IDO. Indsigtsdrevne organisationer i den offentlige sektor

Transkript

1 IDO Indsigtsdrevne organisationer i den offentlige sektor

2 Oversigt Hvorfor datadrevet? Tænk hvis.. Hvad er en datadrevet organisation? Metoderamme for IDO Værktøjer Snubletråde Hvad har andre gjort? Q&A 2

3 Den teknologiske udvikling gør data til et betydningsfuldt aktiv for organisationer i den offentlige sektor 3

4 Hvorfor er indsigt- og analysedrevet forvaltning ikke bare relevant, men nødvendig for organisationer i den offentlige sektor? Det offentlige Danmark står overfor store udfordringer flere ældre over 80 år i 2025* flere børn mellem 0-5 år i 2025* Løbende effektiviseringer Grønthøsteren æder hvert år to procent Og store muligheder En datadrevet forvaltning Data opsamles flere og flere steder og med nye analyseværktøjer kan data benyttes på flere og flere måder Data skal udveksles sømløst mellem myndigheder, borgere og virksomheder og skabe transparens Data kan benyttes til at træffe bedre beslutninger; til at identificere nye mønstre og at effektivisere arbejdsgange Borgernes forventninger stiger fx krav om minimumsnormeringer i institutionerne Datadrevet kommune Datadrevet erhverv Virksomheder Datadrevet sundhed Datadrevet skat Datadrevet forvaltning Datadrevet beskæftigelse Datadrevet ydelse Datadrevet økonomi Datadrevet uddannelse *Citat fra Christian Harsløf, KL s digitaliseringskonference 2019 Borgere 4

5 Samtidigt skaber ny teknologi, øget regulering og interne drivere nye udfordringer for den enkelte organisation EKSTERNE UDFORDRINGER Teknologidisrupter Tingenes internet (IoT), maskinlæring, kunstig intelligens vil ændre den måde, vi arbejder på Regulering og nye forretningsmodeller Øget dataregulering og nye forretningsmodeller eks. GDPR, åbne data, offentlig/private partnerskaber vil give nye muligheder og nye krav Big data og digitale spor Den øgede datamængde og biprodukter fra digitale og online aktiviteter skaber nye muligheder og stiller etiske spørgsmål Borgernes forventninger Borgerne forventer og kræver et øget niveau af personaliseret service og digitalisering. INTERNE UDFORDRINGER Værdiskabelse Øget pres på at anvende data til at øge indsigt og skabe ny værdi for forvaltningen Tilsyn & kontrol Fokus på at minimere tab og sikre kontrol af udbetalinger osv. Omkostningspres Fortsat pres for at minimere omkostningerne til at drive den offentlige forvaltning fra politisk hold Optimering af processer og systemer Øget pres for forbedring af processer, systemer og platforme både for at effektivisere, men også for at mindske monotone arbejdsgange 5

6 AI og gennemsigtighed i data vil ændre måden, vi tager beslutninger på 6

7 Tænk hvis.. 7

8 Tænk hvis.. En offentlig sektor tilpasset den enkeltes behov og ønsker Fordeling af ydelser Tid til lateral tænkning, empati og kreativitet Fremtidens social hjælper Beslutning om hvilke borgere, der kvalificeres til hvilken ydelse eller skal visiteres til hvilken indsats er kompleks Hurtig sagsbehandling skaber værdi for borgeren Den rette sagsbehandling skaber værdi for borger, myndighed og samfund Maskinlæring kan øge hastigheden på komplekse beslutninger Maskinlæring kan ikke lære empati, men det kan skabe tid til det Borgere i vanskelige situationer har behov for svar og hjælp tilpasset deres udfordringer og med fokus på deres muligheder Hvor langt er vi? Maskinlæring anvendes i dag til at klassificere store mængder af brugere på eksempelvis sociale medier* De samme teknikker kan anvendes til at indikere, hvordan en borger bedst kan hjælpes videre eller hvilke ydelser denne kvalificeres til Behov for mere indsigt i data i offentlige organisationer *Hbr.org, how AI could help the public sector,

