Datavarehus for uddannelsessektoren

Transkript

1 Datavarehus for uddannelsessektoren Hovedrapport 19. maj 2010 CONNECTING BUSINESS & TECHNOLOGY

2 2

3 Indholdsfortegnelse Indholdsfortegnelse Baggrund og perspektiver Baggrund Kortlægning og analyse Datavarehuse og Business Intelligence Data i de administrative systemer Analysemetode Vurdering af dataindsamlings-løsninger Analysebehov og -muligheder Mulige analysebehov Eksempler på nye typer af analyser Løsningsforslag Etablering af et datavarehus Økonomi Decentrale omkostninger til udtræk af data Centrale omkostninger til et fælles datavarehus Personaleforbrug Overvejelser om tidshorisont for implementering Governance og organisering Risikoanalyse og risikostyring

4 1 Baggrund og perspektiver 1.1 Baggrund Undervisningsministeriet, Videnskabsministeriet, Økonomi- og Erhvervsministeriet og Finansministeriet har med udgangspunkt i rapporten Selvejende institutioner styring, regulering og effektivitet fra april 2009 igangsat analyse af mulighederne for at etablere et fælles statsligt»datavarehus«for uddannelses- og forskningssektoren med henblik på at kunne udarbejde et beslutningsgrundlag til regeringen herom. Arbejdet tager blandt andet udgangspunkt i det arbejde, som Undervisningsministeriet og Videnskabsministeriet har gennemført i forhold til at opstille relevante indikatorer og indsamle sammenlignelige data på uddannelsesområdet og forskningsområdet (»ressourceregnskaber«og indikatorer). Det fremgår af rapporten Selvejende institutioner styring, regulering og effektivitet (herefter kaldet selvejeanalysen), at: [..] behovet for at gennemføre mere systematiske sammenligninger af de selvejende institutioners effektivitet og performance er særligt stort som følge af, at ministeriernes eksisterende opfølgning på de informationer og taloplysninger, som de modtager fra de selvejende institutioner, er kendetegnet ved at være forholdsvis reaktiv og fokuseret på enkeltinstitutioner. Ministerierne foretager således kun i begrænset omfang løbende, systematiske og tværgående opfølgninger på institutionernes effektivitet og ressourceanvendelse. Dette leder i selvejeanalysen til overvejelsen om de mulige gevinster ved at etablere et tværministerielt datavarehus: Et sådant»datavarehus«ville kunne tilgås af relevante ministerier og i princippet også af offentligheden med henblik på, at disse kan trække de data, som de måtte finde nødvendige og relevante til analyseformål samt løbende ressource- og resultat- opfølgning mv. Tilrettelagt på den rigtige måde ville et sådant»datavarehus«over tid desuden kunne medføre en administrativ lettelse for institutionerne, da det ville reducere behovet for gennemførelsen af ministerielle ad hoc forespørgsler og undersøgelser mv., hvis omfang institutionerne i dag oplever som en byrde. 4

5 1.2 Kortlægning og analyse For at belyse ovenstående har Devoteam Consulting og Zangenberg & Company gennemført nærværende analyse. Opdraget har været at kortlægge og analysere området med henblik på at levere en nøje faglig vurdering af, om et datavarehus kan imødekomme ovennævnte behov for systematiske sammenligninger mv., hvilke konkrete data det vil være muligt og hensigtsmæssigt at indsamle og sammenstille, hvilke umiddelbare analytiske muligheder det vil give, hvordan best practice tilsiger, at indsamlingen og sammenstillingen bør tilrettelægges bedst og billigst muligt, samt hvad de hermed forbundne omkostninger skønnes at være. Det er derimod ikke en del af opdraget at opstille en egentlig business case for etableringen af et datavarehus. Det er således ikke forsøgt at værdisætte de gevinster, der vil være forbundet med at have et detaljeret og sammenhængende kvantitativt beslutningsgrundlag for uddannelsessektoren, da det blandt andet afhænger af, hvilken styringsmæssig anvendelse disse data gives af ministerierne og de selvejende institutioner. I stedet opstilles nedenfor eksempler på analysemuligheder på baggrund af konkrete muligheder i eksisterende datavarehusteknologi samt erfaringer fra private virksomheders og andre landes offentlige sektorers anvendelse af datavarehusløsninger til at etablere mere oplyste styringsgrundlag, ligesom erfaringerne fra et i projektet særligt etableret»prototypeforsøg«beskrives. Der er alene set på uddannelsesinstitutioner indenfor de tre udvalgte ministerområder. Der findes også uddannelsesinstitutioner på f.eks. Kulturministeriets område, og der ses ikke umiddelbart nogen hindringer for, at det foreslåede datavarehus vil kunne avendes til at indsamle data fra disse institutioner. De eventuelle juridiske udfordringer ved etablering af et datavarehus, der aggregerer data om enkeltpersoner, indgår ikke i analysen. Der findes teknikker til anonymisering af data, således at de granulære data ikke umiddelbart kan henføres til en specifik person. Under alle omstændigheder skal der ske en afklaring i forhold til persondataloven forud for fastlæggelse af endeligt design og datamodel. 1.3 Datavarehuse og Business Intelligence Kortlægningen viser, at der i dag er to dominerende tilgange til analyser på uddannelsesområdet: rapportering og dybdeanalyser. Rapporterings-tilgangen indebærer, at institutionerne løbende rapporterer nøgletal eller udvalgte grunddata, der konsolideres i centrale rapporter og statistikker. Det- 5

