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

«Hvis folk tror at data faget er forskjellig mellom industrier så er det ikke det. Data er Data. Forretningskunnskapen er forskjellig. / If people think data work is different across industries, it isn’t. Data is data. Business knowledge is what changes.»

In this episode of MetaDAMA, we dive into the data strategy of Statens Vegvesen with Bjørn Broum. With 30 years of experience in the data field, Bjørn shares valuable insights.

Bjørn takes us on the journey from Statens Vegvesen’s first data strategy to today’s revised version and explains why a strategic approach to data is essential for success. The conversation also touches on critical questions around privacy, skills development, and organizational challenges. Bjørn shares his most important lesson: keep technical complexity low in the early stages, focus on demonstrating value, and remember that decisions are made with or without data, so make data available when it’s needed!

Here are some key takeaways:

• We need a mindset shift in organizations. Think about the following:
  • You need to keep focus on operational success, that is what you are measured by. 
  • You need to understand how you can impact your architecture, before the actual impact happens.
  • New services needs to be build around data. Data cannot be an afterthought,
• You need to work actively with your executive management to ensure that data becomes a stable, not something that is hype-driven.
• Your data infrastructure is what you need consistent focus and buy-in on. This is the foundation that can support the «hype» on top of it.

Statens Veivesen

• Long standing tradition dating back to 1864, tasked to build and maintain road infrastructure in Norway.
• Maintaining 10.500 km of road infrastructure, including about 6000 bridges and 600 tunnels.
• Utilization of sensors to predict risks and impact of e.g. rockfall, snowdrift, avalanches that all could impact traffic and road security.
• Research on how Norway can prepare for autonomous vehicles and traffic safety.
• Modern cars can be used as sensors. You can e.g. get information on how many people are in a car.
• There is a focus on ensuring personal data protection while maximizing insights from data.
• Ensure that the organization develops in a direction that can address and handle new challenges (data-driven).
• Remember that decisions are made with or without data. If you want data-informed decision data needs to be available for decision making, when needed.

Data Strategy

• It’s a living strategy, that needs to stay updated.
• Data Strategy is always designed to accompany for a need, and that need can change over time.
• Data Strategy needs to hold a big-picture that people can relate their work to, that is recognizable.
• Digital value chain needs to be understood also towards the cross-functional needs across the organization.
• Conways law needs to be recognized.
• The value of data is realized in business. Therefore Data Strategy is build on business objectives.
• Be deliberate with your strategy: what do you need to focus on? For veivesenet this was e.g. to establish a common language and vocabulary.
• Statens Veivesen also makes data accessible for research. This needs to be reflected.
• AI is a topic as well, including data readiness for AI.
• Competency and skills are an important part of data strategy.
• Don’t focus on dat roles, but rather upskilling in your organization.
• Understanding boundaries, goals, and strategic priorities is key when working with data strategy.
• Scaling and dimensions need to be strategically understood.
• Focus on the value of data and the business value it potentially generates, not technology.

Bjørns' blog

Transcript

Introduksjon til Metadama

Speaker 1 0:00

Dette er Metadama, en helhetlig podcast om datamanagement i Norden. Hei og velkommen. Jeg heter Vindfrid og takk for at du er med på en ny episode av Dama Nordens podcast. 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. 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. 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.

Speaker 1 1:20

Så vi snakker om datastrategi og datastrategi i veivesene. Veivesene har revidert sin datastrategi. 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. Så, bjørn, vær så god, introdukjør deg selv.

Speaker 2 1:46

Hei Bjørn Brohm. Jeg er fagdirektør i VVS-ene. Jeg er en del for arkitektur, data og teknologi i UKV, og så kommer jeg i virksomhetsstyring. Så dette har jeg hatt en varme start som heter data og innsiktsanalyse. Og så har Ariadne en liten pause og kommer tilbake i VVS-en over, skiftet I en ny rolle. Så det er litt av reisen. Og etter å jobbe med data og innsiktsanalyse, så er jo det med VVS-en. Jeg tror helse var ultimativt for at. Det er data og kompleksitet og organisasjon. Men den verasen er faktisk enda vanskeligere og enda mer utfordrende.

Speaker 1 2:26

Jeg gleder meg til å dykke litt i de utfordringene veivesene står ovenfor og de utfordringene de allerede har løst. Men før det, hva er det du, Bjørn, gjør i din fritid, når du ikke er på jobb for veives?

