Managing Public Data - Fritt etter Richard Heeks (Kapittel 4)

Siden e-Government systemer er informasjonssystemer er dataene som de inneholder essensielle for funksjonen til disse systemene. Likevel har de fleste e-Governmentsystemer problemer med kvaliteten på dataene, og dette finnes det mange eksempler på.

Når man skal se på styringen av offentlige data i slike systemer kan man velge to innfallsvinkler; den ene er teknisk og 'hard', mens den andre er 'soft' og ser på faktorer som motivasjonen til de som bidrar med data til systemet. I dette kapitlet har man også sett på en hybrid-tilnærming til styringen av offentlige data.

4.1 Problemer med data-kvalitet

Datakvalitet kan defineres ved hjelp av 5 indikatorer, 'CARTA':

Completeness - I hvilken grad alle data krevd av en bruker er tilgjengelige i systemet
Accuracy - Nivået på feil data innen datasystemet
Relevance - I hvilken grad data er nødvendig for å fullføre bestemte bruker- avgjørelser og handlinger.
Timeliness - I hvilken grad data kan bli levert av systemet innen en gitt tidsramme
Appropriateness of presentation - I hvilken grad data produsert av systemet er tilgjengelig for mottakeren.

Jo høyere CARTA man har jo høyere er kvaliteten på dataene, og motsatt; jo lavere CARTA, jo lavere kvalitet på dataene.

Omtrent 80% av alle datafeil oppstår i den menneskelige delen av CIPSO-prosessen, men de kan oppstå i alle steg som lagring, prosessering og i leveringen av data.
Dårlige data er et problem for alle organisasjoner, men spesielt for offentlig sektor og e-Government fordi offentlig sektor er spesielt avhengig av data (Den er veldig informasjonssensitiv), fordi offentlig sektor har ansvaret for avgjørelser som er kritiske for individer, region og nasjoner, og offentlig sektor har et lovpålagt ansvar for datakvalitet og tilgjengelighet.

Hva fører til problemer med datakvalitet?

Ledere gir gjerne 'harde' faktorer skylden for datafaeil. Disse kan være miljø som ødelegger utstyr, elektriske problemer, utstyr som bryter sammen og feil i programvare. Men Det er jo menneskelige feil som skaper disse problemene på grunn av dårlig ledelse og dårlig planlegging og gjennomføring.

4.2 Harde løsninger på problemer med datakvalitet i offentlig sektor

Den 'harde' måten å løse datakvalitetsproblemer på kan deles inn i 2 grupper; generell kontroll som gjelder alle e-governmentsystemer og applikasjonskontroll som gjelder et spesielt system.

Generell kontroll kan videre bli delt inn i 3 underområder:

1. Tilgangskontroll - som brukes til å kontrollere brukertilgang til fysiske eller digitale deler av et e-Governmentsystem (Sikkerhetsvakter eller passord)

2. Kommunikasjonskontroll - som brukes til å kontrollere brukertilgang over nettverk (Kryptering og brannvegger)

3. Andre teknologier - som kontroll for viruser,brann eller feil med det elektriske.

Applikasjonskontroll er typisk "input"-kontroll, som sjekker at de data man legger inn er gyldige. Om de ikke er det vil brukeren bli rettledet av systemet for at data skal bli rett. Et eksempel på dette er om man skal legge inn et fødselsnummer og taster 10 siffer i stedet for 11. Man vil da få beskjed om at formatet på det man tastet inn er feil.


Vi kan nå se på i hvilken grad de harde faktorene (eller IT) påvirker CARTA, og dermed datakvaliteten:

Completeness: Dette er i stor grad avhengig av kildedataene og prosessen hvor man designer datafangsten, og her har IT liten innvirkning.

Accuracy: IT kan hjelpe i prosessering og i leveringen av data slik at disse blir mer nøyaktige. Og på grunn av kontroll (applikasjonskontroll) kan IT hjelpe å forbedre nøyaktigheten til dataene. Samtidig, om man bruker IT vil man redusere nøyaktigheten ved at man innfører nye muligheter for datamanipulasjon.

Relevance: IT spiller liten rolle for relevansen til data siden denne avhenger av kontekstuelle faktorer som teknologi ikke påvirker.

Timeliness - IT kan korte ned tiden for levering av data

Appropriate presentation - IT kan forbedre presentasjon for eksempel med mer varierte "output"-muligheter.


I sum ser vi at det ikke er noe enkelt forhold mellom IT og datakvalitet i offentlig sektor. Innenfor enkelte områder ser vi at IT kan spille en rolle, men det må ikke bli tatt for gitt.


4.3 'SOFTE' Løsninger på problemer med datakvalitet i offentlig sektor

Det myke perspektivet argumenterer for at en av faktorene som påvirker datakvalitet er er motivasjonen til de som er involvert i systemene. Er de motiverte vil de hjelpe til med å holde kvaliteten på dataene høy, men i motsatt tilfelle vil kvaliteten lide.

Eksempler på faktorer som påvirker motivasjonen kan være en oppfatning om data ikke er relevant, de som bidrar med data er for eksempel ikke de som bruker dem, og således bryr de seg ikke om hvorvidt de taster feil. Videre kan den som bidrar med data ha en oppfatning om at dataene de bidrar med ikke blir brukt, eller at man blir straffet om man bidrar med data (for eksempel i forbindelse med skatt).

Om man ønsker å bekjempe disse faktorene kan man gå til steg som å forsikre om at det er en bruker av dataene, slå sammen roller (Jo flere roller, jo flere er det som kan være demotiverte), å gjøre de som samler inn data om til databrukere osv...

4.4 Hybride tilnærminger til offentlig datakvalitet

De harde metodene for å øke datakvalitet er relativt lette å innføre, men det hjelper ikke. Man er derfor nødt til å mikse dem med myke metodene for å oppnå resultater.

Eksempler Hybrid generell kontroll



Policy utvikling og spredning - man kan redusere problemer ved å gjøre ansatte og eksterne oppmerksome på at datanøyaktighet er viktig.

Passordoppdatering - Passord bør byttes ut periodisk

Backup - data i systemer bør kjøres backup av.

Reparasjon og vedlikehold - prosedyrer for IT-reparasjoner og vedlikehold må være på plass for at data ikke skal være utilgjengelig.

Nekt - nekt mat/drikke i nærheten av PC'er. Det samme med programvare som kommer utenfra.

Forsiktig bruk av teknologi - Ansatte og eksterne kan bli lært opp til å ta vare på teknologien, slik at den ikke blir ødelagt.

Eksempler på hybrid applikasjonskontroll

Data-autorisasjon - for eksempel et krav om at alle data-skejma skal signeres av en som har autorisert dataene på skjemaet.

Data-inputretningslinjer- i situasjoner hvor datamaskinen ikke kontroller input må man utvikle retningslinjer for bedre inputkvalitet.

Bruk av batch-prosessering - dette er brukt i den tro at de som legger inn data vil holde høyere kvalitet om de taster inn en stor gruppe data på en gang.

Log av datainput - Siden man ikke har papir kan man ha en logg over hvilke endringer som er gjort i systemet

Dobbel input - to personer legger inn det samme materialet

Output sjekk - Noen sjekker output for å se etter feil

Bruk av bra designet input-skjermbilder - om man benytter designprinsipper i oppbyggingen av skjermbildene vil dette redusere feil.