4#19 - Bjørn Broum - Data Strategy at Statens Veivesen (Nor)

WEBVTT
00:00:00.739 --> 00:00:04.852
Dette er Metadama, en helhetlig podcast om datamanagement i Norden.
00:00:04.852 --> 00:00:13.643
Hei og velkommen.
00:00:13.643 --> 00:00:18.353
Jeg heter Vindfrid og takk for at du er med på en ny episode av Dama Nordens podcast.
00:00:18.353 --> 00:00:31.972
Vår visjon er å gi datamanagement i Norden et løft, vise frem den kompetansen og, ikke minst, det kunnskapsnivået vi har innenfor Fragfelt, og det er derfor jeg inviterer med meg nordiske eksperter innenfor både datamanagement og informasjonsforvaltning til en prat.
00:00:31.972 --> 00:00:57.933
Velkommen til Metadama, og jeg er kjempeglad for å ha en ny episode på Norsk og en episode som toucher på et tema som er veldig viktig i dagens organisasjoner, særlig med tanke på hypen rundt generativ AI, og det er datastrategi.
00:00:57.933 --> 00:01:19.971
Og så snakker jeg om datastrategi sammen med Bjørn, og Bjørn introduserer seg selv straks, men Bjørn er veldig engasjert innenfor fagfeltet, både datastrategi og data governance, skriver veldig mye bra content rundt tema, så det er en glede å ha Bjørn med på podcasten i dag.
00:01:20.200 --> 00:01:25.373
Så vi snakker om datastrategi og datastrategi i veivesene.
00:01:25.373 --> 00:01:28.808
Veivesene har revidert sin datastrategi.
00:01:28.808 --> 00:01:42.951
Bjørn har vært penførende på dette og kommet med noen forslåtte løsninger på noen av de utfordringene, så det blir veldig spennende å snakke om dette temaet med Bjørn.
00:01:42.951 --> 00:01:45.128
Så, bjørn, vær så god, introdukjør deg selv.
00:01:46.524 --> 00:01:47.246
Hei Bjørn Brohm.
00:01:47.246 --> 00:01:52.103
Jeg er fagdirektør i VVS-ene.
00:01:52.103 --> 00:01:59.146
Jeg er en del for arkitektur, data og teknologi i UKV, og så kommer jeg i virksomhetsstyring.
00:01:59.146 --> 00:02:04.623
Så dette har jeg hatt en varme start som heter data og innsiktsanalyse.
00:02:04.623 --> 00:02:09.110
Og så har Ariadne en liten pause og kommer tilbake i VVS-en over, skiftet I en ny rolle.
00:02:09.110 --> 00:02:11.353
Så det er litt av reisen.
00:02:11.353 --> 00:02:20.127
Og etter å jobbe med data og innsiktsanalyse, så er jo det med VVS-en.
00:02:20.127 --> 00:02:21.610
Jeg tror helse var ultimativt for at.
00:02:21.610 --> 00:02:23.294
Det er data og kompleksitet og organisasjon.
00:02:23.294 --> 00:02:26.008
Men den verasen er faktisk enda vanskeligere og enda mer utfordrende.
00:02:26.340 --> 00:02:34.729
Jeg gleder meg til å dykke litt i de utfordringene veivesene står ovenfor og de utfordringene de allerede har løst.
00:02:34.729 --> 00:02:42.788
Men før det, hva er det du, Bjørn, gjør i din fritid, når du ikke er på jobb for veives?
00:02:45.602 --> 00:02:52.270
Alle som har ungdom i huset vet jo at det kreves litt av tid.
00:02:52.270 --> 00:03:00.064
Så har jeg sett over 18-åringen at når du er ferdig på gymnasiet så kan du flytte, så skal du få opp til bakketiden din.
00:03:00.064 --> 00:03:11.606
Men vi reiser, liker å oppsøke historikk, liker å oppsøke byer med god makt, kultur fått med mange av dem på det.
00:03:11.606 --> 00:03:26.473
Og så er det å stimulere unga også til å ta i bruk taktile egenskaper, sånn at jeg har en sønn som liker å holde på med treskjæring og tredreng, dotter som går på kunstdesign og arkitektur, male leire og så videre.
00:03:26.473 --> 00:03:31.109
Så nå er jeg veldig ved å være en økonom og tekniker.
00:03:31.109 --> 00:03:34.866
Så er jeg jo fornøyd med at ungene har rutt opp disse taktile egenskapene.
00:03:35.241 --> 00:03:36.286
Det er veldig bra.
00:03:36.520 --> 00:03:48.099
Og så snakket vi om at du også liker å reise til Tyskland som Tyskland, som gjør meg veldig glad å høre Ja, og ueldigvis, eller heldigvis, en tysk svegerbord.
00:03:48.099 --> 00:03:51.893
Så det kommer ikke unger Selvfølgelig.
00:03:51.919 --> 00:03:58.484
Men hvor og det er jo alltid litt spennende å høre i fagsveget vårt hvor kommer interessen for data fra?
00:03:58.706 --> 00:03:59.780
Jeg tror veldig mange.
00:03:59.780 --> 00:04:04.443
Så er jo det her litt sånn i dag veldig spennende kunstig intelligens.
00:04:04.443 --> 00:04:17.297
Når jeg ramlet igjen i datadisperten, så var jeg trainee i Sparokom Midt-Norge i 96, 90, det må bli 30 år siden, der jeg ble fordelt inn på ulike prosjekter.
00:04:17.297 --> 00:04:27.451
Og jeg ble fordelt inn på det som heter Nytt Busse, helt innfor vårt system, som var et banktjen, og da hadde jeg et firma som heter Niklas Data.
00:04:27.451 --> 00:04:39.706
Det var et svensk som startet i Norge og laget en kundeløpsmøtesmodell faktisk for bank, og da ønsket jeg å gå videre og bygge datavarhus for styringsinformasjon, og da var store hotte balance scorecard.
00:04:39.706 --> 00:04:46.192
Så da var det å lære seg å faktisk kode og sette opp det her sammen med sasinsput.
00:04:46.192 --> 00:04:56.449
Så da satt du med Windows 3.51, du satt med Vax, du satt med VSA-format, kobol-format, paktesim, så videre for å få det her til å spinne sammen.
00:04:56.449 --> 00:04:58.728
Så det var jo en ganske interessant øvelse.
00:04:58.728 --> 00:05:13.968
Og da du skulle bli en distributor her på 64K-linja ute i lokalbanken, så var jo ikke det helt enkelt heller, sånn at det var ganske lærerikt, som gjør, at du kan jo mye av det basis teknologien som ungdommen i dag ikke kan, for den går rett på slutt i neste.
00:05:13.968 --> 00:05:17.867
Og så var det andre som var ganske interessante, som kanskje ingen tenker seg på.
00:05:17.867 --> 00:05:23.029
Det var ikke en Google-søk eller noe AE som ga svaret.
00:05:23.029 --> 00:05:26.197
Da måtte jeg ringe en med for å finne ut de tekniske problemerne.
