, som overordnet og i relation til denne kortlægning har de samme karakteristika som SKS (selvom teknologien er anderledes) ØDUP, Økonomistyrelsens Data Udvekslings Punkt It-infrastrukturen ØDUP, Økonomistyrelsens Data Udvekslings Punkt, fungerer som et centralt postkassesystem i Økonomistyrelsens (ØS) systemlandskab. Dette er beskrevet i diagrammet i Figur

31 Figur 9 ØDUP som det centralt postkassesystem i Økonomistyrelsens (ØS) systemlandskab Som det fremgår, er ØDUP det centrale knudepunkt for ØS. Via ØDUP kan man udveksle filer i XML og andre formater. Filudvekslingen er automatiseret og kan gå begge veje. ØDUP anvendes således til udsendelse af filer til institutionerne. ØDUP anvendes ligeledes i forbindelse med Statens Løn System, SLS. SLS er ikke en indberetningsløsning, og det beskrives derfor ikke yderligere her. (Se dog nedenfor om det til SLS hørende lønstatistik system ISOLA, der kan karakteriseres som en indberetningsløsning, og som anvendes tværgående)

32 ØDUP anvendes i øvrigt også som filudvekslingssystem i UVM i forbindelse med CØSA-systemet (se dette) og med UVM s Regnskabsportal (se denne). ØDUP er ikke et standard integrationssystem, da det er udviklet til formålet og driftes af CSC for ØS. Økonomistyrelsens dataindsamling bygger således på en høj grad af standardisering (kontoplan osv.) og på en høj grad af automatisering af indsamling af detaljerede data. Eventuelt centralt institutionsregister i SKS. I arbejdsgruppe 5 i selvejeprojektet har man set på mulighederne for bedre central registrering af de selvejende institutioner i SKS. Dette har ikke mindst betydning for nummerstrukturer mm. Set ud fra et datavarehusbehov er centralt styrede stamdata ( Master Data ) en fordel Indberetning og delte systemer i UVM Det store antal af institutioner under UVM gør det naturligt med it-understøttelse af indberetninger og rapporteringer. Dette er i høj grad tilfældet allerede i dag og der er ambitiøse planer om yderligere automatiseringer (via det kommende Ressourceregnskab)

33 Figur 10 Oversigt over hvordan uddannelsesmodellen udstilles af CØSA samt indberetningsflowet fra studieadministrative systemer til CØSA alternativt via Indberetningsportalen. Via Web-service Via SQL Net Via Web-service Via SQL Net Noter til figuren: Kommuneopkrævning: Kun ved de fri område. Takster til finanslov. Takster oprettes i CØSA. Der er snitfalde til tekst og tal. Herved kommer takster på finanslov. Aktivitetsindberetning fra EASY. Omfatter Erhvervsrettede gymnasiale uddannelser, EUD (inkl. Skolehjem og skolepraktik), Erhvervsakademiuddannelser, Professionsbacheloruddannelser (et par stykker), AMU og ÅU. Prøverelateret uddannelsesmodel til EASY sker med WS. Data sendes vel rettelig fra XPRS. Aktivitetsindberetning fra LECTIO: kun AGYM Aktivitetsindberetning fra LUDUS: AGYM, hfe, AVU, FVU, OBU. Forenet uddannelsesmodel til LECTIO / LUDUS. Sker ved at samkøre data fra XPRS og CØSA Via ØDUP udsender CØSA formålskontoplan. SKS- kontoplan sendes direkte fra ØS Institutionerne indberetter formålsregnskab til CØSA via ØDUP

34 Formålsregnskab i UVM Som led i aflæggelsen af årsrapporten skal alle erhvervsskoler, gymnasier, VUC er, erhvervsakademier og professionshøjskoler samtidig udarbejde et formålsregnskab. Formålsregnskabet fordeler institutionens indtægter og udgifter på en række centralt definerede formål, hvilket skal sikre åbenhed og sammenlignelighed mellem uddannelser, institutionsdriften m.v.. Eksempler på formål er de enkelte uddannelser, dele af fællesområdet etc. Formålsregnskaberne indberettes fra Navision Stat samtidig med årsrapporten. Teknisk sker det fra institutionens lokale datavarehus (LDV) ved dannelsen af en xml-fil, der indsendes til Undervisningsministeriet via ØDUP, og data sendes videre til CØSA. Det er interessant at nævne i denne sammenhæng, at der i UVM stilles krav om anvendelse af fordeling af omkostninger på en formålsdimension. Der er således udarbejdet en fælles formålskontoplan og detaljerede konteringsinstrukser til regnskabsafdelingerne på institutionerne. Denne formålskontoplan udveksles fra CØSA via ØDUP videre til NS/ØS-LDV. Institutionerne kan vælge at bogføre til senere fordeling eller direkte på den korrekte formålskonto. I hvor stort omfang konteringen sker umiddelbart, har vi ikke informationer om. Formålskontoplanen (CØSA-formål) specificerer uddannelser og uddannelsesdele, men går ikke ned på aktiviteter eller aktivitetstyper. Men det er det en fordel at have disse informationer, idet de til en vis grad knytter omkostninger sammen med aktiviteter, hvilket jo i høj grad har interesse i et datavarehus Regnskabsportalen i UVM Regnskabsportalen i UVM er et system, hvori institutionerne registrere de af revisor godkendte årsregnskaber over for UVM, hvor institutionerne ligeledes skal godkendes. Registreringen er enten manuel og/eller via filudveksling med ØDUP (se ovenfor i forbindelse med SKS). Vi betragter Regnskabsportalen som en primært administrativ løsning i forbindelse med regnskabsgodkendelsen. Regnskabsportalen tilbyder: 1. Offentlig adgang til årsrapporterne

35 2. Indberetning (manuel/elektronisk) af regnskabstal 3. Prioritering af regnskabsgennemgangen og dokumentation af observationer under gennemgang (krav fra Rigsrevisionen) 4. Regnskabsgodkendelse, som alene foretages af institutionernes bestyrelse Registrering af aktiviteter i CØSA Takstsystemet, som anvendes på institutioner for erhvervsrettet uddannelse, institutioner for almengymnasiale uddannelser og almen voksenuddannelse og de videregående uddannelsesinstitutioner, er baseret på tre taksttyper: Undervisningstaxametre Bygningstaxametre Fællesudgiftstaxametre Institutionernes indberetning af uddannelsesaktiviteter (antal STÅ eller årselever) fordelt på uddannelser og uddannelsesdele udgør grundlaget for beregning af taxametertilskuddene. Uddannelsesaktiviteter er ÅE/STÅ (Årselever og Studenterårsværk) fordelt på uddannelser med videre. Data om uddannelsesaktiviteter har tilstedevær i studieadministrative systemer og data herom registreres ift. den officielle UVM-uddannelses(stamdata)model, som alle disse systemer anvender i fuldt omfang. Figur 11 Indberetninger fra UVM-studieadministrative systemer til CØSA ifm. Tilskud (flowet viser ikke udveksling til banken, hvortil tilskud udbetales)

36 Der indberettes elektronisk uddannelsesaktiviteter til CØSA-systemet og der findes også manuelle indtastningsmuligheder via indberetningsportalen. Indberetning sker direkte fra de studieadministrative systemer, der fremgår af Figur 11. Data indberettes periodisk og oplysningerne er på et overordnet niveau (per institution, uddannelse (formål + version), aktivitetstype og periode) Ressourceregnskabet Ressourceregnskabet skal sikre valid og sammenlignelig information om uddannelsesinstitutionernes prioriteringer, kvalitet og resultater. For at skabe denne information hentes en række data i forskellige tempi. I god tid inden ressourceregnskabets aflæggelse, skal data indsamles fra diverse kilder, så de kan vises "forudfyldt" for institutionerne, når de skal aflægge ressourceregnskabet. Data indsamles i mange tilfælde på et lidt mere detaljeret niveau end de skal bruges i Ressourceregnskabssystemet. Der indsamles både transaktionsdata om forløb (årselever, fraværsoplysninger etc.) og stamdata (om fx institutioner, uddannelser etc.). Data hertil hentes både fra de centrale UVM systemer (CØSA og de centrale dataopsamlingssystemer driftet hos UNI-C), centrale systemer der ikke er driftet af UVM/UNI-C, fx Lectio og LUDUS samt fra de lokalt driftede systemer, fx EASY-A og SIS. Der indtastes manuelt data ind i ressourceregnskabet i flere tilfælde, hvor data endnu ikke er mulige at hente i de studieadministrative systemer. Hermed sikres den ønskede datakvalitet, indtil levering af samme data er muligt fra disse systemer. Et samlet overblik over kildedata til ressourceregnskabet gives i afsnit På initiativ af dataleverandørerne trækkes/leveres (grund)data således fra centrale og lokale systemer til baggrundsdatalageret i ressourceregnskabsdatabasen. Data vil senere blive anvendt til forud-udfyldelse af visse af indikatorerne i ressourceregnskabs-aflæggelsesmodulet. I forbindelse med Ressourceregnskabssystemet vil dataindsamling ske i en kort periode før og muligvis under institutionernes indberetning/aflæggelse af ressourceregnskabet. Der kan ske et par opdateringer inden publicering

37 3.8. Indberetninger i VTU Udviklingskontrakterne VTU og universiteterne indgår 3-årige udviklingskontrakter. I disse fastsættes i størrelsesordenen ca. 30 mål, som skal opnås i perioden. Målene dækker mange forskellige aspekter af universiteternes drift. En del punkter kan dækkes af den regnskabsmæssige indberetning og af STÅ-regnskaberne, men der er også andre mål, der nødvendiggør en manuel dokumentationsproces STÅ-indberetninger i VTU STÅ (studenter årsværk) er en vigtig del af grundlaget for beregningen af statens tilskud til universiteterne. (Se ovenfor om taxameterordningerne.) Vi kan ikke her gå i detaljer omkring myndighedskravene vedrørende universiteternes indberetninger til Universitets- og Bygningsstyrelsen. Vi henviser i stedet til UBST s hjemmeside 2. I stikordsform omfatter indberetningerne bl.a.: Studieaktivitet ved heltidsuddannelse o Studieårsværk (STÅ) o Forskellige aktivitetstyper: Teori, Merit, Praktik, Eliteuddannelse o Gæstestuderende o Aktivitetsgrupper o Opgøres årligt o Aktiverede, udenlandske selvbetalere, fripladser o Rekvirenter Studieaktivitet ved deltidsuddannelse o Opgøres som Årselever (ÅE) o Ca. samme information som for heltidsuddannelse Internationaliseringsaktiviteter o Udvekslingsstuderende (danske/udenlandske) o Udlandsstipendier Færdiggørelsesaktiviteter o Fuldførelsesstuderende Optagelsestal o Faktisk optag o Forventet optag det efterfølgende år

38 Indberetninger fra professionshøjskolerne og erhvervsakademierne er næste helt identiske. Indberetninger er halvårlige for de ordinære uddannelser og er kvartalsvise for deltidsuddannelserne (ÅU). Det skal understreges, at universiteterne anvender megen tid til kvalitetskontrol af disse centrale data. Selvom beregningsgrundlaget (og indberetningerne) i stort omfang er udtræk fra de studieadministrative systemer, så indgår der også andre indberetninger. Sammen med kvalitetskontrollen og fejlafhjælpning i registreringerne er der tale om et ganske stort, manuelt arbejde omkring disse indberetninger. Datastrømmene består af filudtræk og regneark mv., der tilsendes ministeriet. Der arbejdes med veldefinerede (af UBST) formater, kodetabeller osv. for at sikre en standardiseret indberetning Indberetninger og kvalitetssikring i ØEM I Søfartsstyrelsens regi findes der ti maritime skoler (inkl. to skoleskibe) som er selvejende institutioner. Regelværket i forbindelse med tilskudsberegningerne følger med nogle afvigelser det samme mønster som for UVM og VTU. Indberetningerne foretages med standardiserede indberetninger i form af regneark samt naturligvis den regnskabsmæssige side af ministeriets godkendelse af aktiviteterne. Udover indberetningerne og kontrollerne af disse gennem Søfartsstyrelsen årlige audits af skolerne og uddannelserne med fokus på økonomi, produktion/effektivitet, kvalitetskontrol og opnåelse af aftalte mål (fokusområder), som kan skifte fra år til år. Der udarbejdes kvalitetsindeks for hver skole hvert år. I Figur 12 nedenfor ses udviklingen fra

39 Figur 12 Eksempel på kvalitetsindeks for maritime skoler (fra årsrapport) Kvalitet indgår som en del af effektivitet. Fremgangsmåden for fremskaffelse af grundlag for kvalitetsvurderinger er pt. besøg (audits) på skolerne Eksisterende statistik- og analysesystemer Udover indberetningssystemerne findes der et antal mere informations- og stati- stikprægede løsninger indenfor UVM og VTU. Nogle af disse er lokale henholds- vis centrale datavarehusløsninger mens andre er rene årsstatistiske præsentationer DWH-S DWH-S er en central datavarehus løsning som UNI-C Statistik & Analyse har etableret for at understøtte UVM s, institutionernes og offentlighedens behov for adgang til et bredt og velfunderet informationssystem på uddannelsesområdet. Dette giver mulighed for såvel fast som dynamisk rapportering for forskellige brugergrupper. De mest avancerede brugere har derudover mulighed for at lave egne nøgletal, monitorering i forhold til selvvalgte grænseværdier mv. DWH-S er udviklet af UNI-C og driftes af UNI-C. DWH-S er udviklet som et best practise datavarehus på en Microsoft platform

40 DWH-S understøtter datamæssigt de statistikker som UVM tilbyder på internettet i form af en databank med offentlig adgang (statweb.uni-c.dk). Der er tale om en samling af datamarter, der tager udgangspunkt i DST og datafællesskabets data. Datamarterne dækker hele uddannelsessektoren. Datavarehuset er således opsplittet i et antal datamarter, der samler emnemæssigt overlappende eller ensartede nøgletal. For at tilgodese brugernes forskellige behov er der her ovenpå etableret et sammenhængende system af frontends, der er skaleret i kompleksitet således at brugere med få og simple behov ikke skal mødes med et krav om en værktøjskompetence, som de avancerede brugere omvendt udnytter for at få det maksimale ud af datavarehuset. På grund af 1) ressourcehensyn og 2) som en følge af at datavarehus-teknologien er moden, er det valgt at udnytte markedsledende standardkomponenter til frontends som fx Excel internt i Statistik & Analyse og til UVM s brugere. Data er summerede og vises ikke på individniveau. Statistikker der er beregnet på basis af et lille antal individer skjules, således at anonymiteten bevares. DWH-S indeholder ikke alle de data der indgår i datafællesskabet, og DWH-S indeholder på den anden side data, der ikke indgår i datafællesskabet, fx oplysninger vedrørende Praktikpladsstatistikken. DWH-S modtager kildedata fra en række lokale studieadministrative systemer (både direkte og via DST), fra centrale stamdataregistre og fra centrale dataopsamlingssystemer hos UNI-C ligesom der udveksles en række data med Danmarks Statistik. Diagrammet nedenfor viser en samlet oversigt over kildedata til DWH-S. EASY-S fungerer som en opsamlingscentral for udvalgte data fra EASY-A og EASY-P systemerne i erhvervsuddannelserne

41 Figur 13 Kildesystemer til DWH-S som udgør grundlaget for statistik- og analysemiljøet Studieadministrative systemer dataudveksler direkte til DWH-S for en række detaljerede oplysninger samtidig med at der også udveksles data (som regel på individ niveau data tilknyttet den enkelte studerende) direkte til DST. A-GYM har afløst den tidligere Gymnasielle indberetning via GIA Resultatoplysninger (karakterer) udveksles til DWH-S på to måder, enten direkte fra studieadministrative systemer for nogle uddannelsesområder eller via Eksamensdatabasen for andre uddannelsesområder. Dataindholdet i DWH-S bygger på individoplysninger (atomare data) på uddannelses- og fagniveau. En række afgrænsede datamarter er etableret med centrale dimensioner som Studerende, Personale og Uddannelse/Fag, hvorpå der er etableret analysemuligheder mod kuber med nøgletal for bl.a. Klassiske uddannelses-regnskabsoplysninger i tidsserier (Bestand, tilgang, afbrudte og fuldførte i hele uddannelsessystemet fra Bh.klasse til Ph.d.) Aktivitetstal (Årselever) Overvågning af normtid Resultater (Enkeltfags- og gennemsnitskarakterer) Overgang mellem tilstande (fx fra afbrudt uddannelse til? Højeste fuldførte uddannelse forud for?)

42 Forløbsanalyser (Hvordan går det den årgang som startede på XX uddannelse i?) Avancerede statistiske beregninger som fx fuldførelsesprocenter Analysemiljøet er opsplittet i et antal datamarter 3, der samler emnemæssigt overlappende eller ensartede nøgletal. For at tilgodese brugernes forskellige behov tilbydes et sammenhængende system af front-ends, der er skaleret i kompleksitet således at brugere med få og simple behov ikke skal mødes med de krav om værktøjskompetence som de avancerede brugere omvendt udnytter for at få det maksimale ud af datavarehuset Datafællesskabet mellem UNI-C og Danmarks Statistik Datafællesskabet UNI-C DST, der opfatter VTU, UVM og Danmarks Statistik (DST), har til formål at vedligeholde og udbygge et grundlag for uddannelsesstatistik og for analyser af forholdet mellem uddannelse, arbejdsmæssige og indkomstmæssige forhold. Det består af en række uddannelsesstatistiske databaser. Gennem et fælles datagrundlag sikres så vidt muligt indbyrdes konsistente statistikker. Dette indebærer bl.a. samarbejde omkring uddannelsesklassifikationer og bearbejdning og kvalitetssikring af det integrerede elevregister (INTE) og Kursistregisteret. VTU har adgang til dele af datafællesskabets data, dette sker praktisk ved at dele en forskermaskine hos Danmarks Statistik sammen med UNI-C. På denne måde sikres et datafællesskab på uddannelses-området mellem Danmarks Statistik, Undervisningsministeriet (UNI-C) og VTU (Universitets- og Bygningsstyrelsen). Basis for datafællesskabet er en lang række oplysninger på personniveau.. Det betyder bl.a. at data ikke ligger med CPR-numre men med en anonymiseret ident, og at data fra DST kun kan overføres fra UNI-Cs forskermaskinen til andre miljøer som sumdatasæt. Med sumdata menes, at data har et aggregeringsniveau, så der ikke er mulighed for bagvejs identifikation af personer.. Det er muligt som en del af aftalen at overføre data ud på forskermaskinen på Danmarks Statistik og dér få CPR-numrene erstattet med samme ident som anvendes i datafællesskabet som sådan i de tilfælde, hvor der er behov for at samkøre sådanne data, der ikke indgår i datafællesskabet med data fra DST. 3 Fx elevtal, detaljerede oplysninger om hold og personale i grundskolen, grundskole- og gymnmasiekarakterer, AMU med kvartalsvis opdatering, den månedlige praktikpladsstatistik, tilmelding til ungdomsuddannelserne (FTU), befolkningens uddannelse og arbejdsmarked, den tværgående voksen- og efteruddannelsesstatistik mv

43 De anonymiserede individoplysninger sikrer mulighed for en entydig samkøring af uddannelsesstatistik med relevante baggrundsvariable, som fx etnicitet, forældrebaggrund og arbejdsmarkedsstatus. Nedenfor ses en figur og efterfølgende en oversigt over de forskellige data, der er en del af datafællesskabet, med angivelse af hvorfra data leveres. Figur 14 Datakilder og interessenter til Datafællesskabet UNI-C DS Data, der leveres fra DST: 1. CPR-variable vedrørende alder, køn, familierelationer, indvandrerstatus, nationalitet og oprindelsesland 2. Elevregistret, som er uddannelsesregistreringer vedrørende personer, der har været i det primære uddannelsessystem fra 1972 og frem 3. Sidefagsregistret, som indeholder bifag, sidefag og suppleringsfag på de videregående uddannelser 4. Det Tværgående Kursistregister, som indeholder alle voksenuddannelsesoplysninger 5. Kvalifikationsregistret, som indeholder oplysninger om kvalifikationer, som stammer fra Folke- og boligtællingen, voksenuddannelser, indvandrernes medbragte uddannelse samt autorisations- og medlemsregistre 6. Karakter_udd, der indeholder oplysninger om eksamensgennemsnit for almengymnasiale (og erhvervsgymnasiale fra 2001) uddannelser, PGU fra 2002 og SoSu fra Befolkningens Uddannelse (BU), variable vedrørende højeste uddannelse

44 8. Ph.d.-registret, som indeholder uddannelsesregistreringer vedrørende personer som har taget en Ph.d.-uddannelse fra 1996 og frem 9. STÅ for universitetsuddannelserne. Der foretages ikke nogen fejlsøgning af oplysningerne 10. Mobilitetsstatistik Data, der leveres af UNI-C: 11. Åben uddannelse på erhvervsskolerne 12. AMU 13. EGU/ungdomsuddannelse for unge med særlige behov (integreres i Elevregistret) 14. Grundskolekarakterer 15. Gymnasiekarakterer 16. Elever ved produktionsskoler 17. Praktikpladssøgende (fra EASY-P) 18. EUD, KVU og professionsbachelor karakterer 19. KOT register (oplysninger om søgning og optagelse fra den koordinerede tilmelding) Data, der leveres af SU: 20. SU-registret med støtteoplysninger Det er en del af kontrakten med Danmarks Statistik, at UNI-C har adgang til data om, men disse data er ikke en del af datafællesskabet: 21. Arbejdsløshedsregistret, variable vedrørende kvartalsvise registreringer af arbejdsløshed 22. RAS, variable vedrørende arbejdsmarkedsplacering og antal ansatte på arbejdsstedet 23. Indkomstregistret, variable vedrørende en række indkomsttyper. (Separate identer, kan ikke samkøres med de øvrige oplysninger) UNI-C benytter et SAS miljø til at bearbejde data og udtrække disse data hjem til UNI-C s egne miljøer. En række automatiserede batchjobs er sat op herfor. En mere detaljeret beskrivelse (på variabelniveau) af databeredskabets indhold findes på Danmarks Statistiks hjemmeside h=

45 Set specifikt i relation til de begrebsområder, som denne rapport vedrører, så dækker datafællesskabet store dele af de nødvendige dimensioner og uddannelseshændelser samt uddannelsesresultater. Uddannelsesforløb er tilstede på uddannelsesniveau (på tværs af ministerområderne). Information om fag findes primært på gymnasieområdet (og på grundskolerne). Oplysninger om studerende er berigede med demografiske og socioøkonomiske data. Datafællesskabet indeholder ikke økonomiske data Kommende ressourceregnskab for UVM Ressourceregnskabet er en ny måde, som uddannelsesinstitutionerne på Undervisningsministeriets regulerede område (dvs. erhvervsskoler, almene gymnasier, VUC er, erhvervsakademier og professionshøjskoler) hvert år skal aflægge regnskab på. Resultaterne opgøres og præsenteres inden for følgende fire overordnede politiske målsætninger: Høj faglig kvalitet i uddannelserne Uddannelse til flere Udviklingsorienterede institutioner Effektiv institutionsdrift Figur 15 Kildesystemer til det kommende Ressourceregnskab Ressourceregnskabet modtager kildedata fra en række lokale studieadministrative systemer som fra centrale stamdata, indberetnings- og dataopsamlingssystemer

