Vad händer med avvikelserna när mängden data växer exponentiellt? AUTOMATISERAD DATAKVALITET Simon Gozzi Affärsområdesansvarig Quality Control Sverige 073-020 71 72 Simon.Gozzi@formpipe.com Jan Andersson Produktledare 076-525 77 24 Jan.Andersson@formpipe.com 11 October 2018 Automatiserad Datakvalitet Quality Control by Formpipe
AGENDA Mängden data växer varför och hur mycket? Kvalitetssäkring idag och behov framåt diskussionspunkt Automatiserad datakvalitet vad innebär det? Hur fungerar Quality Control by Formpipe Hur kan du automatisera datakvalitet? Hur kan du stärka medarbetarnas integritet samtidigt som du leder ett förändringsarbete? Demonstration 2
Mängd data PROGNOSTISERAD TILLVÄXT AV INFORMATION Modellbild över exponentiell tillväxt av information There are many sources that predict exponential data growth toward 2020 and beyond. Yet they are all in broad agreement that the size of the digital universe will double every two years at least, a 50-fold growth from 2010 to 2020. Human- and machine-generated data is experiencing an overall 10x faster growth rate than traditional business data. Machine data is increasing even more rapidly at 50x the growth rate. * *(The Exponential Growth of Data, Inside Big Data, 16 februari 2017, https://insidebigdata.com/2017/02/16/theexponential-growth-of-data/) 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 Tidslinje 3
GEMENE ORGANISATIONS DATA Strukturerad data 20% Platina W3D3 Long-Term Archive Ekonomisystem Personalsystem etc. Ostrukturerad data 80% Mailen Hemkataloger Lokal lagring på datorer Fillagring i molnet 4
SVERIGE HAR SOM MÅL ATT VARA BÄST I VÄRLDEN PÅ ATT ANVÄNDA DIGITALISERINGENS MÖJLIGHETER Myndigheten för Digital Förvaltning, DIGG, 2018 5
UTMANINGAR Ett ambitiöst mål är satt för svensk offentlig sektor men ett som sätter press på informationshanteringen. Krav på t.ex. rättssäkerhet, tillgänglighet, korrekthet och säkerhet sätter redan idag stor press på systemförvaltare och IT-enheten. Avvikelser i informationshanteringen från gällande lagar, regelverk och registreringspraxis utsätter organisationen för risker. När mängden människogenererad data växer snabbt så ökar behovet av kontinuerlig kontroll av informationen. Dagens utmaningar kommer med en ökad tillväxt av information att amplifieras. 6
FRÅGOR TILL DIG (DISKUSSIONSPUNKT) 1. Vilka avvikelser kan förekomma i din organisations informationshantering? a) Ärendemeningar b) Publicering av felaktig/känslig information c) Diarieföring av e-post d) Handlingar på vift e) Etc. 2. Hur kvalitetssäkrar din organisation information idag? 3. Vad kan förbättras för att möta dagens utmaningar givet en exponentiell tillväxt av data? 7
AUTOMATISERAD DATAKVALITET 8
9
VAD ANVÄNDER KUNDER QUALITY CONTROL TILL? RISKMINIMERING ANALYS EFFEKTIVITET UPPRÄTTHÅLLANDE AV POLICYS 10
KUNDEXEMPEL ESBJERG KOMMUN RISKMINIMERING ANALYS EFFEKTIVITET UPPRÄTTHÅLLANDE AV POLICYS 11
KUNDEXEMPEL ESBJERG KOMMUN Granskning från revisionsfirma = stora brister i datakvalitet Hur kommer vi åt den enskilda handläggarens arbete? Resultat: 1 månad till märkbar förbättring av datakvalitet Riskreducering personnummer: 90% 12
13
QUALITY CONTROL EN MODELLBILD Arbetslista distribuerad till informationsägare REGISTERUTDRAG Analys och visualisering av data för ledningen QUALITY CONTROL by Formpipe STANDARD- ADAPTRAR PROJEKT- ADAPTRAR 14
QUALITY CONTROL EN MODELLBILD Arbetslista distribuerad till informationsägare REGISTERUTDRAG Analys och visualisering av data för ledningen QUALITY CONTROL by Formpipe PLATINA W3D3 FILSYSTEM (DISKAR) EXCHANGE STANDARD- ADAPTRAR PROJEKT- ADAPTRAR 15
DEMONSTRATION Hur kan du automatisera datakvalitet? Hur kan du stärka medarbetarnas integritet samtidigt som du leder ett förändringsarbete? Hur fungerar Quality Control i praktiken? Ny information skapas Arbetsflöde med guide och åtgärder Regelbygge Kontroll görs Administration 16