Speaker 2 2:45

Alle som har ungdom i huset vet jo at det kreves litt av tid. 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. Men vi reiser, liker å oppsøke historikk, liker å oppsøke byer med god makt, kultur fått med mange av dem på det. 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. Så nå er jeg veldig ved å være en økonom og tekniker. Så er jeg jo fornøyd med at ungene har rutt opp disse taktile egenskapene.

Speaker 1 3:35

Det er veldig bra.

Speaker 2 3:36

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. Så det kommer ikke unger Selvfølgelig.

Speaker 1 3:51

Men hvor og det er jo alltid litt spennende å høre i fagsveget vårt hvor kommer interessen for data fra?

Speaker 2 3:58

Jeg tror veldig mange. Så er jo det her litt sånn i dag veldig spennende kunstig intelligens. 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. 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. 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. Så da var det å lære seg å faktisk kode og sette opp det her sammen med sasinsput. 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. Så det var jo en ganske interessant øvelse. 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. Og så var det andre som var ganske interessante, som kanskje ingen tenker seg på. Det var ikke en Google-søk eller noe AE som ga svaret. Da måtte jeg ringe en med for å finne ut de tekniske problemerne. 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. 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. 10% av ansatte var data scientists.

Bjørns bakgrunn og dataerfaring

Speaker 2 5:58

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. 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. Det her handler ikke bare om å bruke data. 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. 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.

Speaker 2 7:10

Det har alltid vært sånn at hvis folk tror at datafaget er forskjellig mellom industrier, så er det ikke det. Forretningskunnskapene er litt forskjellige. 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. Andre og spesielt ledere.

Speaker 1 7:34

Det som jeg synes er litt spennende. Det er to perspektiver her. Det ene er at du har 30 års erfaring i fagfeltet. Det andre er at du har en veldig bred erfaring fra forskjellige bransjer over tid. 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. Nå er det med deling i architecture. Det er jo heller ikke noe nyt. Og hva tenker du? 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?

Speaker 2 8:11

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? 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. 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. Så ruter er jo ekstremt spennende case. 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.

Speaker 2 9:22

Og det er jo det som driver kollektivsystemet, det er en data og applikasjonsplattform som er konvergert sammen. Så jeg tror, endringen er ikke at du har en analyseplattform og en dataplattform. 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. 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. Så det er et mindset til endring som må til. Det skjer i hvert fall i en del sektorer og en del andre steder. Det skjer endringer på den.

Speaker 1 10:01

Nå tenker vi et høyt her hva tenker du må til for å få til denne mindset-endringen?

Speaker 2 10:11

Det er faktisk fortsatt må du få direktøren til å forstå hva det betyr. Det kan ikke være sånn, at jeg er verre hypeskap for å få dem opptatt av data eller AI. 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. 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. Og det er jo en lang jobb. 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. Du kan ikke både bare være ildskjald. Så det er jo det som er det tunge løftet.

Speaker 1 11:13

Det må investeres. Det høres ut som det er et tydelig behov for retning og strategi, som er hovedtema for vår samtale. 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.

Speaker 2 11:37

Det kan jeg tøkke seg på Staten. Sør-Vesen er jo på en måte en stor universjon, 165 år i en5 år, 170 år.

Speaker 2 11:48

De siste 20 årene har vært gjennom en stor reorganisering. Jeg tror at dette var integrert veivesen i hvert enkelt fylke, så ble det løftet og konsolidert inn i regionene. Det var før regionreformen, så ble det større enheter. Det er det vi er med også. Det gikk jo mesta ut da, for eksempel, sånn at det som er mesta i dag var jo en del av VVS. Så VVS er kontraheret og alltid da, da vi produserer jo lite. Og så i 2018-2019, så var det jo siste store område å engasjere. Det er jo det fikk landstekken i divisjonen. Her som gjorde noe med, kaller jeg for det integrerte fallmeddeler som ble splittet i divisjoner, landstekket. 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.

Datasentrisk arkitektur og mindset

Speaker 2 12:59

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. 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. Og så for eksempel for trafikksikkerhet. Så er det også det på tvers av alle. Vi er ikke bare for Riksbeendet, både tilkestegere og kommuner. 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. Vi er en industri som slipper ut ekstremt mye klimagasser 40 prosent av totalt. Der kommer vi over i transporten og så videre. Så vi har et stort ansvar å redusere dette på like linje med alt av det som vil kreve mye. Det er jo derfor vi elektrifiserer bilene, for eksempel. 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. 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.