46 Ovenstående skitse for grænseflader til RR er ift planlagt strategi på nuværende tidspunkt. Måden data hentes/læses på, kan efterfølgende forandres. Datafangstprocedurerne i Ressourceregnskabet er planlagt at foregå således: Dataindsamling til central database. I starten af et år indsamles transaktionsdata fra ressourceregnskabsåret fra både lokale og centrale kilder. Disse data samles centralt i ressourceregnskabssystemet, hvor de behandles og aggregeres op til det niveau, der skal afrapporteres på i ressourceregnskabet Lokal dataindsamling. For de indikatorer, hvor der ikke er lavet en central indberetningsløsning for data, skal disse indsamles/fremskaffes lokalt, systemunderstøttet af lokale systemer i større eller mindre grad Indberetning af tal. Når indsamlingen af data til den centrale database er på plads, åbnes der for institutionernes indberetning af ressourceregnskaber. Indberetningen foregår via et web-baseret skærmbillede, der stilles til rådighed via hvortil relevante institutionsmedarbejdere har login Udarbejdelse af tekstrapport. I web-applikationen forefindes en funktion til at udtrække en skabelon med de inddaterede tekster og tabeller, som institutionen kan anvende som udgangspunkt for udarbejdelse af den tekstrapport, som afleveres sammen med de struktureret indtastede tal og tekster Godkendelse. Når institutionen er færdig med inddatering af oplysningerne, godkender institutionen det inddaterede regnskab. Der er også mulighed for at godkende enkeltindikatorer før det samlede regnskab godkendes Ressourceregnskabet har til formål at belyse uddannelsesinstitutionernes prioriteringer, kvalitet og resultater gennem en række indikatorer. Samtidig tjener ressourceregnskabets indikatorer til at forenkle det samlede informationsgrundlag i styringssystemet. Ressourceregnskabsmodellen indeholder 20 indikatorer, der tilsammen belyser helheden i uddannelsesinstitutionens virksomhed og afspejler uddannelsesinstitutionens resultater i forhold til overordnede uddannelsespolitiske mål. Indikatorer kan opgøres generelt og per uddannelsesområde. Indikatorerne omfatter disse områder: Høj faglig kvalitet 1. Eksamensresultater 2. Brugertilfredshed 3. Lærer/Elev ratio 4. Lærens arbejdstid 5. Lærens kompetencer Uddannelse til flere 6. Optag/Tiltag 7. Frafald og fuldførelse

47 8. Praktik 9. Opsøgende arbejde ift. virksomheder 10. Ressourcer til bekæmpelse af frafald 11. Elevers deltagelse/fravær Udviklingsorientering 12. Kompetanceudvikling 13. Internationale ophold 14. Udviklingsprojekter og samarbejder Effektiv institutionsdrift 15. Uddannelsesomkostninger 16. Finansielle nøgletal 17. Fordeling af omkostninger 18. Medarbejdertrivsel 19. Personaleomsætning 20. Sygefravær VTU s indikatorberedskab Universitets- og Bygningsstyrelsen udarbejder detaljerede statistikker omkring mange aspekter inden for universitetsområdet. Statistikkerne er tilgængelige via UBST s hjemmeside 5 sammen med uddybende forklaringer. Indikatorerne opgøres som hovedregel en gang årligt, og offentliggøres så snart nye tal foreligger på det enkelte område. Statistikkerne omfatter disse områder: Universiteternes økonomi o Fx universiteternes indtægter, egenkapital samt hvor mange, der får SU. Universiteternes forskning o Fx bevillinger til forskning, hvor mange eksterne midler, universiteterne får og hvor mange, der forsker inden for forskellige forskningsområder. Ph.d.-uddannelsen o Fx hvor mange, der starter og gennemfører en ph.d.-uddannelse, kønsfordelingen på de ph.d.-studerende og hvor mange der læser en erhvervs-ph.d

48 Universiteternes videnskabelige personale o Fx hvor mange der er ansat på universiteterne, hvor meget de får i løn, hvor mange, der søger stillinger på universiteterne, og hvor mange, der bliver ansat hvert år. Universiteternes bygninger o Fx hvor mange kvadratmeter universiteterne råder over og hvilken lejepris, de betaler for at bo der. Universiteternes bachelor- og kandidatuddannelser o Fx hvor mange studerende, der er på universiteterne, hvor lang tid de er om at gennemføre deres uddannelse, hvor mange der falder fra, hvor stor en del af befolkningen der får en universitetsuddannelse, og hvor mange, der søger hhv. starter 6 på universiteterne hvert år International mobilitet o Fx hvor mange udlændinge, der tager på studieophold i Danmark, hvor mange danskere der tager på studieophold i udlandet, hvor mange kandidater og phd-er, der udvandrer hvert år, og om de kommer tilbage. Universiteternes efteruddannelse o Fx hvor mange der læser en masteruddannelse, og hvilken baggrund de studerende på universiteternes efteruddannelse har. Kandidaternes arbejdsmarked o Fx hvor stor arbejdsstyrken af kandidater er i Danmark, hvor stor ledighedsprocenten 7 blandt akademikere er, og de nyuddannede kandidaters beskæftigelse. Tallene findes dels i rapportform og dels som Excel-ark, der frit kan downloades. Et eksempel på et sådant ark ses nedenfor: 6 Opgøres fire gange årligt i forbindelse med optagelsesprocedurerne 7 Opgøres månedligt

49 Figur 16 Eksempel på regneark med statistik for universiteterne Tallene fremstilles baseret på lokale udtræk, optællinger, regneark mv. (se afsnittet om STÅ-indberetning i VTU ovenfor) samt ikke mindst omfattende demografiske og beskæftigelsesmæssige data fra Danmarks Statistik, data fra SU, fra lønstatistiksystemet ISOLA, universiteternes årsregnskaber og konsolideres en gang årligt. På personniveau findes oplysninger om universiteternes videnskabelige personale (fra ISOLA) og universiteternes bachelor- og kandidatuddannelser samt ph.d. og derudover kandidaternes arbejdsmarked (Danmarks Statistik) på anonymiseret form. Se afsnit ovenfor om universiteternes datafællesskab med Danmarks Statistik (og UvM/UNI-C) Danske Universiteters statistikberedskab Organisationen Danske Universiteter, som er universiteternes interesseorganisation, driver blandt andet et statistikberedskab, som er tilgængelig på organisationens hjemmeside 8. Danske Universiteter er også kendt i daglig tale som Rektorkollegiet. Der er tale om årlige indikatorer på elleve nøgleområder, som er brudt ned per universitet og dimensioner som uddannelsestype, hovedområde og mange flere

50 Figur 17 Eksempel på statistik fra Danske Universiteters statistikberedskab For hvert nøgleområde findes et antal indikatorer, som fremgår af tabellerne på hjemmesiden

51 Figur 17 viser et eksempel på en opgørelse af gennemførelsesprocenter på bacheloruddannelserne i 2009: Tabellerne findes fra 2005 og frem og kan downloades i Excel-format. Tallene fremstilles baseret på lokale udtræk, optællinger, regneark mv. og konsolideres en gang årligt. Danske Universiteter udarbejder ligeledes årlige statistiske rapporter, der også er tilgængelige på hjemmesiden ISOLA lønstatistik ISOLA er statens centrale lønstatistik, der blandt andet bruges i forbindelse med Forhandlingssystemet til lønforhandlinger. Den følgende beskrivelse vedrører ISOLA generelt. ISOLA rummer en bred vifte af statistikker opdelt i to hovedgrupper: Lønstatistikker og Personalestatistikker. Lønstatistikkerne omfatter følgende hovedområder: Løntillæg til analyse og opfølgning på anvendelsen af nye lønsystemer Indplacering viser lønniveauet for nyansættelser Ligelønsrapport til opfølgning på ligeløn på arbejdspladsen Lønstruktur angiver forskydninger i lønstrukturen Lønudvikling til opfølgning på den lokale løndannelse Løndata over tid lønudviklingen for enkeltpersoner set over flere kvartaler Personalestatistikkerne dækker over følgende områder: Fravær Personaleomsætning Personalefordelinger Socialt kapitel Senior/Fratrædelsesordninger Forbrugstal lokale fraværsstatistikker viser personalebevægelser i form af afgange og tilgange hurtige oversigtstabeller over personalesammensætningen til opfølgning på måltal for ansatte i særlige ordninger oplysninger om ansatte på disse ordninger faktiske årsværks- og lønsumsforbrug i staten Data i ISOLA er på individniveau og lønartsniveau. ISOLA er primært tænkt til anvendelse i forbindelse med forhandlingssystemet, men det anvendes også i mange andre sammenhænge

52 De frie grundskoler mv. opdateres én gang årligt, mens den store mængde af institutioner opdateres kvartalsvis. Sygefravær indgår (dog ikke for de mindre skoler). Data ligger per kvartal (som gennemsnitsmåneden for kvartalet). ISOLA er baseret på de mest detaljerede data fra Statens Løn System, SLS (se dette ovenfor). Også data fra KMD Løn (Opus) og Silkeborg Løn er tilgængelige i ISOLA. Disse lønsystemer anvendes i de tidligere amtslige uddannelsesinstitutioner (gymnasierne). I disse systemer anvendes der ikke de frie specifikationer (fx formål) som i et vist omfang anvendes (på forskellig vis) i SLS. KMD s lønsystem er en del af OPUS-familien, som er en SAP-baseret løsning udviklet til amter og kommuner. Det er et centralt system, som driftes af KMD. I løsningen indgår der et datavarehus, KMD OPUS EDW, som bl.a. indeholder data om løn og fravær. Silkeborg Løn er et tilsvarende system, men det omfatter ikke et datavarehus. Der findes dog gode muligheder for dataudtræk og dataudveksling via åbne standarder. ISOLA er en central (SAS) applikation, der er tilgængelig (autorisation kræves) via en portal drevet af Personalestyrelsen ØS LDV ØS LDV står for Økonomistyrelsens Lokale DataVarehus. Der er tale om en løsning, som meget ofte anvendes i forbindelse med Navistion Stat og/eller Statens Løn System. Dette, lokale, datavarehus indeholder: Informationer om løn og økonomi. Data fra Statens Løn System (SLS) og Navision Stat (NS). Består af et datavarehus samt en rapportpakke udviklet i Microsoft Reporting Service og standardkuber via Excel. Mulighed for at integrere data fra andre systemer og kan tilgås af egne rapporteringsværktøjer (Targit, Crystal Report,SAS m.fl.)

53 Figur 18 Datastrømme omkring ØS LDV Med ØS LDV får statens institutioner: Ét lokalt datavarehus, der som udgangspunkt opsættes med institutionens egne SLS og Navision Stat data. En standardrapportpakke, der giver web-adgang via rapporteringsværktøjet Reporting Services. En standardkubepakke, der giver en analytisk adgang til løn- og regnskabsdata via fx Excel

54 Vedligeholdt adgang til data, der opdateres, når der sker ændringer i data fra SLS og Navision Stat. En enkel og fleksibel datavarehusplatform, der kan anvendes til platform for egne ledelsesinformationsløsninger, hvor data kan kombineres på tværs af regnskaber og løngrupper - fx for driftsfællesskaber. Mulighed for at kombinere finansielle og lønmæssige informationer med produktionsdata fx fra studieadministrative systemer, tidsregistreringssystemer eller ESDH-systemer. Data, der kan tilgås af alle rapporteringsværktøjer, som kan arbejde på en Microsoft SQL Server, fx Targit, Crystal Reports, SAS m.v. ØS LDV indgår som en del af abonnementet for Navision Stat og SLS. Datastrømmene omkring ØS LDV ses i Figur 18 ovenfor. ØS LDV anvender som det ses ØDUP til dataudveksling mellem de centrale SLS data og det lokale data varehus Institutions datamarter / SU SU tilbyder institutioner ledelsesinformation via en SAS-løsning udviklet og driftet af SU. Der tilbydes statistikker indeholdende: Støtte Ekspeditionstid vedrørende ansøgere Nøgletal vedrørende administrationen Dertil tilbydes en institutions -datamart, hvorfra faste rapporter kan udtrækkes. Der kan fx besvares spørgsmål om gældsbyrder bliver større og vedrørende digitaliseringsgraden ift. ansøgere Lokale datavarehuse Indenfor UVM-området findes der et kommercielt datavarehusprodukt, som anvendes i ca. 20 erhvervsskoler. Det drejer sig om produktet accostat fra det danske firma Accobat. Produktet har angiveligt følgende scope: Rapportering på Årselever, Timer og Kroner Integreret løsning til Budgettering og rapportering

55 Ressourceregnskabsmuligheder Webbaseret Modulopbygget Integrerbar med LDV Rapportering på frafald - datamining. Informationen har vi fra firmaets hjemmeside 9. Vi har i øvrigt ikke set nærmere på løsningen. En del af de store uddannelsesinstitutioner og universiteter har egenudviklede, lokale datavarehusløsninger. Det drejer sig ofte om bestands- og produktionsopgørelser, og løsningerne anvendes ofte intensivt i arbejdet med kvalitetssikring af aktivitetsindberetningerne til ministeriet. Der findes ikke noget standarddatavarehusmodul til STADS-systemet (UNI-IT familien af produkter til universiteterne) Centrale stamdata- og dataopsamlingssystemer Institutionsregistret Institutionsregisteret hos UVM er et register over en række enheder, der udbyder undervisning. Desuden indeholder registeret også kontaktoplysninger på en række enheder knyttet til uddannelsesområdet, herunder landets regioner, kommuner og centre for rådgivning og vejledning. I registeret skelnes der mellem enheder med elever tilknyttet og enheder uden elever tilknyttet. Institutionsregisteret benyttes af UNI C, Danmarks Statistik og Undervisningsministeriet, der også i samråd diskuterer, hvilke ændringer der kan tilføjes regi-steret. Udtræk fra registeret sælges af UNI C og Danmarks Statistik. Institutionsregisteret indeholder følgende stamdata: Institutionsnummer (sekscifret unik kode), navn, CVR-nummer, P- nummer, adresse, kontaktoplysninger, mv. for de enheder der udbyder undervisning Institutionstype (1, 2 og 3), mv

56 Hovedskole og tilhørende afdelinger (hierarkisk struktur så det er muligt for hver juridisk enhed (hovedskole) at oprette en/flere underordnet enhed (afdeling) Administrative oplysninger (oprettet dato, rettet, nedlagt, etc.) En stor uddannelsesinstitution kan have mange afdelinger på flere adresser EASY-S Er et centralt dataopsamlingssystem hos UNI-C, som samler data sammen fra de lokale driftsinstanser af EASY-A. Data, der samles sammen fra EASY-A ind i EASY-S, omfatter ikke alle oplysninger, der findes i EASY-A, delmængde af data er: Stam- og grunddata omfattende geografi, personale, studerende, uddannelse (uddannelsesmodellen) og virksomhed Aktivitetsoplysninger på et overordnet niveau samt oplysninger om øvrige aktiviteter og praktik Uddannelseshændelse oplysninger om den enkelte elevs forløb SIS-S Er et centralt dataopsamlingssystem hos UNI-C, som samler data sammen fra de lokale driftsinstanser af SIS. Data, der samles sammen fra SIS ind i SIS-S, omfatter som udgangspunkt de fleste data som opsamles i SIS Øvrige delte systemer CPR På UVM-området har nogle studieadministrative systemer direkte grænseflade til CPR (Lectio og LUDUS via webservices) vedrørende Personale og Studerende stamdata, mens andre systemer har indirekte grænseflade til CPR (fx EASY-A), da dette sker gennem anvendelse af et fælles stamdata system EASY-F. Kobling til CPR anvendes til CPR-nummervalidering samt for visning/validering af navne- og adresseoplysninger

57 På VTU-området er der fra de fleste studieadministrative løsninger online kobling til CPR med henblik på sikring af præcise adresseoplysninger. Datafællesskabet hos Danmarks Statistik indeholder data, der er udtrukket fra CPR CVR På UVM-området har nogle studieadministrative systemer direkte grænseflade til CVR (LUDUS via webservices) vedrørende Virksomhedsdata stamdata, mens andre systemer har indirekte grænseflade til CPR (fx EASY-A), da dette sker gennem anvendelse af et fælles stamdata system EASY-F. Kobling til CVR anvendes til CVR-nummervalidering samt for visning/validering af navne- og adresseoplysninger. Vi har ellers ikke specifikt undersøgt, hvilke integrationer, der måtte være til det centrale virksomhedsregister. Området har ikke så stor prioritet, og er primært relevant i forbindelse med praktik samt for indtægtsdækket virksomhed. De fleste steder, vi har kendskab til, optræder virksomheder derfor som praktiksteder (meget varierende registreringspraksis) eller som debitorer SU Generelt vurderet er SU tættere integeret med STADS-administrationen på VTUormådet, end den er med studieadministrationen på UVM- området. Digitaliseringsprojektet på SU-området vil medio 2010 sikre en tættere integration til UVM-anvendte studieadministrative systemer end tilfældet er i dag. Der er en række grænseflader til/fra SU og for flere af disse grænseflader er der tale om lav grad for fælles anvendte referencekoder for stamdata, fx vedrørende uddannelser. Udgangspunktet er, at SU definerer referencekoder, der skal benyttes i grænsefladerne. De identificerede grænseflader til SU-systemkomplekset er: STADS (Universiteterne) o Modtager SU uddannelseskoder o Modtager af institutions ugeoplysninger (hvilke uddannelser, klippekortforbrug, hvad er udbetalt)

58 o Levering af STADS rammekoder o Levering af uddannelsesoplysninger (CPR, link til uddannelsesretning) EASY (for VEU uddannelserne) o Via webservices oplysninger om kurser, fag, m.v. Institutioner o Modtager støtteliste, manuel grænseflade Kommende grænseflade til UVM studieadministrative systemer (SU- digitaliseringen) o Grænseflade fra EASY-A, Lectio, LUDUS og SIS til SU, via webservices o Data, der leveres, følger STADS-modellen og indeholder oplysninger om indskrivning og uddannelsesforløbshændelser o Der modtages data om SU uddannelseskoder SU s grænseflader til/fra SKAT (Forskudssystem og e-indkomst register), Dream (Beskæftigelsesministeriet), SPS (handikap), DIB (DK International Brigade), BYS (Børne Ydelses register) og CPR (elever, forældre, adressehistorik, søskende, egne børn ift. enlige forsørgere, m.v.) er ikke nærmere belyst Anvendelsesområder Generelt Der er naturligvis forskellige anvendelsesområder for de mange indsamlinger af data, der finder sted. I tabellen nedenfor har vi forsøgt at give en samlet oversigt, hvor I-erne kan betyde indikator (hvis i statistik-kontekst) eller indberetning (hvis i administrativ kontekst):

59 Figur 19 Oversigt over hvorledes begreber indgår i eksisterende indikatorer og indberetninger Systemerne er hver for sig beskrevet ovenfor. Man kan sammenfatte situationen således, at der på tværs af ministerområderne findes: Regnskab, budget osv. (SKS, Navision Stat og ØS systemlandskabet) til administrative formål Taxameterindberetningerne til bevillingsformål, og Statistik (UNI-C og Danmarks Statistik i samarbejde)

60 Inden for UVM er der en række regnskabsmæssige løsninger, inkl. formålsindberetninger af aktiviteter. Det nye ressourceregnskab dækker forholdsvist bredt med sine godt 20 indikatorer, men er på et relativt aggregeret niveau og har et antal manuelle indberetningsprocesser (indtil videre). På VTU-området er der dels taxameterindberetningerne samt statistiske beredskaber. Og på ØEM-området gør det samme sig gældende, blot i simplere form (pga. områdets mindre størrelse) og med fokus på både produktion, kvalitet og effektivitet (blandt andet gennem besøg på skolerne) Eksempel på tværgående sammenstilling af data Undervisningsministeriet har etableret et kvalitetssikringssystem for Ungdommens Uddannelsesvejledning, baseret på registreringer, udtræk og samkøring af registre hos UNI-C, i optagelse.dk og hos de enkelte (kommunalt baserede) UUcentre. Formålet er at vise de uddannelsessøgendes adfærd sat i relation til, hvilket UU de har modtaget vejledning fra. Der dannes bl.a. en måling, der viser elevernes placering umiddelbart i forlængelse af grundskolen. Denne måling baseres på samkøring af følgende data: Elevens placeringsønske i optagelse.dk pr. 15. marts, og Elevens faktiske placering primo september og primo november, baseret på data i ungdomsuddannelsernes administrative systemer, indberettet til UVM/UNI-C UU-ernes registrering vedr. unge, der ikke er i uddannelsesforløb På grundlag af lignende samkøringer dannes målinger over, hvor lang tid, der går før den unge har truffet et valg. På grundlag af UNI-C's registreringer af uddannelsesplacering foretages også analyser af mønstre i de unges uddannelsesvalg over tid, og fremskrivninger fordelt på kommuner. Systemet omfatter også tilfredshedsundersøgelser ved hjælp af et fælles system, som UNI-C står for. De kommunalt baserede UU-centre ligger uden for vores undersøgelses område. Det samme gør optagelse.dk og spørgeskemasystemet hos UNI-C. Men ordningen

61 er et eksempel på, at der ved samkøring af de studieadministrative systemer med andre systemer kan skabes information om de unges uddannelsesvalg i relation til vejledningen

62 4. Kortlægning af data i de administrative systemer 4.1. Overblik Overordnet begrebslandkort Vi har identificeret ca. 77 systemer, der anvendes inden for administrationen af uddannelsesinstitutionerne under de tre ministerier. I den følgende tabel gives et overblik over systemerne og de begrebsområder, de har fat i. I tabellen betyder M = Master, K = Kopi, O = Oprettelse og R = Rettelse. Eksempelvis betyder: MO at data i systemet betragtes som master data samtidig med at data oprettes MK betyder at data betragtes som master data og at data samtidig er i kopi ift andre systemer, der indeholder samme data (fx hvor Studerende stamdata oprettes i Lectio, samtidig med at samme stamdata findes i andre systemer også) Osv. Figur 20 Systemer og begrebsområder M/K angiver at data potentielt kan være master data, men kan også udelukkende betragtes som at data er i kopi ift andre systemer, for samme data Ministerområde Tværgående Tværgående Tværgående Tværgående Tværgående Tværgående Alle Sektor System Danmarks Statistik Geografi Institution Personale Pædagogiske/ faglige aktiviteter Alle SU MO M MO KO KO KO Mest UVM, men også i andre ministerier Navision Stat, NS LDV Visse institutioner KMD Løn M Visse institutioner Silkeborg Løn M Regnskab SKS M M Ressource-forbrug Studerende Uddannelse Uddannelsesforløb KO K M M KO M Virksomhed

