3 Hva er datadeling i industrien?
3.1 Bakgrunn
De siste årene har gitt stadig økt oppmerksomhet rundt verdien av data som følge av ny og rimeligere teknologi innen felt som stordata-analyse, kunstig intelligens, sensorteknologi og fremveksten av nye tjenester fra digitale plattformer. Ekspertgruppen for deling av industridata er derfor heller ikke de første som søker å skulle bidra med kunnskap og tanker om hvordan deling av data kan lede til økt verdiskaping, bærekraft og innovasjon. Det finnes allerede en rekke rapporter og utredninger, fra myndigheter, forskningsmiljøer, organisasjoner og ikke minst næringslivet selv, som danner et bredt bakteppe for dette arbeidet. Ikke minst finnes det prosjekter og initiativer, som viser både mulighetsrommet og hvilke faktorer som bør være på plass for å lyktes med deling av data i industrien.
Deler av utgangspunktet for gruppens arbeid er allerede gitt i mandatet. Ekspertgruppen har søkt å bygge videre på den kunnskapen som er samlet gjennom blant annet Digital-21- rapporten1, rapport fra ekspertgruppen for datadeling i næringslivet2, stortingsmeldingen om datadrevet økonomi og innovasjon3, så vel som bransjeinitiativer som Bransjeretningslinjer for deling av data i landbruk og sjømatsproduksjon4. I tillegg legger internasjonale regulatoriske og politiske initiativ viktige føringer også for diskusjonene i Norge.
Samtidig som mye arbeid er gjort de siste årene, er industrien og næringslivet for øvrig fortsatt langt unna å hente ut det enorme verdipotensialet som antas å ligge i deling av data5. Selv om mange initiativer er satt i gang de siste årene, og flere selskaper i dag høster verdier av deling av data, er utnyttelsesgraden fortsatt i startgropen. Ekspertgruppen har ikke satt seg som mål å levere en ferdig oppskrift eller best practice på datadeling, men snarere peke på, konsentrere og konkretisere eksisterende kunnskap i et dokument som forhåpentligvis er lettlest og anvendbart for aktører som er interessert i hvordan de kan utnytte mulighetene som ligger i deling av data.
3.2 Tilnærming og avgrensning
3.2.1 Målgrupper
Ekspertgruppens mandat er tydelig på at gruppen skal levere anbefalinger til næringslivet, og det er derfor lagt fokus på hvilke muligheter som ligger innenfor dagens regulatoriske rammeverk og uten at offentlig sektor er direkte koblet på verdikjedene. Det er imidlertid ikke til hinder for, som også uttrykkes i mandatet, at gruppens anbefalinger også kan være anvendbare der hvor det foregår et samarbeid mellom offentlige og private aktører, eller hvor det offentlige kan inngå som partner på markedsmessige vilkår. Ekspertgruppen er kjent med at det parallelt med gruppens arbeid er satt ned et offentlig utvalg som skal vurdere en mer helhetlig regulering av viderebruk av offentlig informasjon, og har derfor heller ikke gitt anbefalinger knyttet til dette.
Videre har gruppen tatt utgangspunkt i at rapporten og anbefalingene særlig vil treffe mindre selskaper, som det med rimelighet kan antas at både besitter og deler mindre mengder data, men som også er i en særskilt posisjon til å bidra med nye løsninger og nye verdier basert på andre (og større selskapers) data. Samtidig er det en viktig erkjennelse at det ofte er større selskaper som innehar relevante data og ressurser til å igangsette prosjekter for deling av disse i dag, og gruppen håper rapporten kan bidra med inspirasjon og gode råd også for mer etablerte aktører.
3.2.2 Industridata
Sentralt i ekspertgruppens mandat står begrepet industridata, uten at dette er utvetydig definert. Mandatet beskriver industridata som «typisk data fra sensorer og kontrollsystemer i produksjonen, vedlikeholds- og arbeidsplanleggingssystemer og utstyrsinformasjon». Ekspertgruppen har gjennom arbeidet hatt flere diskusjoner om begrepet industridata, men har funnet at det verken er nødvendig eller hensiktsmessig å definere begrepet helt presist. Drøftelsene og anbefalingene i rapporten knytter seg til ulike situasjoner og ulike forhold knyttet til data. Fra et overordnet perspektiv, som har vært denne gruppens utgangspunkt, er det nettopp et poeng at data ikke er homogene. Noen presiseringer gjøres i det følgende.
