I takt med att arbetets framtid i allt högre grad ser ut att vara datadriven uppstår naturligtvis flera frågor. Hur kan vi förbereda vår arbetskraft på att bli mer kvalificerad att arbeta med data?
EU:s politik har följt marknadstrender genom att slå samman investeringar för en datadriven ekonomi. Denna strategi innebär mer datadelning inom organisatoriska ekosystem som konsoliderar och skapar nytt värde från data. Med sin rättsliga ram försöker kommissionen se till att allt detta sker på ett rättvist, öppet och säkert sätt.
Men hur kommer detta att påverka våra nuvarande jobb? Vilka färdigheter kommer vi att behöva för att delta i denna datadrivna ekonomi? Denna artikel ger en inblick i hur data används för att definiera vårt framtida arbete.
Byte per byte: viss bakgrund
När vi interagerar med våra digitala enheter skapar vi data – få digitala spår av numerisk information som säger något om vår interaktion med enheten. Detta kan vara information om vad vi har klickat på, vilka webbsidor vi har öppnat, vilken text vi har skrivit, vilka platser vi har besökt eller var vi har ringt från.
Alla dessa digitala spår kan tillsammans ge oss en omfattande inblick i vårt beteende på nätet. Data används allt oftare för att få mer inblick i mänskligt beteende av olika skäl. Och allt fler av dem samlas in. Uppskattningar tyder på att den globala datavolymen kommer att öka med mer än 500 % fram till 2025. Företagen använder data för att bättre förstå sina kunder och förbättra sina produkter och tjänster. Regeringarna använder den för att förbättra effekterna av sina politiska beslut. Enskilda personer kan också använda data för att hjälpa dem att hantera sina dagliga uppgifter på ett bättre sätt. Exempel? Ta en promenad runt blocket och se antalet personer med smarta klockor runt dig. Om du använder något för att övervaka hur aktiv du är under dagen, för att övervaka dina vitala stater eller använda appar som visar hur ofta du är på nätet, använder du data för att få insikt.
I och med att datalagringen flyttas till molnet blir det tekniskt lättare att sammanföra olika typer av data, liksom data från olika källor, vilket kan leda till en mycket mer omfattande inblick. Detta minskar företagens utmaningar när det gäller att använda dessa data för att skapa mer värde – oavsett om det är för dem själva, för andra eller tillsammans med deras partner i företagsekosystemet.
Uppgifter i näringslivet
Data ses därför i allt högre grad som en viktig inkomstkälla för företagen. Men vilka uppgifter är användbara och hur hanterar de för att samla in dessa uppgifter på ett säkert och säkert sätt? I det här avsnittet går vi djupare in i att data blir en tillgång och en handelsvara för företagen, och hur detta regleras av beslutsfattare i EU.
Data, data, data… Vilka data?
Det finns olika sätt att kategorisera data. Här diskuterar vi två kategorier som är av intresse med tanke på den bredare EU-strategin för data.
En första distinktion gäller kopplingen mellan uppgifter och en enskild person: personuppgifter kontra icke-personuppgifter. Personuppgifter är alla uppgifter som är (eller kan vara) relaterade till en enskild person: namn, identitetsuppgifter (t.ex. kortnummer), hälsorelaterade uppgifter, lokaliseringsuppgifter osv. Vissa personuppgifter kan vara känsliga. Detta är en separat kategori av data som måste behandlas med extra villkor, eftersom missbruk av dessa uppgifter kan leda till skadliga, oönskade eller till och med farliga situationer. I den allmänna dataskyddsförordningen anges känsliga uppgifter (Europeiska kommissionen, 2023a). Andra data än personuppgifter är alla andra uppgifter som kan samlas in. Exempel på detta är uppgifter om den dagliga användningen av kollektivtrafik, energianvändning i hemmet eller antalet lärare i ett visst område.