9 Tænk hvis.. En mere personlig og målrettet hjælp til diabetes patienter Diabetes og økonomi Reduktion af antallet af følgesygdomme Diabetes koster i alt samfundet 31,8 milliarder om året* 6,4 milliarder til plejesektoren 5,5 milliarder til praktiserende læger og hospitalerne Op mod 60% af omkostningerne skyldes komplicerede følgesygdomme såsom amputationer Kan data bruges til at reducere disse omkostninger? Ældre diabetes patienter anbefales at få tjekket deres fødder mindst én gang om året for at forebygge alvorlige fodsår og amputationer. Strømpe med censor opsamler data på temperaturen på patientens fødder Model kan prædiktere risikoniveauet for patienten i real tid. Fremtiden for diabetes patienter Hvor langt er vi? Strømpen bliver produceret af privat virksomhed Patienten kan se data på app Der mangler sammenhæng mellem patientens data og sundhedssektoren Data kan udnyttes til at forbedre patientens liv samt betydeligt at reducere omkostninger til komplicerede følgesygdomme *Diabetes Foreningen, 2019

10 Tænk hvis.. Hvis underviseren fik mere tid til den enkelte elev Retning af opgaver er tidskrævende En betydelig del af en undervisers tid går med efterbehandling af opgaver Omkring 15% bliver brugt på at rette opgaver* Omkring 30% bliver brugt på forberedelse af undervisning* Bedre udnyttelse af tid Fremtidens undervisning Kan data bruges til at finde mere tid til forberedelse? Natural language processing og machine learning kan rette opgaver automatisk og markere opgaver, som kræver ekstra opmærksomhed Metoden giver bedre overblik over fejl, da disse kan rapporteres Underviseren får frigivet tid til at forberede undervisning og forbedre indhold Hvor langt er vi? I forsøg med stile har man opnået en succesrate på 94,5%** Opgaver fra eksakte videnskaber rettes i dag flere steder med maskinlæring, hvilket viser positive resultater Behov for mere fokus på indsamling af data og udnyttelse heraf *Ministeriet for Børn og Undervisning, 2012 **Neural Networks for Automated essay grading,

11 Tænk hvis.. En mere fair og sikker fordeling af nødhjælp Flygtningekriser verden over Mere end 25,5 millioner flygtninge i verden* 2,6 millioner bor i flygtningelejre Uvist antal millioner bor i uformelle bebyggelser er tvunget til at flygte hver dag Blockchain skaber sikkerhed Kan data forbedre vilkårene for flygtninge? Store problemer med opbevaring af værdier og identifikation i flygtningelejre Blockchain kan sikre at ingen kan bruge værdier, de ikke ejer Blockchain kan verificere at alle får samme nødhjælp Fremtidens fordeling af nødhjælp Hvor langt er vi? Pilotprojekt med syriske flygtninge i Jordan** Blockchain implementeret til at beskytte værdier og data Blockchain sikrer at ingen kuponer eller lignende går tabt eller stjæles Iris-scanner sikrer identifikation, når der handles mad i flygtningelejrene Implementeret her, men kan skaleres til andre områder såsom hospitalssektoren i Danmark *UNHCR, 2019 **WFP, Blockchain for zero hunger

12 Data og indsigt kan løse komplekse udfordringer i dagens samfund - men der er behov for en transformation 12

13 Hvad er en indsigtsdrevet organisation? Det handler om organisatorisk mind set og evnen til altid at tænke data samt en dybt forankret overbevisning om, at det er forudsætning for succes 13

14 2017 Deloitte Deloitte 2019 Consulting AG. All rights reserved. 14

15 Planlægning af rejsen mod at blive en indsigtsdrevet organisation En datadreven myndighed stiller de rette spørgsmål, har et økosystem af data, digitale løsninger og innovationskapabiliteter, der understøtter en analytisk kultur i alle enheder IDO Den Indsigtsdrevne Organisation Baseret på vores erfaring er indsigtsdrevne organisationer bygget på et stærkt fundament og iscenesat igennem en forretningsdreven strategi for arbejdet med data. Strategi: Har vi en klar vision og strategi for digitalisering og data? Organisation: Har vi de rigtige kompetencer? Proces: Understøtter vores processer og vores organisation, det vi vil? Logik: Anvender vi regler og standarder, der er tilpasset vores vision og strategi, til at understøtte beslutningstagen? Data: Har vi data i den rigtige kvalitet, de rigtige datamodeller, og den rette governance? Teknologi: Har vi implementeret en integreret og skalerbar teknologiplatform? Deloittes metoderammme for IDO FORMÅL PROCESSER DATA MENNESKER LOGIK Vision Driftsmodel Styringsmodel Kortlægning Extract, Transform & Load Ambitionsniveau Organisationsstruktur Fælles definitioner Roller & kompetencer Robotic Process Automation Fokus Compliance Governance Samarbejde Superviseret og usuperviseret læring Kunder Kommunikation Metoder Sikkerhed Cognitive TEKNOLOGI Arkitektur Værktøjer SLA er Leverandørstyring 15