6 te sker samtidig med, at institutionerne registrerer stadig flere data i stadig flere systemer. Et af de centrale problemer med rapporteringstilgangen er den lange omløbstid og den høje omkostning. Omløbstiden defineres her som tiden fra et analysebehov opstår til analysen er tilendebragt. Der går typisk mindst et år fra behovet opstår til de første data er klar. Hvis rapporteringen giver ny indsigt vil dette altid rejse nye spørgsmål og behov for nye analyser igen med en lang omløbstid. Institutionerne oplever rapporteringskravene som byrdefulde, da de ofte indebærer såvel systemmæssige som administrative opgaver. Dybdeanalyse-tilgangen indebærer, at forskere, konsulenter eller embedsmænd gennemfører en konkret analyse af et område ved at indsamle og analysere data typisk ved anvendelse af spørgeskemaer. Dette er ofte ganske ressourcekrævende, og tilgangen anvendes derfor primært på begrænsede områder med stor strategisk og/eller økonomisk betydning. Som et alternativ til disse tilgange anvendes datavarehuse i dag i vid udstrækning i private virksomheder med en kompleks og sammensat systemportefølje, som dels producerer store datamængder, dels efterspørger teknologiske løsninger for at få forretningsmæssigt udbytte af de mange data, der findes i virksomhedens produktionssystemer. Navnlig i den finansielle sektor, indenfor telekommunikation og detailhandel er der sket en kraftig vækst i anvendelsen disse teknologier, idet der i dag er tale om et modent teknologiområde, hvor systemerne kan anvendes i samspil med mange forskellige produktionssystemer. Langt de fleste større finansielle virksomheder har i dag etableret Business Intelligence kompetencecentre, der forestår den løbende udbygning af virksomhedernes datavarehuse. Et datavarehus baserer sig konceptuelt på, at data hentes i deres oprindelige form direkte fra administrative it-systemer i stedet for at stille krav til enhederne om rapportering af bearbejdede data. Data fra flere kilder samles herefter i et datavarehus, hvorefter de ensrettes, så der efterfølgende kan gennemføres analyser på tværs af de oprindelige system-skel. Datavarehuset arver de problemer, der måtte være med de oprindelige data: Datakvalitetsproblemer, problemer i forhold til fuldstændighed og forskellige datadefinitioner på tværs af systemer samt problemer med datas aktualitet eller mangel på samme. Dette lægger begrænsninger på, hvilke analyser der kan gennemføres og i visse tilfælde på udsagnskraften for gennemførte analyser. Omvendt giver 6

7 datavarehuset dermed også et samlet overblik over, hvor der er behov for andre eller bedre data. Datavarehuset er i princippet blot en database, hvortil data kopieres fra en lang række kildesystemer med henblik på analyse. Data overføres løbende og typisk med faste intervaller, således at varehuset holdes opdateret. Typisk bygges et datavarehus for at kunne sammenstille data fra flere kilder og for at undgå at lave analyser direkte på databaserne i de kørende systemer bl.a. af hensyn til disse systemers driftsstabilitet. I forbindelse med indsamlingen af data til et datavarehus skal der typisk foretages visse konverteringer og transformationer, så data kan sammenstilles, selvom de måske har forskellige navnestandarder, kodedefinitioner etc. ETL Extract Transform Load er betegnelsen for den proces og de teknologier, der anvendes til at overføre data fra kildesystemerne til varehuset. Et datavarehus bruges typisk sammen med en række værktøjer til forskellige analyser, som under et kaldes for Business Intelligence. Som regel laves udtræk af datavarehuset til mindre lokale varehuse ( data marts ), der anvendes til analyser indenfor specifikke områder. Udover simple deskriptive analyser sikrer datavarehuset mulighed for at kunne lave data mining. Data mining dækker over en bred vifte af avancerede statistiske værktøjer, der kan bruges til at finde sammenhænge i store datamængder, som det ellers ikke havde været muligt at finde. Segmentering er en central data mining disciplin, der anvendes til at opdele en population i et antal grupper, der har flest mulige fælles træk. Ved segmentering findes undertiden nogle af de arketyper, der kendes i forvejen, men ofte findes yderligere segmenter, som ikke var kendte forud for data mining analysen. Regressionsanalyser kan bruges til at finde sammenhænge mellem forskellige parametre. Neurale net og prediktive modeller kan bruges til at finde adfærdsmønstre, der typisk leder til et bestemt resultat, fx frafald. Leverandørerne af disse analyseteknologier har de senere år investeret meget betydelige ressourcer i udviklingen af data mining værktøjer, der derfor er blevet både bedre og mere brugervenlige end tidligere. 7

8 2 Data i de administrative systemer 2.1 Analysemetode Devoteam Consulting og Zangenberg & Company har i forbindelse med projektet gennemført en særdeles omfattende kortlægning af data i de systemer, der anvendes på de selvejende uddannelsesinstitutioner under Undervisningsministeriet, på universiteterne og på søfartsskolerne under Økonomi- og Erhvervsministeriet. Målet har været at vurdere, hvor parate data i de administrative systemer er til indsamling til et fælles datavarehus. Der er anvendt en tilgang og metode, der er gængs for denne type analyser. Metoden kombinerer detaljerede kortlægningsdata og erfarne konsulenters vurdering af en række parametre på et detaljeret niveau. Denne kombination af mange enkeltstående datapunkter med hver sin faglig/professionelle vurdering giver typisk en god akkumuleret præcision og dermed et robust billede af dataparatheden på tværs af et begrebsområde. Metode og resultater er nærmere beskrevet i delrapport 1. Der er identificeret i alt 77 systemer, heraf 7 tværgående systemer, 22 systemer, der anvendes indenfor Undervisningsministeriets område, 42 systemer indenfor Videnskabsministeriets område (universiteterne) og 6 systemer, der anvendes på søfartsskolerne under Økonomi- og Erhvervsministeriet. Der er set på dataparatheden af forskellige data på tværs af alle disse systemer. Som udgangspunkt for kortlægningen er der opstillet en overordnet referencemodel, der viser sammenhængen mellem de vigtigste begreber indenfor området. Modellen er baseret på en række kilder, bl.a. en internationalt anvendt model School Interoperability Framework (SIF), som anvendes i USA, UK og Australien i forbindelse med begrebsstandardisering. Denne model er i projektets tidlige faser udvidet med domænebeskrivelser fra Undervisningsministeriets område (baseret på arbejdet bag ressourceregnskabet og CØSA) og Videnskabsministeriets område (baseret på STADS, der anvendes på mange af universiteterne). Modellen er beskrevet i større detaljer i delrapport 1 og i Figur 1 herunder: 8