00:05:26.197 --> 00:05:41.028
Så det var starten egentlig på en reise som medfortatt at jeg startet firmaet sammen med tre andre i slutten av inngangen av slutten av 1990, holdt på med det i seks år eller noe sånt, før jeg gikk over og ble ansatt i kreditkort.
00:05:41.028 --> 00:05:55.920
Traff egentlig veldig på planke da, for det var jo akkurat når vi investerte i Entecard, som er en svedbank, og gikk fra 400 000 kunder til 1,7 millioner kunder på fra 2005 til 2012.
00:05:55.920 --> 00:05:58.399
10% av ansatte var data scientists.
00:05:58.704 --> 00:06:19.740
Så det var reelt, innsiktsdrivet virksomhet som også medfører det at det er det at ventetid koster penger, altså det med hvordan du jobber effektivt i prosessene, hvordan arkitektur, prosessorganisering og så videre må jobbes med for å kan levere produktet raskast mulig I det.
00:06:19.740 --> 00:06:30.764
Så ble jeg også mer interessert i arkitektur, også det med IT-prosesser som en del av det er, og dermed har jeg kanskje et litt annet syn på hva data er i stort og det, å lykkes med data.
00:06:30.764 --> 00:06:32.992
Det her handler ikke bare om å bruke data.
00:06:32.992 --> 00:06:47.283
Du må også ha interesse av hvordan du påvirker der data oppstår og også tenke det helt ut til hvordan du ser det her fra et datasettersk virksomhetsarkitektur, for å lykkes også med å skalere det, da.
00:06:47.283 --> 00:07:09.516
Det har vært litt i reisen Konsulent, kakkejemne i Ernst Young, jobbet i bankforsikring, torduksfinansiering, jobbet med flyselskap, jobbet i ganske mange år i helsesektoren Stort prosjekt i helsesektoren, stort prosjekt til Sørøst med regional data-analys og plattform som har vært løftet og etter hvert også den gjennom transport.
00:07:10.262 --> 00:07:16.927
Det har alltid vært sånn at hvis folk tror at datafaget er forskjellig mellom industrier, så er det ikke det.
00:07:16.927 --> 00:07:19.202
Forretningskunnskapene er litt forskjellige.
00:07:19.202 --> 00:07:32.641
Men det gjør også at jeg har tatt et prosjekt av tunge løft og er vel mer opptatt av tilrettelegg for å lykkes med data fremfor hver en som er bleeding på utnyttet, men 80 prosent er fortsatt adoptjon og det er stønnsett.
00:07:32.641 --> 00:07:33.846
Andre og spesielt ledere.
00:07:34.721 --> 00:07:36.247
Det som jeg synes er litt spennende.
00:07:36.247 --> 00:07:37.841
Det er to perspektiver her.
00:07:37.841 --> 00:07:40.805
Det ene er at du har 30 års erfaring i fagfeltet.
00:07:40.805 --> 00:07:46.475
Det andre er at du har en veldig bred erfaring fra forskjellige bransjer over tid.
00:07:46.475 --> 00:07:56.427
Og så snakket du om datacentrisk arkitektur, og det er noe som vi har snakket om før og det snakker vi om igjen, og det er noen sånne gjenganger, noen tema som kommer opp igjen.
00:07:56.427 --> 00:07:58.288
Nå er det med deling i architecture.
00:07:58.288 --> 00:07:59.428
Det er jo heller ikke noe nyt.
00:07:59.428 --> 00:08:01.550
Og hva tenker du?
00:08:01.550 --> 00:08:11.946
Ser du egentlig i store linjene noen utviklingstrinn som vi går imot, eller ser du at det er mest tema som kommer opp igjen etter en tidsperiode?
00:08:11.966 --> 00:08:47.075
Du kan jo si sånn, hvis du høver litt i strategisk perspektiv, så kan jeg si det, at først og fremst, det er vel enkelt for mye av datafolkeneant i dag og ikke anerkjenne for eksempel det, at hvis du ikke lykkes med de operasjonelle prosessene, operasjonell bruk av data, så gjør det det bedre, gjør noe som å legge analyser på de operasjonelle prosessene eller forsterke kvalitetsfokuset på det, så den alltid går rett, er det lite grunn til å sette i etterbruk av data Sånn at du må på en måte gjøre det bedre, for du kan gjøre det smartere, ikke sant?
00:08:47.075 --> 00:08:56.467
Så derfor er det jo det med å alltid snakke med dallionarkitekturen som gjør, om det skal være en leik og selv om det skal være en datamesh eller hva det er.
00:08:56.467 --> 00:09:06.355
Det måtte jeg først og fremst si, at du må starte bort, skal du påvirke arkitekturen før du kommer dit, og gjerne også med å snu datastrøm der.
00:09:06.355 --> 00:09:10.793
Så ruter er jo ekstremt spennende case.
00:09:10.793 --> 00:09:22.408
Vi har jobbet lenge, der det er kommet til, at data og applikasjoner har migrert, altså gått sammen, og de har mottatt råttet 9-10 petabyte med data i månen for kollektivsystemet.
00:09:22.649 --> 00:09:28.167
Og det er jo det som driver kollektivsystemet, det er en data og applikasjonsplattform som er konvergert sammen.
00:09:28.167 --> 00:09:33.710
Så jeg tror, endringen er ikke at du har en analyseplattform og en dataplattform.
00:09:33.710 --> 00:09:40.985
Jeg tror du må tenke større inn det hvis du skal lykkes med dette, hvordan du klarer å snu datastrømmer og tenke annerledes på det.
00:09:40.985 --> 00:09:51.807
Jeg tror også dem som lykkes tenker og forstår at data eller nye produkter tjenes å bygges på eller rundt datene, i første omgang, ikke som en ettertanke, at du skal begynne å integrere og så videre.
00:09:51.807 --> 00:09:55.125
Så det er et mindset til endring som må til.
00:09:55.125 --> 00:09:59.543
Det skjer i hvert fall i en del sektorer og en del andre steder.
00:09:59.543 --> 00:10:01.066
Det skjer endringer på den.
00:10:01.346 --> 00:10:07.667
Nå tenker vi et høyt her hva tenker du må til for å få til denne mindset-endringen?
00:10:11.403 --> 00:10:16.347
Det er faktisk fortsatt må du få direktøren til å forstå hva det betyr.
00:10:16.347 --> 00:10:23.184
Det kan ikke være sånn, at jeg er verre hypeskap for å få dem opptatt av data eller AI.
00:10:23.184 --> 00:10:30.903
Nå, du må jo komme til å jobbe og investere Sånn at du må jo på en måte altså det er jo data-intrusjonskultur da.
00:10:30.903 --> 00:10:53.940
Så hvis du skal skalere og forstå hva er utover det som er generativt, som det var innpå i starten her, så er det jo fortsatt det, at du må på en måte sikre datatilgang, du må sikre databeskrivelser, gjør data når data er stått, så du kan bruke en verktøy som er strøms, og det her krever å investere i både mennesker, teknologi, arkitektur og systemer og så videre.
00:10:53.940 --> 00:10:55.888
Og det er jo en lang jobb.
00:10:55.888 --> 00:11:07.597
Det er ikke noe som du fikser over, sånn at da er det jo opp til direktørene, enda de som bærer med, å skollere på det.