16 Forretningsværdi Visionen for rejsen til at blive en Indsigtsdrevet Organisation? Dataunderstøttelse kan foregå på mange forskellige niveauer og med forskelligt ambitionsniveau Myndighedens udnyttelse af data kan foregå på flere måder Der kan være tale om avanceret dataanvendelse og udstilling på specifikke forvaltningsområder og ift. specifikke udfordringer i forretningen. Her kan anvendelsen være avanceret, men samlet set mindre moden Data Forretningsmonitorering Information Siloorienteret dataudnyttelse Modenhed Analytics Tværgående dataudnyttelse Viden Den datadrevne myndighed Indsigt Den datadrevne offentlige sektor Der kan være tale om en mere omfattende og grundlæggende udvikling mod en tværgående dataunderstøttelse og udrulning af avanceret dataanvendelse på tværs. Det vil være udtryk for en større grad af modenhed. Trin 1 Begrænset Simpel monitorering baseret på historiske og systemspecifikke data Trin 2 Under udvikling Systemtværgående dataanalyse i enkelte forretningsenheder baseret på BIløsninger Trin 3 Defineret Dataanalyse på tværs af enkelte forretningsenheder, hvor prædiktiv analyse anvendes til beslutningsstøtte Trin 4 Avanceret Dataanalyse anvendes tværgående som en integreret del af beslutningsprocesser. Trin 5 Førende Dataanalyse anvendes tværgående mellem myndigheder og med afsæt i fællesoffentlige standarder 16

17 Strukturering af rejsen mod at blive en indsigtsdrevet organisation Stil de rigtige spørgsmål, gennemfør de rette analyser og sæt gang i de nødvendige forandringer Decentralt Funktionelt Centre of Excellence Consulting Factory/fabrik? Centraliseret Organisation Design og implementering af organisationen, inklusiv kompetencer, organisatorisk forankring, roller og ansvar, rekruttering og identificering af nye talenter mv. Lokal vs. central styring Processer Design, operationalisering og implementering af nye processer. Prioriter processer for use cases eller projekter Operating model Organisation Processer Teknologi Data Governance, principper og standarder Governance hører hjemme i krydsfeltet mellem organisation, processer og politikker. Governance kommer til udtryk gennem relationer mellem begreber fra disse tre elementer, fx rolle X er ansvarlig for overholdelse af politik Y via proces Z Hvordan håndteres compliance og data lineage i et fleksibelt self service enabled environment Beslutning om udvikling vs. indkøb vs. outsourcing. Undersøg mulighederne for prebuild løsninger. Teknologi Design af arkitektur, valg af teknologier samt opbygning af miljøer. Analytikere har behov for mere end blot analytiske værktøjer, de har også behov for selv at kunne foretage datafangst og - vask Data Definer og vedligehold informationsmodel. Definer tilgange til master og meta data, datadefinitioner, datakvalitet og tilgængelighed. 17