Industri oppfattes i næringsmessig sammenheng som virksomhet rettet mot omdanning av råvarer og håndtering av maskiner til dette. Spørsmålene som tas opp i denne rapporten, er aktuelle for store deler av næringslivet som vil falle utenfor denne noe snevre definisjonen. Gruppen har derfor tatt utgangspunkt i forordning (EU) 2018/18076 artikkel 3 nr. 1 som definerer «data» som andre data enn personopplysninger slik det er definert i forordning (EU) 2016/679 – GDPR.7 Det er imidlertid ikke gjennomført noen fullstendig avgrensning mot personopplysninger fordi mye data som i utgangspunktet ikke inneholder direkte identifiserende informasjon vil kunne omfattes av regler for behandling av personopplysninger dersom man kan avlede identifiserende informasjon fra dem eller ved sammenstilling med andre data. For eksempel er ikke data om kjøremønster og lokasjon for en traktor i seg selv personopplysninger, men sammenkoblet med informasjon om bonden som eier traktoren, vil også slike data kunne komme inn under reglene om personopplysninger i personopplysningsloven (og GDPR).8 Det er viktig at aktører som ønsker å dele data vurderer hvorvidt dataene kan omfattes av dette regelverket og i så fall forholder seg til regelverket. Gruppen har imidlertid fokusert på data som ikke utgjør personopplysninger, og behandler ikke spesielle problemstillinger som oppstår ved deling av personopplysninger.
Det finnes også visse andre lovregler som forbyr eller begrenser visse typer av data, som for eksempel sikkerhetsloven. Slike regler er ikke nærmere behandlet i denne rapporten, men noen mer generelle juridiske begrensninger i adgangen til å dele data er behandlet i kapittel 6.
Endelig har utvalget fokusert på deling av data mellom næringslivsaktører, og behandler ikke spørsmål som først og fremst oppstår der forbrukere deler data med ulike tjenestetilbydere.
3.3 Datadeling
Ideen om deling av data og informasjon er ikke et nytt fenomen. Elektronisk data har blitt utvekslet mellom virksomheter (for eksempel som regneark-vedlegg i eposter) eller publisert på nettsider og filservere i lang tid. Imidlertid produseres mer og mer data maskinelt, av sensorer i produksjonsanlegg, av ressursstyringsprogramvare i virksomheter, eller generert i fag- og saksbehandlingssytemer i tjenestenæringer og forvaltning. Med datadeling menes her en automatisert deling eller utveksling av data, som regel gjennom spesifikke grensesnitt, såkalte API-er (application programming interface).
Som ekspertgruppen for datadeling i næringslivet beskrev i sin rapport9 skiller man mellom utveksling og deling av data – eller primær og sekundær bruk av data – der utveksling som regel er drevet av et konkret behov for å forbedre eksisterende forretningsprosesser (primær bruk), mens deling av data ikke nødvendigvis har et konkret behov som bakgrunn, men en ambisjon om at tilgang til felles dataressurser muliggjør nye forretningsprosesser og -modeller. Disse er ofte drevet av muligheter innen kunstig intelligens og maskinlæring (sekundær bruk) og at ny kunnskap som er direkte relevant for den enkelte virksomhet kan skapes på basis av analyser av aggregert informasjon. Diskusjonen av forretningsmessige, teknologiske og juridiske aspekter av datadeling i denne rapporten vil omhandle begge disse formene for datadeling.