Speaker 2 14:36

Igjen Til at vi nå ser på hvordan vi rettlegger for autonomi transport. 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. 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. 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. Montellering av vei og ekstremt viktig for trafikksikkerheten framover. Så vi har jo en proaktiv holdning også til det. Så det er i stort hva vi holder på. Da må vi si at har VVS vært datadrevet?

Speaker 2 15:54

Ja, vi har vært aldri datadrevet For det med trafikks i Norge med 350% siden 1970, tror jeg, eller 1980. 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.

Speaker 2 16:17

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. 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. 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. Men de folka har kommet absolutt veldig bra med så langt. Så det med å klarbruke data med revansjer vil kanskje bringe oss i morgen.

Speaker 1 17:15

Du sa noe kjempespennende i vår prep-samtale, nemlig at bil i seg selv kan bli en sensor eller brukt som en sensor.

Speaker 2 17:28

Hva betyr dette? En bil i dag er ganske avaksert med moderne biler. Bileverandørene vet jo om det er 1, 4 eller 5 i bilen. Så det kan jo ha en betydning i forhold til hvordan du kan tenke at du har visst beleggede biler på et tidspunkt. 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. Men du kan si at vi egentlig er på et ulykkesfall i Norge med dødslykker og ulykker med skader.

Speaker 2 18:03

At vi ikke kan lenger si noe om tiltakene vi gjør. Er sine i kant eller ikke. Så dermed så er summen av ting som bringer nedover, og dermed så er det sånn at vi har ikke noen ulykkerstand. 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.

Speaker 2 18:32

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.

Speaker 1 18:43

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. 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. Det er en del nye utfordringer som kommer med dette.

Speaker 2 19:25

Som en del av etterbrekket av DIA. Så har vi jo løftet personvern. Så vi har kommet i en situasjon at jeg tror vi har 14-15 personvern i USA. Vi har noe rene, vi har mange jurister tilgjengelige for de regelverkstrykkingene. Men jeg tror at gjør det rett. 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. Men jeg tror at gjort rett. Så tror jeg at de fleste innbyggere i Norge har en aksept for, på et eller annet nivå, at vi bruker data om personer. Hvis det er bergerliv i.

Speaker 2 20:05

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. Men de dataene har jo bildet frem til når de er redde. 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. Så er vi ganske uikvide av hjemmelske nivåer for bruk og opplysning og allerede er knyttet til det formålet.

Speaker 1 20:56

Men det er helt korrekt at det å gi vare til personverden perspektivet og få opp den trygge måten er viktig. 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. 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. Men hva tenker du har, på grunn av den utviklingen skjedd i veivesene, i organisasjonsutviklingen?

Veivesenets rolle og utfordringer

Speaker 2 21:32

Når det gjelder personalt spesifikt, så har vi langt igjen. 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. Du skal skape tillit hos dem som eier dataen. 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. Vi har vært oppe i at vi har brukt fire måneder, når vi startet, til å få tilgang til et dataset fra et fylldesystem. Det er jo ikke bærekraftig. Vi har kommet et godt stikk på veien. Men spørsmålet som er styrt til det jeg møtte i et av de her tidlig.

Speaker 2 22:25

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? Da hadde jeg satt i på til Esen to timer til to dager. Veddirektøren var vel på to timer hver dag. Andre direktører synes at to dager var ikke så tabelt. Men poenget er at beslutningen tas med eller uten data. 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.

Speaker 2 22:53

Men du må forstå at beslutningen tas med eller uten data og så må du bli sett i mål. Det er jobb etter det. 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. Så bygger det inn i plattformen, for eksempel.

Speaker 1 23:10

Jeg liker den der beslutningen tas med eller uten data. 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. Så det har vært mye snakk om er det egentlig datatreven vi strever etter eller er det data-informed? Men hva er ditt perspektiv rundt datatreven i Veivesen?

Speaker 2 23:36

Vi er på. Som jeg nevnte, så tar vi mye beslutninger allerede med det. Vi har ikke kommet langt nok med hva vi ønsker å gjøre. Det har vi ikke. Og det går jo på det at vi har en krenelig oppsett datastrategi som uttrykker litt på det. Det ble jo uttrykket en datastrategi når vi har vært etablert tilbake i 2022. Den sa egentlig det at vi skal skape en rikke av lotter. 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. 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. 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. 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. Det, å bare gjøre en ting, da har du lært bare en ting. Det, å gjøre hundre ting, så har du lært mange mer ting. 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. Så derfor er det viktig.