En andra distinktion gäller de organisationer som samlar in uppgifter: industridata och offentliga data. Med industridata avses alla typer av data som samlas in av privata företag. I takt med att fler företag skapar digitala produkter har företagen möjlighet att enkelt samla in personuppgifter och icke-personuppgifter som de senare kan använda för att skapa mer värde för sina konsumenter och själva, vilket kan ge konkurrensfördelar. Exempel på icke-personliga industriuppgifter som du kan känna till och använda är den dagliga användningen av kollektivtrafik (t.ex. på Google Maps) eller uppgifter om energianvändningen i ditt hem som samlats in av din energileverantör. Regeringarna samlar också in uppgifter som underlag för sina politiska beslut och tillhandahåller digitala tjänster. Delning av denna typ av data har flera fördelar. Offentliga data skulle till exempel kunna användas av företag för att skapa bättre och mer relevanta tjänster och produkter. Enskilda användare skulle kunna förbättra sitt beslutsfattande på grundval av verkliga uppgifter: t.ex. beslut om när man ska byta på tvättmaskinen för att optimera energiförbrukningen i hemmet.
Med andra ord kan olika typer av uppgifter vara användbara för olika ändamål för olika intressenter. Detta innebär att man genom att skapa fler möjligheter att dela data kan skapa mer värde. Delning medför dock risker:
- Missbruk av personuppgifter
- Missbruk av känsliga uppgifter
- Missbruk av ställning av plattformsföretag som har en stor roll på internet.
- Ojämlikhet mellan enskilda användare och större företag
Detta är några av de risker som EU:s politiska reglering försöker hantera och förebygga. Denmest kända förordningen i praktiken är den allmänna dataskyddsförordningen, som specificerar olika typer av uppgifter och reglerar enskildas och företags rättigheter och skyldigheter när det gäller datahantering. I rättsakten om digitala marknader, som antogs av Europeiska kommissionen 2023, specificeras egenskaperna hos ”grindvakter” (onlineplattformar som ägs av privata företag som har enorm och utbredd tillgång till data på grund av sin roll på internet) och reglerar hur de får använda de unika data de har tillgång till. Rättsakten om digitala tjänster (Europeiska kommissionen, 2023c) bidrar till att skydda alla användare av digitala tjänster och anger hur grindvakter måste åtgärda missbruk av sin plattform (t.ex. när olagliga varor säljs via deras plattform eller om desinformation/felaktig information delas). Den europeiska dataförvaltningsakten (Europeiska kommissionen, 2023f) och EU:s dataakt (Europeiska kommissionen, 2023d) – som för närvarande håller på att utarbetas – syftar till att undanröja hinder för datadelning, men på ett sätt som bevarar kontrollen över enskilda personer och mindre organisationer. En annan prioritering är att datadelning kan stödja skapandet av fler incitament för människor att investera i datagenerering.
Kort sagt syftar EU:s politik till att hjälpa organisationer (särskilt små och medelstora företag) att investera och dra nytta av sina datastrategier. Det underlättar en mer rättvis och säker datadelning mellan enskilda personer och organisationer av olika storlek och roller, för att skapa ett större värde för dem själva och EU-medborgarna. Företagen omvärderar därför i allt högre grad sin affärsverksamhet för att se hur de data de genererar kan skapa ett nytt värde för deras verksamhet.
Hur använder företagen data – och för vilka ändamål?
Företagen använder data på olika sätt för att skapa affärsvärde. I stor utsträckning kan vi urskilja två sätt:
- Använda data för att få insikt i hur deras kunder interagerar med deras produkter eller tjänster. Detta leder till analys av stämningar, förståelse av när och hur produkter används och eventuellt med vilka andra produkter de använder. Klee, Janson ù Leimeister (2021) betecknar denna överorganisationsnivå där affärsvärdet genereras genom att man realiserar externa datafördelar.
- Använda data för operativ spetskompetens för att förbättra sin interna arbetsledning eller förvaltning av leveranskedjan, i syfte att ge sina kunder ett värde på ett effektivt och ändamålsenligt sätt. Klee, Janson ù Leimeister (2021) nyanserar detta på organisationsnivå (utveckling av datadrivna organisationsmodeller) och arbetspraktighetsnivå (arbete med data i dagliga affärsprocesser).