3.3.1 Scenarier for deling
Deling av data kan foregå på ulike måter, og både forretningsmessige, juridiske og tekniske forhold vil kunne variere avhengig av hvilke typer data som deles, antallet aktører og en rekke andre faktorer. For å kunne bidra med anbefalinger rundt disse forholdene har derfor ekspertgruppen definert et sett med scenarier, som er ment å illustrere ulike rammeverk for deling. Scenariene er basert på ulike måter data kan flyte på, og er tenkt som rammeverk for de ulike tekniske, juridiske og forretningsmessige vurderingene som må gjøres. Formålet med disse er både å synliggjøre ulike løsninger for deling av data, og kunne gjøre vurderinger som er spesifikke for enkelte måter å dele på. Disse scenariene vil aldri kunne fange opp alle faktorer i et system for deling av data, men vil forhåpentligvis kunne kontekstualisere problemstillinger i et overordnet rammeverk leseren kan kjenne igjen. Samtidig er det viktig å understreke at scenariene ikke er ment å dekke alle mulige former for deling, og heller ikke er ment gjensidig utelukkende. Enkelte virksomheter vil for eksempel kunne kjenne seg igjen i flere scenarier ettersom data kan deles på ulike måter parallelt eller virksomheten deler ulike data på ulike måter. Scenariene vi har valgt å operere med i denne rapporten er:
Scenario 0 er et basistilfelle, hvor en virksomhet kun deler data internt i virksomheten. Årsaken til at vi har valgt å starte med scenario 0, definert som at en virksomhet ønsker å fremskaffe, lagre og spre data internt, er at dette ofte er startpunktet for datadeling. For å kunne dele data med andre, må virksomheten selv først fremskaffe og lagre data, og ha kontroll på flyten av denne internt. Det er mange tekniske, juridiske og forretningsmessige utfordringer som oppstår allerede her, men siden gruppens mandat er å se på datadeling, er dette scenariet først og fremst med som en grunnmur, eller baseline.
I scenario 1 har vi lagt til grunn en situasjon der en virksomhet ønsker å dele data med en ekstern part. Delingen kan være kommersielt drevet, men kan også være av samfunnsnyttig art. Uansett formål, vil datadeling med en annen part trigge en del nye nøkkeltema som må besvares.
Boks 3.1 Eksempel
Equinor deler data åpent for å fremme innovasjon og legge til rette for kunnskapsbygging
Tilgang til data er en viktig brikke i forskning, kunnskapsbygging, utvikling og innovasjon. For å imøtekomme dette har Equinor de senere årene tilgjengeliggjort store mengder data fritt tilgjengelig for akademia, leverandører og andre, gjennom sin portal for åpen datadeling. På data.equinor.com er det delt et bredt utvalg av data, inkludert undergrunns- og produksjonsdata, operasjonelle data fra vindpark, 3D-modell fra offshore produksjonsplattform med mer. Ulike data deles på ulike måter, både gjennom åpne APIer og som statiske datasett. Til nå har over 10 000 brukere registrert seg for nedlastning av disse datasettene.
En vanlig motivasjon for å dele data er utvikling av datadrevne tjenester, og det eksisterer mange kommersielle virksomheter som har bygget sin forretningsmodell rundt å samle data fra en eller flere kilder, bearbeide disse og tilby sluttproduktet som en tjeneste (gjerne i form av APIer).
Boks 3.2 Eksempel
Data fra forsikringsbransjen skaper nye tjenester
Forsikringsselskapene Tryg, Frende og Fremtind har gått sammen om en datadrevet løsning for svindelkartlegging.
Forsikringsselskapene Tryg, Frende og Fremtind har gått sammen for å utvikle en datadrevet metode for å oppdage forsikringssvindel. For at metoden skal være så presis som mulig ville det i utgangpunktet være en fordel at selskapene deler data med hverandre. Siden selskapene er konkurrenter er det imidlertid viktig at de ikke har innsyn i hverandres data direkte. For å unngå direkte deling deler selskapene isteden dataene deres med Webstep, som har utviklet løsningen, og trener opp en prediksjonsmodell basert på dataene. Prediksjonsmodellen leveres deretter tilbake til selskapene som videreutvikler metodene, tilpasset egne interne rutiner. Løsningen er utformet slik at bare prediksjonsmodellene har innsyn i data på tvers av selskapsgrensene. De delte dataene ligger i selskapenes egne skyer, og tilgangsstyres direkte fra det enkelte selskap. Selskapene sparer verdifull tid og penger som ville gått til å utvikle en løsning selv, og får en modell trent på større datasett enn de sitter på hver for seg.