Speaker 2 25:29

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. Det kallet fysisk oppgavesstruktur, hva vi gjør dag. Da har vi snakket om den digitale verdikjeden vår, altså hvordan data oppstår igjen på oss. Du har behov for dem i det her stedet vi skal se. Så ser du at verdikjeden vår, som er digital, i langt større grad går på tvers av divisjonstrukturen. 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.

Speaker 2 26:12

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. 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. 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. Sånn er petterne her, og vi ser ikke på hvordan Og det. Der er jo både en utlesning og en kommunikasjon, og vi har tre toppmål i etatene, som er store og vi har noe til. Men vi snakker jo om, at vi har trafikksikkerhet, fremkommelighet og bærekraftig måte Sagt en del ting om bærekraft og om trafikksikkerhet. Fremkommelighet er jo like stort område. Det som handler om, at vi skal ha forutsikkerhet i forhold til mobiliteten i Norge.

Dataforvaltning og personvern

Speaker 2 27:23

Næringstransport vi skal bevare frem Vinterrestitsforsynkelser koster mye penger. 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. Altså dermed, hvordan får vi dette til å hengse på tvers av veitrafikken med banepollektiv og så videre? 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.

Speaker 2 28:08

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. Hvis du ikke har omkjøringstrykker, så må du kanskje bygge det mer robust eller se hvordan du klarer å få en. Det er jo krevende når det er et nasjonalt ansvar. På Kjørdal Vi har eksempler nå at det har gått rast på I Nordland, hvor man kjører 50 mil via Sverige. Det er jo for at det du har godt av ikke er det du har gjort så mye for. Det er ikke erodians.

Speaker 1 28:44

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. Det er litt tett knyttet mot formålet i veivesenet.

Speaker 2 29:01

Den vårt dratt der, og det må jeg forklare til mange, at oppdraget vårt er på å ta spar livet gjennom redusert trafikksikkerhet. Det er jo ikke mobiliteten eller framkommeligheten i Norge, det gjør gjennom også det, at vi skal sikre der på begreppende måter altså klimaavtrykket. 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. Og så kan vi se litt om etatene. Vi har 450 systemer internt, vi har 220 000 sensorer.

Speaker 2 29:41

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. 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. Så dere må også forstå det, at vi er en stor dataer. Jeg tror som først opp har vi kjempet å bli laget større dataer etter hvert, når vi lykkes. 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.

Speaker 2 30:36

Så setter vi og har datatyper Som kanskje ikke er så veldig vanlig Å være en del av datavåret Og si tabeller. 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. Det er der vi prøver å modelle hvordan vannsystemet klarer å ta ned botten når det ser mye nedbør. Det er det som vi ser noe på med spordybden og med reasfaktor. 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. Det tar noen år for å få utredet alt, men det er jo det som er til det.

Speaker 2 31:35

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. Om det er et skru, en bulk, er det fortsatt en trestørrelse og ikke byttet ut. Det er jo biler som kjører kontinuerlig på det. 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. Har det rett fartsgrinser som større NVDB, så vi kan prøve å automatisere det. 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. Så det er fryktelig mange ulike datakilder. 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.

Speaker 1 32:36

Den kompleksiteten du viser til nå? på hvilket nivå legger du data fra sin?

Datastrategi og organisasjonsutvikling

Speaker 2 32:43

På her nå. Så har vi datastatistisk gilsen. 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. 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. At vi må fremkle. Vi har løftet er, at for oss må vi lykkes med hvordan vi forvalter dataen vår. Men vi har også løftet frem at for oss er dokumentasjon en viktig kilde.

Speaker 2 33:43

Vi kaller det elektroet bak tunnelveggen. Det ligger jo dokumentet, det ligger jo ikke i kildene. 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. 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. 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. 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. Her er det spennende egentlig på AI.

Speaker 1 34:49

Og det.

Speaker 2 34:49

jeg tror det er som veien der. så må du begynne å bruke AI i ganske kontrollert, små skritt. men jeg tror det er veldig viktig at problemet er fint. Teknologien er ikke et annet fint problem når det har vært en periode. 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. Men i og med at vi har forskningsbasert, så bruker jo fagmiljøene våre, så har vi brukt AI lenge. Det er jo ikke noe som gjør det, men det blir jo produktivt.