00:11:07.597 --> 00:11:09.144
Du kan ikke både bare være ildskjald.
00:11:09.144 --> 00:11:13.193
Så det er jo det som er det tunge løftet.
00:11:13.495 --> 00:11:14.139
Det må investeres.
00:11:14.139 --> 00:11:22.909
Det høres ut som det er et tydelig behov for retning og strategi, som er hovedtema for vår samtale.
00:11:22.909 --> 00:11:36.919
Men før vi snakker om datastrategi, kanskje vi skal snakke litt om veivesene og hvilke utfordringer veivesene står om for og hvilken skala av dataarbeid vi snakker om.
00:11:37.200 --> 00:11:39.360
Det kan jeg tøkke seg på Staten.
00:11:39.360 --> 00:11:47.960
Sør-Vesen er jo på en måte en stor universjon, 165 år i en5 år, 170 år.
00:11:48.942 --> 00:11:51.629
De siste 20 årene har vært gjennom en stor reorganisering.
00:11:51.629 --> 00:12:00.629
Jeg tror at dette var integrert veivesen i hvert enkelt fylke, så ble det løftet og konsolidert inn i regionene.
00:12:00.629 --> 00:12:04.706
Det var før regionreformen, så ble det større enheter.
00:12:04.706 --> 00:12:07.173
Det er det vi er med også.
00:12:07.173 --> 00:12:12.823
Det gikk jo mesta ut da, for eksempel, sånn at det som er mesta i dag var jo en del av VVS.
00:12:12.823 --> 00:12:16.107
Så VVS er kontraheret og alltid da, da vi produserer jo lite.
00:12:16.107 --> 00:12:21.606
Og så i 2018-2019, så var det jo siste store område å engasjere.
00:12:21.606 --> 00:12:23.490
Det er jo det fikk landstekken i divisjonen.
00:12:23.490 --> 00:12:31.264
Her som gjorde noe med, kaller jeg for det integrerte fallmeddeler som ble splittet i divisjoner, landstekket.
00:12:31.264 --> 00:12:56.586
Jeg har 4.700 ansatte, 5.000 ansatte har delt på egentlig fire store utøvende divisjoner i divisjonen og fellespunksjoner, og så har vi et direktorat på toppen som er data og innsiktsanalys, altså øker vi økene i virksomhetsregjeringen, det som jeg kaller stor del av myndighetssettinga i VVS, altså bondet og regelverk, for vi regulerer jo også halvmyndighetszonen.
00:12:59.100 --> 00:13:12.549
Så det er en veldig krevende struktur, og da har vi et ansvar, fra å starte og bygge ut dere veier Nå har det jo blitt nye veier, og vi har jo også allerede satt offentlige utbyggere av veier, som tar en del.
00:13:12.549 --> 00:13:27.451
Men vi har jo et ansvar å drifte 10.500 kilometer merksvei, 500-600 bruer, tunneller, så videre, til også, at vi har et nasjonalt ansvar.
00:13:27.451 --> 00:13:28.299
Og så for eksempel for trafikksikkerhet.
00:13:28.299 --> 00:13:30.461
Så er det også det på tvers av alle.
00:13:30.461 --> 00:13:33.311
Vi er ikke bare for Riksbeendet, både tilkestegere og kommuner.
00:13:33.311 --> 00:13:50.148
Vi jobber med trafikksikkerhet, altså det med likeverdige artistlige, altså det er stått og tatt kontroll av tunge kjøretøy bare til alle for å luke ut farlige kjøretøy, men også det å sikre at dem som driver hitt og ikke blir utkokken av dem som driver på en annen måte.
00:13:50.148 --> 00:13:57.451
Vi er en industri som slipper ut ekstremt mye klimagasser 40 prosent av totalt.
00:13:57.451 --> 00:13:59.767
Der kommer vi over i transporten og så videre.
00:13:59.767 --> 00:14:04.975
Så vi har et stort ansvar å redusere dette på like linje med alt av det som vil kreve mye.
00:14:04.975 --> 00:14:08.384
Det er jo derfor vi elektrifiserer bilene, for eksempel.
00:14:08.384 --> 00:14:19.884
Så vi har kommet et godt stykke på det til at vi har vedtrafikk i sentralene, sånn som hvis det skjer en ulykke så har vi et ansvar for å liksom få utbegning og så videre.
00:14:19.884 --> 00:14:36.609
Til at vi jobber avansert med risiko i forhold til stengning av veier og så videre, for eksempel, at vi tar i bruk sensorikter for å se om vi kan detektere at det går ut snøret, så vi kan hindre trafikkjøler.
00:14:36.649 --> 00:14:42.451
Igjen Til at vi nå ser på hvordan vi rettlegger for autonomi transport.
00:14:42.451 --> 00:15:10.971
Vi er med et stort forskningssprosjekt som heter Mobi, som skal kjøre en autonom lastebil fra Amsterdam til Moss for å se hvordan det krever, og også det med å støtte opp forskninger som skjer når det gjelder autonome biler, og vi vet jo ikke helt hva det betyr for både hvordan vi må bygge veier i fremtiden eller om vi trenger å bygge nye veier i fremtiden, hvis vi går fra en reaktiv til en proaktiv trafikkstyring.
00:15:10.971 --> 00:15:28.664
Vi kjører jo tester nå på både geofencing og på å regulere hastigheter på moderne biler, helt til at vi har en årlig en jammer-testbånd, der vi inviterer ganske mange virksomheter som er og tester mot GNS-angrep.
00:15:28.664 --> 00:15:42.522
Også det med det, at når bilene skal begynne å kjøre selv så må de stole på GPS, og det med jamming av GPS-signalene, snu, flytte klokke og så videre.
00:15:42.522 --> 00:15:45.431
Montellering av vei og ekstremt viktig for trafikksikkerheten framover.
00:15:45.431 --> 00:15:48.745
Så vi har jo en proaktiv holdning også til det.
00:15:48.745 --> 00:15:51.626
Så det er i stort hva vi holder på.
00:15:51.626 --> 00:15:54.754
Da må vi si at har VVS vært datadrevet?
00:15:54.774 --> 00:16:05.062
Ja, vi har vært aldri datadrevet For det med trafikks i Norge med 350% siden 1970, tror jeg, eller 1980.
00:16:05.062 --> 00:16:17.443
Og vi har lyktes da å redusere antall ulykker med 85% på samme tidsrom Og i best ti år på rad er vi premiert som best i Europa nå med å lykkes med trafikksarbeidet vårt.
00:16:17.864 --> 00:16:40.572
Og det gjør vi på grunn av vi bruker data Og mye av det vi forsker på på trafikk, bevegelser, med reisetidsmønstre og så videre er jo basert av forskning og kunnskapsbygging, og du blir jo transportingeniør på NTNU, så det er jo fag data.
00:16:40.572 --> 00:16:51.470
altså det som er nytt nå med data innsikt og analyse av datasatursene er at vi begynner å se dette på tvers og prøver å integrere data og redusere brytende siloene.