63 Ministerområde Tværgående Sektor System Geografi Institution Personale Pædagogiske/ faglige aktiviteter Regnskab SLS/ISOLA/LDV M M K UVM Alle CØSA K K M UVM Alle DWH-S KR KR (K) KR KR KR KR KR UVM Alle Eksamens-databasen K K K K K K UVM Alle Institutions register K M M M UVM Alle næsten Regnskabs-portalen K K MK UVM Alle næsten Ressource-regnskab KR KR UVM AMU, EUD Vis-kvalitet KO KO KO KO KO UVM CVU/UC SIS KO KO MO MO MO MO KO KO MO MO UVM CVU/UC SIS-S K K K K K K UVM Erhvervs-skoler EASY-F K KO KO K K K UVM Erhvervs-skoler EASY-A KO KO KO MO MO MO MK O K MO KO UVM Erhvervs-skoler EASY-P K K M KO K K K UVM Erhvervs-skoler EASY-S KR KR KR KR KR KR KR UVM Erhvervs-skoler Elevplan K KO K K K K M K UVM Erhvervs-skoler Praktik Plus K K K UVM Erhvervs-skoler Praktikpladsen K K UVM Gymnasier Lectio KO UVM Gymnasier Ludus KO MK O MK O M el. KR M el. KR Ressource-forbrug MO MO MO (O) MO MO MO MO Studerende MK O MK O Uddannelse KR KO Uddannelsesforløb MO Virksomhed KO MO MO UVM Gymnasier XPRS KO KO KO KO KO KO MO UVM Prod.skoler ERS KO MO MO MO MO MO MO UVM Prod.skoler Navi Partner KO MO MO MO MO MO MO MO MO UVM Prod.skoler Timer KO MO MO O MO MO VTU AU Bygnings-register M VTU AU (8000c og ASB) AU, egne DW K K K K K K VTU AU (ASB) CRM-system VTU AU (ASB) Kursusdatabase VTU AU (ASB), DTU, KU CampusNet M/K M/K M/K K K M/K OR VTU AU (HIH), SDU Blackboard VTU AU (Humanoira) FirstClass???? VTU AU (Naturvidenskab) Survey Exact K K K VTU AU (Samf og Sundhed) AULA M VTU AU, CBS, DTU, KU Syllabus M/K K M/K K K VTU CBS Abacus K K M VTU CBS Datavarehus K K K K VTU CBS Lessor M VTU CBS SPARC M M M M VTU CBS, DTU, ITU, KU, RUC, SDU, AAU SLS/ISOLA/LDV M/K M/K M/K VTU CBS, ITU, RUC Navision Stat M+K VTU DTU DW K K K VTU DTU Kursusdata-base Persondata-base M M M M Bygnings-register VTU DTU, ITU, KU, RUC, STADS M/K M/K K K MK M/K M

64 Ministerområde Sektor System Geografi SDU, AAU VTU DTU, ITU, RUC, SDU UPS M VTU DTU, KU, SDU, AAU ØSS M/K M M/K (M) VTU ITU Eget datavarehus K K K VTU ITU mit.itu M K M M M K VTU ITU Oracle kalendersystem M M VTU KU Absalon (It s learning) K K K K K M/K VTU KU DW K K K VTU KU Fønix M M M/K VTU KU Scanpas M/K VTU KU SIS K K M VTU RUC? (X) VTU RUC Egne systemer M M M K VTU RUC SAKAI/ ecampus M VTU SDU DW K K K VTU SDU Egen-udviklede M M M M (M) VTU SDU Locus (TimeEdit) M VTU AAU Egen-udviklede M M M M M VTU AAU Lokalt DW (Oracle) K K K K K VTU AAU Lokalt DW (SAS) K K K VTU AAU Scanpas M VTU AAU Scantid K M VTU AAU Spørgeskemasystem(?) M VTU AAU Uafklaret M ØEM Egen-udviklede (M) M M ØEM Interact K K ØEM Moodle K K M K K ØEM Navision Stat K M (M) ØEM SIS M M M M M M ØEM Tabulex K K M Institution Personale Pædagogiske/ faglige aktiviteter Regnskab Ressource-forbrug Studerende Uddannelse Uddannelsesforløb Virksomhed Særlige fokusområder Under vores kortlægning har vi haft særlig fokus på nøglefaktorer, som efterfølgende har stor betydning for datas nytteværdi i et datavarehus. Denne figur forsøger at sammenfatte de vigtigste af dem:

65 Figur 21 Niveauer for begrebsområders datagranularitet Nyhedsværdi: Det er klart, at det er vigtigt at afdække, hvilke informationer der findes i forvejen. Dels fordi det er interessant at vide, om de fremover kan produceres mere automatisk. Men også fordi ny information, som ikke i dag er let tilgængelig, vil forøge nytteværdien af et datavarehus betydeligt. Aktualitet: Er også af afgørende betydning. Meget sent indkomne informationer er ikke så betydningsfulde som helt friske informationer (ligesom sidste måneds aviser ofte kun interesserer få mennesker). Alene det faktum, at man ved, at der kan mangle information i flere uger eller måneder, gør, at brugerne vil opleve datavarehuset som upålideligt og mangelfuldt. Detaljeringsgrad: Er også helt afgørende. Årsregnskaber (fx) er gode og nyttige i en del sammenhænge. Men djævelen er jo i detaljen. Hvis man kan omkostningsfordele per uddannelse eller måske endda per kursus (uddannelsesdel), har man jo helt andre muligheder for kunne følge op og dermed foretage indsatser, der gør læringsprocesser både mere effektive og giver højere kvalitet. I datavarehusjargon kaldes dette for granularitet et udtryk vi har brugt rundt omkring i rapport og delrapporter. Broer : Vi har kigget meget efter, hvilke sammenhænge, der er mellem økonomital og aktivitetsdata mv. Disse koblinger er jo helt afgørende for, hvor godt man kan sammenligne omkostninger og uddannelser. Her er et eksempel på det klassiske årsregnskab (modelleret meget simpelt):

66 Figur 22 Simpel begrebsmodel over for nogle regnskabsbegreber Hvis formålene er uddannelser (som i UVM s CØSA-system, se dette), så giver dette formålsregnskab en god information om de årlige omkostninger ved de enkelte uddannelser. Men hvis formål blot er Uddannelse, forskning og formidling, så er det svært at lave fx kostprisbaserede sammenligninger. Hvad med aktualiteten? Kunne det ikke være ønskeligt at se på fx månedsvise omkostninger? Et kursus kunne flyttes til en nybygget bygning med betydelig højere husleje, fx Detaljeringsgraden er også vigtig. Uddannelser er komplekse og sammensatte. Visse uddannelsesdele er meget omkostningstunge (laboratorieøvelser fx) sammenlignet med andre. Men hvis vi ikke kan kontere omkostninger på det niveau, går en del information tabt. Og, endelig, hvad med broerne mellem dimensionerne? Hvis omkostningssted ikke er det samme som den organisatoriske enhed, der udfører kurset (fx), så er uddannelsesopdelt omkostningskalkulation heller ikke mulig

67 Sådanne sammenhænge og broer mellem dimensioner har det været vigtigt for os at kortlægge Kortlægningen i institutionsområdeperspektiv Strukturen af områderne I dette afsnit præsenteres arbejdsgruppens resultater fra dataindsamlingen ang. data på institutionsniveau (VTU)/institutionsområdeniveau (UVM). Afsnittet er opdelt i tre dele; en del omhandlende UVM-området, en del som opsummerer på VTU-området og en del med oplysninger om de to undersøgte institutioner under Økonomi og Erhvervsministeriet/Søfartsstyrelsen (Århus Maskinmesterskole og SIMAC i Svendborg) UVM-områderne I kortlægningsfasen er nøglepersoner og forvaltere hos UVM og Uni-C samt leverandører af de studieadministrative systemer (bl.a. Rambøll Informatik, MaCom og CSC) interviewet. Ligeledes har repræsentanter på institutionssiden i mindre omfang bidraget til kortlægningsarbejdet. Dette er primært institutioner, der har leveret kildedata til DV pilot dataanalyseopgaven, som er KTS og fem almene gymnasier Studieadministration og tilhørende systemer Kortlægningen dækker de regulerede institutioner, som anvender følgende frem studieadministrative systemer (når der ses bort fra GAS som er under udfasning): EASY-A LUDUS Lectio SIS STADS De studieadministrative systemer retter sig mod forskellige uddannelser og dermed typisk på en given institutionstype. Primære uddannelser, som systemet primært er målrettet mod, er markeret med X i nedenstående tabel. De sekundære uddannelser systemet er rettet mod er markeret med O

68 Figur 23 Primære henholdsvis sekundære uddannelser systemer er rettet imod Uddannelser EASY-A LUDUS Lectio SIS STADS Fvu Videregående Voksen Uddannelse X Avu Almen Voksen Uddannelse X Hfe Hf enkeltfag X O Amu ArbejdsMarked Uddannelser X O Gvu Grundlæggende Voksen Uddannelser X Vvu Videregående Voksen Uddannelse X O Diplom Diplomuddannelser X X Eud ErhvervsUddannelser X O O Egym Erhvervs Gymnasiale uddannelser X O Agym Almene Gymnasiale uddannelser X X Eau Erhvervs Akademi Uddannelser X O PB Professions Bachelor uddannelser X X X Det skal bemærkes, at anvendelse af STADS ikke er kortlagt under UVM- kortlægningen, men udelukkende gennem VTU-kortlægningen. Det drejer sig om de få institutioner, for Diplom- henholdsvis Bacheloruddannelser, der benytter STADS som studieadministrativt system, men som hører under UVM. Der er store forskelle i funktionaliteten, hvormed de enkelte systemer betjener det samme uddannelsesområde. Men alle systemer opfylder de basale myndighedskrav, primært defineret ved kravene i tilskudsinstrukserne, dvs. vedrørende kontoplaner, uddannelsesmodel, tælleprincipper og tilskudsprincipper. Figur 24 Primær hhv. sekundær systemanvendelse, antal elever og studerende per uddannelsesområde Uddannelsesområde Uddannelse Primær studie adm system Sekundær studie adm system Antal elever og studerende Alm. gymnasiale Agym Alment Gymnasiale uddannelser LUDUS, LECTIO Hfe HF enkeltfag LUDUS LECTIO Erhvervsgymnasiale Egym Erhvervs gymnasiale uddannelser EUD Erhvervsuddannelser LECTIO, SIS Erhvervsrettede uddannelse Gvu Grundlæggende Voksen Uddannelse EASY Sosu Social- og Sundhedsuddannelser Erhvervsakademi uddannelse Eau ErhvervsAkademiUddannelser Vvu Videregående Voksen uddannelse SIS PB ProfessionsBachelor uddannelser EASY SIS Professionsbachelor uddannelser Diplom Diplom uddannelser STADS DMJ Danmarks Journalist/Mediehøjsk. SIS Efter- og videre uddannelse Amu, Veu Arbejdsmarkedsuddannelser EASY SIS UvM øvrige Nav, Timer, Prod Produktionsskoler ERS Ovenstående Figur 24 viser for hvert uddannelsesområde, hvilke primære henholdsvise sekundære studieadministrative systemer m.v. institutionerne på områ

69 det anvender (Systemanvendelsen afviger lidt fra Figur 23, der viser, hvilke områder systemer er rettet mod). Samtlige ovenstående studieadministrative systemer er kortlagt. Data. der benyttes i de enkelte systemer, fremgår af skemaerne i baggrundsmaterialet. Som supplement bruges en række andre værktøjer/systemmoduler til skemabrikgenerering gennem algoritmer (sker i dag i Lectio og snart i LUDUS), ligesom at der i EASY-A og SIS er muligheder for at oprette hold- og skemabrikplan, hvor indhold i forvejen, manuelt, er planlagt Regnskab/økonomi Alle de regulerede institutioner benytter Navision Stat (NS). Enkelte institutioner for nogle uddannelsesområder, fx produktionsskolerne, benytter Navision udgaven NaviPartner eller C5. Styringen af løn foretages med Statens Lønsystem (SLS), kombineret med ISOLA til lønstatistik og Økonomistyrelsens Lokale Datavarehus (ØS LDV). De tidligere amtslige institutioner anvender dog KMD Opus (Løn) eller Silkeborg Løn Andet Der findes i UNI-C regi et statistikberedskab (DWH-S), der opsamler en række data direkte for de studieadministrative systemer samt fra en række etablerede centrale dataopsamlingssystemer (fx EASY-S og SIS-S). Dertil kommer det kommende Ressourceregnskab, hvor der tilbydes en række rapporter, statistikker samt ledelsesinformation på regnskabsområdet VTU-området Generelt I dataindsamlingsfasen har projektgruppen snakket med alle danske universiteter. De gennemførte interviews har primært været med personer fra studieadministrationen, fra personaleadministrationen og fra it-afdelingen. Alle universiteterne er blevet besøgt, ofte med flere møder. Der er kortlagt ud fra nu-situtationen, dog med to vigtige undtagelser: Både Københavns og Århus universiteter er i færd med standardisering af studieadministrationen til udelukkende

70 at bruge STADS-systemet. KU forventer at starte i 2010, mens AU forventer at starte i Ikke blot de studieadministrative funktioner er berørte, men også andre systemområder, som fx skemasystemer, indgår i planerne. Kortlægningen af KU og AU er foretaget ud fra forventningerne til den fremtidige løsning, idet de nuværende løsninger med stor sandsynlighed bliver afskaffede inden for et par år. KU og AU udgør tilsammen 53 % af VTU-området målt i STÅ. Systemerne kortlagt ifbm. dataindsamlingen kan fagligt deles op i tre overordnede kategorier: Studieadministration og tilhørende systemer Regnskab/økonomi Andet STADS systemet udvikles af universiteternes udviklingssamarbejde kaldet UNI- IT, som også drifter nogle af systemerne for nogle af universiteterne. Systemer inden for alle disse kategorier går igen flere steder, systemerne udviklet og drevet hos UNI-IT/lokalt og/eller ØS/CSC. Disse omfatter nedenstående systemer: Figur 25 Fælles administrative systemer System STADS ØSS UPS SLS ØS LDV Institutioner DTU, ITU, KU, RUC, SDU, AAU DTU, KU, SDU, AAU DTU, ITU, RUC, SDU CBS, DTU, ITU, KU, RUC, SDU, AAU Udvikling/Drift UNI-IT/Lokalt UNI-IT/Lokalt UNI-IT/Lokalt ØS/CSC ØS/Lokalt I de nedenstående afsnit gennemgås hver af de tre ovenstående kategorier for hvert universitet

71 Ålborg Universitet (AAU) Studieadministration og tilhørende systemer AAU kører på STADS som det studieadministrative system. Som supplement til STADS kører universitetet en række egenudviklede systemer til styring af kurser, lokaler, praktik, internationale studerende. Regnskab/økonomi AAU bruger ØSS som økonomisystem og SLS/ISOLA/LDV som lønsystem. Andet AAU kører lokale datavarehusløsninger baseret på Oracle og SAS til at foretage forskellige analyser. Personalet styres med systemet Scanpas og tidsregistrering på projekter foretages med et system fra samme leverandør ved navn Scantid. Der findes desuden et system til registrering af sygefravær og et system til kursusevaluering Århus Universitet (AU) Studieadministration og tilhørende systemer AU kører på et egenudviklet studieadministrationssystem ved navn Delfi. Datakvaliteten i systemet er god, systemet er det centrale omdrejningspunkt for studieadministrationen. Handelshøjskolen i Århus (som nu er en del af Århus Universitet) kører STADS. Planen er at konsolidere det studieadministrative arbejde på en fælles implementering af STADS i I tillæg til de overordnede studieadministrative systemer køres en række systemer som supplement. Forskellige dele af universitetet kører forskellige learning management systemer (LMS): First Class på Humanoira AULA på Samfundsvidenskab og det sundhedsvidenskabelige fakultet CampusNet på Handelshøjskolen Blackboard på Handels- og IngeniørHøjskolen i Herning Syllabus systemet bruges til lokaleadministration

72 Regnskab/økonomi AU bruger Navision Stat til styringen af universitetets økonomi og SLS/ISOLA til styring af løn. Navision Stat kører i tre forskellige instanser (8000c, DJF og DMU). Andet Der bruges en række andre systemer til universitets øvrige administration, herunder et bygningsregister, et kursusevalueringssystem og et CRM-system. Fremtiden for disse systemer er usikker ifbm. overgangen til STADS. Århus Handelshøjskole (ASB) under AU bruger Arcanic-porteføljen af systemer (CampusNet, kursusdatabase etc.). Systemerne kører ikke den mest aktuelle version og er blevet tilpasset ASB på flere områder. ASB bruger også Syllabus- systemet til styring af undervisningslokaler og undervisere. Personalesystemet PØS bruges, men er under udfasning og vil blive erstattet af en standardløsning Copenhagen Business School (CBS) Studieadministration og tilhørende systemer CBS er, når omlægningerne på KU og AU er gennemførte, ene om ikke at anvende STADS til studieadministration. I stedet anvendes et egenudviklet system, SPARC. Datakvaliteten i systemet vurderes som værende god, eftersom systemet er det primære studieadministrative system. SPARC leverer data til CBS eget datavarehus. Regnskab/økonomi CBS bruger Navision Stat til økonomistyringen og SLS/ISOLA til styringen af løn. CBS bruger egen kontoplan i Navision Stat. Datakvaliteten i systemet vurderes til at være god. Data genbruges i CBS eget datavarehus. Det egenudviklede Abacus-system bruges til at udspecificere fordelingen af lønudgiften mellem studier for en forsker. Systemet hænger sammen med resten af økonomisystemerne

73 Andet Abacus bruges også til tidsregistrering og Lessor systemet (bygget på Microsoft Dynamics) bruges som personalesystem. Der er planer om at skifte Lessor ud med et andet personalesystem. Syllabus bruges til lokaleadministration IT Universitetet (ITU) Studieadministration og tilhørende systemer På ITU er en egenudviklet studenterportal (i realiteten et learning management system), kaldet mit.itu, kernen i studieadministrationen. Systemet afløses formentlig af en mere mainstream løsning inden for de nærmeste år. Regnskab/økonomi ITU bruger Navision Stat til økonomistyringen og SLS/ISOLA til styringen af løn, i kombination med ØS LDV. Andet ITU bruger UPS-systemet til personalestyring. Derudover findes der et Oraclebaseret system til booking af lokaler og håndtering af skemaer. ITU kører desuden et lokalt datavarehus til forskellige analyser af studerende, studieresultater og studieforløb Danmarks Tekniske Universitet (DTU) Studieadministration og tilhørende systemer DTU bruger STADS som deres studieadministrative system. Systemet er suppleret af en række systemer til at håndtere data, der falder uden for STADSstrukturen eller ikke er detaljeret nok i STADS. Det drejer sig om en persondatabase, en kursusdatabase og et bygningsregister. De studerendes på DTU bruger CampusNet systemet til at tilgå forskellige studieadministrative oplysninger, tilmelde sig kurser, se karakterer osv. Systemet udveksler data med en række af de andre studieadministrative systemer, fx STADS, persondatabasen, kursusdatabasen og Syllabus. Datakvaliteten i systemet vurderes som værende god, eftersom systemet bruges i det daglige arbejde

74 Regnskab/økonomi DTU bruger ØSS økonomisystemet og kombinationen af SLS/ISOLA/LDV til styringen af løn. Andet UPS-systemet bruges til personalestyring. Syllabus-systemet bruges til skemalægningen. Kombinationen af UPS og ØSS bruges til tidsregistrering, der hvor tidsregistrering foretages (typisk EU-projekter) Roskilde Universitetscenter (RUC) Studieadministration og tilhørende systemer RUC bruger STADS-systemet til de studieadministrative opgaver. En række systemer supplerer STADS, det drejer sig om systemer til styring af lokaler og kurser (isaps/saps), en persondatabase (RND) og lignende databaser over virksomheder og praktikforløb. Til de studerendes selvbetjening bruges learning management systemet SAKAI (ecampus på RUC). Regnskab/økonomi Navision bruges til regnskabsstyring, SLS/ISOLA/LDV bruges til styringen af løn. Andet UPS-systemet bruges til personalestyring. Der er planer om at indføre et system til tidsregistrering Syddansk Universitet (SDU) Studieadministration og tilhørende systemer SDU bruger STADS til det studieadministrative arbejde. Som supplement bruges en række egenudviklede systemer til persondatabase, kursusdatabase og håndtering af udenlandske studerende. Til lokaleadministration bruges TimeEdit systemet (Locus på SDU)

75 De studerendes selvbetjening foretages gennem learning management systemet Blackboard. Regnskab/økonomi SDU regnskabsstyring håndteres med ØSS, kombineret med SLS/ISOLA til løn. Kombinationen af ØSS og UPS bruges desuden til tidsregistrering for projekter. Andet UPS bruges som personalesystem. SDU kører desuden et lokalt datavarehus, baseret på Noetix og SAS Københavns Universitet (KU) Studieadministration og tilhørende systemer KU har planer om at overgå til STADS-systemet til de studieadministrative opgaver. På nuværende tidspunkt bruger man stadig det egenudviklede Fønis- system, som indeholder moduler, bl.a. også et bygningsregister og håndtering af internationale studerende. Et Oracle-baseret system ved navn SIS bruges som kursuskatalog, mens Syllabussystemet bruges til skemalægningen (som på CBS, AU og DTU). Regnskab/økonomi ØSS-systemet bruges til økonomistyring på KU, suppleret med SLS/ISOLA til lønstyring. ØSS-systemet bruges også til tidsregistrering på projekter. Andet Scanpas-systemet bruges til personalestyring. KU har sig eget Oracle-baserede datavarehus ØEM-området Der er blevet undersøgt to institutioner under ØEM: Århus Maskinmesterskole (AAMS) og SIMAC i Svendborg. Begge skoler arbejder med SIS-systemet, som også bruges bredt på UVM-området. Skolerne er dog ikke ellers bundet af standardsystemer for området, som på VTU-området opererer skolerne med stor handlefrihed

76 AAMS Studieadministration og tilhørende systemer AAMS bruger SIS til det studieadministrative arbejde. Systemet er ikke helt implementeret, men der arbejdes på at bruge SIS på flere områder. Andre systemer brugt til det studieadministrative arbejde inkluderer Tabulex til skemalægning og open-source systemet Moodle som learning management system. Tilfredshedsundersøgelser foretages med systemet Interact. Selve kvalitetssystemet, der indeholder de studiefaglige retningslinjer, findes i HTML-form, men ikke som et decideret system. Regnskab/økonomi AAMS bruger Navision Stat til styring af regnskab og økonomi. Andet Lessor bruges til personalestyring SIMAC Studieadministration og tilhørende systemer SIMAC er i gang med at indføre SIS, men kører for nu på et ældre studieadministrativt system fra SFS. Andre studieadministrative systemer omfatter et skemalægningssystem (GP-Untis). Som learning management system har man forsøgt sig med Sharepoint, men overvejer nu i stedet at indføre Moodle. Regnskab/økonomi SIMAC bruger Navision til regnskab og økonomistyring Kortlægningen i perspektiv af begrebsområder Tværgående systemer En række af de tværgående systemer (regnskab, HR og løn mv.) er beskrevet i afsnit

77 Geografi UVM Mht. geografisk information (adresse og geodata) i relation til uddannelsessteder er der både tale om dobbeltregistrering af data, tilfælde af dataredundans, anvendelse af både lokale som centrale systemer samt mindre forskelle i registreringspraksis. Samme institution kan være flere registreret i flere systemer, som kan være af typen: De lokalt anvendte studieadministrative systemer Det centrale Institutionsregister Centrale dataopsamlingssystemer hos UNI-C Det centrale fælles data system EASY-F hos UNI-C EASY-F opsamler adressedata for alle personer og virksomheder i Danmark gennem grænseflader til hhv. CPR og CVR. Adressedata registreres også for Studerende, Personale og Virksomheder. Data herfor betragtes som en del af de obligatoriske stamdata for disse begrebsområder VTU Mht. geografisk information i relation til uddannelsessteder er der både redundans, mange lokale, egenudviklede systemer samt forskelle i registreringspraksis. Et universitet kan have mange adresser, men informationen om disse er spredt over flere systemer, som kan være af typen: Bygningsregister Lokaleregister Institutionsinformationer Del af telefonbog eller lign. Disse systemer er oftest egenudviklede Studerende UVM-området Stamdatainformation om Studerende (elever) optræder i stort set alle anvendte systemer (web-portal brugerflader, studieadministrative systemer, centrale data