Speaker 2 35:19

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. Men vi må ikke tro at dette startet i et miljø som er basert på ingeniørpraksis og mye forskning. Så har de brukt den type annonserte teknologiene lenger. 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. Så tror jeg det blir viktig at vi lykkes med det. Jeg tror at vi skal gå av læringssteg og gjøre det også kontrollert.

Speaker 1 35:56

Veldig bra. Jeg tenker litt på den kompleksiteten du viser til, både i forretningen, men også i datastrategien. Det krever et visst nivå av kompetanse i selskapet. Du snakket allerede om datalinger og tilpasset språk slik at flere kan være med i de diskusjonene og spørsmålene som stilles fremover. Men hva tenker du er på et kompetanseperspektiv? Hva er viktig fremover og hvordan skal det kompetanseperspektivet også finne sin plass i datastr strategien?

Speaker 2 36:30

Vi peker jo mye på kompetanse. Vi ser at dataanalyser er et eget fag og de integreres med de ekstremt fagene. Det er jo for at vi må anerkjenne at datakompetanse er et eget fag På linje med andre typer fagpraksis. så er det jo veldig viktig. 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.

Speaker 2 37:00

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. Så og så setter jeg vel det. Men jeg tror også det med at vi starter jo også med en type klassisk dataingeniør med Python, sql. 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. Jeg tror ikke vi klarer å ansette så mye, å kalle det sånn klassiskt datafaglig på det. Så vi må også være litt kreative for hvordan vi skjer med en skalering på det. Vi tror at summen av kompetansen i et team er større enn enkeltvinnlig kompetanse over tid.

Speaker 2 38:00

Så det å finne vedvarende strukturer og tilstedelekturer er viktig. 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. Vi kan ikke bare ansette nye dataverter eller dataeier utenpå de eksisterende strukturerne. Vi må trene opp de strukturerne til at vi kan nok data og bare lov til. 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. Og den er tung, den kommer til å ta tid. Hvis du ser i avisene, så skal jo alle hjelp av Finn, så skal jo alle dataingeniører og dataanalytikere, som er ikke nok folk.

Speaker 1 39:00

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. Hvordan ser du på det?

Speaker 2 39:17

Jeg har forhold til det. Så jeg tror de som er dyktige vi har god støtte av AI generative teknologier Jeg tror ikke så veldig på. Jeg tror hvis du skal lykkes på applikasjonsutvikling av andre områder, så trenger du fortsatt datafolk. 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. 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. Så jeg er ikke så veldig redd for at vi som jobber med data skal bli erstatt av en agent eller så videre. Jeg tror det er helt nødvendig hvis du skal ha portskaller og ta i bruk det at du har noen datafaglig kompetanse.

Komplekse datatyper og anvendelser

Speaker 1 40:17

Det er veldig borligende. 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.

Speaker 2 40:32

Jeg tror det er veldig viktig at du tenker ganske strategisk. Du får frem det på en måte. Jeg jobber mange år med datasategi Da satt den søvnest, så det er kanskje det mest strategiske som jeg jobber med. Men jeg tror det er helt nødvendig at du jobber såpass strategisk med å sette målsetninger. Du skriver ambisjonene dine, du bruker strategisk språk. 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.

Speaker 2 41:14

Hvis du legger den for operasjonell, så vil det her egentlig bli litt sånn som det alltid har vært. 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. Så strategien handler jo om å velge og velge bort valut. 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. Det er det, å holde ned teknisk kompleksitet, ikke overinvestere i teknologier for tidlig. Datafolk er veldig glad i dataplattformer. Læringen vi gjorde vi har klart oss lenge med en SQL-server, en ordentlig database med data når vi gjør analyser. Så vi har lært mer før vi begynte å investere i plattform.

Speaker 2 42:11

For eksempel. Vi har jo ikke hatt skyavtaler for hvor sånn at vi har jo gjort jo ballen premiss. 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. Jeg tror flest av dem er veldig småskaler. 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.

Speaker 2 42:58

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. Så det er mange tematikker her. 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. 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.

Speaker 1 43:59

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. Det andre er sikkert en mulighet for skalering. Og til sist, som det så fint heter på norsk, ta noen informed, deliberate choices av klare, tydelige valg. Takk for en kjempegod samtale. Takk skal du ha, Vintren.