18 Hjælpeværktøjer til rejsen mod at blive en indsigtsdrevet organisation Overblik over de værktøjer Deloitte anvender til at hjælpe organisationer med rejsen mod at blive indsigtsdrevet IDO Overview Analytics Benchmark Capability Gaps Value Generation IDO Roadmap As-is situation og to-be ambition Vision statements, til/fravalg Nøglespørgsmål ud fra kategorierne: strategi, mennesker, processer, data og teknologi Findings og anbefalinger Advanced analytics survey gennemføres Konsolideret overblik fra survey IDO benchmark i forhold til lignende finanskoncerner As-is capabilities vurdering af strategi, mennesker, processer, data og teknologi Hvor er kapabiliteterne placeret i nuværende operating model? Hvor er der gaps i forhold til end-target-state? Match af analytics ydelser til strategiske mål Profilering af modtagerne af analytics ydelser Added-value tilgang Sprint roadmap med actions, ejere and tidslinje for at understøtte momentum i opbygningen af jeres IDO Customer Journeys PoC Prioritisation Analytics Canvas Demand Generation Insight Delivery Deep dives i driverne for dine kunder og modtagere af jeres ydelser Forstå en almindelig dag på jobbet for dine modtagere Out-of-the-box eksempler på prioritering Prioriteringsmatrix og tilgang Deep dive på udvalgte analytics PoC er Forstå krav til en analytics PoC Få ud af fordelene ved en PoC Igangsætning med forretningen for at drive den kortsigtede efterspørgsel Skalering for at møde stigende efterspørgsel efterhånden som området modnes Data visualisering best practices Art of storytelling eksempler Ændrings- og kommunikationsforslag Purple People Data Exploration Operating Model Reference Architecture Data Governance Oversigt over jeres personlighedstyper indenfor Purple People metoden Kompetencer, roller og ansvarsområder med match til profiler Plan for at tiltrække, fastholde og udvikle Katalog over interne og eksterne datakilder, der er tilgængelige Adgang til data og data governance framework forudsættes Udvikling af operating model tilpasset organisationens prioriteringer Overblik over teknisk landskab, sourcing og licensmodeller Visuel high level præsentation af jeres arkitektur og gap et til at kunne blive IDO Fælles begrebsmodel på kontekstuelt niveau (EIM) Organisation for dataejerskab og roller Kriterier for datakvalitetssikring 18

19 Snubletråde på vejen 19

20 Sten på vejen Kultur spiser strategi til morgenmad. Kulturelle hæmmere Den måde, organisationen er vokset-om bottom-up eller top down, og hvordan folk er ansporet indlejrer adfærd, der er vanskelige at ændre. Unøjagtige målinger, forventninger og modeller Alt for simplistiske modeller, overmodige analytikere og uklare resultater med unøjagtige antagelser har ført til ukorrekte fremstød. Mangel på analytiske kompetencer Talent er en kritisk factor i adoptionen af en indsigtsdrevet organisation. Et competence gap kan hinder, forsinke eller umuliggøre rejsen mod at blive indsigtsdrevet. Tillid til data Tilliden til dataene er lav på grund af inkonsistente definitioner og forskellige svar på det samme spørgsmål. Der er utilbøjelighed til at dele data og manglende evne til at få rettidig adgang til det. Dårlig gennemførelse Analytics er blevet udviklet i siloer, ofte af it, og data duplikeres i hele organisationen. Det mangler gennemførelse vision og/eller strategi for Enterprise- Wide business integration. Blinde pletter Bekymringer om privatlivets fred, utilsigtet brug, bedrageri og tyveri problemer er reelle og skal overvåges. Disse risiki skal håndteres som enhver anden risiko. 20

21 Hvad har andre gjort? 21

22 Skatteministeriet: Datastrategien for Toldstyrelsen og ICT En af de mest ambitiøse transformationer med IDO i Danmark De strategiske valg er drevet af et fokus på at skabe en datadreven toldmyndighed Ambitionen udmøntes gennem optimal anvendelse af data samt fokus på effekt og compliance 22

23 Banedanmark: Datakortlægning Projektet omfattede et evalueringsspor samt et anbefalingsspor med målbillede og krav til fremtidige kapabiliteter samt en skitseret køreplan for dataudnyttelse 1. Forretningspotentiale Afdækning af scenarier og målbillede for dataanvendelse i forretningsmæssigt perspektiv, som basis for at fastsætte Banedanmarks aspiration og ambition for anvendelse af data i en fremtidig strategi 3. Nuværende datakapabilitet Vurdering af nuværende organisatoriske kapabiliteter i relation til at anvende og håndtere data effektivt, som grundlag for at kortlægge gaps i forhold til at realisere ambition for fremtidig dataanvendelse 5. Fremtidigt kapabilitetskrav Fremtidige krav til kapabiliteter, kompetencer og organisation ift. data, samt identifikation af gaps ift. nuværende kapabiliteter Evalueringsspor Projektscoping & Referencemodel Forretningspotentiale Datakortlægning Nuværende datakapabilitet Anbefalingsspor Målbillede for datastrategi Fremtidigt kapabilitetskrav Anbefalinger og køreplan 2. Datakortlægning Kortlægning af data med udgangspunkt i referencedatamodel med det formål at afdække eksistens, tilgængelighed og troværdighed af data, som skønnes nødvendige i henhold til referencemodel 4. Målbillede for datastrategi Målbillede for fremadrettet datastrategi baseret på det konsoliderede overblik over Banedanmarks aktuelle datatilstand, i sammenhæng med identificerede forretningsmæssige potentialer 6. Anbefalinger og køreplan Overordnede anbefalinger til strategi for anvendelse og håndtering af data samt oplæg til køreplan for eksekveringsinitiativer for realisering af datastrategi 23