9 Figur 1 Reference-datamodel for uddannelsessektoren Modellen giver et overblik over, hvilke typer af data, der forventes at være at finde i de administrative it-systemer. Med udgangspunkt i denne model er det kortlagt i hvilke systemer disse data faktisk findes, i hvilket omgang og i hvilken form. Der er herefter gennemført en vurdering af dataparatheden for begrebsområderne i forhold til hver institutionstype og hvert universitet. Vurderingen af dataparatheden bygger på en vurdering af disse faktorer: Tilgængelighed Aktualitet Datakvalitet Kompleksitet Detaljeringsgrad / dimensionalitet 9

10 Omkostninger forbundet med at trække data ud til et datavarehus Andre erfaringsmæssige komplikationer og observationer i kortlægningen. Der udregnes en samlet score for dataparatheden, der angiver, i hvilket omfang data skønnes at være til stede i en form, så de ville kunne indgå i et datavarehus. For en detaljeret beskrivelse af vurderingskriterier og beregningsformler henvises til delrapport 1. Et centralt forhold er datakvaliteten i de anvendte systemer. Her er udgangspunktet den vurdering af datakvaliteten, vi har fået af systemejere og systemforvaltere. En stor del af de data der findes i systemerne indgår i driften af uddannelsesinstitutionerne, og data i LMS-systemer er egentlige produktionsdata, hvorfor systemejernes vurdering må tillægges stor vægt. Der kan naturligvis vise sig at være datakvalitetsproblemer på udvalgte dataområder, men det vil i givet fald være dataproblemer, der bør løses uanset om man etablerer et datavarehus eller ej givet at data rent faktisk anvendes i driften af uddannelsesinstitutionerne. En vis usikkerhed i forhold til datakvalitet er et grundvilkår når man etablerer datavarehuse, men konsekvensen vil ofte være begrænset. I forbindelse med igangsættelse af et datavarehus-projekt anbefales det, at der gennemføres mere systematiske analyser af datakvaliteten med dataprofileringsværktøjer, og dette er en del af det foreslåede projekt. Dataprofiling kan føre til, at man justerer på scope for datavarehuset og/eller at man iværksætter fokuserede aktiviteter for at forbedre datakvaliteten. Bemærk, at datakvaliteten er et enkelt element i vores vurdering af dataparatheden. Resultatet af den samlede dataparathedsvurdering kan ses i delrapport 1. For hvert begrebsområde og institutionstype er dataparatheden vurderet til en score mellem 0 og 100 %, jf. Figur 2. Figur 2 Klassificering af data i forhold til dataparathed Grøn (80-100%) Gul (70-79,9%) Rød (1-69,9%) Dataområder, der ikke giver problemer i forhold til et sædvanligt datavarehusprojekt Dataområder der har ekstra kompleksitet i forhold til de grønne data og vil kræve større indsats og forøgede omkostninger Dataområder, hvor systemer eller data kun er til stede i begrænset omfang, eller med dårlig eller stærkt varierende registreringspraksis Dataparatheds-matricen er gengivet i Figur 3 på næste side og behandlet i detaljer i delrapport 1. Sammenfattende viser figuren, at en stor del cellerne i matricen er grønne, en del er gule og nogle er røde. Dette betyder, at data i vid udstrækning registreres i systemer, men at visse begrebsområder vil kræve noget arbejde at 1 0

11 indarbejde i et datavarehus (gule felter). Et begrænset antal begrebsområder kan kun inkluderes, hvis der arbejdes målrettet på at ændre registreringspraksis (røde celler). I nedenstående forslag til fremtidig løsning fokuseres alene på de grønne og gule celler. Figur 3 Dataparathed for begrebsområder og uddannelser/institutioner 2.2 Vurdering af dataindsamlings-løsninger Kortlægningen har vist, at den nuværende dataindsamling til brug for ministerier og institutioner primært foregår ud fra rapporterings- og dybdeanalysetilgangen, jf. ovenfor. Der eksisterer en række lokale datavarehuse indenfor sektoren, men disse indeholder kun et udvalg af data fra et begrænset antal af de relevante systemer. Det indebærer, at de nævnte mulige problemer vedrørende lang omløbstid og høje analyseomkostninger gør sig gældende på uddannelsesområdet. Dertil kommer, at institutionerne oplever rapporteringskravene som administrativt byrdefulde samtidig med, at eksisterende rapporteringsløsninger ikke sikrer data på det ønskede granularitetsniveau og dermed ikke sikrer tilstrækkelig fleksibilitet til analyseformål. Dataparatheds-analysen viser, at det vil være muligt at etablere et datavarehus, der vil give uddannelsessektoren en række nye analysemuligheder. Det vil indebære en række fordele, blandt andet at der hurtigt kan gennemføres analyser på tværs af 1 1