78 opsamlingssystemer, rapporteringsløsninger samt eksterne systemer, der dataudveksles med) og der er tale om både dobbeltregistrering af data, stor udbredelse af dataredundans og nogen forskelle i registreringspraksis. Dette til trods for, at der mellem flere af de anvendte systemer er eksempler på udveksling/replikering af studerendes stamdata. Information om de studerende findes i mange systemer, registre og brugerflader: Web-portaler (Optagelse.dk, Efteruddannelse.dk, Praktikpladsen.dk, Brobygning.dk, EASY-A s brugerweb, m.v.) De studieadministrative systemer (EASY-A, Lectio, SIS og LUDUS, nævnt i tilfældig rækkefølge). EASY-A og Lectio har data om flest antal studerende Centralt driftede systemer som Eksamensdatabasen, XPRS, Elevplan og Praktikpladsen Centrale dataopsamlingssystemer (EASY-S, EASY-F, EASY-P og SIS-S), hvor EASY-F optræder som en fælles grænseflade mellem studie administrative systemer til CPR (gælder ift. EASY-A og SIS) Data- og statistik løsning, DWH-S, samt kommende RessourceRegnskab Andre lokalt anvendte systemer hos institutioner, fx Navisionudgaven NaviPartner, Timer og ERS VTU-området Information om de studerende findes ofte i flere registre: Det studieadministrative system (STADS i de fleste tilfælde), men kun det studieadministrationsrelevante Navne-/persondatabase Telefonbog el. lign. database LMS Database over internationale studerende Bortset fra STADS er systemerne oftest egenudviklede. Alle universiteterne har integration til CPR, således at bopælsadresse osv. fås derfra. Data om studerende genbruges i de enkelte universiteters egne datavarehuse

79 Institution UVM-området Stamdata om institutioner vedligeholdes via flere brugerflader på trods af, at der benyttes et centralt Institutionsregister. Udstilling af institutionsdata herfra er ikke implementeret i høj grad. Bl.a. derfor er der stor grad af dobbeltregistrering af data, flere tilfælde af dataredundans, anvendelse af både lokale som centrale systemer samt mindre forskelle i registreringspraksis. Registrering af relationen mellem den Juridiske institution og tilhørende afdelinger registreres ikke altid og registreres ligeledes på forskellige måder. Institutionsstamdata optræder i stort set alle systemer, der er vist på systemdiagrammet for UVM systemlandskabet VTU-området Grunddata om universitetet og dets institutioner findes også spredt over flere forskellige systemer. Der findes data i: De studieadministrative systemer (fx STADS), LMS (CampusNet, mit.itu) De egenudviklede systemer til håndtering af lokaler, bygninger osv Personale UVM-området Stamdata, allokerings- og forløbsinformation om Personale (lærer og andet administrativt personale) optræder i mange af de anvendte systemer og der er tale om både dobbeltregistrering af data, stor udbredelse af dataredundans og nogen forskelle i registreringspraksis. Dette til trods for, at der mellem flere af de anvendte systemer, er eksempler på udveksling/replikering af personaledata. Information om personale findes i mange systemer, registre og brugerflader: EASY-A brugerfladen BrugerWeb samt brugerflader i de andre studieadministrative systemer De studieadministrative systemer (EASY-A, Lectio, SIS og LUDUS) Centralt driftede systemer som XPRS og Elevplan

80 Centrale dataopsamlingssystemer (EASY-S og EASY-F), hvor EASY-F optræder som en fælles grænseflade mellem studieadministrative systemer til CPR Data- og statistik løsning - DWH-S samt kommende RessourceRegnskab Andre lokalt anvendte systemer hos institutioner, fx personale/hr- administrative systemer samt Navisionudgaven NaviPartner Alle de oplystede systemer indeholder personalestamdata, primært for lærere og i mindre omfang for andet administrativt personale. Det er udelukkende de studieadministrative systemer samt centrale dataopsamlingssystemer og XPRS, der indeholder allokerings- og forløbsinformation. Her er registreringspraksis ikke ens på tværs af uddannelsesområdernes systemanvendelse, ligesom der ikke anvendes fælles referencekoder for allokering (aktivitetskoder, fx) og forløb (forløbs/hændelseskoder) VTU-området Oplysningerne om universiteternes personale ligger generelt i to former for systemer: Personale- og lønsystemerne Egenudviklede persondatabaser, som vedligeholdes flere steder til brugerstyringsformål Pædagogiske/faglige aktiviteter UVM -området De konkrete studiefaglige aktiviteter håndteres i studieadministrative systemer og dækker selve undervisningen, forberedelse, vejledning og andre aktiviteter. Uddannelsesaktivitetsdata optræder i mange af de anvendte systemer og der er tale om både dobbeltregistrering af data, stor udbredelse af dataredundans og nogen forskelle i registreringspraksis. Dette til trods for, at der mellem flere af de anvendte systemer, er eksempler på udveksling/replikering af personaledata. Information om uddannelsesaktiviteter findes i mange systemer, registre og brugerflader: Brugerflader i de andre studieadministrative systemer samt enkelte portaler

81 De studieadministrative systemer: EASY-A (kan registreres på skemabrikniveau, men gøres det ikke som hovedregel, der er varierende registreringspraksis, nogle institutioner registrer på holdniveau, andre på ugebaseret niveau og nogle få institutioner på skemabrikniveau) o Lectio (skemabrik registreres på skemabrikniveau, hovedreglen er ensartet registreringspraksis) o SIS (varierende registreringspraksis på både hold henholdsvis fag niveau) o LUDUS (varierende registreringspraksis på både hold henholdsvis fag niveau) Centralt driftede systemer som XPRS og Vis-kvalitet Centrale dataopsamlingssystemer (EASY-A og SIS-S) Data- og statistikløsning - DWH-S samt kommende RessourceRegnskab (dog kun på CØSA formålsniveau) Andre lokalt anvendte systemer hos institutioner, fx AccoSTAT, Navisionudgaven NaviPartner, Timer og ERS Der anvendes samme referencekoder, ift. til den udmeldte UVM-uddannelsesmodel, for fagnumre og fagniveaukoder. Oplysninger om Øvrige aktiviteter forefindes i studieadministrative systemer samt i EASY-S (på et mere overordnet periodeniveau). Oplysninger om Praktikaktiviteter forefindes i SIS, EASY-P, EASY-A og EASY- S VTU-området De konkrete studiefaglige aktiviteter håndteres mere og mere i LMS. Her arbejder både undervisere og elever med diskussioner omkring undervisningen, aflevering af opgaver, vejledning og andre aktiviteter. Hvert universitet har sin egen opsætning ift. learning management systemer. Flere steder har hvert fakultet sit eget LMS. Der er flere konkurrerende leverandører på markedet, både i Danmark og internationalt. DTU og AAU har fx valgt det danskudviklede CampusNet, mens det amerikanske Blackboard bruges på AU og SDU

82 Det er dog stadig langt fra alle institutter og fakulteter der bruger LMS, ligesom registreringspraksis varierer en del på tværs (også inden for samme universitet) Regnskab UVM-området Alle de regulerede institutioner benytter Navision Stat (NS). Dog er der enkelte institutioner inden for nogle uddannelsesområder, fx produktionsskolerne, benytter Navisionudgaven NaviPartners eller C5. NS har en række grænseflader, fx via webservices, som sikrer sammenhæng med det studieadministrative system: Elevopkrævninger fra det studieadministrative system til NS Forespørgsel på opkrævning, det studieadministrative system spørger NS om opkrævning for en konkret elev. Stamdata fra SLS og lønposefordeling i det studieadministrative system med henblik på overførsel til NS til bogføring af lønudgifter. Tilskudsfordeling i NS ud fra timeposter og årselever fra det studieadministrative system Udover CØSA benyttes Regnskabsportalen og fremover også Ressourceregnskabet. Styringen af løn foretages med Statens Lønsystem (SLS), kombineret med ISOLA til lønstatistik og Økonomistyrelsen Lokale Datavarehus (ØS LDV). UNI-Cs ledelsesinformationsløsning giver mulighed for at kombinere Navision Stat data (kroner) med EASY-A data (lærertimer og årselever). Vejledningen beskriver de EASY-A data, som indgår i UNI-Cs ledelsesinformationskube VTU-området Regnskabsstyringen på universiteterne foretages med enten ØSS (DTU, KU, SDU, AAU) eller med Navision Stat (AU, CBS, ITU, RUC). Styringen af løn foretages med Statens Lønsystem (SLS), kombineret med ISOLA til lønstatistik og Økonomistyrelsen Lokale Datavarehus (ØS LDV)

83 Ressourceforbrug UVM-området Information om tidsopgørelser og hermed datagrundlaget for bestemmelse af ressourceforbrug, på lærersiden, kan primært dannes ud fra data i de studieadministrative systemer: EASY-A (kan registreres på skemabrikniveau, men gøres det ikke som hovedregel, der er varierende registreringspraksis, nogle institutioner registrer på holdniveau, andre på ugebaseret niveau og nogle få institutioner på skemabrikniveau) Lectio (skemabrik registreres på skemabrikniveau, hovedregel er ensartet registreringspraksis) SIS (varierende registreringspraksis på både hold henholdsvis fagniveau) LUDUS (varierende registreringspraksis på både hold henholdsvis fag niveau) Samt i lokalt anvendte systemer som fx Timer og ERS VTU-området Ressourceforbrug registreres ikke detaljeret på universiteterne. Der foretages ikke timeregistrering på normal undervisning, forberedelse og lignende. Dog bruges der flere steder udvidelser til økonomisystemerne, til registrering af tidsforbrug på EU-projekter, hvor det er obligatorisk Uddannelse UVM-området Grundoplysninger om de forskellige uddannelser findes i masterudgave i CØSA, hvorfra der udstilles stamdata for UVM s uddannelsesmodel ud til studieadministrative systemer. Uddannelsesstamdata optræder i mange af de anvendte systemer, hvor der er stor udbredelse af dataredundans, da data, der udstilles af CØSA, efterfølgende bliver opdateret i EASY-A, Lectio, LUDUS, SIS og STADS. Der er stor ensartethed systemerne imellem for disse stamdata. Udveksling fra CØSA sker gennem webservices (til Lectio og LUDUS) og via filudveksling/sql Net til EASY-A, SIS og STADS

84 Alle studieadministrative systemer registrer lokale fag, dvs. fag der ikke indgår i UVM s uddannelsesmodel. Disse fag er lokalt typisk identificeret med nøgleværdier større end værdi Der er ingen koordinering på tværs af institutioner for nummerering af lokale fag, dvs. samme fag tildeles, lokalt, med forskellige fag numre. I denne kategori findes også skemalægningen, som sker individuelt og på forskellige måder i de studieadministrative systemer: EASY-A, o som har tæt grænseflade til Elevplan ift. til elevuddannelsesplanen og efterfølgende tilknytning af læringsaktiviteter o ligeledes benytter de fleste EASY-A institutioner også Flexsystemet til at knytte 1) fag til hold og efterfølgende 2) at knytte lærer til hold o der er varierende niveau for skemaplanlægningen (både overordnet og helt ned til skemabrikniveau) Lectio (ensartet registreringspraksis, hvor fag knyttes til hold/holdelement og igen knyttes ned på skemabrikniveau) SIS (varierende registreringspraksis ift. benyttede niveauer og tilknytninger fra fag til hold og videre til skemabrikniveau) LUDUS (varierende registreringspraksis ift. benyttede niveauer og tilknytninger fag til hold og videre til skemabrikniveau) VTU-området Grundoplysninger om de forskellige uddannelser på universiteterne findes i det studieadministrative system, og i de lokale kursusdatabaser, som alle universiteter har som supplement til det studieadministrative system. I denne kategori findes også skemalægningen. Den håndteres i LMS eller i separate skemasystemer, som på AU, CBS, DTU og KU, hvor Syllabus benyttes til dette formål (oftest dog kun til disposition af lokaler) Uddannelsesforløb UVM-området De studieadministrative systemer håndterer struktureringen af uddannelsesforløb, bygget over reglerne i de forskellige uddannelsesretninger

85 Uddannelsesforløbsdata optræder på tværs af institutioner og benyttede systemer, med forskellige niveauer for de studerende og med forskellige specifikationer af forløbshændelser (indskrivning, optagelse, tilmelding, fremmøde, fravær, etc.). Registrering af disse data sker via en række portaler herfor (Optagelse.dk, Efteruddannelse.dk, Brobygning.dk, med flere) ligesom dobbeltregistreringer finder sted. Alle studieadministrative systemer indeholder hver især eksamensresultater og styrer via skalatrin-koder overgangen fra 7-trinsskala med tidligere 13-skala i begyndelsen af skoleåret Der er systemerne imellem ikke fuld harmonisering for anvendelse af kode, der identificerer de enkelte karaktertyper (årskarakter, eksamenskarakter, etc.). Standpunktskarakterer optræder ikke helt på samme måde, dog er variansen ikke stor. De studieadministrative systemer udveksler eksamensresultater for gymnasiale uddannelser videre til Eksamensdatabasen på centralt hold VTU-området Det studieadministrative system på universiteterne håndterer struktureringen af uddannelsesforløb, bygget over reglerne i de forskellige studieordninger. Det samme gælder for studieresultaterne, hvor STADS og tilsvarende systemer igen er den autoritative kilde. De centrale studieadministrative systemer udveksler data om uddannelseshændelser og resultater med LMS og leverer data til de forskellige universiteters datavarehuse Virksomhed UVM-området Stamdata om Virksomheder (lærere og andet administrativt personale) optræder i mange af de anvendte systemer og der er tale om både dobbeltregistrering af data, stor udbredelse af dataredundans og nogen forskelle i registreringspraksis. Dette

86 til trods for, at der mellem flere af de anvendte systemer er eksempler på udveksling/replikering af virksomhedsdata. Information om virksomheder findes i mange systemer, registre og brugerflader: Brugerflader knyttet til de enkelte studieadministrative systemer De studieadministrative systemer (EASY-A, SIS og LUDUS) Centralt driftede systemer som Elevplan, Vis-kvalitet, EASY-P, Praktikpladsen og Praktik Plus Centrale dataopsamlingssystemer (EASY-S og EASY-F), hvor EASY-F optræder som en fælles grænseflade mellem studieadministrative systemer til CVR Andre lokalt anvendte systemer hos institutioner, fx NS, ØS LDV og Navisionudgaven NaviPartner Alle de oplistede systemer indeholder virksomhedsstamdata, primært vedrørende administration af praktik samt vedrørende aftaler med virksomheder vedrørende undervisningsaktiviteter VTU-området Registreringen af oplysninger om virksomheder, universiteterne arbejder sammen med, er meget lav. De få steder, hvor disse oplysninger registreres, foregår det lokalt på institutter og i egenudviklede systemer eller på debitorniveau i økonomisystemer. Århus Handelshøjskole har dog indført et Customer Relationship Management (CRM) system, som vi ikke har set nærmere på ØEM begrebsområder ØEM s begrebsområder er opsummeret under ét enkelt afsnit for at afspejle det mindre antal, STÅ-området omfatter og de færre institutioner, der er blevet undersøgt (2) Studerende, Pædagogiske/faglige aktiviteter, Uddannelse, Uddannelsesforløb De studieadministrative oplysninger om de studerende, deres uddannelser og uddannelsesforløb befinder sig primært i SIS på ØEM-området. Der, hvor oplysningerne ikke findes i SIS, er det oftest, fordi oplysningerne ikke er digitaliserede

87 Regnskab, Ressourceforbrug Navision bruges på begge de undersøgte institutioner til at registrere oplysninger om regnskab. Ressourceforbrug registreres ikke, men planlægges og allokeres ved skoleårets start. Der er dog overvejelser om at registrere mere detaljeret Virksomhed, Personale Personaleoplysninger er hos SIMAC registreret i personalesystemet Lessor. Hos AAMS bruges ikke noget personalesystem. Virksomheder registreres ikke centralt hos SIMAC, mens AAMS bruger SIS til oplysninger af denne type Data governance Afsnittet indeholder vurderinger af en række data governance aspekter. Data governance handler om forvaltning af datas definitioner, værdisæt, kvalitet og forretningsprocesserne omkring disse ting. I projektgruppens undersøgelser af data i de fælles administrative systemer er der bl.a. blevet spurgt ind til den governancestruktur, der bruges til at styre data. Spørgsmål der er søgt besvaret er fx: Hvilke fælles koder bruges i systemet? Og hvem fastsætter dem? Følges fælles begreber på tværs af sektoren? Og hvordan enes man om definitionerne? Bruger den undersøgte institution/system fælles standarder for data? Datakvalitet: hvor detaljeret bliver der registreret Skift i kodesæt over tid (slowly changing dimensions) UVM-området Datagovernance ift. indberetninger og uddannelsesmodellen Alle indberetninger af uddannelsesaktiviteter er fuldt specificeret ift. til den officielle uddannelsesmodel, der udstilles fra CØSA-systemet ud til de lokalt anvendte studieadministrative systemer (EASY-A, Lectio, LUDUS og SIS)

88 Dette betyder, at der er fuld opbakning af brug af officielle referencekode for uddannelser (Formål + version), centralt definerede fagkoder og fagniveauer. Der anvendes dog lokale fagkoder for lokalt definerede fag i de studieadministrative systemer. Dette forhold kunne med fordel, på længere sigt, harmoniseres ift. til et kommende datavarehus Datagovernance ift lærerens aktiviteter Institutioner definerer lokalt, hvilke aktivitetskoder hvormed man registrer det samlede tidsforbrug for den enkelte lærer. Dette betyder, både på tværs af anvendte systemer og på tværs af institutioner, der benytter samme system, at specifikationen af lærerens tidsforbrug ikke er ens. Governance herfor vil være vigtigt, hvis arbejdstid, udover selve undervisningsaktiviteten, skal kunne sammenstilles i et kommende datavarehus Datagovernance ift. fravær Institutioner definerer lokalt, hvilke fraværsårsagskoder hvormed man registrer både elev- og lærerfravær. Dette betyder, både på tværs af anvendte systemer og både på tværs af institutioner, der benytter samme system, at specifikationen af fraværet ikke er ens. Governance herfor vil være vigtigt, hvis fravær og årsager hertil skal kunne sammenstilles i et kommende datavarehus Datagovernance for Personale og Studerende stamdata Datagovernance styres via anvendelse af CPR-nummer og via opslag i det centrale CPR. Der er ikke governance krav om, hvilke oplysninger der som minimum, dvs. obligatoriske felter, skal registreres på tværs af alle registrerede personer (lærere, administrativt personale og elever). Det kunne på sigt, også ift. kommende master data initiativer, være af stor betydning, at navne, adresse, grupperinger, mv. registreres ens på tværs af brugerflader og systemers databaser Datagovernance for elevplaner og skemabrik Datagovernance for elevplaner og skemabrik er generelt høj, hvis det vurderes ift. gældende registreringspraksis for de forskellige uddannelsesområder

89 På basis af de i dag registrerede oplysninger om elevplaner og den enkelte undervisningslektion skemabrikken er der en væsentlig governance opgave, der venter forude. Hvilke identifikationer skal hold, holdelementer samt lektioner tildeles og hvilke fordele vil dette give for et kommende datavarehus? Dette spørgsmål bør vurderes, når governance-arbejdet påbegyndes og bør samtidig ses ift. eventuelle justeringer af registreringspraksis på området Datagovernance generelt for UVM-området Generelt må det altså konkluderes, at der findes en middel til høj grad af governance på tværs af institutioner og samtidig en meget høj grad af governance ift. til uddannelsesmodellen og brug af denne ved indberetninger af uddannelsesaktiviteter. At governance hos institutioner kunne forbedres, skyldes de tidligere nævnte forhold om at kunne specificere tidsforbrug for lærer og vedrørende fravær på både lærer- og elevsiden, fx. Konsekvens bliver, at det bliver svært at sammenligne data på tværs af institutioner, på tværs af uddannelsesområder og på tværs af systemer, i hvert fald den detaljerede registrering, hvor der pt. ikke er så mange krav herom, gennem gældende registreringspraksis VTU-området Datagovernance i sektoren Indberetninger til fx Danmarks Statistik foretages ved administrative processer, hvor data omformes fra daglig brug i de studieadministrative systemer til indberetningsformatet specificeret af Danmarks Statistik. Kernen i administrationssystemerne på flere universiteter er studieadministrationssystemet STADS. Strukturen i STADS er i princippet ensartet på tværs af universiteterne, men i realiteten bruges systemet forskelligt på alle universiteter. Der findes derfor ikke nogen standardiseret brug af koder på data direkte i STADS

90 Der arbejdes ikke med datagovernance på tværs af de andre studieadministrative systemer, der benyttes på universiteterne Datagovernance på universiteterne Internt på universiteterne er STADS grundlaget for fælles koder på tværs af systemer de fleste steder, hvor det anvendes. Således genbruges kodesæt fx i skemalægningssystemer som Syllabus, i økonomisystemer og i LMS. Det sker for at kunne føre registreringer tilbage i STADS-systemet. Der findes dog meget data på de enkelte fakulteter og institutter, som ikke registreres efter fælles koder på tværs af det pågældende universitet. De institutioner, der ikke bruger STADS (AU, KU og CBS), har alle et lignende studieadministrativt system, der opfylder samme funktioner. Heller ikke her bruges der fælles standarder for alle kategorier af data. Dog bruger et system som SPARC på CBS fx studiekodetabeller fra Videnskabsministeriet og Danmarks Statistik Datagovernance generelt for VTU-området Generelt må det altså konkluderes, at der findes en meget lav grad af governance på tværs af universiteter og på tværs af fakulteter internt på universiteterne. Internt mellem de forskellige systemer benyttet på et universitet er der betydelige forskelle i registreringspraksis. En af konsekvenserne ved den lave grad af governance er, at dimensionerne ændrer sig over tid. Ved opgraderinger og større omlægninger af systemerne arbejdes der med at omforme data for aktive studerende, men ikke for alle studerende hos alle universiteter. Det betyder, at historiske data efter en periode ikke længere er sammenlignelige med aktuelle data. En anden konsekvens er naturligvis, at det er meget svært at sammenligne data på tværs af universiteter, på tværs af fakulteter og på tværs af systemer, i hvert fald uden manuel behandling af data, således som det fx foregår ved indberetning til Danmarks Statistik