24 Koblede processer Eksisterende datagrundlag Miljøstyrelsen: Datadrevet virksomhedsregulering Systematisk indsamling og brug af data om virksomhedernes miljøkrav og tilsyn skal kunne anvendes til at målrette de tilsyn, der gennemføres hos virksomhederne Analysemodellen understøtter en systematisk proces for behandling og analyse af data Der er etableret en hierarkisk struktur af nøgleord, som forholder sig til miljøforhold. Dette giver en ordbog som iterativt kan opdateres og beriges over tid med henblik på dybere analyser. Gennem text mining af tilsynsrapporter ud fra ordbogen, er der skabt et overblik over miljøforhold, som ikke tidligere har været muligt. Den hierarkiske struktur muliggør samtidig effektanalyser af overordnede miljøforholds delelementer. Koblingen til eksisterende datarapporter sikrer en mere alsidig analyse af virksomheder og tilsyn, idet flere dimensioner hurtigere kan kobles. Gennem værktøjet PowerBI samles alle datakilder ét sted og tilbyder en mere brugervenlig og intuitiv overflade. Standardvilkårbekendtgørelsen Indhold i analysemodel Tilsynsrapporter Datarapporter Analysemodel Ordbog Text-mining Database PowerBI 24

25 Udbetaling Danmark: Analytisk Center of Excellence (Den Fælles Dataenhed) Den Fælles Dataenhed (DFD) bidrager til kommunernes kontrolindsats med udbetaling af ydelser gennem samkøring af oplysninger fra ydelsessystemer og offentlige registre Design model Ressourcer Roller Opgaver Modenhed Operating Model Udbetaling Danmark er organiseret i ydelsesrettede enheder, en it-afdeling, en BI-afdeling og et analytisk Center of Excellence (DFD). Beskrivelse: Udbetaling Danmark har etableret et central analytisk Center of Excellence (DFD) for at udnytte gevinsterne ved et strærkt analytisk miljø- DFD er oprettet med henblik på at understøtte kommunernes kontrol af ydelsesmodtagere gennem samkøring af ydelsessystemer og registre, der indeholder oplysninger om ydelsesmodtagere med henblik på at identificere fejl og snyd. Årsværk: I 2017 havde DFD samlet set 16 årsværk Beskrivelse: DFD blev etableret i 2015 og er blevet løbende styrket med flere ansættelser og en fast vækst frem til Kontorchef: 1 Afdelingsleder: 2 Kundesupport: 1 Business analyst: 5 Data scientist: 6 Administrativ medarbejder: 1 Formål: At reducere udbetalingen af uberettigede ydelser Beskrivelse: DFD udvikler prædiktive modeller for uberettigede ydelser. Modellernes resultater er tilgængelige for sagsbehandlerne i forbindelse med udbetaling af ydelser og anvendes til at understøtte en korrekt udbetaling af ydelser. Formål: At kontrollere udbetalingen af ydelser med henblik på at sikre tilbagebetaling af uberettigede udbetalinger. Beskrivelse: DFD vedligeholder modeller, der kan identificere sager med en høj sandsynlighed for, at der er foretaget uberettigede udbetalinger. Sagerne udstilles til kommunerne og danner udgangspunkt for den efterfølgende kontrolindsats og potentielt krav om tilbagebetaling. Analytisk modenhed: På en skala fra 1-5 er DFD s analytiske modenhed 3. Dette skyldes enhedens ad hoc arbejde med modellering baseret på et begrænset omfang af standarder og regler. Teknisk modenhed: DFD s tekniske modenhed er 2 på en skala fra 1-5. Dette skyldes, at DFD mangler kompetencer inden for data engineering og at enhedens data scientists derfor bruger for meget tid på klargøring af data frem for modellering. Forretningsanalytisk modenhed: På en skala fra 1-5 er modenheden 3½. DFD har fem business analyst, men samarbejdet med de kommunale sagsbehandlere er ikke fuldt organiseret. 25