12 organisationsskel og systemskel, som ikke kan gennemføres i dag, og at hypoteser kan testes hurtigere og med langt lavere omkostninger end før. Det bliver med andre ord billigere at gennemføre den type analyser, der gennemføres i dag, og det bliver muligt at gennemføre en hel vifte af nye analyser til en lav omkostning. Dertil kommer, at flere interessenter kan gennemføre analyser og dermed bidrage til arbejdet mod de fælles mål om maksimal effekt for de tildelte ressourcer. Datavarehuset vurderes at være den mest effektive vej til at nå de opstillede mål om løbende, systematiske og tværgående sammenligninger af institutioners effektivt og ressourceanvendelse, som der står i selvejeranalysen. Eksisterende lokale datavarehuse, som f.eks. Undervisningsministeriets DWH-S i UNI-C, giver ikke samme mulighed for at gennemføre analyser på tværs af ministerområder, jf. afsnit 3. Et datavarehus med en fælles datamodel vil desuden kunne medføre en betydelig forenkling på sigt for institutionerne, da det på den ene side vil gøre det klart for ministerierne, hvilke data, der findes og hvad der derfor overhovedet kan svares på, og på den anden side gøre det muligt for ministerierne selv at udtrække data og lave analyser. Institutionerne skal derfor ikke levere og bearbejde data fra bunden. I visse tilfælde skal de i stedet bekræfte validiteten af de anvendte data, men samlet vurderes datavarehuset at reducere ovennævnte administrative byrder for institutionerne væsentligt. Gevinsterne (herunder de potentielle gevinster, som kan beskrives i dag) bør vurderes af brugerorganisationerne. Det vurderes imidlertid, at kun et datavarehus vil bidrage afgørende til at indfri målet om at oparbejde viden om virkningen af forskellige uddannelses- og forskningspolitiske initiativer set i forhold til de politiske målsætninger på området, som beskrevet i selvejeanalysen. Der henvises i øvrigt til delrapport 4 afsnit 2: Nye muligheder med et fælles datavarehus og delrapport 4 afsnit Analysebehov, hvor vi sammenholder datavarehusets leverancer med de eksempler på analysebehov arbejdsgruppen har angivet. 1 2

13 3 Analysebehov og -muligheder 3.1 Mulige analysebehov De deltagende ministerier i projektet er blevet bedt om at komme med bud på interessante analyseområder. Undervisningsministeriet pegede på ressourceregnskabet og Videnskabsministeriet på indikatorberedskabet som gode steder at starte. Der er desuden opstillet en liste over en række forhold, som det kunne være interessant at analysere nærmere i et datavarehus. De deltagende ministerier har understreget, at den resulterende liste på ingen måde kan betragtes som endelig eller som fuldt repræsentativ for et samlet analysebehov. Trods disse forbehold er listen over mulige analysebehov det bedst mulige udgangspunkt for at vurdere, hvilke interessante analyseområder et fremtidigt datavarehus vil kunne understøtte. Denne liste er gennemgået, og resultatet fremgår af delrapport 4. Resultatet viser, at der kan bygges et datavarehus, der understøtter store dele af listen, og dette har - sammen med dataparatheden - været udgangspunktet for forslaget til implementeringsplan. Analysen viser også, at der er områder (de røde områder i Figur 3 ovenfor), hvor dataparatheden er lav. Det anbefales derfor, at de røde områder i udgangspunktet ikke medtages i datavarehuset. Det anbefales dog, at der hurtigt udpeges et antal røde områder til nærmere granskning for at finde tiltag, der muliggør inkludering i datavarehuset. Dette bør være en del af et indledende arbejde med at fastlægge vision og mål for datavarehuset. Nøglen til at opnå den største dybde i de analyser, der kan gennemføres i et datavarehus, ligger i at indsamle data på det mest detaljerede niveau, hvilket også er best practice. Det gælder bredt for alle dimensioner, det drejer sig altså om individer, aktiviteter, omkostninger osv. For hændelser /transaktioner gælder det samme, det er den enkelte linje på lønsedlen, den enkelte skemabrik for den enkelte elev osv., der har datavarehusets interesse. Indsamling af data på det mest detaljerede (granulære) niveau gør det muligt at besvare næsten ethvert spørgsmål uden tab af information. Granulære data giver således den fornødne fleksibilitet til at kunne besvare de spørgsmål, som fremtiden vil præsentere os for. 1 3

14 3.2 Eksempler på nye typer af analyser I delrapport 2 beskrives en række udenlandske cases af relevans for denne analyse. Der er bl.a. tale om nationale datavarehuse og analytiske miljøer, der giver mulighed for at udarbejde statistik og lave analyser på undervisningsområdet. Et eksempel på et datavarehus indenfor uddannelsesområdet, der behandler store elevpopulationer og meget store datamængder, er et datavarehus drevet af Texas Education Agency, der understøtter den nationale kampagne No child left behind. Delrapport 3 beskriver resultatet af prototypeforsøg, hvor data fra Lectio-systemet (gymnasiale uddannelser) og EASY-systemet (erhvervsuddannelser) er anvendt til at etablere et mini-datavarehus. I det følgende gives fire eksempler på typer af analyser, der ikke umiddelbart kan gennemføres i dag, men som det vil være muligt at gennemføre med et fælles datavarehus med de mest detaljerede data. Eksempel 1: Lærernes arbejdstid En forventet stigende udbredelse af såkaldte»learning-management-systemer«(lms), der it-understøtter alle administrative og pædagogiske processer på en skole (anvendes foreløbigt mest på gymnasierne), betyder, at omfanget af røde områder vil blive reduceret i de kommende år. Væsentligst forventes LMS i stigende grad at gøre det muligt at sammenholde aktivitetsdata fx undervisning og forberedelse med ressourcedata fx anvendt lærertid og lokalekapacitet uden at pålægge medarbejderne at tidsregistrere. Prototypeforsøget med data fra Lectio og EASY har vist, at der allerede med eksisterende data (der dog i dag ikke er tilgængelige for analyse) kan gennemføres interessante analyser af lærernes arbejdstid. Eksempelvis kan arbejdstiden fordeles på aktiviteter (undervisning, forberedelse, rettetid, aldersreduktion mv.), fagligt hovedområde (naturvidenskab, samfundsvidenskab, humaniora mv.) og lærerens alder. Denne type analyser kan benyttes som planlægningsredskab, fx i forhold til at vurdere hvilke fagområder, der har flest lærere tæt på pensionsalderen og dermed kommer til at mangle lærere på sigt. Eksempel 2: Mulig forebyggelse af frafald gennem tidlig advarsel I dag anvendes avancerede business intelligence værktøjer i banker og telefonselskaber til at identificere særlige transaktions- og adfærdsmønstre, der kan være interessante. Det kan være bankkunder, der er ved at forlade banken, bankkunder, der er ved at komme i økonomisk uføre, eller en mobiltelefonkunde, der har fået stjålet sin telefon. 1 4

