Vad menar vi egentligen när vi säger data?

Det är nästan omöjligt att prata om AI utan att prata om data. Ordet dyker upp överallt: vi ska bli mer datadrivna, vi behöver bättre data, ”data är det nya guldet”, AI kräver data. Och allt det är sant. Men vad menar vi egentligen när vi säger data? 

Just den frågan diskuterar vi ständigt. Ibland kan man inte se skogen för alla träd, vilket vi upplever att det lätt blir med AI och just frågan om data och behovet av datakvalitet. Vi träffar på verksamheter som vill så mycket och har väldigt stora förväntningar på vad AI ska hjälpa till med. Dock hör vi när vi är ute och hjälper till att implementera olika AI-lösningar, att det ”ska finnas” stora mängder data, men ingen vet riktigt var, vilken som är relevant, tillgänglig och trovärdig.  

För att navigera började vi fundera på vad vi egentligen menar när vi säger data. Menar vi samma sak i alla olika syften, tester och områden? Det korta svaret är nej. Olika syften och önskemål av AI kräver olika typer av data och således olika typer av hantering, städning och organisering av såväl data som av våra verksamheter för att kunna nyttja AI. För att hjälpa oss i våra tankar har vi delat upp begreppet data i två delar: löpande verksamhetsdata och statisk verksamhetsdata.  

Löpande verksamhetsdata

Den första typen är den data vi vanligtvis tänker på när vi pratar om att arbeta datadrivet och handlar om löpande verksamhetsdata: mätpunkter, statistik, volymer, tider, resultat. Det kan vara antal ärenden i en verksamhet, väntetider och handläggningstider, närvaro, resursutnyttjande, avvikelser eller olika former av uppföljning över tid. Den här datan samlas in kontinuerligt och används för att förstå vad som händer, upptäcka mönster, jämföra över tid och fatta bättre beslut.  

Här sätter verksamheterna otroligt stora förväntningar på att AI ska kunna bidra med banbrytande nya insikter, hitta samband och dra nya slutsatser, till exempel genom att analysera stora datamängder, identifiera samband eller bidra till bättre beslutsunderlag. Men här ser vi utmaningar i att man ofta inte har kommit fram till vilken effekt man vill uppnå med de nya insikterna och hur man kommer att organisera sig för att agera på dessa. Förutom detta behöver vi också fundera på vår data. Har vi tillräckligt bra datakvalitet? Är den tillgänglig, trovärdig och relevant?   

Statisk verksamhetsdata 

Den andra typen av data, det vi kallar statisk verksamhetsdata, ser helt annorlunda ut men är minst lika viktig. Det handlar om den kunskap vi redan har, exempelvis styrdokument, policys, riktlinjer, rutiner, processbeskrivningar, handböcker, mallar och beslut. Sådant som uppdateras ibland, kanske varje månad eller någon gång per år, men som inte förändras från dag till dag. Den här typen av data är ofta textbaserad och utspridd i mappar, intranät, system och mejltrådar. Utmaningen är att hitta rätt information i rätt tid och förstå vad som faktiskt gäller. När AI används här fungerar den inte främst som analytiker utan som assistent. Den kan hjälpa oss att söka i stora mängder dokument, svara på frågor om vad en riktlinje säger eller guida oss till rätt rutin. Men för att verkligen kunna dra nytta av den typen av data, har vi upplevt att det krävs ett ENORMT städjobb ute i verksamheterna. Det ligger och skräpar rutiner, riktlinjer och policys från 1983 tillsammans med aktuell information, och ingen kan heller svara på vilken version som gäller eller vem som kan besluta om detta.