91 ØEM-området Der findes ikke nævneværdig datagovernance på ØEM-området. Skolerne har en høj grad af frihed ift. at strukturere egne data. Der findes dog en fælles skabelon for indberetning af data til Søfartsstyrelsen Systemlandskaber I den gennemførte indsamling af data er de tekniske detaljer for hvert system blevet undersøgt så detaljeret som muligt ved at indhente oplysninger fra itafdelingerne på forskellige institutioner og fra centrale leverandører. Oplysningerne er relevante ift. at kunne vurdere, om det teknisk er muligt at lave dataudtræk fra forskellige systemer. Opsummeringen nedenfor fokuserer på tre områder for hvert system: Drift hvem har ansvaret for drift? Driftes systemet centralt eller decentralt? Er der driftsfællesskaber? Services hvor parat er systemet ift. brug af services? Kan der foretages integration med andre systemer gennem services? Datatype hvordan lagres data i systemet? Ligger data i flade filer, i en database? Hvilken type database benyttes? UVM-området De studieadministrative systemer inden for UVM-området kan deles i op følgende kategorier: 1. Systemer som institutionerne anvender fra lokalt hold, disse systemer har typisk egne brugerflader og/eller benytter eksterne web-portaler (og har en eller form for grænseflade hertil) o De primære systemer her er de fire mest anvendte studieadministrative systemer (EASY-A, Lectio, LUDUS og SIS) 2. Centrale systemer hos Uni-C: o Som opsamler data fra institutionsspecifikke systemer (fx EASY-S og SIS-S) o Statistikberedskab, fx system DWH-S o Centrale institutionsrettede systemer med lokal web-adgang, fx EASY-P, Praktik Pladsen, Praktik Plus og VisKvalitet 3. Centrale fagsystemer hos Undervisningsministeriet, fx CØSA og XPRS. Denne opdeling fremgår af nedenstående figur

92 Figur 26 Systemlandskab for UVM i relation til kortlægningen med placeringer af systemer samt eksterne systemer og samarbejdspartnere (myndigheder m.v.) Drift Det generelle mønster for UVM-området er, at hver institution typisk har en instans af et studieadministrativt system. Disse er typisk enten driftet af institutionerne selv eller af en udvalgt driftsleverandør. Undtagelsen er Lectio, som driftes fra centralt hold. EASY-A, driftsmodel er baseret på en decentral model, hvor de enkelte institutioner som hovedregel selv har ansvaret for driften. Nogle institutioner har valgt at outsource driften til enten en større driftsleverandører (som regel CSC) eller til øvrige uddannelsesinstitutioner Lectio, driftsmodel er baseret på en central model, og med web-adgang til brugere. Driftes hos Lectio udviklingsleverandøren MaCom. LUDUS, driftsmodel er den decentrale model, hvor de enkelte institutioner som hovedregel selv har ansvaret for driften. Nogle institutioner har valgt at outsource driften til enten en større driftsleverandører (fx hos CSC eller andre it-drift selskaber)

93 Det efterstræbes, at alle institutioner kører på samme driftsversion. Hvis en institution ikke benytter seneste driftsversion, kan driftssupport ikke garanteres SIS, driftsmodel er baseret på en decentral model, hvor de enkelte institutioner som hovedregel selv har ansvaret for driften. Nogle institutioner har valgt at outsource driften til enten en større driftsleverandører (som regel UNI-C) eller til øvrige uddannelsesinstitutioner. Nedenstående figur viser de systemer, som institutioner selv har ansvar for at drifte eller får driftet via outsourcing hos driftsleverandører, eventuelt i fællesskab med andre institutioner. Dertil vises de centralt driftede systemer hos Uni-C. henholdsvis centrale UVM systemer, der driftes hos IBM. Figur 27 Driftsmæssige placeringer af systemer Datalagring og datatype Alle de væsentlige systemer er baseret på en RDBMS platform i enten et 2-Tier eller 3-Tier lag, hvor databasen udgør det ene lag. Der benyttes de mest udbredte databasesystemer som Oracle og MS SQL. Der vurderes ingen problemstillinger med de benyttede versioner af databasesystemer

94 Det skal bemærkes, at dokumentation af databasernes datamodeller/erdiagrammer i kortlægningsfasen ikke har været tilgængelige. (Der er ikke udleveret dokumentation for Lectio og LUDUS.) Udveksling og services Graden af, hvordan grænseflader mellem systemer implementeres (filudveksling, grænseflader via SQL Net adgang og/eller via webservices), er noget svingende de vigtigste systemer imellem. Modenheden for implementering af webservices vurderes at være høj. Ovenstående kan illustreres ved grænseflader til/fra CØSA systemet, hvor uddannelsesmodellen udstilles fra og hvortil uddannelsesaktiviteter indberettes. Figur 28 Forskellige type af grænseflader, ift.cøsa-grænseflader VTU-området Overblik over udviklingsmodeller Systemerne på institutionerne under VTU kan opdeles i tre overordnede tekniske kategorier

95 Systemer som udvikles centralt I denne kategori findes systemer som STADS (udviklet gennem UNI-IT) og Økonomistyrelsens portefølje af systemer (ØSS, UPS, SLS/ISOLA og ØS LDV). Lokale standardsystemer fra eksterne leverandører I denne kategori findes en del systemer, som supplerer det studieadministrative system. Det drejer sig bl.a. om systemer til styring af lokaler og skemalægning, og LMS til håndteringen af samarbejdet mellem undervisere og studerende. Disse systemer kommer fra en række forskellige leverandører, flere af dem større globale producenter. Lokale, egenudviklede systemer På de fleste universiteter findes der en række egenudviklede systemer, der understøtter lokale behov og lukker huller i andre systemers funktionalitet, ofte de studieadministrative. I kategorien egenudviklede findes også de studieadministrative for CBS og AU (SPARC og Delfi). Den tekniske arkitektur for disse systemer er ikke undersøgt i detaljer for alle systemers vedkommende. Nedenfor beskrives disse tre kategorier af systemer ift. drift, data og muligheder for udveksling Drift Systemer som udvikles centralt De centralt udviklede systemer driftes flere forskellige steder: STADS systemet driftes overvejende lokalt hos de enkelte universiteter. Driftsopsætningen er ikke standardiseret på tværs af universiteterne og må antages at være forskellig fra sted til sted. Ikke alle universiteter har leveret detaljerede driftsoplysninger for STADS. ØSS og UPS driftes centralt hos UNI-IT. Driftsopsætningen er hermed standardiseret. SLS, ISOLA driftes centralt hos Økonomistyrelsen og har dermed en standardiseret driftsopsætning ØS LDV driftes lokalt, men efter en standardiseret opsætning

96 Lokale standardsystemer fra eksterne leverandører De lokale standardsystemer driftes alle lokalt hos de forskellige universiteter, flere steder også lokalt på forskellige fakulteter uden indblanding fra universitetets centrale it-administration. Det betyder, at der findes ligeså mange forskellige driftsopsætninger, som der findes systemer. Fordi systemerne kører på rimeligt standardiseret software, udviklet af professionelle softwareleverandører, kan der dog være en vis konsistens i brugen af samme system på tværs af universiteter. I systemlisten (skema 2) kan detaljerede oplysninger ses for hvert system, dog mangler der svar fra en del af de adspurgte universiteter. Lokale egenudviklede systemer De lokale egenudviklede systemer driftes alle lokalt. Mht. driftsopsætning er situationen den samme som for de lokale standardsystemer: Hvert universitet (og flere steder hvert fakultet) gør tingene på sin egen måde. Det kan være svært at skaffe detaljerede oplysninger om, hvordan de egenudviklede systemer driftes, eftersom dokumentationsgraden varierer meget Datalagring og datatype Systemer som udvikles centralt STADS køres systemteknisk efter samme standarder alle steder og kører på Oracle Financials platformen. Udviklingsarbejdet organiseres gennem UNI-IT, som også står for dokumentationen. På trods af den ensartede systemopbygning kan registreringen af data på de enkelte universiteter godt være forskellig, eftersom systemerne bruges forskelligt. Det samme gør sig overordnet gældende med systemerne hos ØS. Systemerne er teknisk ensartet sat op, men brugen af dem kan variere hos de forskellige universiteter. Lokale standardsystemer fra eksterne leverandører Systemer i denne kategori købes pga. deres standardfunktionalitet og bruges dermed overordnet som beskrevet og dokumenteret af leverandøren. Dog kan den specifikke definition af data i systemet hos forskellige institutioner nemt afvige fra hinanden pga. forskellige måder at bruge systemerne på

97 Lokale egenudviklede systemer Det er som regel universitetets egne it-folk, der står for support og udvikling og dermed også for dokumentationen af, hvordan datastrukturer er opbygget i de egenudviklede systemer. Der findes ikke nogen fælles standarder for data Udveksling og services Systemer som udvikles centralt Muligheden for at integrere via services er pt. ikke til stede i STADS-systemet. Lignende funktionalitet findes heller ikke de andre studieadministrative systemer (Delfi, Sparc, Fønix). Systemerne kan dog hente data fra eksempelvis CPR. Udvekslingen med andre systemer foregår som punkt-til-punkt udvekslinger, der er bygget til et specifikt formål. UPS og ØSS har services i et begrænset omfang, dog ikke nærmere beskrevet af UNI-IT. Det samme gælder for ØS-systemerne. Udveksling af data foregår igennem ØDUP (Økonomistyrelsen dataudvekslingspunkt), som er en simpel dataudvekslingsmekanisme, dog ikke service-baseret. Lokale standardsystemer fra eksterne leverandører Systemerne i denne kategori er standardsystemer, flere af dem ganske modne. I denne kategori findes muligheder for eksport og services til at trække data ud af systemerne med. Systemerne integrerer mange steder allerede med andre systemer, fx de studieadministrative. Integrationer er dog udviklet punkt-til-punkt, uden en standardiseret måde at interagere med systemerne på. Desuden bruger hvert universitet sin egen sammensætning af systemer, og selvom der er systemer, der bruges flere steder (Syllabus, CampusNet etc.), kan der være forskelle i systemopsætning og versioner. Lokale egenudviklede systemer Denne kategori af systemer har som regel få muligheder for udveksling og services. De egenudviklede løsninger er ofte blot regneark eller simple databaser, som ikke kan tilgås på en automatiseret måde. Alle universiteter har egne datavarehusløsninger. Selvom disse datavarehuse trækker på data fra STADS, hvor det bruges, findes der ikke en standardiseret

98 måde at udtrække data fra STADS på. Hvert universitet har egen metode til dette, dog med uformel erfaringsudveksling mellem enkelte personer ØEM-området Drift Systemerne hos de undersøgte ØEM-skoler driftes mest lokalt. Systemer som SIS og Navision er sammenlignelige i arkitektur og opsætning med systemerne på UVM- og VTU-området Datalagring og datatype Blandt systemerne hos de to undersøgte institutioner findes systemer kendt fra andre institutioner, som må forventes at lagre data på en måde, der ligner tilsvarende institutioner på UVM-området (SIS, Navision). Institutionerne har også en række standardsystemer (Moodle, Sharepoint), hvor data lagres på en lokalt tilpasset måde, uden fælles retningslinjer på tværs Udveksling og services Der findes ikke eksempler på automatiserede udvekslinger vha. snitflader i undersøgelserne af ØEM-området. De fleste dataudvekslinger foregår manuelt ved at der trækkes data til eller fra Excel regneark eller Word-dokumenter Digitalisering Nuværende stade UVM-området Stort set alle institutioner benytter ét (i nogen tilfælde flere) af de fire studieadministrative systemer (EASY-A, Lectio, LUDUS og SIS), og disse systemer tilbyder hver især en brugerflade til både personale og studerende, ligesom systemerne har integration til andre brugerflader på internettet, fx optagelse.dk. For både personale og studerende er mange af de daglige registrerings- og administrationsopgaver digitalt understøttet i høj grad. Skema- og holddannelser kan beregnes automatisk i Lectio og snart også i LU- DUS (i 2010), hvor resultatet er et sæt af forslag for skema- og holddannelser, der administrativt kan fortsættes ud fra. Holddannelser er pakning af elevers valgfag i

99 blokke), efterfølgende forbrænding af skemaplanlægningen (delvis manuel proces) og til sidst ajourføres den endelige holddannelse. Uanset om skema/holdplaner er genereret automatisk eller manuelt, tilbyder de fire studieadministrative systemer efterfølgende nyindtastninger/rettelser til skema- og holddannelser. Efterfølgende tilknytning af lærer til undervisningsaktiviteten og elever der deltager i de enkelte undervisninger skemabrikker kan håndteres i systemerne, selvom disse oplysninger ikke i alle tilfælde registreres. Ligeledes kan både lærer- hhv. elevfravær registreres, indledningsvis ved undervisningsstart summarisk og efterfølgende detaljeret i systemerne. Igen foretager ikke alle institutioner denne registrering. Udstilling af uddannelsesmodellen fra CØSA er digitalt understøttet via webservices eller semi-automatisk via datafiludveksling. Indberetning af aktivitetsoplysninger er for det meste digitalt understøttet (her sker det via webservices eller datafiludveksling fra de fire studieadministrative systemer til CØSA) og i andre tilfælde ikke. Institutioner, der ikke benytter de studieadministrative systemer, indberetter aktivitetsoplysninger manuelt via indberetningsportalen. Flere steder er der en fler-leddet proces med at digitalisere data. Som et eksempel er fraværsregistrering som ovenfor nævnt og ligeledes med indsamling og efterfølgende registrering af eksamensresultater. Denne arbejdsdeling betyder for en række institutioner og/eller uddannelsesområder, at der kan gå lang tid, før registreringer sker og er synlige i forskellige systemer VTU-området De fleste universiteter bruger STADS med en række ekstra systemer til håndtering af personer, lokaler, skemaer og samarbejdet med og mellem de studerende (learning management systemer). Brugen af systemer sker dog primært i studieadministrationen for hele universitetet og der lægges mest vægt på dem til indberetning af STÅ-oplysninger og andre formelle krav. Styringen på institutniveau er langt mindre digitaliseret og langt mindre standardiseret der, hvor den er digitaliseret. Ofte er det primære arbejdsværktøj enten systemer lokalt på institutniveau eller også vedligeholdes data i tekstdokumenter og regneark

100 Flere steder er der en fler-leddet proces med at digitalisere data. Som et eksempel registreres karakterer typisk på papir ved eksamensbordet, hvorefter de samles og indtastes af studiesekretærer på de enkelte institutter. Denne arbejdsdeling betyder, at der kan gå lang tid, før karakterer fra eksamen er synlige i forskellige systemer. Andre eksempler på data, der ikke er digitaliseret, omfatter kursusevalueringer og samarbejdet mellem undervisere og studerende flere steder. Der findes meget data i brugen af LMS på universiteterne, som endnu ikke bruges systematiseret. Systemerne bruges i samarbejdet mellem undervisere og studerende, til planlægning af kurser, til indsendelse af opgaver, til kommunikation omkring kurserne og meget mere. På nuværende tidspunkt er brugen af disse systemer ikke systematiseret og standardiseret. Flere steder findes der fælles learning management systemer for hele universitetet, mens der andre steder findes systemer, der kun bruges lokalt på fakulteter eller institutter. Der er et potentiale i at organisere brugen af disse systemer bedre og i at analysere de indeholdte data ØEM-området Digitialiseringsgraden på ØEM-området er generelt lav. Der arbejdes med at indføre SIS hos de undersøgte institutioner, men studieadministrative data findes stadig i Word-dokumenter og Excel regneark rundt omkring. Som på universiteterne findes meget data i learning management systemer, og som på VTU-området findes der heller ikke på ØEM-området standarder for denne slags data Relevante udviklingsplaner I dette afsnit gennemgås relevante udviklingsplaner og deres økonomi for de institutioner, der har giver oplysninger på dette område i forbindelse med dataindsamlingen

101 UVM-området SU Digitaliseringsprojektet på SU-området vil medio 2010 sikre en tættere integration til UVM-anvendte studieadministrative systemer, end tilfældet er i dag. Denne digitaliseringsopgave er en større opgave for de respektive systemleverandører. Dette betyder, at de fire studieadministrative systemer skal selv håndtere kodebro mellem CØSA-uddannelseskode og SU-koder. Ressourceregnskab Det kommende Ressourceregnskab har til formål at belyse uddannelsesinstitutionernes prioriteringer, kvalitet og resultater gennem en række indikatorer. Samtidig tjener ressourceregnskabets indikatorer til at forenkle det samlede informationsgrundlag i styringssystemet. Ressourceregnskabsmodellen indeholder 20 indikatorer, der tilsammen belyser helheden i uddannelsesinstitutionens virksomhed og afspejler uddannelsesinstitutionens resultater i forhold til overordnede uddannelsespolitiske mål. Implementeringen af de 20 indikatorer vil ske løbende i Ressourceregnskabet medfører, at en række systemer, heriblandt de fire studieadministrative systemer, skal nyudvikle/tilrette udtræksprogrammer for levering af kildedata. VEU-portal Portal for efteruddannelse vil føde en række kursustilmeldingsdata, som tilgår lokale EASY-A-systeminstanser via web-services. Levering af data fra VEUportalen kommer til at ske real-time, dvs. som tidstro dataudveksling. Omvendt leverer EASY-F, via batch dataudveksling, kursusstamdata til VEUportalen. Efteruddannelse.dk blev sat i drift 4. januar 2010, så de første grænseflader mellem EASY-systemer til/fra VEU-protaler er på nuværende tidspunkt implementeret. Andre områder Det studieadministrative system Lectio skal i 2010 levere nye data til DWH-S (UNI-C statistikberedskab): Om elever og elevtilknytning til fag

102 Om lærer og lærerkompetencer Digitalisering af skema- og holddannelser i LUDUS-systemet er forekommende her i Brugerfladen optagelse.dk rettes til at kunne anvende CØSA uddannelseskoder i Eksamensdatabasen rettes til at kunne anvende CØSA-uddannelseskoder i NaviPartner versionen af Navision Stat, som bruges af produktionsskolerne, er for øjeblikket i gang med at udvikle og udvide funktionaliteten vedr. Egu-elever, som forventes at blive et at de store indsatsområder for produktionsskoler, jf. regeringens 2015-plan VTU-området Som det fremgår, er interessen for ØSS og UPS ikke så stor som for STADS. For begge systemers vedkommende er tilslutningen faldende, idet Navision Stat er på vej ind flere steder (med KU som dem, der ligger nærmest for). AU AU kører på nuværende tidspunkt på studieadministrationssystemet Delfi. Planen er at gå over til STADS i AU holder øje med, hvordan STADS implementeres på KU og gør sig erfaringer den vej. Ved overgangen til STADS konverteres de aktive studerende, men det er endnu ikke besluttet, hvordan historikken håndteres. I forbindelse med overgangen til STADS vil universitetets portefølje af tilhørende systemer sandsynligvis gennemgå en del ændringer. AU er muligvis på vej ud af UPS-samarbejdet (Århus Handelshøjskole under AU bruger UPS). Der er ingen konkrete planer for fælles learning management systemer eller survey-systemer på tværs af institutter og fakulteter. På personaleområdet er der langsigtede planer om at konsolidere på et samlet personalesystem på Oracle, men der er ikke nogen konkret tidsplan

103 CBS CBS bruger SPARC til studieadministration. Der er ingen aktuelle planer om at skifte til fx STADS. CBS er i øjeblikket på udkig efter et system til tidsregistrering. Der træffes en beslutning i foråret Der arbejdes også på at finde en efterfølger til Sitescape learning management systemet, som er under udfasning. Fraværsregistrering for personalet er hidtil blevet registreret på et Oracle-baseret system, men et nyt system er ved at blive implementeret. På CBS eget datavarehus findes der i øjeblikket fire kuber (finans, løn, eksterne projekter, åbne uddannelsesaktiviteter). En kube til Syllabus er for nylig kommet på plads (december 2009). Det nuværende datavarehus kører på Oracle, men der arbejdes på et nyt system på en MySQL database. KU Københavns Universitet planlægger at gå over på STADS i 2010 og udfase brugen af det egenudviklede Fønix-system. DTU DTU har grundlæggende planer om mere selvbetjening vha. STADS-systemet og på at lave mere regelcheck af indtastede oplysninger i systemet. Målet er at lave mere automatisering og bruge færre mandetimer. Der er dog ikke oplyst en konkret tidsplan. Der er ingen planer om en gennemgående renovering af STADS hos DTU. AAU AAU overvejer at gå væk fra ØSS og over på Navision Stat. RUC Kun mindre justeringer/udvidelser i gang

104 ITU LMS et mit.itu afløses formentlig af en mere standardiseret løsning inden for de nærmeste år. Arkitektur og udviklingsplatform på det egenudviklede system er ikke længere tilstrækkeligt understøttede ØEM-området AAMS AAMS arbejder videre med implementeringen af SIS. Integration med SUindberetninger udestår, men kommer gennem UNI-C. SIS skal også fremover bruges til indberetninger. AAMS forventer med tiden at kunne lægge alt ind i SIS. SIMAC SIMAC er i gang med at implementere SIS, man forventer at gå over på SIS i august SIMAC overvejede at bruge Sharepoint i højere grad, som intranet og som læringsplatform, men idéen blev droppet igen. Man overvejer i stedet at bruge Moodle som learning management system. Der træffes beslutning om LMS i Kvalitetsstyringssystemet Force udfases og lægges over i Sharepoint. Personalestyringssystemet Lessor er under udfasning. Man har anskaffet systemet Mindkey som erstatning. Strategien fremadrettet er at indkøbe standardsystemer, ingen egenudvikling

105 5. Dataparatheden 5.1. Oversigt over dataparatheden Dataparatheden er summeret i nedenstående tabel: Figur 29 Dataparathed totalt og for hhv. UVM, VTU og ØEM Procenterne i tabellen er udtryk for paratheden, udregnet således som det er beskrevet i ovenfor i afsnit Metode for beregning af dataparathed. Farverne marker følgende intervaller: % 70-89,9 % 1-69,9 % I de to store områder er der tale om en aggregering, idet de hver for sig indeholder et antal institutionsområder/universiteter, hvor paratheden varierer mellem dem. I aggregeringen ovenfor er paratheden vægtet i forhold til bestandenes størrelser udtrykt i årselever/stå. Dataparathed brudt ned på institutionsområdeniveau (inden for VTU lig med de enkelte universiteter) fremgår af Figur