QUALITY CONTROL EN ÖVERSIKT Kort tid till värde Standardprodukt Kan kopplas mot valfritt källsystem QUALITY CONTROL Naturlig arbetsfördelning (Bottom-up) Intuitivt Konfigurerbart regelverk med ett community att samarbeta i 17
I KORTHET Svaret kring om organisationer efterlever lagkrav och andra kvalitetsmål finns endast i dess data Quality Controls regelverk är flexibelt och kund kan sätta upp ett regelverk som automatiserat kontrollerar informationen (metadata och innehåll) Avvikelser detekteras och är kopplat med ett distribuerat arbetsflöde för kontinuerlig höjning av kvaliteten Medarbetarna är därmed med och äger förändringen Övergripande analys kan göras av verksamheten Quality Control är en modul till Platina/W3D3 Quality Control kan kopplas med valfritt källsystem 18
19
Vad händer med avvikelserna när mängden data växer exponentiellt? AUTOMATISERAD DATAKVALITET Simon Gozzi Affärsområdesansvarig Quality Control Sverige 073-020 71 72 Simon.Gozzi@formpipe.com Jan Andersson Produktledare 076-525 77 24 Jan.Andersson@formpipe.com 11 October 2018 Automatiserad Datakvalitet Quality Control by Formpipe
APPENDIX 21
QUALITY CONTROL EXEMPEL PÅ REGLER Regeluppsättning och koppling mot valfritt system Regelmotor Regelträffar, åtgärder och analys Registreringspraxis Säkerhet GDPR Skanning av system i ostrukturerad och strukturerad data Öppna ärenden där inget ändrats på 2 månader Ärendebeskrivningar som är kortare än 50 tecken Olämplig namngivning av dokument Avslutade ärenden med inkommen handling men ingen utgående handling Avvikande klassificering mellan handling och ärende Öppna ärenden där ansvarig handläggare slutat 22
QUALITY CONTROL EXEMPEL PÅ REGLER Regeluppsättning och koppling mot valfritt system Regelmotor Regelträffar, åtgärder och analys Registreringspraxis Säkerhet GDPR Skanning av system i ostrukturerad och strukturerad data Handlingar som innehåller personnummer men inte har en personuppgiftsmarkering Filer på nätverksdisk som innehåller postadress Bilagor till mail på mailserver som innehåller telefonnummer Lokal kopia av handling med personuppgiftsmarkering Personnummer i en mailkonversation 23
QUALITY CONTROL EXEMPEL PÅ REGLER Regeluppsättning och koppling mot valfritt system Regelmotor Regelträffar, åtgärder och analys Registreringspraxis Säkerhet GDPR Skanning av system i ostrukturerad och strukturerad data Mail till extern part med lokal kopia av handling Filer på nätverksdisk som är lösenordskyddade Lokala kopior av sekretessklassade handlingar sparade på skrivbordet Mail till extern part innehållande ordet: budget Filer vars filformat är obsolet Filer som varit utcheckade i mer än 24 timmar 24
KONTINUERLIGT ARBETE MED DATAKVALITET 25
ITERATIV PROCESS INFORMATIONS- ÄGARE VIDTAR ÅTGÄRDER SKANNING AV DATA HÖJNING AV DATAKVALITETEN DISTRIBUTION AV REGELTRÄFFAR 26
QUALITY CONTROL FÖR MEDARBETAREN 27
QUALITY CONTROL FÖR MEDARBETAREN 28
QUALITY CONTROL FÖR MEDARBETAREN 29
QUALITY CONTROL FÖR MEDARBETAREN 30
REGISTERUTDRAG 31
11 October 2018 UTAN RÄTT VERKTYG ÄR DET SOM ATT HITTA EN NÅL I EN HÖSTACK
REGISTERUTDRAGSMODULEN - FUNKTION 33
Här matas uppgifter in om den person som begär ett registerutdrag Dessa utgör kriterier i en regel som automatiskt bildas i Quality Control En skanning görs sedan av organisationens data som Quality Control har indexerat Detaljer om sökningen specificeras I detta fall ett registerutdrag som gjorts från filsystemet 34
Objekt som innehåller data som svarar mot angivna kriterier listas sedan i en tabell Här presenteras bl.a. objektets placering Hela mallen är konfigurerbar för att kunna svara mot kunds specifika behov på format, inkluderad information etc. 35