26 Skatteministeriet: Turnusanalyse af Skat Turnusanalysen for BI & Analyse gav Skat en drejebog til at opbygge et af Danmarks største dataområder Hvad var deres mål? Hvor ville de fokusere? Hvordan ville de arbejde? Hvilke kapaciteter skulle de sikre? Hvilke ressourcer og styring var påkrævet? Hvad opnåede Skat? Kundetilfredshed øget gennem adfærdsindsigt og end-to-end monitorering af kunderejser Anvende data og analyse langt mere proaktivt til at understøtte Skats strategiske mål og bl.a. sikre bedre: Ledelsesmæssig styring Produktionsstyring Kvalitet og agilitet i nye digitale løsninger Bedre og enklere kundeoplevelser Øget træfsikkerhed ift. kontrol og inddrivelse Udvikling af en fælles arkitektur og platform, som understøtter både eksperter i BI&A CoE og superbrugere Øget datatilgængelighed og sikring af bedre timeto-market i løsningerne Egenudvikling af løsningerne til BI, analytics/ml, robotics/ai, dataudveksling med 3. parter Data governance, fælles begrebsmodel, datakvalitetssikring og dataejerskaber Sikre data behandles som et fælles strategisk aktiv Gradvist implementere en ny fælles Databank, der sikrer at alle data er tilgængelige Understøtte agil udvikling af digital transformation Optimere processer vha. data og analyser Anskaffe fleksible og skalerbare teknologiplatforme Sikre tryg og sikker udnyttelse af data Opbygge ekspertise indenfor: Agil systemudvikling og forvaltning Data- og IM-arkitektur Dataadministration og dataintegration Data governance Data og procesmodellering Strategisk valg af teknologier og værktøjer Viden om data Etablering af samarbejdsorienteret partnerskabsmodel Styrket porteføljestyring og prioritering med stakeholdere Udvikling og anvendelse af håndbog med metoder, standarder og principper, der sikrer agilitet Autoritativ beskrivelse af datadefinitioner og struktur for dataejerskaber Politik for dataanvendelse Effektivisering gennem robotics, databaseret AI og machine learning Træfsikkerhed og time-to-market øget i fraud detection og compliance Understøttelse af system transformation, f.eks. ejendomsvurdering og gældsinddrivelse Målbillede for arkitektur og transitionsplan for gradvis kobling af nye og gl. data og analyticsteknologier KPI styring, portefølje- og produktionsstyring Fra 40 til 160 ansatte på 4 år, selvbetjenings-bi og selvbetjenings-analytics m. 200 superbrugere Deltagelse i projekter og udviklingsopgaver pr. år Udvalgte leverancer Ydelsesområder Gaps Roadmap for implementering Vision Data Governance Arkitektur, data og teknologier 26

27 Spørgsmål eller kommentarer? Om Deloitte Deloitte leverer ydelser indenfor revision, consulting, financial advisory, risikostyring, skat og dertil knyttede ydelser til både offentlige og private kunder i en lang række brancher. Deloitte betjener fire ud af fem virksomheder på listen over verdens største selskaber, Fortune Global 500, gennem et globalt forbundet netværk af medlemsfirmaer i over 150 lande, der leverer kompetencer og viden i verdensklasse og service af høj kvalitet til at håndtere kundernes mest komplekse forretningsmæssige udfordringer. Vil du vide mere om, hvordan Deloittes omkring medarbejdere gør en forskel, der betyder noget, så besøg os på Facebook, LinkedIn eller Twitter. Deloitte Touche Tohmatsu Limited Deloitte er en betegnelse for en eller flere af Deloitte Touche Tohmatsu Limited ( DTTL ), dets netværk af medlemsfirmaer og deres tilknyttede virksomheder. DTTL (der også omtales som Deloitte Global ) og alle dets medlemsfirmaer udgør separate og uafhængige juridiske enheder. DTTL leverer ikke ydelser til kunderne. Vi henviser til for nærmere oplysninger Deloitte Statsautoriseret Revisionspartnerselskab. Medlem af Deloitte Touche Tohmatsu Limited