Ida Rasmussen fra Komponent på Odeon-scenen i Odense. Foto: Tom Ingvardsen.

Om superhelte virkelig findes – og hvordan sådan én ser ud - er et godt spørgsmål.
Men hvordan en super-datahelt eller et super data-teamwork ser ud har Ida Rasmussen til gengæld et meget godt billede af.
Ida er nemlig chefkonsulent i Komponent - kommunernes fælles udviklingscenter og holdt oplæg om datakompetencer på HK Kommunals store konference ”Fag & Fremtid”, der netop er overstået.
Med afsæt i en undersøgelse lavet af firmaet ”Inspari” omkring de datakompetencer, som efterspørges blandt offentlige og private organisationer, kan man tale om 6 kompetencer, der tilsammen udgør ”Dataheltens DNA”.

Forstå den faglige praksis

Man kan groft sagt tale om 6 kompetencer, der skal være til stede i organisationen i arbejdet med data.
- Ikke at én person kan eller skal indeholde alle seks kompetencer, for så har vi altså at gøre med en decideret superhelt, men en medarbejder, der har dataarbejde, som en vigtig opgave, skal gerne have kompetencerne i en vis grad, siger Ida Rasmussen.

Hun ser i høj grad HK’erne være centrale medarbejdere i at være organisationens ”datahelte”, fordi de både kender den faglige praksis og de data, som systemerne opererer med.
- Det er supervigtigt at kunne forstå og kommunikere den faglige praksis, som ligger bagved tallene, fordi det er kun derved, man som datamedarbejder kan stille de rigtige spørgsmål ind i systemerne og dermed få de rigtige tal at bearbejde, sådan at leder og politikere får et bedre beslutningsgrundlag.

5 gode råd fra Komponent

  1. Hold data simple. Fokus på kernebudskabet. Ikke så mange detaljer, farver eller dansende gif-billeder.
  2. Besvar altid ét spørgsmål – og tydeliggør hvilket spørgsmål dine data/din analyse er svar på.
  3. Kend dine modtagere. Skræddersy indhold og formidling til din konkrete målgruppe.
  4. Vælg de rigtige visualiseringer. Modtageren vil kun forstå, huske og handle ud fra budskabet i data, hvis der er en klar historiefortælling og gennemtænkte visualiseringer.
  5. Oversæt dine data til noget folk forstår.

Klassekvotienter som eksempel

Det at forstå praksis kan være i arbejdet med sygefravær, hvor der er utrolig mange variabler og man skal fx gøre sig klart om coronafravær, barns første sygedag mv skal tælles med og dermed belyser den konkrete problemstilling.

Eller hvis man fx bliver spurgt, hvorfor den gennemsnitlige antal børn per klasse er så lav.
Ja, så skal man undersøge:

  1. Hvordan ser tallene ud nu?
  2. Hvilke årsager er der til det?
  3. Hvilke mål har kommunen?
  4. Hvilke initiativer og beslutninger vil bringe kommunen derhen?

Måske er kommunens klassekvotient i snit 19 – men svinger fra 15 til 26.
Det kan fx skyldes et politisk ønske om at bevare landsbyskoler eller at mange børn i enkelte distrikter går på privatskole eller søger skole i andre distrikter end deres eget. Eller tallet kan også dække over, at klassekvotienten er høj på de mindre klassetrin, men lav på de højeste klassetrin.
Spørgsmålet til systemet kan fx lyde om man vil fastholde, at alle forældre får ja til ønsket om at flytte skoledistrikt. Og så kan medarbejderen lave data-analyser som forholder sig til det svar.
- Derfor er opgaven som dataarbejder også at spørge ind til alle de faktorer og forklaringer. For at kunne bearbejde data og politiske handlingsmuligheder kræver det altså, at man kender praksis og faktorer, for kun derved kan man lave dataanalyser, som beslutningstagerne kan arbejde videre med, siger Ida Rasmussen.

Kompetencer hos organisationen

Ida Rasmussen understreger, at professionelt dataarbejde også kræver en række kompetencer i selve organisationen.
Det handler fx om, at organisationen er nysgerrig og har et rum, både bogstaveligt og billedligt til at tale om åbent om data og praksis.
- Organisationen skal have lyst til at lære af data. Sådan at data ikke bliver brugt til at slå hinanden i hovedet med, men data bliver et redskab til se på praksis.
Pointen er, at det er positivt at stille spørgsmål. Både til praksis men også til data som sådan – fx om der er brugt den rigtige metode, om der er tale om procesmålinger og om disse skal vægtes højere end effekt eller kvalitetsmål, siger hun.

De 6 kompetencer

Forretningsforståelse

Kunsten at kunne koble data med forretningsmæssige, dvs politiske, økonomiske eller strategiske udfordringer. Altså kunne forstå strategiske pejlemærker og se data, som kan understøtte dem eller kunne spotte forhindringer og/eller løsninger til at nå målene.

Formidling/storytelling

Evnen til at kommunikere historien i data, altså hvad er det for en historie data fortæller. Frem for formidling af procentvise stigninger og fald over tid, så handler det om at oversætte det til en fortælling. Den slags huskes og forstås bedre og giver læring til organisationen.

Dataforståelse

Grundlæggende at kunne forstå de data man arbejder med. Hvad betyder de, og hvad betyder de ikke. Hvordan fordrer vi systemet med data og hvad er kvaliteten af dem – deres styrker og svagheder.

Datavisualisering

Handler om to ting, nemlig at være kreativ i sin måde at gøre data visuelle på for modtageren. Det kræver samtidig en forståelse af modtageren, vedkommendes behov, præferencer og aktuelle problemstillinger.

Analytisk forståelse

Det, at kunne krydse data og lave analyser, så det giver organisationen ny viden.
Heri ligger også det at være åben over for data og analyser – selvfølgelig at vise det forventede men også vise det, der ikke ser godt ud eller nok kommer bag på organisationen.

Hacker-mindset

Evnen til at tro på, at alt i udgangspunktet kan lade sig gøre. Forhindringer er sjove og vedholdende er en dyd. Udsagnet, at noget ikke kan lade sig gøre, skal udfordres - med et ”hvorfor” eller ”har vi prøvet at ..” eller ”Det vil jeg gerne undersøge helt til bunds”..

Kilde: Inspari og Komponent. Kompetencerne er her formuleret, så de er målrettet HK’ere i den offentlige forvaltning.