00:16:51.470 --> 00:17:06.599
og det er jo det som for eksempel trafikksikkerhetsmiljøet sier, at de tror det er precis så kommende og må nå null trafikkrette 2050, nye datakilder og egentlig se ting større sammenheng og bli mer avansert på for å hjelpe.
00:17:06.599 --> 00:17:11.096
Men de folka har kommet absolutt veldig bra med så langt.
00:17:11.096 --> 00:17:14.811
Så det med å klarbruke data med revansjer vil kanskje bringe oss i morgen.
00:17:15.105 --> 00:17:24.131
Du sa noe kjempespennende i vår prep-samtale, nemlig at bil i seg selv kan bli en sensor eller brukt som en sensor.
00:17:28.037 --> 00:17:28.805
Hva betyr dette?
00:17:28.805 --> 00:17:32.148
En bil i dag er ganske avaksert med moderne biler.
00:17:32.148 --> 00:17:36.751
Bileverandørene vet jo om det er 1, 4 eller 5 i bilen.
00:17:36.751 --> 00:17:43.555
Så det kan jo ha en betydning i forhold til hvordan du kan tenke at du har visst beleggede biler på et tidspunkt.
00:17:43.555 --> 00:17:54.411
Men også det med at vi vet faktum Du har ikke med om du skal anbele folk å kjøre fort, for det er ikke din sida der.
00:17:54.411 --> 00:18:03.570
Men du kan si at vi egentlig er på et ulykkesfall i Norge med dødslykker og ulykker med skader.
00:18:03.792 --> 00:18:07.252
At vi ikke kan lenger si noe om tiltakene vi gjør.
00:18:07.252 --> 00:18:10.468
Er sine i kant eller ikke.
00:18:10.468 --> 00:18:17.531
Så dermed så er summen av ting som bringer nedover, og dermed så er det sånn at vi har ikke noen ulykkerstand.
00:18:17.531 --> 00:18:32.076
Men bilene vet jo om nesten ulykker, sånn at hvis du får tilgang til fra biløveren der, om alle disse kan, så kan du se veldig mye mer om hvor de skjer, hvorfor de skjer, når de skjer og så videre, som gjør at det kanskje hjelper oss å komme inn.
00:18:32.926 --> 00:18:43.534
Så vi i dag logger fryktelig mye data og så videre om datapotter, sånn at det tror jeg blir en viktig datakilde å få tilgang til på en eller annen måte fremover, hvis det skal lykkes.
00:18:43.734 --> 00:18:56.218
Dette er jo et kjempespennende tema som også er litt juridisk krevende Persondata som er i spill her, også når det gjelder data fra byene.
00:18:56.218 --> 00:19:18.484
Vi hadde dette eksempelet tidligere i år med Volkswagen, hvor lokasjonsdata til Volkswagen biler var synlige og tilgjengelige, og det inkluderte jo Volkswagen-biler i hele Europa, inkludert biler som kjørte i Ukraina, inkludert biler som ble kjørt av politikere i Europa.
00:19:18.484 --> 00:19:23.217
Det er en del nye utfordringer som kommer med dette.
00:19:25.449 --> 00:19:27.434
Som en del av etterbrekket av DIA.
00:19:27.434 --> 00:19:28.869
Så har vi jo løftet personvern.
00:19:28.869 --> 00:19:33.272
Så vi har kommet i en situasjon at jeg tror vi har 14-15 personvern i USA.
00:19:33.272 --> 00:19:36.974
Vi har noe rene, vi har mange jurister tilgjengelige for de regelverkstrykkingene.
00:19:36.974 --> 00:19:38.509
Men jeg tror at gjør det rett.
00:19:38.509 --> 00:19:53.276
Det er sånn at du har mange teknologier, hvordan vi kan måtte, fra både et myndighetsperspektiv og så videre, sørge for at de dataene vi har er ikke bare godt beskyttet, men at de er tilrettelagt på en sånn måte at det er personvernvennlig.
00:19:53.276 --> 00:19:55.768
Men jeg tror at gjort rett.
00:19:55.768 --> 00:20:04.057
Så tror jeg at de fleste innbyggere i Norge har en aksept for, på et eller annet nivå, at vi bruker data om personer.
00:20:04.057 --> 00:20:05.078
Hvis det er bergerliv i.
00:20:05.098 --> 00:20:31.010
Norge Litt på samme måte tror jeg, som de fleste innbyggere i Norge eller borgere i Norge har en aksept for at helse bruker dataen på sødbehandling for å forbedre kvaliteten på sød-sikkerheten, så tror jeg det er akkurat det samme hvis vi bruker data rett i forhold til Bergelie, og så er det jo forskjell på det med med, som du sier, med overvåkning og delen med data på avvisende kriser her i da.
00:20:31.010 --> 00:20:34.529
Men de dataene har jo bildet frem til når de er redde.
00:20:34.529 --> 00:20:43.530
Spørsmålet er jo om vi kan bruke det fra et sånn type perspektiv som en myndighetsrolle gjør på da, sånn at vi har jo ingen forsvarsforsikring.
00:20:43.530 --> 00:20:49.519
Så er vi ganske uikvide av hjemmelske nivåer for bruk og opplysning og allerede er knyttet til det formålet.
00:20:56.464 --> 00:21:01.472
Men det er helt korrekt at det å gi vare til personverden perspektivet og få opp den trygge måten er viktig.
00:21:01.472 --> 00:21:09.444
Det er jo kjempespennende å se hvordan også Veivik som organisasjon utvikler seg for å takle disse utfordringene som personvern, som vi har snakket om.
00:21:09.444 --> 00:21:20.277
Vi har hatt tidligere på podcasten, både Mester og Ruta for å snakke om noen av de lignende utfordringene også med tanke på sensordata på busser, for eksempel.
00:21:20.277 --> 00:21:28.022
Men hva tenker du har, på grunn av den utviklingen skjedd i veivesene, i organisasjonsutviklingen?
00:21:32.051 --> 00:21:34.718
Når det gjelder personalt spesifikt, så har vi langt igjen.
00:21:34.718 --> 00:21:56.048
Vi er veldig konservative på bruken av personlige data, så vi er mer utfordrende for konservative dag enn at vi er for progressiv på det, og vi jobber metodisk med det, med organisasjonsutviklingen, for der handler det jo om at du skal skape tillit også hos ledelse.
00:21:56.048 --> 00:21:58.671
Du skal skape tillit hos dem som eier dataen.
00:21:58.671 --> 00:22:10.196
Det er ikke bare å sitere og konsumere dataen, men det er jo helt essensielt at du lykkes med å ta i bruk data på en effektiv måte.
00:22:10.196 --> 00:22:17.657
Vi har vært oppe i at vi har brukt fire måneder, når vi startet, til å få tilgang til et dataset fra et fylldesystem.
00:22:17.657 --> 00:22:18.970
Det er jo ikke bærekraftig.
00:22:18.970 --> 00:22:21.589
Vi har kommet et godt stikk på veien.
00:22:21.589 --> 00:22:25.378
Men spørsmålet som er styrt til det jeg møtte i et av de her tidlig.
00:22:25.765 --> 00:22:32.192
Men spørsmålet som er styrt til å gjøre møte i etatene her tidlig, det var hvor lenge vil dere vente på at du har en datainformert beslutning?