15 Den samme teknologi kan anvendes på skoleområdet, og et datavarehus kan benyttes til at identificere sådanne mønstre for en stor population, der ikke uden videre ville blive fundet på den enkelte skole. Det kan være særlige fraværsmønstre for bestemte typer af elever, det kan være særlige mønstre for manglende aflevering af opgaver, det kan være flytning af adresse i forbindelse med fravær etc. Identifikation af særlige handlingsmønstre kan fx bruges til på et tidligt tidspunkt at kunne identificere elever, der er ved at falde fra. Denne type analyse vil kræve sammenstilling af opdaterede og aktuelle data fra LMSsystemer (fravær, afleveringer etc.) med elev-stamdata fra studieadministrative systemer. Eksempel 3: Forløbsanalyser på individ- og institutionsniveau Adgang til granulære data vil gøre det muligt at lave forløbsanalyser på individniveau på samme måde som i fx lovmodellen og DREAM, og herigennem teste forslag til policytiltag. Det vurderes at være brugbart i forbindelse med politiske forhandlinger, fx globaliseringsforhandlingerne, hvor der er igangsat en række initiativer for at nå 95 pct. målsætningen uden at kende sandsynligheden for, at de virker. Sådanne analyser kan ligeledes anvendes i forhold til de fremadrettede udfordringer med at øge udbyttet af bevillingerne til uddannelse markant. Som et eksempel kan sammenhængen mellem elevers valg af matematik på a-niveau i gymnasiet og deres resultater på universitetet undersøges. Det er allerede muligt at lave en sammenstilling af denne type med de nuværende rapporteringsløsninger, men med datavarehuset kan analysen gå videre. Fx kan der analyseres dybere på gruppen af studerende, der har valgt matematik på a-niveau i gymnasiet og efterfølgende har læst samfundsvidenskab på universitetet. Denne type drill-down analyser (se eksemplet i delrapport 4 afsnit 2.2.1) kan ikke gennemføres med eksisterende løsninger, da der ikke indsamles data på tilstrækkeligt detaljeret niveau. Eksempel 4: Modelskoler Et datavarehus vil gøre det muligt at lave modelarbejde med forskellige typer af uddannelsesinstitutioner (modelskoler) og herigennem reducere behovet for eksterne konsulentanalyser. I modelskolerne vil aktivitets- og ressourcedata således kunne sammenstilles med henblik på at gennemføre systematiske og tilbagevendende benchmarks af uddannelsesinstitutionerne og herigennem sikre, at deres ledelser fokuserer på en effektiv ressourceudnyttelse. 1 5

16 4 Løsningsforslag 4.1 Etablering af et datavarehus På baggrund af vurderingen i afsnit 2.2 anbefales det at etablere et centralt, tværministerielt datavarehus over en række faser (releases 1 ). Det anbefales, at der igangsættes et projekt, der etablerer den første release, og at projektorganisationen herefter overgår til en permanent datavarehus-organisation (kompetencecentret), der har ansvaret for at udvikle datavarehuset til de næste releases. Løsningsscenariet er beskrevet i detaljer i delrapport 4. Den overordnede løsningsarkitektur fremgår af diagrammet nedenfor: Figur 4 Overordnet løsningsarkitektur for fælles datavarehus Koncern Datavarehus Analysemiljøer Kildesystemer Operationelle systemer EASY-A STADS NS DWH-S CØSA Eksterne systemer Master Data repository Udtræk ETL Udtræk ETL Udtræk ETL It- infrastruktur Filoverførsel (flade filer, DB dump filer, etc.) Integrationbroker (ift webservices) Master data Services (synkronisering) ETL Data Staging area Staging data ODS ( real-time ) ETL Datavarehus Basis Datavarehus database Datavarehus historik ETL Datamart staging area Datamart staging area ETL Datamart ETL Datamart ETL Datamarter Datamart Emne I Datakube 1 Datakube 2 Datamart Emne II Datamart Emne III Datamart Emne IV BI Frontends Front-end AAA Front-end BBB Front-end CCC I Outputs Dashboard Start billede Faste rapporter Rapport generator Ad-hoc rapporter Special rapporter Metadata Metadata Metadata Metadata Produktionsrollen: UVM institutioner Universiteter Maritime skoler Mv. Indberetnings snitflade Datavarehus ansvarlig: Forretningsansvarlig aktør Vedligeholdelse Drift Data udtræks snitflader Analyserollen: FM, VTU, UVM, ØEM UVM institutioner Universiteter Maritime skoler Mv. Grundlæggende består løsningen således af tre grupper af delsystemer: 1) Udtræk fra de forskellige kildesystemer, herunder også et kommende, struktureret fællesskab omkring centrale stamdata (Master Data i datavarehus jargon). 2) Det fælles datavarehus opbygget som et klassisk koncern datavarehus 3) Et antal analysemiljøer ( data marter i datavarehus jargon) rettede mod forskellige brugergrupper og forskellige formål. 1 Med en release forstås, at datavarehuset sættes i drift med en bestemt delmængde af data og funktionalitet. 1 6