106 Udd.hænd Dimensioner---- AktiviteterPers.hænd. Ress. forbr. Figur 30 Dataparathed for begrebsområder og uddannelser/institutioner Ministerium UVM UVM UVM UVM UVM UVM UVM UVM VTU VTU VTU VTU VTU VTU VTU VTU ØEM Total Vgt. gnsn. Udd./inst. EUD AGYM PB VVU EGYM EAU PS IH KU AU CBS SDU AAU RUC DTU ITU SFS Alle Alle UVM VTU Geografi 96% 96% 96% 96% 96% 96% 92% 96% 77% 77% 96% 73% 73% 96% 67% 100% 96% 89% 92% 96% 79% Studerende 96% 96% 90% 96% 96% 96% 87% 82% 86% 86% 96% 86% 86% 86% 82% 86% 96% 90% 93% 95% 87% Institution 96% 96% 96% 96% 96% 96% 92% 96% 76% 76% 94% 76% 76% 76% 47% 98% 96% 87% 92% 96% 77% Lokale 74% 94% 74% 74% 74% 74% 92% 96% 82% 82% 86% 53% 57% 72% 71% 92% 74% 78% 78% 79% 75% Personale 96% 96% 88% 96% 96% 96% 92% 63% 76% 76% 92% 76% 84% 84% 63% 86% 96% 86% 91% 94% 79% Uddannelse 94% 94% 94% 94% 94% 94% 92% 82% 63% 63% 94% 71% 71% 76% 76% 71% 94% 83% 88% 94% 70% Regnskab 96% 96% 96% 96% 96% 96% 92% 98% 92% 92% 88% 92% 96% 92% 94% 76% 82% 92% 95% 96% 92% Budget 94% 94% 94% 94% 94% 94% 92% 98% 94% 94% 96% 94% 94% 94% 94% 94% 82% 94% 94% 94% 94% Kontoplan 96% 96% 96% 96% 96% 96% 92% 98% 88% 88% 88% 92% 96% 96% 90% 92% 90% 93% 95% 96% 90% Virksomhed 96% 96% 96% 96% 96% 96% 92% 68% 68% 68% 35% 60% 60% 81% 68% 54% 78% 77% 88% 96% 63% Indskrivning 90% 100% 90% 90% 90% 90% 90% 87% 100% 100% 100% 100% 100% 100% 87% 100% 68% 93% 94% 92% 99% Fremmøde 82% 100% 82% 82% 82% 82% 80% 0% 0% 0% 0% 0% 0% 0% 0% 0% 76% 39% 66% 85% 0% Delt./Tilm. 90% 100% 90% 90% 90% 90% 90% 87% 100% 100% 90% 100% 92% 90% 87% 100% 84% 92% 93% 92% 97% Resultat 83% 98% 82% 83% 83% 83% 96% 100% 100% 100% 97% 97% 97% 99% 100% 97% 82% 93% 89% 87% 99% Pers.hænd.* 90% 90% 90% 90% 90% 90% 78% 100% 100% 100% 100% 100% 100% 100% 100% 100% 63% 93% 92% 90% 100% Løn 90% 90% 90% 90% 90% 90% 86% 100% 100% 100% 100% 100% 100% 100% 100% 100% 80% 94% 92% 90% 100% Sygefravær 86% 91% 78% 86% 70% 70% 65% 100% 100% 100% 100% 100% 100% 100% 100% 100% 82% 90% 87% 83% 100% Pers.allok. 82% 82% 79% 68% 82% 82% 76% 51% 83% 83% 86% 58% 58% 60% 51% 70% 78% 72% 78% 80% 75% Skema 81% 88% 80% 81% 81% 81% 76% 34% 88% 88% 86% 34% 26% 51% 34% 70% 81% 68% 79% 82% 70% Underv.akt.* 70% 84% 84% 70% 70% 70% 78% 70% 70% 70% 74% 56% 50% 58% 62% 68% 70% 69% 73% 76% 66% Ø. pæd/fagl.* 79% 78% 76% 79% 79% 79% 80% 60% 78% 78% 64% 56% 50% 52% 52% 78% 0% 66% 75% 78% 68% Praktik 79% 0% 79% 83% 83% 83% 80% 34% 66% 66% 80% 10% 10% 80% 22% 66% 79% 59% 77% 84% 54% Bevilling 90% 90% 90% 90% 90% 90% 90% 100% 100% 100% 100% 100% 100% 100% 100% 100% 84% 95% 92% 90% 100% Finanspost. 85% 85% 85% 85% 85% 85% 90% 100% 87% 87% 94% 89% 87% 87% 86% 87% 84% 88% 86% 85% 88% Budgetpost. 90% 90% 90% 90% 90% 90% 90% 100% 100% 100% 100% 100% 100% 100% 100% 100% 84% 95% 92% 90% 100% Tidsforbr.* 88% 92% 88% 92% 92% 92% 65% 54% 71% 71% 75% 60% 60% 67% 54% 60% 70% 74% 84% 89% 68% Andet forbr.* 70% 70% 70% 70% 70% 70% 70% 54% 50% 50% 44% 70% 62% 44% 54% 45% 57% 60% 66% 70% 53% Andel 26% 17% 12% 8% 7% 3% 1% 1% 7% 5% 3% 3% 2% 2% 1% 0% 0% 100% Stud. (1.000) Som det fremgår, er der ganske store forskelle, som er beskrevet i detaljer i de følgende kapitler. Her skal kun gives et kort overblik: Totalt set er dimensionsområderne rimeligt godt dækket ind; der er dog områder, der er gule, og som skal håndteres med ekstra indsats til følge (Se nærmere nedenfor samt i delrapport 4 - Løsningsforlag). Med hensyn til fakta er de klassiske administrative områder (økonomi og regnskab, løn og personale samt studieadministration) ganske godt afdækkede. Der er store udfordringer, når det gælder de pædagogisk/faglige aktiviteter, der varierer ikke blot fra område til område, men hvor der er store forskelle i registreringspraksis, it-understøttelse og lign. For UVM s område gælder, at effekterne af relativt stram styring og koordinering viser sig som alt i alt et fornuftigt niveau, dog ligger registreringspraksis mht. pædagogisk/faglige aktiviteter også lavere end for de klassiske administrative ting som regnskab osv. UVM-området klarer sig dog bedre end de to andre områder, hvilket primært kan forklares med mere udbredt registreringspraksis og studieadministrative systemer, der kan gå ganske dybt i detaljeringsniveau (fx skemaniveauet i Lectio mm.). UVM har også ganske udbredt formålskontering. For VTU s område gælder, at der er tale om forholdsvis store koncerner, som er opstået ved fusioner inden for de senere år. Universiteterne forfølger hver især deres egen it-strategi i vidt omfang. Dog er der samarbejde om det dominerende studieadministrative system, STADS. I universitetsverdenen er der også ganske

107 høj grad af selvbestemmelse inden for de enkelte hovedområder, fakulteter og institutter. Skemasystemer anvendes ikke i større udstrækning, men det forventes, at de vil vinde terræn i de nærmeste år. De såkaldte Learning Management Systemer i anvendes stadigt stigende omfang, hvilket giver alternative muligheder på sigt. ØEM s scoringer skal ses i lyset af, at alle skolerne er i en overgangsperiode, idet de har besluttet at overgå til SIS-systemet, der også anvendes på professionsbachelorområdet. Vi forventer, at når disse omlægninger er gennemførte i fuldt omfang, vil ØEM-området være sammenligneligt med UVM-området på de fleste punkter. En umiddelbar observation kunne være, at det på nogle dataområder kan give mening at starte på et af ministerområderne for derefter at bringe stafetten videre til de andre områder, se specifikt herom i delrapport 4 - Løsningsforslag Parathed i tværgående systemer Følgende systemer anvendes bredt i ministerområderne og kunne tænkes at være kandidater til kildesystemer til et fremtidigt datavarehus: Navision Stat (lokalt system) Statens Løn System, SLS (centralt system) Der er flere detaljer om Navision Stat og SLS nedenfor. På UVM s område anvender en del institutioner lønsystemer fra KMD respektive Silkeborg Data. Det drejer sig om de institutioner, der tidligere lå under amterne. KMD s lønsystem er en del af OPUS-familien, som er en SAP-baseret løsning udviklet til amter og kommuner. Det er et centralt system, som driftes af KMD. I løsningen indgår der et datavarehus, KMD OPUS EDW, som bl.a. indeholder data om løn og fravær. Hvorvidt dataene har det tilstrækkelige detaljeringsniveau, har vi ikke fået oplyst. Under alle omstændigheder vil de mest detaljerede data kunne udtrækkes fra det operationelle OPUS-system (via specialudtræk). Vi vurderer, at KMD Opus giver principielt de samme muligheder som SLS i forhold til dette projekts datavarehus. Silkeborg Løn er et tilsvarende system, men det omfatter ikke et datavarehus. Der findes gode muligheder for dataudtræk og dataudveksling via åbne standarder. Vi

108 vurderer ligeledes, at Silkeborg Løn giver principielt de samme muligheder som SLS i forhold til dette projekts datavarehus. Dog findes der i praksis hverken i KMD Opus Løn eller i Silkeborg Løn formålsdimensional kontering (ifølge det os oplyste) på de fleste af disse områder med gymnasierne som en mulig undtagelse. Der findes tre andre systemer, der kunne komme på tale: Statens Koncern System, SKS ØS LDV, som er et lokalt datavarehus indeholdende data fra både Navision Stat og SLS ISOLA, som er et centralt statistiksystem for brugerne af SLS Både økonomi, løn og personaleadministration er på VTU-området vurderet for de enkelte universiteter, idet der er flere forskellige systemer i anvendelse og der er forskelle i registreringspraksis. PÅ ØEM s område (de maritime uddannelser) anvendes overvejende Navision Stat, men der er dog også andre økonomisystemer til stede. De efterfølgende kommentarer er derfor mest relevante for UVM-området, men kan omfattes som dækkende de pågældende systemer i almindelighed. Der er ikke gennemført egentlige parathedsvurderinger for disse systemer. Vores skøn er derfor baseret på samtaler med Økonomistyrelsen, webresearch samt vores kendskab til: Statens kontoplan UVM s konteringsinstrukser CØSA formålsregistreringen i UVM Økonomistyrelsens vejledninger Kendskabet er ikke blot bygget op som det af dette projekt, men hidrører også fra tidligere erfaringer Navision Stat Tilgængelighed (for automatisk indsamling) o Høj tilgængelighed af registreringer (principielt set) o Der anvendes kun formålsdimension i UVM s område

109 o Systemet er et lokalt system med rigtig mange instanser på tværs af UVM (samt nogle i ØEM s og VTU s områder) o SKS indsamler dagligt posteringer fra Navision Stat for de fleste ikke-selvejende statsinstitutioner Aktualitet o Rimelig god i forhold til god regnskabsskik, men årlig fordeling på formål trækker ned i forhold til behovene (for mere aktuelle formålsfordelinger) i datavarehuse Kvalitet o Rimelig god Kompleksitet o Ikke unormalt høj Detaljeringsgrad/dimensionalitet o God i forhold til god regnskabsskik (men ikke detaljeret nok til fordeling af omkostninger på de enkelte uddannelser) Pris for at trække dem ud til et datavarehus o Principielt en høj pris fordi det ville blive en kompleks infrastruktur pga. de mange instanser af lokale Navision Stat systemer. Men der er mulighed for indsamling af data via ØDUP/SKS, således som det sker for en lang række af statens virksomheder allerede i dag. (Forudsætter brug af statens kontoplan, hvilket ikke altid er tilfældet inden for VTU). Andre erfaringsmæssige komplikationer og observationer i kortlægningen. o Årsregnskaber er tilgængelige (UVM-området) i Regnskabsportalen, men i datavarehuse/business intelligence arbejdes der normalt med mere detaljeret information, ofte helt ned på de enkelte posteringer Statens Koncern System, SKS Tilgængelighed (for automatisk indsamling) o Høj tilgængelighed af registreringer o Alle finansposteringer fra Navision Stat indsamles dagligt (dog ikke for selvejesektoren pt.) o Detaljerede registreringer (de fulde kontostrenge) Aktualitet o Rimelig god Kvalitet o Rimelig god

110 Kompleksitet o Ikke unormalt høj Detaljeringsgrad/dimensionalitet o God i forhold til god regnskabsskik (men ikke detaljeret nok til fordeling af omkostninger til de enkelte uddannelser) Pris for at trække dem ud til et datavarehus o Rimelig pris, idet det er et centralt system, der forvaltes af Økonomistyrelsen (dvs. kun 1 ETL-system skal udvikles). På mange måder kan SKS ses som et datavarehussystem i sig selv. Statens Budgetsystem, SB, opfatter vi som et modul i SKS, som overordnet og i relation til denne kortlægning har de samme karakteristika som SKS (selvom teknologien er anderledes) Statens Løn System, SLS Tilgængelighed (for automatisk indsamling) o Høj tilgængelighed af registreringer o Detaljerede formålsregistreringer ( segmenter af kontostrenge) anvendes på forskellig måde og kan ikke sammenstilles på tværs Aktualitet o Rimelig god Kvalitet o Rimelig god Kompleksitet o Ikke unormalt høj Detaljeringsgrad/dimensionalitet o God i forhold til god regnskabsskik (men generelt ikke detaljeret nok til fordeling af omkostninger på de enkelte uddannelser) Pris for at trække dem ud til et datavarehus o Rimelig pris, idet det er et centralt system, der forvaltes af Økonomistyrelsen (dvs. kun 1 ETL-system skal udvikles). o På UVM-området skulle der så yderligere laves 2 ETL-systemer (til KMD Løn respektive Silkeborg Løn) Øvrige lønsystemer Vi har set på KMD Løn og Silkeborg Løn ud fra leverandørernes informationer på deres hjemmesider. Vi kunne ikke finde informationer om, at disse tilbyder særli

111 ge faciliteter til detaljeret fordeling af lønomkostninger til detaljerede formål (som fx de enkelte uddannelser). Faktisk har vi fået oplyst, at der i praksis ikke finder formålsregistrering sted i de systemer inden for disse områder. Vores vurdering er derfor, at set ud fra datavarehusbehov i almindelighed, tilbyder disse systemer tilsvarende information som SLS. Det er naturligvis klart fordyrende, at der i givet fald skal udvikles 3 ETLsystemer og ikke kun 1 (SLS) ISOLA ISOLA er et lønstatistiksystem på individniveau og lønartsniveau. Det er primært tænkt til anvendelse i forbindelse med forhandlingssystemet, men det anvendes også i mange andre sammenhænge. De frie grundskoler mv. opdateres én gang årligt, mens den store mængde af institutioner opdateres kvartalsvis. Sygefravær indgår (dog ikke for de mindre skoler). Det vurderes, at der ikke vil være fordele ved at trække data ud af ISOLA i forhold til at trække de mest detaljerede data fra SLS. Det skal dog siges, at data fra KMD og Silkeborg løn er tilgængelige i ISOLA. I disse systemer anvendes der ikke de fri specifikationer (fx formål) som i et vist omfang anvendes (på forskellig vis) i SLS ØS LDV Med sit kombinerede indhold af såvel regnskabs- som løndata (og andre HRtypedata) er ØS LDV principielt meget interessant. Men Navision-data forbliver lokale. Det er kun SLS-data, der kommer fra centralt hold (via ØDUP, jf. afsnit 3.6.4). Vi vurderer derfor, at ØS LDV ikke er en interessant kilde for et kommende datavarehus. Men det er derimod de it-processer, der danner det datagrundlag, der efterfølgende distribueres via ØDUP til institutionerne. Disse processer bør kunne udvides til at dække et fremtidigt datavarehusbehov

112 5.3. UVM dataparathed Oversigt og baggrund Dataparatheden på UVM-området er opsummeret i Figur 31. I det der henvises til afsnit 4 for en gennemgang af kortlægningsresultaterne, skal vi her blot lave en kort situationsbeskrivelse. Området er præget af høj grad af hvilke studieadministrative systemer, institutioner, inden for de enkelte uddannelsesområder, primært henholdsvis sekundært benytter. Figur 31 Dataparathed for UVM fordelt på uddannelsesområder EUD Erhvervsrettede udd AGYM Alm. Gymnasiale PB Professionsbachelor, inkl. DMJ Område indenfor UVM Årselever/STÅ Population Andel 34% 23% 16% 11% 9% 5% 1% 1% Gnsn Dimensioner Geografi 96% 96% 96% 96% 96% 96% 92% 96% 96% 96% Studerende 96% 96% 90% 96% 96% 96% 87% 82% 92% 95% Institution 96% 96% 96% 96% 96% 96% 92% 96% 96% 96% Lokale 74% 94% 74% 74% 74% 74% 92% 96% 82% 79% Personale 96% 96% 88% 96% 96% 96% 92% 63% 90% 94% Uddannelse 94% 94% 94% 94% 94% 94% 92% 82% 92% 94% Regnskab 96% 96% 96% 96% 96% 96% 92% 98% 96% 96% Budget 94% 94% 94% 94% 94% 94% 92% 98% 94% 94% Kontoplan 96% 96% 96% 96% 96% 96% 92% 98% 96% 96% Virksomhed 96% 96% 96% 96% 96% 96% 92% 68% 92% 96% Fakta Indskrivning 90% 100% 90% 90% 90% 90% 90% 87% 91% 92% Fremmøde 82% 100% 82% 82% 82% 82% 80% 0% 74% 85% Deltagelse/Tilmelding 90% 100% 90% 90% 90% 90% 90% 87% 91% 92% Resultat 83% 98% 82% 83% 83% 83% 96% 100% 89% 87% Personalehændelse* 90% 90% 90% 90% 90% 90% 78% 100% 90% 90% Løn 90% 90% 90% 90% 90% 90% 86% 100% 91% 90% Sygefravær 86% 91% 78% 86% 70% 70% 65% 100% 81% 83% Personaleallokering 82% 82% 79% 68% 82% 82% 76% 51% 75% 80% Skema 81% 88% 80% 81% 81% 81% 76% 34% 75% 82% Undervisningsaktivitet* 70% 84% 84% 70% 70% 70% 78% 70% 75% 76% Øvrige pæd/faglig* 79% 78% 76% 79% 79% 79% 80% 60% 76% 78% Praktik 79% 0% 79% 79% 83% 83% 80% 34% 65% 84% Bevilling 90% 90% 90% 90% 90% 90% 90% 100% 91% 90% Finanspostering 85% 85% 85% 85% 85% 85% 90% 100% 88% 85% Budgetpostering 90% 90% 90% 90% 90% 90% 90% 100% 91% 90% Tidsforbrug* 88% 92% 88% 92% 92% 92% 65% 54% 83% 89% Andet forbrug* 70% 70% 70% 70% 70% 70% 70% 54% 68% 70% VVU VidereVoksenuddannelse EGYM Erhvervsgymnasiale EAU ErhvervsAkademiUddannelse PS Produktionsskoler IH Ingeniørhøjskoler I alt

113 Figur 32 Primære og sekundære studieadministrative systemer pr. uddannelse Uddannelsesområde Uddannelse Primær studie Sekundær studie adm system adm system Agym Alment Gymnasiale uddannelser LUDUS, LECTIO Alm. gymnasiale Hfe HF enkeltfag LUDUS LECTIO Erhvervsgymnasiale Egym Erhvervs gymnasiale uddannelser EUD Erhvervsuddannelser LECTIO, SIS Erhvervsrettede Gvu Grundlæggende Voksen Uddannelse uddannelse EASY Sosu Social- og Sundhedsuddannelser (1) Erhvervsakademi Eau ErhvervsAkademiUddannelser SIS uddannelse Vvu Videregående Voksen uddannelse PB ProfessionsBachelor uddannelser EASY Professionsbachelor SIS Diplom Diplom uddannelser STADS uddannelser DMJ Danmarks Journalist/Mediehøjsk. (2) SIS Efter- og videre uddannelse Amu, Veu Arbejdsmarkedsuddannelser EASY SIS UvM øvrige Prod Produktionsskoler Nav, Timer, ERS SU Systemsammenhænge, kodeanvendelsesu Systemer DK Stat. DK Stat Systemsammenhænge, kodeanvendelsesystemer Uddannelsesområder med de største antal elever og studerende anvender følgende studieadministrative systemer: EASY-A Lectio LUDUS SIS Fælles for ovenstående systemer er, at de alle indberetter via fælles grænseflade til det centrale CØSA-system i henhold til den fælles uddannelsesmodel. der er udmeldt af UVM. Registreringspraksis er i omfang og registreringsniveau forskellig fra institution til institution, også inden for de enkelte uddannelsesområder. Eksempel herpå er registrering af lærerskemaer og fravær herfor, hvor der nogle steder registreres og andre steder ikke, da bekendtgørelser m.v. giver åbning for dette. De efterfølgende underafsnit giver flere eksempler på dette. Hertil kommer, at der på en del stamdata- og grunddataområder er en del redundans, således at fx persondata (studerende og lærere) i flere tilfælde dobbeltregistreres grundet manglende automatiske grænsefladesnit mellem lokalt anvendte systemer UVM Geografi, institutioner, bygninger og lokaler Dataparatheden er mellem %

114 Generelt er dataparatheden for både Geografi henholdsvis institutioner særdeles god, hvor dataparatheden er på 96 %. Undtagelsen for geografidata er Produktionsskolerne, hvor dataparatheden er lidt mindre grundet benyttelse af en række forskellige systemer på tværs af disse institutioner. Dataparatheden for Lokaler er mere svingende og ligger mellem %, hvilket skyldes, at en række institutioner ikke benytter mulig funktionalitet for registrering og administration af lokaleoplysninger. Generelt set registreres der udelukkende geodata i forbindelse med registrering og vedligeholdelse af adresseoplysninger tilknyttet institutioner, lokaler, studerende, personale og virksomheder. De forskelligheder, der er studie administrative systemer imellem, vurderes ikke at være et problem, isoleret set ift. et kommende datavarehus. Det er vurderingen, at institutionshierarkiet skal harmoniseres på tværs af systemerne/uddannelsesområderne, ligesom at der ikke altid er det fornødne link til Juridisk virksomhed, hvor dette er relevant. Det bør være en ret overkommelig udfordring, som kan håndteres gennem en strammere registreringspraksis og/eller gennem en tættere grænseflade til Institutionsregistreret (som delvis sker i dag ift EASY-A/EASY-F, men alligevel sker registrering og vedligeholdelse af institutionsstamdata manuelt i EASY-A, ligesom i LUDUS og Lectio). Den relativt høje grad af dobbeltregistrering af adresse- og institutionsoplysninger vurderes ikke at skabe de store udfordringer for et kommende datavarehus, men dobbeltregistrering, frem for automatisk udveksling af data, forøger risikoen for en ringere datakvalitet. Alt i alt indebærer dette forhøjede omkostninger og risiko for forhøjet datakvalitetsarbejde pga. følgevirkninger af redundans mv. i et datavarehusprojekt UVM Studerende Dataparatheden er mellem 95 % på tværs af området. Generelt er dataparatheden for elev- og studerendestamdata særdeles god for uddannelsesområder, der er mest udbredt, dog med den note at enkelte felter ikke angives ved registreringer. Ingeniørhøjskolerne har laveste dataparathed på 82 % grundet anvendelse af forskellige systemer disse institutioner imellem med mulighed for redundans

115 Produktionsskolerne har næstlaveste dataparathed på 87 % grundet anvendelse af flere forskellige systemer. Trods den gode dataparathed er der plads til datakvalitetsforbedring. Dels er datavalidering i brugerflader uens systemer imellem, og ligeledes registreres ikke alle ønskede stamdata i fuldt omfang, dels valideres oplysninger ikke mod CPR i flere af de benyttede systemer. Når en studerende optages på en uddannelse, sker der i næsten alle tilfælde en ny registrering af samme stamdata. Der er ingen koordinering af disse stamdata de forskellige uddannelsesområder imellem. Hver gang samme studerende optages på en ny institution, foretages ny registrering som hovedregel. Alt i alt er vurderes stamdata for de studerende at kunne blive mappet på tværs af systemer, således af data relateret til den enkelte studerende kan sammenstilles i et datavarehusprojekt, men ikke uden unødige omkostninger og risiko for forhøjet datakvalitetsarbejde pga. følgevirkninger af dataredundans UVM Uddannelser Dataparatheden er generelt 94 %, dog er paratheden for Ingeniørhøjskolerne på 82 %. Generelt er dataparatheden for uddannelsesstruktur og stamdata særdeles god. UVM definerer, registrerer og udstiller den officielle uddannelsesmodel på centralt hold via CØSA-systemet. CØSA udstiller modellen ud til de 4 primære studieadministrative systemer EASY-A, Lectio, LUDUS og SIS. På fagniveau benytter institutioner de samme identifikationer for fag, udmeldt af UVM. For lokale fag definerer institutioner dog egne fagnumre identifikationer med numre større end og i denne forbindelse er der ikke sammenhæng mellem fagnumre, der anvendes på tværs af institutioner inden for de enkelte uddannelsesområder. Disse forhold vurderes dog ikke at være et svært problem at håndtere ift. til et standard datavarehus. Alt i alt indebærer dette ikke høje omkostninger eller risiko for forhøjet datakvalitetsarbejde pga. følgevirkninger af manglende standardisering af uddannelsesmodellen i et datavarehusprojekt