00:22:32.192 --> 00:22:34.775
Da hadde jeg satt i på til Esen to timer til to dager.
00:22:34.775 --> 00:22:37.978
Veddirektøren var vel på to timer hver dag.
00:22:37.978 --> 00:22:40.661
Andre direktører synes at to dager var ikke så tabelt.
00:22:40.661 --> 00:22:47.491
Men poenget er at beslutningen tas med eller uten data.
00:22:47.491 --> 00:22:53.031
Så kan du tenke deg hva du må gjøre i forhold til å sikre deg på en effektiv måte, om det er med tiltak, det er mulig.
00:22:53.845 --> 00:22:57.750
Men du må forstå at beslutningen tas med eller uten data og så må du bli sett i mål.
00:22:57.750 --> 00:22:58.874
Det er jobb etter det.
00:22:58.874 --> 00:23:08.146
Det er veldig verdig, at du klarer som en del å praten og uten at det ser mye av vurderingsbytet til dokumentasjon og beharingsoversikt og så videre.
00:23:08.146 --> 00:23:10.013
Så bygger det inn i plattformen, for eksempel.
00:23:10.365 --> 00:23:14.010
Jeg liker den der beslutningen tas med eller uten data.
00:23:14.010 --> 00:23:23.969
Jeg tror det er viktig å huske på at det er særlig nå, når vi snakker så mye om datatrevne organisasjoner, så ofte ser at det er beslutningen et menneske som tar.
00:23:23.969 --> 00:23:31.154
Så det har vært mye snakk om er det egentlig datatreven vi strever etter eller er det data-informed?
00:23:31.154 --> 00:23:36.098
Men hva er ditt perspektiv rundt datatreven i Veivesen?
00:23:36.519 --> 00:23:37.599
Vi er på.
00:23:37.599 --> 00:23:40.682
Som jeg nevnte, så tar vi mye beslutninger allerede med det.
00:23:40.682 --> 00:23:46.377
Vi har ikke kommet langt nok med hva vi ønsker å gjøre.
00:23:46.377 --> 00:23:46.701
Det har vi ikke.
00:23:46.701 --> 00:23:54.295
Og det går jo på det at vi har en krenelig oppsett datastrategi som uttrykker litt på det.
00:23:54.295 --> 00:23:59.536
Det ble jo uttrykket en datastrategi når vi har vært etablert tilbake i 2022.
00:23:59.536 --> 00:24:04.517
Den sa egentlig det at vi skal skape en rikke av lotter.
00:24:04.517 --> 00:24:16.192
Vi startet det som heter datafyrtårn, så man mikser mellom en mer klassiskt dataanalys, virksomhetsrapportering, og det som er litt mer moderne dataproduktutvikling, for å demonstrere ulike ting.
00:24:16.192 --> 00:24:34.931
Og det vi lærte ganske fort, der var jo det at når du ikke hadde egentlig beskrevet store bilder, som du gjerne gjør i strategi, og si at vi velger det her og vi har valgt bort det der og det forsvinger datasstrategi, så det er veldig vanskelig for folk å forholde seg til det umodent.
00:24:34.931 --> 00:24:51.355
Og vi konkluderte jo etter hvert med det at vi lærte fryktelig mye, for vi leste ut organisasjonen, men vi så det at dette er jo ikke en bærekraft, eller vi er jo fortsatt på å kalle det et kostnadsinvås, at det ikke er bærekraft å kjøre din modem videre.
00:24:51.355 --> 00:25:05.196
Så dermed, så ble det jo etter hvert viktig det med å revidere datastrategien og det tror jeg er helt nødvendig på grunn av at det du ønsker er å øke læring, slik at du skjønner at du trenger ikke gjøre så mye.
00:25:05.196 --> 00:25:07.540
Det, å bare gjøre en ting, da har du lært bare en ting.
00:25:07.540 --> 00:25:10.627
Det, å gjøre hundre ting, så har du lært mange mer ting.
00:25:10.627 --> 00:25:26.299
Og dermed, så gjør dere med å forstå forskjell på å springe maraton i en øvelse, eller du vil springe maraton som hundremeterstafett, så har du en helt større læringstakt, læringsdireksjoner og muligheten til å korrigere og så videre på det du holder på med.
00:25:26.299 --> 00:25:27.601
Så derfor er det viktig.
00:25:29.026 --> 00:25:38.724
Og det andre som vi lærte ganske fort er at i etaten her så er det jo sånn at organiseringen vår, de fire utdøvende divisjonene passer jo egentlig til.
00:25:38.724 --> 00:25:41.689
Det kallet fysisk oppgavesstruktur, hva vi gjør dag.
00:25:41.689 --> 00:25:47.317
Da har vi snakket om den digitale verdikjeden vår, altså hvordan data oppstår igjen på oss.
00:25:47.317 --> 00:25:49.401
Du har behov for dem i det her stedet vi skal se.
00:25:49.401 --> 00:25:56.449
Så ser du at verdikjeden vår, som er digital, i langt større grad går på tvers av divisjonstrukturen.
00:25:56.449 --> 00:26:11.269
Og dermed så er det sånn at når divisjonene er i stor grad etanom og du skal begynne å se på dette og få dette til å gå på tvers, så er det en ganske krevende øvelse Organisatorisk.
00:26:12.305 --> 00:26:31.125
Så mye av det du tenker er fra arkitektur, og du glemmer fort at avirgasjon er jo også en arkitektur, og Conley har sagt virkelig mye om det der, men du glemmer hva han egentlig sa som du bruker på kommunikasjonslinjen.
00:26:31.125 --> 00:26:41.881
Så den nye datastatusjen toker jo opp til at du må oppfatte data som et felles gode og begynne å skjønne at du må tilføre data fra der den oppstår, til der du har boferd.
00:26:41.881 --> 00:26:53.387
Og da er det såpass vanskelig her, at de samme datene har du behov på forskjellige ulike områder, så du kan se at du må fange dem en gang, så må du kunne bruke dem mange ganger.
00:26:53.387 --> 00:26:58.045
Sånn er petterne her, og vi ser ikke på hvordan Og det.
00:26:58.045 --> 00:27:05.621
Der er jo både en utlesning og en kommunikasjon, og vi har tre toppmål i etatene, som er store og vi har noe til.
00:27:05.621 --> 00:27:15.991
Men vi snakker jo om, at vi har trafikksikkerhet, fremkommelighet og bærekraftig måte Sagt en del ting om bærekraft og om trafikksikkerhet.
00:27:15.991 --> 00:27:17.259
Fremkommelighet er jo like stort område.
00:27:17.259 --> 00:27:22.920
Det som handler om, at vi skal ha forutsikkerhet i forhold til mobiliteten i Norge.
00:27:23.527 --> 00:27:28.647
Næringstransport vi skal bevare frem Vinterrestitsforsynkelser koster mye penger.
00:27:28.647 --> 00:27:39.663
Vi Vi har byvekstattaler som spør sikkerhet til byanvekst uten økt biltrafikk, for vei inn fra syftelen koster mye, tar mye plass, og dermed er det jo det vi kaller motnøddet.