17 Der gælder følgende principper ifølge etableret best practice : Det centrale datavarehus er indhegnet gennem standardiserede snitflader, således at alle data i datavarehuset har standardiserede termer, definitioner, værdisæt, forretningsregler, struktur og opbygning (disse ting styres af de viste metadata faciliteter i tegningen). Der er ikke brugeradgang til det centrale datavarehus, således at adgang til data og systemets belastning styres effektivt. (Alle brugere får adgang til data kopieret, evt. summeret, til deres lokale data mart) Det centrale datavarehus validerer alle data for at kontrollere, at de standardiserede regelsæt overholdes i praksis. Data marterne opbygges som multidimensionale konstruktioner, der muliggør brugen af kubeteknologi og pivottabeller i brugergrænsefladerne. Ved etablering af datavarehuset skal der bygges en række integrationer op i mod de fælles snitflader fra de enkelte kildesystemer. Dette er en væsentlig del af den samlede omkostning knyttet til at etablere et datavarehus. Der er ikke identificeret konkrete initiativer, hvor der allerede er disponeret udviklingsomkostninger til grænseflader, som eventuelt kunne genbruges i dette projekt og dermed reducere de samlede omkostninger, jf. nedenfor. Der er en klar tendens i retning af større åbenhed og krav om muligheder for at overføre og sammenstille data fra flere kilder. Disse krav eksisterer lokalt på de store uddannelsesinstitutioner, og de eksisterer indenfor ministerområderne. Det er derfor vurderingen, at udtræk til datavarehuse i vid udstrækning vil ligge indenfor de udviklingstendenser kildesystemer mv. under alle omstændigheder vil være underlagt på mellemlangt sigt, hvis de skal kunne anvendes til effektiv og tidssvarende styring. De udtræk, der skal ske til det fælles datavarehus, vil også med fordel kunne anvendes til lokale datavarehuse i stedet for udtræk med lokale datadefinitioner. Selve datavarehuset modtager data gennem en veldefineret grænseflade og er opbygget efter en klassisk tre-lags arkitektur, der følger best practice for datavarehus-arkitektur, som beskrevet i delrapport 2. De lokale analysemiljøer på figurens højreside kan have forskellige bestykninger, afhængigt af omfanget af det lokale analysebehov. Der er i løsningsmodellen lagt til grund, at de fire ministerier hver skal have et analysemiljø, der tillader et antal brugere at gennemføre samtidige analyser, men der er ikke tale om platforme til massive data mining analyser. Det anbefales at etablere en enkelt central platform til data mining, hvis behovet skulle vise sig. 1 7

18 I delrapport 1 er gennemgået de fleste af de større fælles indberetnings- og statistiksystemer på de tre ministerområder. Der henvises til denne delrapport for en detaljeret beskrivelse af dem. Som en del af analysen er undersøgt mulighederne for at lade de eksisterende opfølgningssystemer indgå som en del af et nyt datavarehus. Denne analyse gennemgås i detaljer i delrapport 4. Analysen viser, at der er 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 Undervisningsministeriets område er dette også tilfældet i det kommende ressourceregnskab, men ambitionen er at reducere disse manuelle indtastninger over tid. Der vil kunne anvendes en tilsvarende strategi i et centralt datavarehus. Fuldstændig retvisende data kan ikke altid hentes direkte i de fælles administrative systemer, fordi de administrative systemer ikke altid kan håndtere enhver anomali i de administrede forhold. Der suppleres derfor i dag med data indhentet fra andre steder. Selvom data kvalitetssikres, fx i STADS, vil et udtræk fra STADS efter gennemført kvalitetssikring ikke kunne svare 100 pct. til en STÅ-indberetning. En mulig løsning er, at datavarehuset også skal kunne rumme parallelle datasæt med kvalitetssikrede/reviderede årsindberetninger for at tilfredsstille de eksisterende rapporteringsløsninger. 4.2 Økonomi Der er gennemført en detaljeret nedbrydning af økonomien knyttet til etablering af et datavarehus. Denne nedbrydning fremgår af delrapport 4. De samlede omkostninger er opsummeret nedenfor. 1 8

19 Omkostninger til etablering af datavarehus Decentrale omkostninger til udtræk af data (pengestrømsopgørelse - udgiftsbaseret) År 0 År 1 År 2 År 3 År 4 År 5 Total Mio. kr. Engangsomkostninger - 8,8 13,5 7, ,8 Løbende omkostninger - - 1,6 3,7 5,4 5,4 16,1 Total - 8,8 15,0 11,3 5,4 5,4 45,9 Årsværk Ressourcetræk fra ministerområder Centrale omkostninger til fælles datavarehus (pengestrømsopgørelse - udgiftsbaseret) År 0 År 1 År 2 År 3 År 4 År 5 Total Mio. kr. Engangsomkostninger 1,0 23,1 7,3 1, ,6 Løbende omkostninger - - 2,9 3,3 3,6 3,6 13,4 Total 1,0 23,1 10,2 4,5 3,6 3,6 45,9 Årsværk Allokerede årsværk kompetencecenter Løbende omkostninger dækker driftsomkostninger, vedligeholdelse, licensomkostninger mv. for henholdsvis de decentralt udviklede integrationsløsninger og den centrale løsning, jf. nedenfor Decentrale omkostninger til udtræk af data Her er tale om udvikling af en lang række integrationsgrænsefalder, som er kategoriseret efter forventet kompleksitet og estimeret ud fra dette. Med den information som har været til rådighed for denne analyse er det estimeret, at det vil koste knap 30 mio. kr. at udvikle de 48 mekanismer (udtræks-etl er), som skal trække data ud af kildesystemerne, klargøre dem og aflevere dem til datavarehuset. Det skal bemærkes, at der knytter sig en stor usikkerhed til dette estimat, da datakvaliteten i de enkelte systemer ikke er blevet undersøgt. Først i forbindelse med dataprofilering i designprocessen vil estimatet kunne kvalificeres i en sådan grad, at usikkerheden kan kvantificeres. Det er vigtigt at understrege, at denne analyse ikke har set på muligheden for at formindske antallet af kildesystemer. Det er klart, at hvis systemanvendelsen indenfor sektoren standardiseres og antallet af systemer nedbringes, vil dette væsentligt forenkle arbejdet og dermed reducere omkostningerne til at etablere et datavarehus. 1 9