Boks 3.3 Eksempel
Maritime Data Space
Maritime Data Space (MDS) er et føderert rammeverk for deling av maritime data utviklet av Wilhelmsen Ship Management, NAVTOR, Goodtech, Neuron Solution, DNV og SINTEF. Data lagres lokalt hos den enkelte aktør, eller om ønskelig på en plattform som deltar i arkitekturen. Data deles gjennom et standardisert rammeverk for tilgangsstyring og sikkerhet, hvor aktørene kan avtale deling gjennom separate eller automatiserte avtaler. Arkitekturen bygger på referansearkitektur utviklet av International Data Spaces Association (IDSA), og gir brukerne et trygt rammeverk hvor data kan kjøpes og selges, eller deles med plattform- og tjenesteleverandører.
Scenario 4 kan ved første øyekast ligne på scenario 3 i den forstand at flere virksomheter deler data seg imellom, men skiller seg ved at delingen her foregår på en felles, sentralisert plattform.
Boks 3.4 Eksempel
MRV/DCS-rapportering fra Veracity-plattformen
EU MRV (Monitoring Plan Generator) og IMO (International Maritime Organization) er begge regulatoriske enheter som har laget regelverk rundt rapportering av miljødata for den maritime industrien, som en start på dekarboniserings-reisen som kreves for å oppnå FNs bærekrafts mål for skipsindustrien.
En vesentlig del av alle verdens skip rapporterer utslippsdata via en sentral dataplattform i forhold til definerte skjema som dekker kravene til både EU og MRV. Hvert skip må minst rapportere årlig for å tilfredsstille kravene, men mange skip rapporterer daglig eller per time for å kunne benytte disse målingene ikke bare for å tilfredsstille regulatoriske krav, men også til å forbedre drift og operasjon av det enkelte skip, og sin totale flåte.
De innsendte data verifiseres og får et kvalitetsstempel via tjenesten som gjøres for MRV/IMO. En typisk sjekk som gjøres er at seilt distanse stemmer overens med forventet forbruk av drivstoff.
Ved å bruke en sentral dataplattform kan hvert skip selv bestemme hvordan de ønsker å bruke sin innsamlede og verifiserte data samt dele de med aktørene de ser hensiktsmessige for egen virksomhet. De innsamlede data brukes også til å lage industrispesifikke benchmarks.
Scenario 5 ligner på scenario 4 med den viktige forskjellen at en part i plattformen også leverer tjenester basert på dataene, enten inn igjen på plattformen, eksternt basert på data fra plattformen eller begge deler. Denne aktøren kan være plattformeier, eller en annen part. Eksempelvis kan det tenkes at en virksomhet lager et kommersielt produkt basert på egne data og andre sin data fra en datasjø. Også i dette tilfellet blir den kommersielle modellen og avtaleverk mot 3.parter, samt aktører som deler data i arkitekturen en viktig aspekt som man må ta hensyn til. I tillegg vil verdien av dataen virksomheten deler med andre aktører måtte hensyntas i både avtaleverk og kommersiell modell.
Boks 3.5 Eksempel
MIMIRO
MIMIRO er et felles initiativ fra TINE, Felleskjøpet og Gjensidige som har som formål å utvikle digitale løsninger for en mer effektiv og bærekraftig matproduksjon. En felles dataplattform muliggjør enkel deling og gjenbruk av høykvalitetsdata i landbruksindustrien. Fra den enkelte bondegården innhentes data om parametere som fôrings- og melkingsmønstre, dyrehelse, så vel som informasjon om forsikring på traktorer. Dataene forvaltes i fellesskap for å gi læring og innsikt som igjen hjelper den enkelte bonden til kontinuerlig å forbedre egen produksjon. På bakgrunn av innsamlede datasettene utvikles det tjenesteapplikasjoner hvorav to eksempler er:
Eana Ku – en applikasjon som blant annet gir oversikt over:
- Informasjon om hvert individ i besetningen
- Melke- og slakteleveringer med nøkkeltall
- Prøvesvar innen helse og melk (per individ)
- Kommende hendelser innen reproduksjon
- Beslutningsstøtte for effektiv fôring
Eana Skifte – en applikasjon som blant annet hjelper med å:
- I stor grad automatisk loggføre skiftearbeid
- Ha oversikt over arbeid utført på skifter
- Planlegge og delegere oppgaver
- Ta beslutninger for et mer effektivt skiftearbeid