00:27:39.663 --> 00:27:45.979
Altså dermed, hvordan får vi dette til å hengse på tvers av veitrafikken med banepollektiv og så videre?
00:27:45.979 --> 00:28:08.746
Det er viktig det er, at vi gir opp beskjed i appen vår at du bør kanskje kjøre rundt halvdagen videre enn at du prøver å kjøre over, for det kommer til å bli kononikjøring i løpet av sånn.
00:28:08.766 --> 00:28:19.605
Så hvis du kjørerer som gjør, at du klarer å opprettholde, men går det jo til ras, så er det jo så avansert at vi prøver på en måte å vite om det som heter robusthet, redunals og restitusjonshemmene.
00:28:19.605 --> 00:28:29.122
Hvis du ikke har omkjøringstrykker, så må du kanskje bygge det mer robust eller se hvordan du klarer å få en.
00:28:29.122 --> 00:28:31.384
Det er jo krevende når det er et nasjonalt ansvar.
00:28:31.384 --> 00:28:37.843
På Kjørdal Vi har eksempler nå at det har gått rast på I Nordland, hvor man kjører 50 mil via Sverige.
00:28:37.843 --> 00:28:41.480
Det er jo for at det du har godt av ikke er det du har gjort så mye for.
00:28:41.480 --> 00:28:43.045
Det er ikke erodians.
00:28:44.238 --> 00:28:56.416
Det som jeg synes er kjempespennende her er at det høres for meg ut som datastrategien, strategien og revideringen av strategien ble gjort hovedsakelig med fokus på den verdien du skal skape.
00:28:56.416 --> 00:29:01.059
Det er litt tett knyttet mot formålet i veivesenet.
00:29:01.617 --> 00:29:12.144
Den vårt dratt der, og det må jeg forklare til mange, at oppdraget vårt er på å ta spar livet gjennom redusert trafikksikkerhet.
00:29:12.144 --> 00:29:20.181
Det er jo ikke mobiliteten eller framkommeligheten i Norge, det gjør gjennom også det, at vi skal sikre der på begreppende måter altså klimaavtrykket.
00:29:20.181 --> 00:29:32.891
Og det er veldig lett å tenke på, at data er en egenverdi, men vi er jo her slett til å løse et samfunnsoppdrag, og det er jo det vi på en måte har klart å artikulere og kommunisere gjennom datastataskin.
00:29:32.891 --> 00:29:35.692
Og så kan vi se litt om etatene.
00:29:35.692 --> 00:29:40.596
Vi har 450 systemer internt, vi har 220 000 sensorer.
00:29:41.219 --> 00:30:08.684
Vi har en nasjonal veidatabank som er 660 objekter, hvordan vi beskriver en vei og veiintrastrukturen på det Ret skriven vei og vei-infrastrukturen på det Retning vane veikroppen, hva er vannsystemet i lov For det her blir jo påvirket på det Og det er jo vår digitale tvilling av veier i Norge og det er jo forskjellig at også kommuner og fylkeskommere sørger for at de er oppdatert alltid.
00:30:08.684 --> 00:30:19.579
Så det er jo er som TomTom og Google bruker som grunnlag for faktisk partskjønns og så videre i demmelbilene og det bilene får da.
00:30:19.579 --> 00:30:22.858
Så dere må også forstå det, at vi er en stor dataer.
00:30:22.858 --> 00:30:27.240
Jeg tror som først opp har vi kjempet å bli laget større dataer etter hvert, når vi lykkes.
00:30:27.240 --> 00:30:36.294
Men vi har jo, vi har jo på en måte som er litt sånn Som også for at typen data Går fra en perspektiv Og et AI perspektiv.
00:30:36.394 --> 00:30:42.386
Så setter vi og har datatyper Som kanskje ikke er så veldig vanlig Å være en del av datavåret Og si tabeller.
00:30:42.386 --> 00:30:55.229
Vi har lidar, altså kongeskyddata, som beskriver egentlig Det vi for eksempel bruker når vi kalkulerer tverrfall, altså hvordan sveikurvene er, når vi kjører med de biler som tar lyd her.
00:30:55.229 --> 00:31:02.319
Det er der vi prøver å modelle hvordan vannsystemet klarer å ta ned botten når det ser mye nedbør.
00:31:02.319 --> 00:31:07.319
Det er det som vi ser noe på med spordybden og med reasfaktor.
00:31:07.319 --> 00:31:28.233
Der har vi også prøvd å kalkulere siktkurvene gjennom kurvene og hovedkilden, i stor grad sammen med NVDB, når vi har lavet risikosvinger og klart å ha identifisert 240 kurver i Norge som har for elevert freie risiko for ulykker som er i gang, sett tiltak med både skilting og utredning.
00:31:28.233 --> 00:31:35.443
Det tar noen år for å få utredet alt, men det er jo det som er til det.
00:31:35.463 --> 00:31:41.565
Vi har høyestidskamera som kjører langs rekkeverket og tar bilder av rekkeverket og der bruker kunstig intelligens til å detektere om det er skade på rekkeverket.
00:31:41.565 --> 00:31:45.053
Om det er et skru, en bulk, er det fortsatt en trestørrelse og ikke byttet ut.
00:31:45.053 --> 00:31:50.229
Det er jo biler som kjører kontinuerlig på det.
00:31:50.229 --> 00:31:59.693
Og Vi har også masse bilde som vi bruker for å se om vi klarer å gi posisjonen av bildet, så vi kan se om det står på rett posisjon i forhold til NVDB.
00:31:59.693 --> 00:32:04.385
Har det rett fartsgrinser som større NVDB, så vi kan prøve å automatisere det.
00:32:04.385 --> 00:32:17.262
Vi bruker for eksempel det med lidar til å måle høyden i tunneler eller unge br bruer og så videre, så vi kan på at det tilbyr tjenester hvor vi må kjøre igjen hvis det er seks meter last, for eksempel.
00:32:17.262 --> 00:32:21.320
Så det er fryktelig mange ulike datakilder.
00:32:21.320 --> 00:32:32.767
Vi har i tillegg til bare data i tabeller, og det utfordres både fra et governance-perspektiv, men det er også en stor mulighet for å ha i bruk der på en annen måte enn på andre.
00:32:36.236 --> 00:32:37.314
Den kompleksiteten du viser til nå?
00:32:37.314 --> 00:32:41.661
på hvilket nivå legger du data fra sin?
00:32:43.179 --> 00:32:44.001
På her nå.
00:32:44.001 --> 00:32:45.740
Så har vi datastatistisk gilsen.
00:32:45.740 --> 00:33:16.308
Så kan jeg si at vi har vært veldig strategisk egentlig i innretninga, sånn at vi prøver jo på en måte å etablere et forenklet språk, et språk som er altså datafolk har, eller vi datafolk er fryktelig gode i språket vårt og det er fremmedgjørende for alle, sånn at vi prøver ikke å snakke om data governance, vi prøver å snakke om korrekthet til data eller data beskriven og så videre, for det kan andre forstå Det å snakke om data pipes, det var du intern.
00:33:16.308 --> 00:33:25.517
Så vi må betrenke videre fremmedgjøring, så at flere kan være med i diskusjonen, og det er noe vi har prøvd å få frem også i datastatens skyld.