20 4.2.2 Centrale omkostninger til et fælles datavarehus Her er lagt til grund, at der skal udvikles og designes en central løsning inkl. kravene til indberetningerne fra kildesystemerne, og at der vil være behov for konsulentbistand til at gennemføre projektinitiering, forretningsplan, udbud, design (dataharmonisering) samt udvikling af integrationslag, som kan modtage data fra udtræks-etl erne, central datavarehus platform og central ETL. Dertil kommer indkøb af hardware til applikations-, database- og webservere samt indkøb af software. Der er foretaget en Monte Carlo simulering for at beregne usikkerheden på det samlede omkostningsskøn ud fra usikkerheden på de enkelte delskøn. Analysen viser, at der er 44 pct. sandsynlighed for, at det kommer til at koste højst de anførte 45,9 mio. kr. over fem år at etablere det fælles datavarehus eksklusiv analysemiljøer, jf. nedenfor. Simuleringen viser, at der er 80 pct. sandsynlighed for, at omkostningerne vil være højst 47,8 mio. kr. Ovenstående omkostningsestimat tager ikke højde for, at analysen har identificeret to it-løsninger i Undervisningsministeriet, der kan karakteriseres som egentlige datavarehuse, nemlig DWH-S i UNI-C og det kommende ressourceregnskab. Der vurderes at være gode muligheder for genbrug af viden og kompetencer både på data-, forretnings- og teknikniveau, eventuelt genbrug af udtræks-etl og applikationskomponenter samt videreførelse af data marter, der fremover tager en del af deres data fra det fælles datavarehus. Eventuelle besparelser på hardware og software vil dog afhænge af det fremadrettede teknologivalg og kapacitetsbehov samt licensforhold. De potentielle besparelser har imidlertid en størrelsesorden, der berettiger, at genbrugsmulighederne tænkes ind i designfasen af det fælles datavarehus. Derudover kan omkostningerne muligvis reduceres med i alt 1-2 mio. kr. over perioden gennem softwarerabatter og ved i stedet for eget køb af hardwareplatform, at købe virtuel kapacitet, fx. hos Statens It Personaleforbrug Der er lagt op til, at der skal etableres analysemiljøer i de enkelte ressortministerier. Her kan dog tages afsæt i eksisterende analysemiljøer, hvor disse måtte eksistere, eller der kan etableres nye analysemiljøer. I denne analyse er dimensioneret tre typer analysemiljøer, som er beskrevet i delrapport

21 Den foreslåede etablering af et datavarehus involverer en projektorganisation på 8 årsværk og en stående organisation på 9 årsværk. Organisationens opbygning er beskrevet i detaljer i delrapport Overvejelser om tidshorisont for implementering Det anbefales at etablere et datavarehus over 3 releases med mulighed for at ændre indhold og strategi efter hver release i takt med, at erfaringer og ny indsigt opnås. Der er derfor indlagt genplanlægning (rescoping) for hver release i den foreslåede handlingsplan, som beskrives nærmere i delrapport 4. Dette skal også bidrage til at sikre, at penge tildeles i takt med, at prisen kendes. Hvis det besluttes ikke at implementere et fælles datavarehus, vil de decentrale datavarehuse givetvis blive udbygget for at tilfredsstille øgede krav om indberetning af nøgletal og muligvis lokale analysebehov. Dette vil totalt set være en dyrere løsning, som samtidig ikke forventes at imødegå de tværgående analysebehov. Manglende hensyn til begrebsstandardisering og tværgående analysebehov vil yderligere besværliggøre (og fordyre) en eventuel senere implementering af et centralt datavarehus. 4.4 Governance og organisering Som led i kortlægningen er det beskrevet, hvem der har ansvaret for at fastlægge funktionalitet, ansvaret for drift og ansvaret for systemernes datamodeller. Sammenfattende varierer den nuværende governance ganske meget fra system til system, og det overvejende billede er en meget decentral beslutningsstruktur. Der er en større grad af governance på Undervisningsministeriets område end på Videnskabsministeriets område, når det gælder fastlæggelse af fælles datadefinitioner og værdisæt, som beskrevet i delrapport 4. Baggrunden for dette er centrale indberetningskrav på en række områder, der har medført standardisering af f.eks. fag-koder og fag-niveauer. I forbindelse med fastlæggelse af governance for et fremtidigt datavarehus skal der tages stilling til, hvordan der træffes beslutninger om en række emner, som er samlet i såkaldte beslutningsdomæner. For hvert beslutningsdomæne skal det være entydigt, hvem der udarbejder beslutningsforslag, og hvem der træffer beslutninger. Beslutningsdomænerne er beskrevet uddybende i delrapport 4. Den foreslåede kompetencefordeling fremgår af Figur

22 Det foreslås, at der etableres et centralt kompetencecenter med en styregruppe og en antal rådgivende udvalg, som illustreret i nedenstående figur. Figur 5 Forslag til organisering af fælles datavarehus Det anbefales, at der etableres en projektorganisation, der får til opgave at etablere release 1 af datavarehuset. Ansvaret for datavarehuset overgår herefter til en driftsorganisation (kompetencecenteret), t), der i vid udstrækning består af de samme roller som projektorganisationen. I delrapport 2 er der beskrevet en bruttoliste af roller, der indgår i best practice anbefalingerne for et kompetencecenter ( Business Intelligence Competence Centre - BICC ). Der kan etableres et meget smalt kompetencecenter, hvor en række af rollerne organisatorisk er forankret udenfor kompetencecenteret (f.eks. i brugerorganisationerne), eller der kan etableres et bredere kompetencecenter med mange forretnings-analytikere og grænseflade-udviklere lokaliseret i kompetencecenteret. I store finansielle virksomheder er det ikke sjældent, at der er op til personer ansat i BI-kompetencecenteret. Det må forventes, at ministerierne ønsker at fastholde forretnings-analytikere i egne organisationer. Det anbefales derfor, at der etableres et smalt kompetence- center med i alt 9 årsværk. Kompetencecenterets forskellige roller er beskrevet i delrapport 4. Samtidigt foreslås en governance-struktur, som ses herunder i Figur