116 UVM Regnskab og økonomi Dataparatheden generelt er mellem %. Generelt er dataparatheden for regnskabs- og økonomidata rigtig god, men paratheden for finansposteringer er i en del tilfælde er vurderet til 85%. Den lidt lavere score for finansposteringer skyldes, at aktualiteten for formålsopgjorte omkostninger (inkl. lønninger) i en del tilfælde er lav (på grund af årlige fordelingsopgørelser frem for løbende). Generelt er der en god indrapporteringspraksis til CØSA fra de fire primære studieadministrative systemer. Om end der generelt er god registreringspraksis på disse områder er der desværre nogen variation af fx kontostrenge i detaljer mv. Der anvendes primært Navision Stat, se afsnit Der vurderes ikke at være store datamæssige udfordringer i evt. at etablere udtræk af regnskabsinformation på tværs af institutionerne, der anvender Navision Stat og Statens Kontoplan. (Hvilket er langt de fleste) UVM Virksomheder Dataparatheden er generelt 96 %. Generelt er dataparatheden for virksomheder særdeles god. Gælder registreringer af virksomheder, som institutionerne samarbejder med på forskellige plan (tilbud af undervisninger af private virksomheder, praktikopgaver og meget mere). Registreringspraksis, når registrering sker, er ret ens i de studieadministrative systemer. Hvilke informationer, der registreres om den enkelte virksomhed, kan variere. Agym registrerer ikke virksomheder i Lectio, men i regnskabssystem m.v., hvor dette er relevant. Alt i alt indebærer dette ikke høje omkostninger og risiko for forhøjet datakvalitetsarbejde pga. følgevirkninger af dårlig registreringspraksis i et datavarehuspro

117 jekt. Der skal sandsynligvis strammes op på registreringspraksis, hvis datavarehuset skal bruge f.eks. detaljerede data om virksomhederne UVM Personale og løn Dataparatheden for Personale er generelt mellem % og er generelt set særdeles god. Dataparatheden for Løn er mellem %. Generelt er paratheden på 90 % og specifikt for Produktionsskolerne er paratheden på 86 %, hvilket skyldes at løn oplysninger på tværs af Produktionsskolerne skal hentes fra en række forskellige systemer (NS fra Navipartner, C5, ERS, m.v.) disse institutioner benytter. Dette forhold vurderes ikke at give store problemer ift et standard datavarehus. Trods den gode dataparathed for Personale der plads til datakvalitetsforbedring ift real-time validering af CPR-nummer ved selve registreringen. Registreringen for de mest basale personalestamdata vurderes at være tilfredsstillende på tværs af de anvendte systemer. Som udgangspunkt registreres alle lærer, for alle uddannelsesområder, der har uddannelsesaktiviteter, mens der kun for nogle uddannelsesområder registreres øvrige personalegrupper. For Hfe og for enkelte Agym registreres der i LUDUS øvrig personale, mens der for Agym i Lectio ikke gøres tilsvarende. Der benyttes ikke samme registreringspraksis for øvrige læreroplysninger (ud over de basale personalestamdata) hvor der for nogle systemer angives uddannelsesbaggrund, andre skoleopgaver, kompetencer, m.v. mens der for andre uddannelsesområder ikke gør. Dette skyldes at krav per uddannelsesområder er forskelligt. Forskellighed i registreringspraksis vil på sigt indebære forhøjede omkostninger og risiko for forhøjet datakvalitets arbejde pga. følgevirkninger af redundans mv. i et datavarehus projekt, da det forventes at viden om lærers kompetencer og undervisningsforudsætninger er relevante at have viden om. Vedrørende personalekompetencer er der høj grad af manglende registreringer og høj grad af manglende ensartethed i registreringerne. Der benyttes ikke samme koder/aktivitetskoder for allokering, systemer imellem. Manglende datadisciplin vil være en udfordring for fx at kunne holde planlagt allokering op mod realisere

118 de uddannelsesaktiviteter. Forskellige niveauer i registrering vil ligeledes give sammenstillingsproblem i det enkelte systems data og på tværs af systemers data. Alt i alt er vurderes stamdata for Personale at kunne blive mappet på tværs af systemer, således af data relateret til den enkelte lærer kan sammenstilles i et datavarehus projekt, men ikke uden unødige omkostninger (bl.a. pga. manglende datadisciplin for registreringspraksis for personalekompetencer og at der benyttes forskellige sæt af aktivitetskoder for allokering) og risiko for forhøjet datakvalitetsarbejde pga. følgevirkninger af dataredundans. Sygefravær registreres dog på forskellige niveauer og i enkelte tilfælde slet ikke, hvilket må vurderes at give væsentlige omkostninger og risiko for forhøjet datakvalitetsarbejde pga. følgevirkninger af manglende registreringspraksis mv. i et datavarehusprojekt. Der anvendes (med isolerede undtagelser, f.eks. for nogle produktionsskoler) ikke timeregistreringssystemer. Dog kan tidsforbrug udledes af lærerregistreringer på uddannelsesaktiviteten. Dertil vil SLS kunne være en god kilde til detaljeret løninformation og andre typer af personalehændelser UVM Uddannelsesforløb (studieadministrative hændelser) Dataparatheden for de studieadministrative hændelser er samlet set mellem % og er generelt set på et tilfredsstillende niveau, dog med nogle udfordringer vedrørende Uddannelsesresultat (eksamensresultat). Studie administrative hændelser gælder registreringen af hændelser, såsom: Indskrivning Optagelse Tilmelding Fremmøde Deltagelse (på hold/holdelementer) Resultat (eksamensresultater) Generelt er paratheden for Indskrivning på et højt niveau (mellem %), hvor de 90 % skyldes variationer i registreringer for de erhvervsrettede udannelser, mens paratheden er noget højere for Agym

119 Parathed for Fremmøde er på middel til højt niveau (mellem %), hvor de % i fremmøde primært skyldes at data for de erhvervsrettede uddannelser har en varians i sin registreringspraksis og at data udveksles mellem Elevplan og EASY, hvilket kan give en ekstraopgave ved hentning af data fra kilderne. Parathed for Deltagelse er på et højt niveau (mellem %), hvor de 87 % gælder for Ingeniørhøjskolerne. Der er en ret stor variation i, hvad der registreres hos de enkelte erhvervsrettede institutioner, dvs. nogen registrerer forholdsvis meget, mens andre institutioner ikke gør. Den varierende registrering gælder også den studerendes fravær. Dels er fraværsregistreringen meget varierende i sit registreringsniveau og dels sker registreringen med forskellige sæt af fraværsårsager (koder) i de enkelte systemer. Der er ikke bekendtgørelseskrav om, at ensartet og detaljeret registrering skal ske! Parathed for Resultat er på et middel til højt niveau (mellem %), hvor de 82 % primært skyldes, at man i dag har en mindre aktualitet på eksamensregistreringen for de erhvervsrettede uddannelser. Varians i registrering, varierende registreringsniveau, anvendelse af forskellige sæt af fraværsårsager samt forsinket aktualitet i registrering, må vurderes at give væsentlige omkostninger og risiko for forhøjet datakvalitetsarbejde pga. følgevirkninger af manglende registreringspraksis, manglende automatisering af grænseflader systemer imellem, mv. i et datavarehusprojekt UVM Undervisningsaktiviteter mv. Dataparatheden generelt er mellem %. Generelt vurderes dataparatheden for Agym og PB (84 %) at være noget højre end for de erhvervsrettede udannelser (70 %). For Agym er registreringer, som hovedregel generelt mere detaljerede og helt ned på skemabrik niveau. Omvendt for flere af de erhvervsrettede uddannelser foretages registreringer meget overordnet ift. skemabrik niveau. Dvs. der er meget store forskelle i registreringspraksis og detaljeringsniveau, mens der er ret stor ensartethed vedrørende klassifikationer og officielle UVM reference koder for fag, f.eks

120 Forskelle i registreringspraksis sker også på tværs af institutionerne inden for de enkelte uddannelser. For erhvervsrettede uddannelser, der anvender EASY-A systemet, kan der være spredning for anvendelse med hensyn til detaljeringsniveau, nogle institutioner har registrering på skemabrik niveau, på uge-basereret niveau eller på et højre niveau. Skemasystemer med algoritmer anvendes i et meget varierende omfang (anvendes i Lectio og snart i LUDUS også) mens der i EASY-A, hvor Flex systemet er i anvendelse, anvendes skemasystem uden algoritmer, dvs. at sammenhæng mellem fag til hold/hold-element m.v. er forudbestemt. Personaleallokeringer (dvs. planerne for afholdelse af konfrontationstimer og de øvrige pædagogisk/faglige aktiviteter) registreres ligeledes varierende og kun delvist. I de studieadministrative systemer registreres et overordnet lærerbudget på lærerniveau. På tværs af uddannelsesområderne kan budgetspecifikationen, f.eks. antal timer for undervisninger henholdsvis antal timer i alt, variere fra system til system uddannelsesområder anvender. Som udgangspunkt foregår der, på lærerniveau, ikke timeregistreringer. Det samme gælder de studerendes fremmøde (eller fravær). Hvor der findes detaljerede oplysninger på (især) skemabrikniveau og på ugebaseret niveau er der muligheder for at beregne et tidsforbrug. Varians i registreringspraksis (bl.a. varierende registreringsniveau), anvendelse af forskellige sæt af aktivitetskoder og fraværsårsagkoder, m.v. må vurderes at give væsentlige omkostninger og risiko for forhøjet datakvalitetsarbejde pga. følgevirkninger af manglende registreringspraksis, mv. i et datavarehusprojekt UVM Ressourceforbrug Dataparatheden er generelt mellem %, hvor parathed for: Tidsforbrug er mellem 88 % 92 % for de mest udbredte uddannelser, dvs. særdeles god. Dog er paratheden for Produktionsskolerne henholdsvis Ingeniørhøjskolerne kun på henholdsvis 65 og 54 % Andet forbrug er på 70 % for de mest udbredte uddannelser, dvs. middel god. Dog er paratheden for Ingeniørhøjskolerne kun på 54 %

121 At parathed for Tidsforbrug, for de mest udbredte uddannelser, er høj skyldes at systemerne EASY-A, Lectio, LUDUS og SIS alle kan bidrage med datagrundlaget for at kunne bestemme tidsforbruget, dog med varians i registreringsniveauet af data (nogle registreringer opgøres for kortere perioder og andre for længere perioder). At parathed for Produktionsskolerne og Ingeniørhøjskolerne er lavere, skyldes at der ikke altid laves timeregistrering, og kan derfor tilsvarende ikke kan opgøres. Tidsforbrug datagrundlag, på et højere niveau, kan tillige hentes i anvendte HR/Lønsystemer og regnskabssystemer som institutioner benytter. At parathed generelt er lavere for Andet forbrug skyldes dels at data ikke registreres i de anvendte systemer og dels at tilgængelige data i anvendte HR/Lønsystemer og regnskabssystemer, ikke registreres efter samme registreringspraksis. Når der ses bort fra de, antal elevmæssigt, mindre uddannelser, er vurderingen, at der for Tidsforbrug ikke er væsentlige omkostninger og risiko for forhøjet datakvalitetsarbejde pga. følgevirkninger af manglende registreringspraksis, mv. i et datavarehusprojekt. For Andet forbrug forholder det sig anderledes, hvor det vurderes, at der kommer væsentlige omkostninger og risiko for forhøjet datakvalitetsarbejde pga. følgevirkninger af manglende registreringspraksis, manglende detaljeringsgrad af datagrundlag, mv. i et datavarehusprojekt UVM Master Data Management Behovet for en koordineret Master Data Management indsats på tværs af institutionerne er relevant for en række områder: Uddannelsessteder, institutioner og koncernstrukturer o Alle væsentlige systemer anvender det officielle 6-cifrede institutionsnummer, som UNI-C driver for UVM og Danmarks Statistik. Dog er der behov for en større og mere fuldstændig tilstedeværelse af sammenhængen mellem juridiske institutioner og tilhørende institutionsafdelinger o Eksterne parter, f.eks. SU og Økonomistyrelsen, benytter egne identifikationer af institutioner

122 o På sigt bør MDM initiativ sikre fuld ensartethed på tværs at både interne som eksterne systemer, og udstilling af institutionsoplysninger ske ét sted fra Personale o Obligatorisk registrering af samt ensartede klassifikationer på lærerniveau, på tværs af alle uddannelsesområders institutioner, for at understøtte fremtidens analysebehov o Høj grad af dobbeltregistrering af disse stamdatasystemer imellem, med potentiale for procesforbedring (men ikke en del af vores analyseopgave) Faglige kompetencer og allokering for personale o Høj grad af manglende registreringer og høj grad af manglende ensartethed i registreringerne. Der benyttes ikke samme koder/aktivitetskoder for allokering, systemer imellem Klassifikation af undervisning/pædagogisk/faglige aktiviteter for personale o Her anvendes forskellige lokale aktivitetskoder for undervisning i de enkelte systemer. Bør harmoniseres på sigt o Der benyttes ikke samme fraværsårsag koder for lærere, systemer imellem Studerende o Ikke høj grad af begrebsfundering af de registrerede stamdata. o Obligatorisk registrering af samt ensartede klassifikationer på elevniveau, på tværs af alle uddannelsesområders institutioner, for at understøtte fremtidens analysebehov o Høj grad af dobbeltregistrering af disse stamdatasystemer imellem, med potentiale for procesforbedring (men ikke en del af vores analyseopgave) Klassifikationer af uddannelseshændelser, studerende o Her anvendes forskellige lokale fraværsårsagskoder for elever systemerne imellem. Bør harmoniseres på sigt Klassifikationer af uddannelser, fag og kurser o Høj grad brug af lokale fagnumre, for fag der ikke er udmeldt af UVM, der benyttes forskellige lokale fagnumre i systemerne. Bør harmoniseres. Master Data Management er i øvrigt beskrevet i delrapport 2 og delrapport

123 5.4. VTU dataparathed Oversigt og baggrund Dataparatheden på VTU-området er opsummeret i Figur 33. Idet der henvises til afsnit 4 for en gennemgang af kortlægningsresultaterne, skal vi her blot lave en kort situationsbeskrivelse. Området er præget af høj grad af selvstændighed mht. udformningen af itunderstøttelsen. På det studieadministrative område er der en standardisering i gang, således at der om 2-3 år er der kun ét universitet (CBS), som ikke er på STADS-systemet. På alle andre områder anvendes typisk mellem 2-8 forskellige applikationer, af hvilke en betydelig del er egenudviklede. Hertil kommer, at der på en del områder er en del redundans, således at fx persondata (studerende) ofte kan være spredt over 2-4 systemer. Figur 33 Dataparathed for VTU fordelt på universiteter

124 Universiteterne er (i hvert fald de større af dem) også ganske store, sammensatte koncerner, inden for hvilke der er ganske megen forvaltningsmæssig frihed på fx hovedområder, fakulteter og institutter. Dette giver ganske store forskelle i registreringspraksis, herunder mht brugen af det studieadministrative system, strukturer i studieordninger osv VTU Geografi, institutioner, bygninger og lokaler Dataparatheden er % vægtet i forhold til antal STÅ. Uddannelsesstedernes geografi residerer ofte i flere forskellige systemer, heraf nogle egenudviklede. Det samme gælder bygninger og lokaler. Lokaler administreres ofte lokalt på institutniveau og brugen af dem registreres ikke systematisk. Den institutionelle (organisatoriske) koncernstruktur skal registreres systematisk, hvilket ikke er tilfældet i dag (på tværs). Ligeledes skal broer mellem organisatoriske enheder og stedskonti i regnskabssystemerne etableres, såfremt man ønsker at kunne lave mere finmasket steds- (og formåls-) fordeling af omkostninger. Alt i alt indebærer dette høje omkostninger og risiko for forhøjet datakvalitetsarbejde pga. følgevirkninger af redundans mv. i et datavarehusprojekt. Der skal sandsynligvis også strammes op visse steder på registreringspraksis, hvis datavarehuset skal bruge fx data om brugen af lokaler. (Kan også løses med mere udstrakt brug af skemasystemer og Learning Management Systemer se nedenfor.) VTU Studerende Dataparatheden er 87 % vægtet i forhold til antal STÅ. Studerendes geografi afdækkes gennem CPR-opslag. Der er ikke socioøkonomiske oplysninger i nævneværdigt omfang, bortset fra information om udenlandske studerende og udlandsophold. Information om de studerende er spredt på typisk 2-4 databaser (fx studieadministration, portal, navnedatabase og internationale studerende). Alt i alt indebærer dette høje omkostninger og risiko for forhøjet datakvalitetsarbejde pga. følgevirkninger af redundans mv. i et datavarehusprojekt

125 VTU Uddannelser Dataparatheden er 70 % vægtet i forhold til antal STÅ. Forholdet er generelt det, at det studieadminstrative system, STADS, som inden for en kort årrække anvendes på alle universiteterne på nær CBS, primært anvendes til følgende formål: Studieadministration (arbejdsgangene omkring registreringer af de studerendes forhold og status til uddannelser, fag, hold og kurser) Eksamensresultater Registrering af studieordninger mv., således at STADS-systemets veludbyggede regelchecker automatiseret kan sikre, at studieordningernes regelsæt overholdes Produktion af datagrundlag for udarbejdelse af STÅ-regnskaber mhp. indberetning til taxametersystemet osv. STADS indeholder et planlægningsmodul, som ikke anvendes i praksis. Dette indebærer, at omfattende beskrivelser af uddannelsernes struktur og indhold (udover ovennævnte), allokeringen af underviser og lokaler, lektionsplaner, andre pædagogiske/faglige aktiviteter mv. skal findes i andre systemer (se nedenfor). Specifikt for uddannelserne er den typiske konfiguration derfor, at stamdata om uddannelserne findes delt mellem STADS-systemet og en separat kursusdatabase, som typisk er egenudviklet. Der er to øvrige komplikationer, som har væsentlig indflydelse: Studieordninger kan være meget komplicerede, hvilket indebærer, at registreringspraksis varierer, også inden for det samme universitet STADS er et meget fleksibelt system, hvor de samme ting kan registreres på forskellig vis (fx kun det absolut nødvendige - alternativt med alle detaljer om struktur og niveauer osv.). Dette giver også forskelle i registreringspraksis, også inden for det samme universitet. Disse ting er så komplicerede at håndtere, at de kræver grundigt kendskab til både studieordninger og andre forretningsregler samt registreringspraksis. Der sker derfor omfattende manuel efterbehandling af de udtræk fra STADS, der danner grundlag for STÅ-indberetningerne. Ofte sker dette i form af et egenudviklet mini datavarehus. Der findes ikke et standard datavarehusmodul i STADSsystemet

126 Alt i alt indebærer dette høje omkostninger og risiko for forhøjet datakvalitetsarbejde pga. følgevirkninger af redundans mv. i et datavarehusprojekt. Der skal sandsynligvis også strammes op visse steder på registreringspraksis, hvis datavarehuset skal bruge fx detaljerede data om fag og kurser. Udover taxametersystemets takstkatalog findes ikke en tværgående klassifikation af de mellemlange og lange videregående uddannelser. En sådan struktur kan være nødvendig og kan indebære, at man skal kunne se på tværs af studieordninger, fag, kurser, praktikopgaver osv., hvilket ikke nogen nem opgave at løse VTU Regnskab og økonomi Dataparatheden er % vægtet i forhold til antal STÅ. Generelt er der naturligvis god registringspraksis på disse områder. Desværre er der betydelig variation af fx kontoplaner, kontostrenge i detaljer mv. Det er ikke praksis at bogføre med formålsdimension. Enkelte universiteter har dog en forholdsvis detaljeret kontostreng (fx på lønposter). Formålsfordeling foregår typisk på årsniveau og er en manuel proces, hvor fordelingsnøgler osv. varierer noget på tværs af universiteterne, fakulteterne og institutterne. Der anvendes flere forskellige regnskabsystemer, typisk ØSS eller Navision Stat. Over en årrække ser det ud som om, der kunne være tale om en konvergens henimod Navision Stat. Den største udfordring her er, at der som hovedregel ikke kan etableres de nødvendige broer mellem omkostningsbidrag og de enkelte uddannelser (og de dermed forbundne aktiviteter). En anden udfordring er, at der er forskelle i kontoplaner mv. Vi vurderer dog, at dette ville kunne løses ved hjælp af mapninger (kontobroer), hvilket ikke er ualmindeligt, men som giver et forhøjet omkostnings- og risikoniveau for et datavarehusprojekt. Bortset fra disse forhold er der ikke de ekstraordinært store datavarehusudfordringer i evt. at etablere udtræk af regnskabsinformation på tværs af universiteterne. (Men som sagt uden mulighed for et automatiseret, detaljeret, formålsopdelt

127 uddannelsesopdelt omkostningsregnskab for hverken løn eller øvrige omkostninger) VTU Virksomheder Dataparatheden er 63 % vægtet i forhold til antal STÅ. Her tænkes der på registreringer vedr. de virksomheder, som universiteterne samarbejder med på forskellige plan (projekter, forskning, funding, praktikopgaver og meget mere). Registreringspraksis varierer en hel del. Oftest findes information om virksomheder udelukkende i regnskabssystemet (som debitorer, fx). Alt i alt indebærer dette meget høje omkostninger og risiko for forhøjet datakvalitetsarbejde pga. følgevirkninger af dårlig registreringspraksis i et datavarehusprojekt. Der skal sandsynligvis strammes betydeligt op på registreringspraksis, hvis datavarehuset skal bruge fx detaljerede data om virksomhederne (fx som Kundedimension ) VTU Personale og løn Dataparatheden er 79 (stamdata) % vægtet i forhold til antal STÅ. Også her er der god registreringspraksis. Og også her er der forskellige systemer i anvendelse med forskelle i registreringspraksis. Som for de studerende gælder, at data om personale typisk optræder i flere systemer af forskellig art. Fag- og stillingskoder samt løndele følger SLS-strukturerne, der hvor SLS anvendes. (Der findes en enkelt forekomst af Lessor.) Der registreres ikke (systematisk) faglige kompetencer på VIP erne. Dette indebærer dog ikke, at information ikke findes, blot ikke som systematisk, struktureret information. Derimod kan disse informationer formentlig findes frem i ESDHsystemer, CMS-systemer, hjemmesider, publiceringsystemer osv. (Men disse har vi betragtet som uden for scope). Vi har ikke fundet brug af præstations- eller bonusorienterede løndele

128 Der anvendes (med isolerede undtagelser) ikke timeregistreringssystemer. Dog registreres der timeforbrug på bl.a. EU-projekter mv., idet der er krav herom. Dette er dog uden for scope i dette projekt. Personaleallokeringer (dvs. planerne for VIP ernes afholdelse af konfrontationstimer og de øvrige pædagogisk/faglige aktiviteter) er beskrevet under Undervisningsaktiviteter nedenfor. Alt i alt vil SLS kunne være en god kilde til detaljeret løninformation og andre typer af personalehændelser. Sygefravær registreres dog forskelligt og i forskellige systemer. For de øvrige aspekters vedkommende (herunder stamdata om VIP er) gælder, at forholdende indebærer forhøjede omkostninger og risiko for forhøjet datakvalitetsarbejde pga. følgevirkninger af redundans mv. i et datavarehusprojekt VTU Uddannelsesforløb (studieadministrative hændelser) Dataparatheden er % vægtet i forhold til antal STÅ. (Se også kommentarerne ovenfor vedr. Uddannelser). Studie administrative hændelser gælder registreringen af hændelser, såsom: Indskrivning Optagelse Tilmelding Fremmøde Deltagelse (på hold/holdelementer) Resultat (eksamensresultater) Generelt er der gode forhold på dette område. Fremmøde kontrolleres dog ikke. Der kan være tale om forsinket aktualitet (fx på eksamensregistreringen), men den generelle kvalitet og aktualitet vurderes som fornuftig. Disse forhold har jo også stor forretningsmæssig betydning for universiteternes indtægtsgrundlag (STÅregnskaberne osv.). Der vil ikke være ekstraordinære forhold i et datavarehus projekt på dette område