00:33:25.517 --> 00:33:26.258
At vi må fremkle.
00:33:26.258 --> 00:33:31.484
Vi har løftet er, at for oss må vi lykkes med hvordan vi forvalter dataen vår.
00:33:31.484 --> 00:33:41.607
Men vi har også løftet frem at for oss er dokumentasjon en viktig kilde.
00:33:43.317 --> 00:33:45.265
Vi kaller det elektroet bak tunnelveggen.
00:33:45.265 --> 00:33:47.761
Det ligger jo dokumentet, det ligger jo ikke i kildene.
00:33:47.761 --> 00:34:02.102
Så det, at vi finner dokumentasjon er viktig, det, at vi finner dokumentasjon er viktig, og også det med hvordan vi utøver det, med plattform og arkitektur og lojaliteten til å begynne å løse opp sidelånet på det, og så siste er jo det med KI da.
00:34:02.102 --> 00:34:16.693
Men så kan vi si at KI er jo for oss veldig bredt, for vi kjøper jo KI som en bedda i kamera, for eksempel, har jo ikke noe med datastrategien å gjøre, men det er på en måte andre typer.
00:34:16.693 --> 00:34:33.764
Du har jo på en måte en god pilot eller mer ferdig generative teknologier som egentlig ikke er i egne data, hvis du ikke bygger vektordatabaser og så videre, og så utvikler vi modeller selv, og så får vi jo andre til å bygge modeller på våre data.
00:34:33.764 --> 00:34:47.382
Sintef eller andre forskningsinstitusjoner gjør det, eller at vi som oppfunnelige institusjoner deler ut datasettet, må gjøre det som oppfunnelige aktører, og da er andre som bygger modeller på våre data.
00:34:47.382 --> 00:34:48.978
Her er det spennende egentlig på AI.
00:34:49.197 --> 00:34:49.478
Og det.
00:34:49.518 --> 00:34:51.161
jeg tror det er som veien der.
00:34:51.161 --> 00:34:55.239
så må du begynne å bruke AI i ganske kontrollert, små skritt.
00:34:55.239 --> 00:34:57.983
men jeg tror det er veldig viktig at problemet er fint.
00:34:57.983 --> 00:35:01.702
Teknologien er ikke et annet fint problem når det har vært en periode.
00:35:01.702 --> 00:35:10.041
Men du må komme i gang og bruke det Og det er jo en sånn balanse i forhold til hva som gir verdi på det.
00:35:10.041 --> 00:35:16.418
Men i og med at vi har forskningsbasert, så bruker jo fagmiljøene våre, så har vi brukt AI lenge.
00:35:16.418 --> 00:35:18.798
Det er jo ikke noe som gjør det, men det blir jo produktivt.
00:35:19.737 --> 00:35:28.039
altså maskinlæring den typen som er brukt, og jeg tror jo også det, at en del av det vi holder på ved er jo fortsatt statistiske modelleringer som skjer da.
00:35:28.039 --> 00:35:35.847
Men vi må ikke tro at dette startet i et miljø som er basert på ingeniørpraksis og mye forskning.
00:35:35.847 --> 00:35:39.871
Så har de brukt den type annonserte teknologiene lenger.
00:35:39.871 --> 00:35:49.679
Så det er litt av bakgrunnen, sånn at AI, tror jeg, blir viktig for oss fremover på det å ta og bruke data i Auxis Eller skaper det.
00:35:49.679 --> 00:35:51.998
Så tror jeg det blir viktig at vi lykkes med det.
00:35:51.998 --> 00:35:55.827
Jeg tror at vi skal gå av læringssteg og gjøre det også kontrollert.
00:35:56.188 --> 00:35:56.628
Veldig bra.
00:35:56.628 --> 00:36:02.873
Jeg tenker litt på den kompleksiteten du viser til, både i forretningen, men også i datastrategien.
00:36:02.873 --> 00:36:07.726
Det krever et visst nivå av kompetanse i selskapet.
00:36:07.726 --> 00:36:18.210
Du snakket allerede om datalinger og tilpasset språk slik at flere kan være med i de diskusjonene og spørsmålene som stilles fremover.
00:36:18.210 --> 00:36:22.659
Men hva tenker du er på et kompetanseperspektiv?
00:36:22.659 --> 00:36:29.483
Hva er viktig fremover og hvordan skal det kompetanseperspektivet også finne sin plass i datastr strategien?
00:36:30.144 --> 00:36:31.885
Vi peker jo mye på kompetanse.
00:36:31.885 --> 00:36:40.922
Vi ser at dataanalyser er et eget fag og de integreres med de ekstremt fagene.
00:36:40.922 --> 00:36:48.742
Det er jo for at vi må anerkjenne at datakompetanse er et eget fag På linje med andre typer fagpraksis.
00:36:48.742 --> 00:36:49.525
så er det jo veldig viktig.
00:36:49.525 --> 00:36:59.501
Og det er jo også grunnlaget for at, når vi peker på, at vi må på en måte omstille og divisjoner må omstilles, altså fri øresverk for å ansette datakompetanse.
00:37:00.237 --> 00:37:19.001
Vi har jo G-datamiljøet, og G-datamiljøen er jo god på å bruke data, g-special data sånn, eller en dataingeniør eller en måte kan bidra jobbdata i på andre type måter.
00:37:19.001 --> 00:37:22.679
Så og så setter jeg vel det.
00:37:22.679 --> 00:37:28.400
Men jeg tror også det med at vi starter jo også med en type klassisk dataingeniør med Python, sql.
00:37:28.400 --> 00:37:40.518
Men jeg tror jo også det går du i retning data, altså dataprodukt, så vil du i større grad også kombinere datafaglig kompetanse med en fullstakk utviklere, og det går i endringen.
00:37:40.518 --> 00:37:46.599
Jeg tror ikke vi klarer å ansette så mye, å kalle det sånn klassiskt datafaglig på det.
00:37:46.599 --> 00:37:51.681
Så vi må også være litt kreative for hvordan vi skjer med en skalering på det.
00:37:51.681 --> 00:37:59.103
Vi tror at summen av kompetansen i et team er større enn enkeltvinnlig kompetanse over tid.
00:38:00.356 --> 00:38:03.425
Så det å finne vedvarende strukturer og tilstedelekturer er viktig.
00:38:03.425 --> 00:38:18.163
Når vi kommer inn på hvordan vi skal lykkes med å øke datakvaliteten, korrektheten, databeskyldelsen, så må vi også bli aktuere de fagmiljøene allerede som jobber med systemene.
00:38:18.163 --> 00:38:24.836
Vi kan ikke bare ansette nye dataverter eller dataeier utenpå de eksisterende strukturerne.
00:38:24.836 --> 00:38:29.679
Vi må trene opp de strukturerne til at vi kan nok data og bare lov til.
00:38:29.679 --> 00:38:47.161
Så er jo TechLeads, løsningsøkentekten, som er bare lov til første linje for det som skjer, og så videre, sånn at vi må jo ståndsett og skjønne at det er et læringscase i forhold til å ståndsette mange andre enn at du skal ha veldig mange sånn nytt lag med roller ut av hva vi eksisterer i det, tror jeg, for å lykkes med det her.