23 Figur 6 Governancestruktur (RACI-skema) Regeringens økonomiudvalg Styregruppe/ ressortministerier Signaturer: A Accountable Træffer den endelige beslutning R Responsible Ansvarlig for at gennemføre de aktiviteter der gør det muligt at træffe en beslutning. Udfører arbejdet. C Consulted Involveres i processen. Høres. I Informed Informeres om proces og resultat. Arkitekturudvalg Begrebs udvalg Datamodeludvalg Analysebehovs udvalg Strategi for datavarehuset A R C C C C R Tilvejebringe finansiering for datavarehuset A R Infrsatsrukturstrategi A C R Arkitektur - datavarehuset A C R Sourcingstrategi for datavarehuset A R Udvælge datakilder A C R C Porteføljestyring - Prioritere kompetencecentrets projekter A C C C C R Definere krav til kildesystemers datamodeller og datadefinitioner A R R R C Definere værdisæt A R R R C Definere krav til kildesystemers funktionalitet (herunder datavalidering, tvungne felter etc) A R R C Fastlæggelse af indberetningssnitflader A R R Definere krav til kildesystemers ETL-arkitektur (herunder eksportformater, anvendelse af specifikke komponenter etc) A R R Definere krav til slutbrugeres anvendelse af systemer (arbejdsgange, registrering af data etc) Kompetencecenter Systemejer/ forvalter A R R C Følgende elementer kan fremhæves: Det er regeringens økonomiudvalg, der beslutter finansiering og fastlægger overordnet strategi for datavarehuset. Styregruppen for datavarehuset består af repræsentanter fra de involverede ministerier. Styregruppen for datavarehuset udarbejder beslutningsoplæg til regeringens økonomiudvalg vedrørende finansiering og strategi. Styregruppen er derudover det forum, hvor ministerierne i fællesskab træffer beslutninger om alle øvrige beslutningsdomæner. Styregruppen og ministerierne skal sikre, at planerne for datavarehuset kan implementeres i praksis, og at de ikke kolliderer med de enkelte ministeriers arbejdsprogram. Styregruppen skal sikre, at de enkelte ressortministerier har overblik over konsekvensen af de opgaver, der pålægges institutioner og/eller systemejere, og at der sker en koordinering af porteføljen med ressort-ministeriernes projektportefølje, så ressourcekonflikter og flaskehalse undgås. 2 3

24 Kompetencecenteret er sekretariat for styregruppen, og udarbejder oplæg til beslutninger på alle beslutningsdomæner. Styregruppen nedsætter et antal udvalg, der kan have deltagelse af repræsentanter for dataproducenterne (institutioner, skolelederforeninger, systemejere m.fl.) og for analysebrugerne (ministerier, interesserede forskere m.fl.). Disse udvalg inddrages af sekretariatet i behandlingen af udvalgte beslutningsdomæner, som angivet i matricen. De fire udvalgs opgaver er beskrevet yderligere i delrapport

25 5 Risikoanalyse og risikostyring Der er gennemført en risikovurdering af det foreslåede projekt, som fremgår af delrapport 4. Udvikling og drift af et stort datavarehus med mange interessenter indebærer som udgangspunkt en høj risiko. Der er derfor i projektplanen indarbejdet en række foranstaltninger, der imødegår de umiddelbare risici, således bl.a.: afgrænsningen af projektet til de "gule" og "grønne" områder den tværministerielle organisering tids- og aktivitetsplanen med fokus på opdeling i releases, datakvalitetsvurdering og successiv scoping af projektet erfaringsbaseret estimering af tids- og ressourceforbrug til at gennemføre udviklingen Sammenlignet med andre it-projekter er det imidlertid også vigtigt at notere, at: Skulle projektet blive forsinket eller skrinlagt, vil det ikke have direkte indvirkning på driften af de berørte områder, men alene på de nye gevinster, som datavarehuset ville give Datavarehuset kan tages i brug i reduceret form, fx således at kun nogle af de ønskede begrebsområder, institutioner eller systemer indgår. Et sådant reduceret datavarehus vil stadig kunne have værdi for de primære interessenter. Når alle risici tages i betragtning sammen med deres potentielle konsekvenser, er det vurderingen, at det foreslåede projekt til etablering af et datavarehus samlet set har en risikoprofil på middel, jf. Figur 7. Projektet er organisatorisk, interessentmæssigt og datamæssigt komplekst, da mange institutioner og systemer skal levere data til datavarehuset, og flere parter inden da skal blive enige om, hvordan data i datavarehuset skal se ud og indberettes. På den anden side er den tek- Figur 7 Samlet risikovurdering Risikoområde Organisation Teknisk løsning Leverandør Interessenter Samlet vurdering Risikoniveau X X X X X 2 5

26 nologi og arkitektur, som udgør fundamentet for datavarehuset, moden og valgt i overensstemmelse med de bedste praksis-anbefalinger, som findes på området. Der er også flere leverandører, som vil kunne levere løsningen. Der er en risiko forbundet med kvaliteten af de data, som skal trækkes ud af fødesystemerne. Det er en risiko, som knytter sig til alle datavarehusprojekter. Hvis kvaliteten er lav, kan det betyde, at der skal anvendes ressourcer på at rydde op i data eller i mere alvorlige tilfælde, at data kun i begrænset omfang eller slet ikke kan indgå i datavarehuset. Der er dog i projektdesignet i væsentlig grad taget højde for disse forhold, og det vurderes, at problemer med datakvalitet vil kunne løses inden for projektets rammer (og estimat), i givet fald ved at man justerer på scope for datavarehuset og/eller at man iværksætter fokuserede aktiviteter for at forbedre datakvaliteten I delrapport 4 er en række af risikofaktorerne for punkterne i den samlede risikovurdering behandlet enkeltvis. Faktorer, som ligger på risikoniveau 3 eller derover, er yderligere kommenteret i forhold til konsekvens og imødegåelse. 2 6