129 VTU Undervisningsaktiviteter mv. Dataparatheden er % vægtet i forhold til antal STÅ. Disse områder er som hovedregel ikke registrerede i detaljer. Der er meget store forskelle i registringspraksis, detaljeringsniveau, klassifikationer osv. Såvel på tværs af universiteterne som inden for de enkelte universiteter. Generelt foregår en stor del af denne tilrettelægning, udførelse og opfølgning af aktiviteterne lokalt på de enkelte institutter. Personaleallokeringer (dvs. planerne for VIP ernes afholdelse af konfrontationstimer og de øvrige pædagogisk/faglige aktiviteter) registreres variende og kun delvist. Skemasystemer anvendes i et meget varierende omfang, og oftest kun til disposition af (centrale) lokaler (og altså ikke på underviser-, studerende- eller lektionsniveau). Som tidligere beskrevet foregår der ikke timeregistreringer. Det samme gælder de studerendes fremmøde (eller fravær). Alt i alt indebærer dette meget høje (grænsende til prohibitivt høje) omkostninger og risiko for forhøjet datakvalitetsarbejde pga. følgevirkninger af redundans mv. i et datavarehusprojekt. Den delvise tilstedeværelse vi har vurderet i dataparatheden for disse ting på VTU-området, skyldes langt overvejende, at Learning Management Systemer (LMS) bruges i stadig større omfang på universiteterne. Dette indebærer, at flere og flere hændelser ville kunne opfanges ad den vej med god aktualitet og rimelig kvalitet. Der skal således enten strammes betydeligt op de fleste steder på registreringspraksis, hvis datavarehuset skal bruge fx detaljerede data om undervisningsaktiviteterne mv. Eller man kan anvende øget digitalisering dvs. forstærket og mere standardiseret brug af skema og/eller LMS-systemer til på sigt at kunne lave automatiserede udtræk af undervisningsaktiviteter mv. til et datavarehus. Denne mulighed falder dog uden for rammerne af et datavarehusprojekt i sig selv VTU Ressourceforbrug Dataparatheden er % vægtet i forhold til antal STÅ

130 Som beskrevet tidligere anvendes der udover visse forskningsprojekter mv. ikke timeregistrering på VTU-området. De grundlæggende data om VIP er (såsom heltid/deltid og lign.) findes dog tilgængelige (i HR og lønsystemerne). Normtal for VIP ers fordeling mellem undervisning, forskning, formidling og administration varierer (naturligvis) en hel del og registreres ikke systematisk og struktureret. For de øvrige omkostningers vedkommende er der som beskrevet ovenfor meget betydelige udfordringer i at kunne etablere noget, der blot tilnærmelsesvis ville kunne kaldes aktivitetsbaseret omkostningskalkulation. Der er store forskelle i registreringspraksis, detaljeringsniveau osv. Det bedst opnåelige er således det nuværende rapporteringsniveau (se afsnit 3). Vi vurderer, at timeregnskabsbaseret og fintmaskede efterkalkyler (à la Activity Based Costing eller dets simplere varianter) i dag ikke kan betragtes som hverken særlig tidssvarende løsninger eller som havende potentiale for at bidrage væsentligt til analyser af undervisningsaktiviteter. Derimod anbefaler vi som beskrevet ovenfor at man overvejer at styrke brugene af skema og/eller Learning Management Systemer på VTU-området, således at man på sigt automatiseret kan udtrække information om alle de læringsworkflow, der finder sted, og som registreres via LMS-systemerne. Kan man nå op på en automatiseret datafangst på denne måde af fx % af de faktiske aktiviteter, ville der faktisk være etableret et godt grundlag for analysere af aktiviteterne. Den nuværende dataparathed, vi trods alt vurderer (53 68 %), skyldes langt overvejende den nuværende brug af LMS-systemer samt et lille bidrag fra den brug af skemasystemer, der trods alt er nogle steder. Dette er efter vores vurdering dog for lav en parathed til at muliggøre brug af disse data på nuværende tidspunkt. Ligeledes vurderer vi, at der ville være store fordele i at styrke brugen af skemasystemer på de mere detaljerede niveauer. Hermed mener vi, at ikke blot lokaler, men også undervisernes og de studerendes skemaer registreres (genereres af systemerne) ned til og med de enkelte lektioner på timebasis. Såvel AU som KU har tilkendegivet (under vores interviews), at de ønsker at styrke denne øgede digitaliseringsmulighed i forlængelse af deres igangværende omlægningsprojekter. Sådanne digitaliseringsprojekter er uden for scope for et datavarehus, men kunne indgå i de bagved liggende forretningsudviklingsplaner

131 VTU Master Data Management Uden at på dette sted gå ind i en diskussion af løsningsmuligheder, så er der disse mulige kandidater til koordineret Master Data Management på tværs af universiteterne: Uddannelsessteder, institutioner og koncernstrukturer Klassifikation af bygninger og lokaler Personale klassifikationer Faglige kompetencer for undervisere Kontoplan (standardisering) Klassifikationer af uddannelser, fag og kurser Klassifikationer af uddannelseshændelser Klassifikation af processer og tilstande mv. i læringsworkflow Klassifikation af pædagogisk/faglige aktiviteter Master Data Management er i øvrigt beskrevet i delrapport 2 og delrapport VTU Øvrige kommentarer Uden for scope af dette projekt vil vi pege på, at der kunne være muligheder i at etablere enterprise search/text mining/semantisk klassifikation ikke mindst inden for disse områder: Uddannelser, fag og kurser Undervisere og VIP ers baggrund og faglige kompetencer I øvrigt: Både AU og KU er inde i omlægningsprojekter til STADS. Og at disse projekter tager flere år. I vurderingen af dataparatheden er der taget stilling til det forventede resultat af de to projekter. Bl.a. CBS og flere andre er i gang med udskiftning af et eller flere systemer, hvilket jo potentielt kan forandre dataparatheden ØEM Dataparathed Oversigt Denne sektion er mindre detaljeret end de ovenstående, pga. færre indsamlede data og pga. et mindre område målt på STÅ-størrelse. De to undersøgte institutioner på ØEM-området, SIMAC og Århus Maskinmesterskole er ikke nød

132 vendigvis typiske for hele området, men kan dog give et billede af, hvordan en skole kan se ud. Skolerne opererer, som på VTU-området, meget selvstændigt, og har derfor ikke standardiserede systemer på tværs. Desuden er digitaliseringsgraden flere steder forholdsvist lav, dvs. at der stadig findes en del analoge eller manuelle processer i studieadministrationen på de undersøgte skoler ØEM Geografi, institutioner, bygninger og lokaler De undersøgte skoler har begge kun én fysisk lokation og har derfor ikke nogen detaljeret registrering af fysiske lokationer. Både AAMS og SIMAC bruger skemasystemer, som det vil være muligt at lave manuelle udtræk fra ØEM Studerende, uddannelser, uddannelsesforløb, undervisningsaktiviteter Oplysninger om studerende, uddannelsesforløbet, tilhørende resultater og lignende registreres i SIS. Skolerne på dette område vil altså ikke afvige væsentligt fra andre skoler, der bruger SIS ift. dataparathed, når de bruger SIS. Desværre kan der være skoler, hvor SIS ikke er taget helt i brug på alle områder. Blandt de undersøgte skoler bruger AAMS kun SIS delvist, mens SIMAC er ved at implementere. Digitialiseringsgraden og dermed dataparatheden er generelt lav. Data i de studieadministrative processer findes stadig i Word-dokumenter og Excel regneark ØEM Regnskab og økonomi, personale og løn, ressourceforbrug Regnskabsdata for begge undersøgte skoler findes i Navision. Data fra disse systemer vil kunne hentes på linje med andre skoler, der bruger Navision. Dog kan forskellige versioner af Navision på forskellige skoler volde problemer ift. standardisering af udtræk. Vi har i vurderingen af ØEM-/SFS-området taget hensyn til, at skolerne er i en omlægningsfase (til SIS). Men der er meget store forskelle i, hvor langt de enkelte skoler er kommet, og det er derfor svært at vurdere, hvilket niveau der vil blive resultatet, når omlægningerne er gennemførte. Derfor er dataparatheden typisk mellem 70 og 96 %. Der burde være mulighed for, at de maritime skoler på sigt kan opnå samme parathed som professionshøjskolerne, der også anvender SIS

133 5.6. Dataparathed per dataområde (tværgående) Dataparatheden er opgjort per dataområde, altså de grupper af dimensioner og fakta, der ville kunne forekomme i et kommende datavarehus. I dette afsnit giver vi de detaljerede kommentarer til hvert af disse områder Geografi I det følgende diagram ses dataparatheden for Geografi for de enkelte institu- tionsområder. Størrelse af firkanterne er udtryk for Årselever/STÅ. Figur 34 Tværgående dataparathed for Geografi Geografisk information per uddannelsessted er ikke lettilgængelig på VTUområdet. Der er mange, ofte egenudviklede, systemer med mulighed for redundans og dårlig datakvalitet. Der er også forskelle i registreringspraksis, således at der mangler information i forhold til automatiseret udtræk. Disse forhold medfø- rer høj kompleksitet og dyr og langvarig implementering

134 På UVM-området (og ØEM) er området lidt enklere, idet en del af institutionerne kun har ét uddannelsessted. Men hvis disse ting skal sættes i system og også gerne suppleres med GIS-information, er det en fordyrende faktor. Alternativet er at få dette område ind i et styret Master Data miljø, se delrapport Studerende I det følgende diagram ses dataparatheden for Studerende for de enkelte institutionsområder. Størrelse af firkanterne er udtryk for Årselever/STÅ. Figur 35 Tværgående dataparathed for Studerende Information omkring de studerende belastes i VTU-sektoren af, at de ligger spredt i flere systemer. Der er både det centrale studieadministrative system og dertil ofte et eller flere egenudviklede systemer (persondatabase, internationale studerende osv). Disse forhold medfører høj kompleksitet og dyr og forholdsmæssigt længerevarende implementering. Bopælsinformation trækkes i mange tilfælde fra CPR og har derfor forholdsvis god kvalitet

135 På UVM- og ØEM-områderne er der mindre redundans og det er derfor lettere (billigere), relativt set, at få trukket disse informationer ud Institution I det følgende diagram ses dataparatheden for Institution for de enkelte instituti- onsområder. Størrelse af firkanterne er udtryk for Årselever/STÅ. Figur 36 Tværgående dataparathed for Institution Information omkring institutionerne er lidt sværere på VTU-området, hvor der faktisk er brug for en fælles koncernstruktur. Dermed bliver institutionshierarkier dyrere her end ellers. Og det er nødvendigt, fordi uddannelserne jo organisatorisk henføres til institutioner på lavere niveau end universitetet i sin helhed. Der er planer om et nyt, fælles institutionsregister (SKS) for alle selvejende insti- tutioner

136 Lokale I det følgende diagram ses dataparatheden for Lokale (og bygninger) for de enkelte institutionsområder. Størrelse af firkanterne er udtryk for Årselever/STÅ. Figur 37 Tværgående dataparathed for Lokale Information omkring bygninger og lokaler er et forholdsvist vanskeligt område, som næppe lader sig systematisere på kortere sigt Personale Information omkring personale er generelt forholdsvist godt dækket. På VTU- området er der dog forholdsvis mange forskellige systemer, hvilket udover forhøjet pris giver risiko for problemer med datakvaliteten pga. redundans. Klassifikationshierarkier af fx undervisere synes ikke at være bredt tilstede i systematisk form. Faglige kompetencer registreres ikke systematisk og i meget varierende omfang

137 Uddannelse I det følgende diagram ses dataparatheden for Uddannelse for de enkelte institutionsområder. Størrelse af firkanterne er udtryk for Årselever/STÅ. Figur 38 Tværgående dataparathed for Uddannelse Information omkring uddannelser er ganske solid på UVM-området. På VTUområdet kompliceres forholdene af mange, komplekse studieordninger, manglende standardisering, forskelle i registreringspraksis og risiko for redundans imellem systemer. ØEM har ganske få uddannelser og kan hurtigt bringes ind i et fælles, standardiseret miljø. Der mangler et tværgående klassifikationssystem for uddannelser, som er både generelt nok til at gå på tværs og specifikt nok til at give mening på de mere detal- jerede niveauer. Det kan kræve en ganske stor indsats i stil med sektorstandardisering eller lignende. Alternativet kunne være at designe nogle dimensioner, der er meget generelle

138 Regnskab Er godt dækket og uden egentlige problemer Budget Er godt dækket og uden egentlige problemer Kontoplan Er godt dækket og uden egentlige problemer. Der er dog nogle (ikke mange) afvigelser fra statens kontoplan. Man kunne ønske sig (i relation til datavarehuset) en fælles formålskontoplan på tværs af de tre områder. Herudover kunne man ønske sig en opstramning af omkostningssteder, således at omkostninger (løn og andre aktivitetsomkostninger) kan henføres til specifikke uddannelsesaktiviteter (uddannelse/fag). I dag kan det være sådan, at den bogføringsmæssige stedskontering ikke matcher den organisatoriske ansvarsplacering for en given uddannelse. Et konkret eksempel: Administrativ enhed i STADS på VTU-området angiver ansvarsplaceringen for en uddannelse. Men der mangler en kobling til bogføringens omkostningssted. Disse betragtninger er af rent administrativ karakter og evt. tiltag mht. til at rette op på disse ting er ikke som sådan en del af et datavarehusprojekt. (Selvom datavarehuset naturligvis ville få stort udbytte af muligheden for bedre formåls- og stedsplacering af omkostninger)

139 Virksomhed I det følgende diagram ses dataparatheden for Virksomhed for de enkelte institutionsområder. Størrelse af firkanterne er udtryk for Årselever/STÅ. Bortset fra UVM er der behov for bedre registreringer her. Uddannelsesinstitutionerne har forretningsmæssige forbindelser med mange virksomheder. Men oftest registreres disse kun som fx debitorer (når talen er om centrale syste- mer). Dette område skal analyseres nærmere. Figur 39 Tværgående dataparathed for Virksomhed Indskrivning Er godt dækket og uden egentlige problemer

140 Fremmøde Information omkring fremmøde (studerendes) registreres stort set ikke på VTUområdet (hvor der generelt heller ikke er fremmødepligt). Derudover er det godt dækket og uden egentlige problemer Deltagelse/Tilmelding Er godt dækket og uden egentlige problemer Resultat Er godt dækket og uden egentlige problemer. Dog kan der være forsinkelser i registreringerne på nogle områder, hvilket har trukket noget ned i scoringerne Personalehændelse Er godt dækket og uden egentlige problemer. Der savnes dog systematisk registrering af fx efter- og videreuddannelse af underviserne osv Løn Er godt dækket og uden egentlige problemer, når der ses bort fra den varierende og på visse områder manglende formålskontering på detaljeret niveau Sygefravær Personalets fravær pga. sygdom. Er forholdsvist godt dækket og uden større problemer. Der er dog forskelle i registreringspraksis, hvilket har givet sig udtryk i lavere scoringer på nogle områder. Skal håndteres grundigere end en del af de andre administrative områder Personaleallokering I det følgende diagram ses dataparatheden for Personaleallokering for de enkelte institutionsområder. Størrelse af firkanterne er udtryk for Årselever/STÅ. Information omkring allokering af personale til pædagogisk/faglige aktiviteter varierer stærkt mht. registreringspraksis, detaljeringsniveau, it understøttelse osv

141 De steder, hvor der anvendes skemasystemer, scorer bedst. LMS-systemer giver også visse se muligheder (post factum registrering), men generelt er dette et pro- blemområde. Figur 40 Tværgående dataparathed for Personaleallokering

142 Skema I det følgende diagram ses dataparatheden for Skema for de enkelte institutions- områder. Størrelse af firkanterne er udtryk for Årselever/STÅ. Skemainformationer anvendes i stærkt varierende omfang og med store forskelle i detaljeringsgrad. Dette er beklageligt, fordi detaljerede skemaer indeholder megen god information og gode indikatorer for aktivitetsindsatsen. Figur 41 Tværgående dataparathed for Skema Undervisningsaktivitet I det følgende diagram ses dataparatheden for Undervisningsaktivitet for de enkel- te institutionsområder. Størrelse af firkanterne er udtryk for Årselever/STÅ. Information omkring undervisernes faktiske indsats med hensyn til pædagogisk/faglige aktiviteter varierer stærkt mht. registreringspraksis, detaljeringsni- veau, it-understøttelse osv. De steder, hvor der anvendes timeregistreringssyste

143 mer, scorer bedst (dele af UVM-området). LMS-systemer giver også visse mulig- heder, men generelt er dette et stort problemområde. Figur 42 Tværgående dataparathed for Undervisningsaktivitet Øvrige pædagogisk/faglige aktiviteter I det følgende diagram ses dataparatheden for Øvrige pædagogisk/faglige aktiviteter for de enkelte institutionsområder. Størrelse af firkanterne er udtryk for Årselever/STÅ. Udover fordelingsnøgler og lignende timebudgetter er der ikke særlig gode mu- ligheder for opfølgning på pædagogisk/faglige aktiviteter, som ikke er konfronta- tionstimer og lignende

144 Figur 43 Tværgående dataparathed for Øvrige pædagogisk/faglige aktiviteter

145 Praktik I det følgende diagram ses dataparatheden for Praktik for de enkelte institutionsområder. Størrelse af firkanterne er udtryk for Årselever/STÅ. Figur 44 Tværgående dataparathed for Praktik Er et problematisk område, hvor der en del steder ikke er systematisk registrering Bevilling Er godt dækket og uden egentlige problemer

146 Finanspostering I det følgende diagram ses dataparatheden for Finanspostering for de enkelte institutionsområder. Størrelse af firkanterne er udtryk for Årselever/STÅ. Figur 45 Tværgående dataparathed for Finanspostering Er dækket og uden egentlige datamæssige problemer i forbindelse med udtræk til datavarehus. Men den manglende eller for lidt detaljerede formålskontering har dog trukket ned i nogle områder. (I relation til automatiserede aktivitetsregnskaber er årlig, manuel formålsfordeling langt fra så detaljeret, som man kunne ønske sig) Budgetpostering Er godt dækket og uden egentlige problemer

147 Tidsforbrug I det følgende diagram ses dataparatheden for Tidsforbrug for de enkelte institutionsområder. Størrelse af firkanterne er udtryk for Årselever/STÅ. Figur 46 Tværgående dataparathed for Tidsforbrug Der forekommer generelt ikke timeregistrering. (Der er dog undtagelser.) Beklageligvis mangler der generelt kontobroer mellem fx lønposter og uddannelsernes aktiviteter (som fx kurser). Ofte kan informationen ikke kobles sammen, idet der registreres på forskellige organisatoriske enheder i den administrative kontekst respektive den faglige kontekst. På UVM-området er UVM s CØSA-system (se dette) en stor fordel, og giver den mest detaljerede nedbrydning af formålsdetaljer inden for de tre områder. Det samme gælder UVM s formålskontoplan og konteringsinstruks. Det står os dog lidt uklart, hvor mange UVM-institutioner, ioner, der vælger at lave årlig formålsforde- ling frem for løbende

148 Udover fordelingsnøgler og lignende timebudgetter er der ikke særlig gode muligheder for opfølgning på pædagogisk/faglige aktiviteter, som ikke er konfronta- tionstimer og lignende. Disse forhold kan rettes betydeligt op gennem mere udstrakt brug af skema- og LMS-systemer, som ville kunne give langt mere detaljerede informationer om den planlagte aktivitetsindsats (skema) og den faktiske aktivitetsindsats, hvoraf en hel del formentlig kan fanges op via LMS-systemer. (Ikke blot skemabrikker men også fx vejledningsaftaler, opgaveafleveringer, eksamensaktiviteter osv.) Andet forbrug I det følgende diagram ses dataparatheden for Andet forbrug for de enkelte institionsområder. Størrelse af firkanterne er udtryk for tutionsområder. Årselever/STÅ. Figur 47 Tværgående dataparathed for Andet forbrug Andet forbrug, altså omkostninger, der kan relateres til de pædagogisk/faglige aktiviteter, lider af de samme me problemer som tidsforbrug, se ovenfor

149 Beklageligvis mangler der generelt kontobroer mellem fx udgiftsposter og uddannelsernes aktiviteter (som fx kurser). Ofte kan informationen ikke kobles sammen, idet der registreres på forskellige organisatoriske enheder i den administrative kontekst respektive den faglige/læringsaktivitets kontekst. På UVM-området er UVM s CØSA-system (se dette) en stor fordel, og giver den mest detaljerede nedbrydning af formålsdetaljer inden for de tre områder. Det samme gælder UVM s formålskontoplan og konteringsinstruks. Det står os dog lidt uklart, hvor mange UVM-institutioner, der vælger at lave årlige formålsfordelinger frem for løbende. Se i øvrigt kommentarerne under Kontoplan ovenfor Dataparathed i forhold til indberetninger og indikatorer I afsnit 3 er gennemgået de fleste af de større, fælles indberetnings- og statistiksystemer i de tre ministerområder. Der henvises til afsnit 3 for en detaljeret beskrivelse af dem. Her gives i Figur 48 en oversigt, der kan hjælpe til at skaffe overblik over automatiseringsmulighederne for de respektive opfølgningssystemer: Som det fremgår, er der en del områder, hvor der enten ikke kan anvendes automatiseret udtræk, eller hvor sådanne skal suppleres på anden måde. I disse tilfælde anvendes der i dag manuel indsamling og indberetning til centralt hold. På UVM-siden er dette også tilfældet i det kommende ressourceregnskab, men ambitionen er at reducere disse manuelle indtastninger over tid. Der skal formentlig anvendes en tilsvarende strategi i et centralt datavarehus. Bemærk også, at vi i ovenstående har valgt at repræsentere Regnskab med gult. Generelt er regnskaberne i god stand, selvfølgelig, men i relation til dette projekt er det en klar ulempe, at der: Der for det meste ikke anvendes formålskontering på alle omkostningsposter, og/eller at Der formålsfordeles i forbindelse med regnskabsaflæggelsen

150 I UVM s område retter CØSA-indberetningerne op på dette i et vist omfang, men situationen er stadig ikke helt god for automatiseret efterkalkulation af omkostninger ved afholdelse af pædagogisk/faglige aktiviteter på detailniveau. Figur 48 Dataparathed i forhold til indberetninger og indikatorer For taxameterordningerne gælder det samme mest udtalt på VTU-områdets STÅ-regnskaber. Der foregår et omfattende kvalitetssikringsarbejde, der i vidt omfang er nødvendiggjort af, at data ikke registreres ved kilden, men løftes fra papirlister etc. Det kan man jo håbe vil blive løst i nye systemgenerationer. Det synes dog også at fremgå, at der under alle omstændigheder vil være behov for kvalitetssikring af alle mulige (fejl-)registreringer, fx. STÅ-vægte