00:38:47.161 --> 00:38:48.744
Og den er tung, den kommer til å ta tid.
00:38:48.744 --> 00:38:59.782
Hvis du ser i avisene, så skal jo alle hjelp av Finn, så skal jo alle dataingeniører og dataanalytikere, som er ikke nok folk.
00:39:00.797 --> 00:39:13.987
Men hvis du følger den der linjen der i avisene, så er det jo veldig mye å snakke om å bruke AI-automatisering for effektivisering og kanskje for å støtte datafolk.
00:39:13.987 --> 00:39:15.289
Hvordan ser du på det?
00:39:17.398 --> 00:39:19.166
Jeg har forhold til det.
00:39:19.166 --> 00:39:27.762
Så jeg tror de som er dyktige vi har god støtte av AI generative teknologier Jeg tror ikke så veldig på.
00:39:27.762 --> 00:39:38.065
Jeg tror hvis du skal lykkes på applikasjonsutvikling av andre områder, så trenger du fortsatt datafolk.
00:39:38.065 --> 00:39:54.563
Det at du har gode databeskrivelser, det at du har kanskje noe etter hvert begynner å gjøre dataen din avgjør klar, som Gartner snakker om, med å ta i bruk kunnskapsgrafer i forhold til å tilføre noen kontekst for hvordan data henger sammen og så videre.
00:39:54.563 --> 00:40:05.005
Men det at du har data infrastrukturmessig egenskap gjør at jeg tror at du må innvestere mer i datamråder av datafolk hvis du skal lykkes og automatisere andre områder.
00:40:05.005 --> 00:40:12.505
Så jeg er ikke så veldig redd for at vi som jobber med data skal bli erstatt av en agent eller så videre.
00:40:12.505 --> 00:40:17.360
Jeg tror det er helt nødvendig hvis du skal ha portskaller og ta i bruk det at du har noen datafaglig kompetanse.
00:40:17.380 --> 00:40:18.364
Det er veldig borligende.
00:40:18.364 --> 00:40:32.355
Vi er allerede på slutten av samtalen som gikk superfort men har du noen key takeaway eller noen call to action når du tenker at dette bør folk tenke på når de jobber med datastrategi, det bør folk tenke på når de jobber med datasategi.
00:40:32.474 --> 00:40:37.539
Jeg tror det er veldig viktig at du tenker ganske strategisk.
00:40:37.539 --> 00:40:39.949
Du får frem det på en måte.
00:40:39.949 --> 00:40:46.304
Jeg jobber mange år med datasategi Da satt den søvnest, så det er kanskje det mest strategiske som jeg jobber med.
00:40:46.304 --> 00:40:51.260
Men jeg tror det er helt nødvendig at du jobber såpass strategisk med å sette målsetninger.
00:40:51.260 --> 00:40:54.465
Du skriver ambisjonene dine, du bruker strategisk språk.
00:40:54.465 --> 00:41:13.083
Vi snakker om blivsystem, vi snakker om boundaries, vi snakker om målsetninger, vi snakker om strategisk prioritering og prøver å kommunisere hva det er og ikke er før du kjenner til operasjonaliseringen din.
00:41:14.956 --> 00:41:20.463
Hvis du legger den for operasjonell, så vil det her egentlig bli litt sånn som det alltid har vært.
00:41:20.463 --> 00:41:32.362
Og jeg tror det, at hvis du på en måte skal få med direktører, så må du involvere dem godt nok, og da må strategien også ha et strategisk innretningsspråk.
00:41:32.362 --> 00:41:35.514
Så strategien handler jo om å velge og velge bort valut.
00:41:35.514 --> 00:41:50.737
Da har vi jo prøvd å skrive godt nok hva vi velger bort, for eksempel, så at du skriver inn verset på det I forhold til det med strategien som vi har en sånn key-læring.
00:41:50.737 --> 00:41:56.041
Det er det, å holde ned teknisk kompleksitet, ikke overinvestere i teknologier for tidlig.
00:41:56.041 --> 00:42:00.402
Datafolk er veldig glad i dataplattformer.
00:42:00.402 --> 00:42:08.023
Læringen vi gjorde vi har klart oss lenge med en SQL-server, en ordentlig database med data når vi gjør analyser.
00:42:08.023 --> 00:42:11.101
Så vi har lært mer før vi begynte å investere i plattform.
00:42:11.161 --> 00:42:11.541
For eksempel.
00:42:11.541 --> 00:42:17.704
Vi har jo ikke hatt skyavtaler for hvor sånn at vi har jo gjort jo ballen premiss.
00:42:17.704 --> 00:42:40.222
Men det er også det å ha fokus på verdien, løse blokkere, det å spesielt med kallet, monisering av synlige gevinstene, bruk av data, og det trenger du ikke være så veldig avansert på, du trenger ikke en stor rukk for å gjøre det, for det blir fortsatt småskaler til oss.
00:42:40.222 --> 00:42:41.721
Jeg tror flest av dem er veldig småskaler.
00:42:41.721 --> 00:42:58.320
Først er det 1, 2, 3, 4 årene, og så spørs man tidskonten når at vi ser plattform som et produkt og at vi faktisk da forstår også den skaleringen som skjer og tørs å snakke om det.
00:42:58.677 --> 00:43:06.773
For det påvirker de valgene vi gjør og hvordan vi tenker, hvordan vi dimensionerer og hvordan vi jobber med å få avsatt noen ressurser man skal til.
00:43:06.773 --> 00:43:10.577
Så det er mange tematikker her.
00:43:10.577 --> 00:43:45.175
Men det med å tenke strategisk, tenk dimensjonering, tenk det, at du kan komme veldig langt uten å bruke veldig mye ressurser på back-end-side eller lavteknisk nivå, synligvis får folk med deg først å forstå hva verdien i data er, hva forskjellene med å jobbe med nærnerledes innsikt frem til å bli litt mer informert er viktig, og jo mer ressurser du bruker på det å bygge på en lav teknisk nivå, tar du vekk egentlig fra det som faktisk gjør de syrlige gevinstene av å bruke data.
00:43:45.175 --> 00:43:59.739
Så det er den læringsfasen som jeg tror vi må beskjede, i hvert fall når vi starter der Vi gjør, at vi må på en måte ha veldig stor fokus på valgbyen av å bruke data og holde ned teknisk organistik.
00:43:59.840 --> 00:44:16.762
Jeg tror det er tre ting som jeg tok med meg her som er veldig viktige i strategiarbeid, og det ene er å skape en viss forståelse for det du gjør, tett knytte inn mot forretningen, men på et strategisk nivå.
00:44:16.762 --> 00:44:20.605
Det andre er sikkert en mulighet for skalering.
00:44:20.605 --> 00:44:27.967
Og til sist, som det så fint heter på norsk, ta noen informed, deliberate choices av klare, tydelige valg.
00:44:27.967 --> 00:44:29.501
Takk for en kjempegod samtale.
00:44:29.501 --> 00:44:30.880
Takk skal du ha, Vintren.