När data kan delas med andra på ett säkert och säkert sätt kan företagen också utforska en mängd möjligheter i samband med skapandet av nya produkter eller tjänster – i ett ekosystem som de delar med likasinnade partner.
Hur samlar företagen in uppgifter?
Allt fler aktiviteter online innebär att den tekniska tröskeln för insamling av uppgifter är liten: data som skapas i interaktion med digitala enheter, eller åtgärder som t.ex. tas upp av sensorer, loggas och lagras i molnbaserade tjänster för vidare analys och tolkning. Analyser kan genereras från dessa data för att underlätta beslutsfattandet. Som
nämnts fungerar vissa företag som ”grindvakter” på internet, där de bildar och förvaltar de onlineplattformar genom vilka annan verksamhet äger rum. Dessa grindvakter har naturligtvis många datakällor som de lagrar för att ytterligare marknadsföra och analysera i reklamsyfte (tänk på Meta, X och mer nyligen Tik Tok). Denna situation har skapat en till synes obegränsad mängd datalagring, där företagen i slutändan innehar data som skulle kunna vara användbara för kommersiell användning. Denna situation kommer dock sannolikt att förändras – delvis på grund av de politiska bestämmelser som nämns ovan – eftersom det finns andra röster.
En aspekt rör rationell användning och insamling av data, dvs. en mer operativ strategi för att navigera i enorma datavolymer, där företagen överväger var det potentiella värdet av dessa uppgifter ligger och vilka data som är till nytta för att hålla reda på (Mazzei, Noble, 2017). Farhågor i samband med datalagringens miljöpåverkan aktualiseras också i allt högre grad. Enligt Lucivero, 2019, ökar medvetenheten om hur mycket energi det tar att lagra data under en obegränsad tidsperiod – vilket i sin tur tvingar företagen att överväga en mer rationell strategi för dataanvändning och datalagring. Slutligen har kostnadseffekterna följande effekter: datalagringen blir allt dyrare. När företag flyttar sin affärsverksamhet till molnet måste datalagring gå hand i hand med affärsacumen (Gartner, 2022).
Hur hanterar företagen data på ett säkert sätt?
För att data ska bli något som skapar värde i ett ekosystem måste det finnas förtroende för en god och säker datahantering. Detta kräver att organisationerna intensifierar arbetet med att fastställa en vision och strategi för datainsamling och dataanalys, men också anpassar sin dataarkitektur (IBM, 2023) till denna strategi och vision. Den övergripande strategin för EU:s datapolitik är att skapa en verklig europeisk inre marknad för data (Europeiska kommissionen, 2023e), där värden kan skapas från data inom ett ekosystem av organisationer. Ambitionen är att skapa sektorsspecifika dataområden, där partnerskap kring delade data kan bilda och leda till gemensamt skapande och utveckling av nya och innovativa tillämpningar. Detta kräver många praktiska överväganden för organisationer i deras tekniska struktur, såsom
- Uppgifternas spårbarhet: när vi skapar dataområden måste det vara möjligt att spåra vem som samlade in vilka data och på vilka villkor.
- Hantera säker åtkomst för auktoriserade partner och personer: dataområden måste också planera för styrning när det gäller vem som har tillgång till delade data och i vilken utsträckning denna tillgång når.
- Rättslig ram för att komma överens om tillträde och hantering av åtkomst: alla parter i ett dataekosystem måste ha en struktur för rättsligt samarbete genom vilken de kan dela data i ett tillförlitligt sammanhang.
Om data blir så utbredda kommer allt fler av oss att komma i kontakt med databaserade it-produkter. Gartner förutspår att datakompetens i år kommer att bli en tydlig och nödvändig drivkraft för affärsvärde, och nästan 80 % av företagen anger data som en nyckelfaktor i sina strategiska planer (Gartner, 2023a). Denna artikel ger mer inblick i hur data kan användas för att vägleda människors beslutsfattande och vilka färdigheter som krävs av oss för att använda dessa nya verktyg på ett effektivt sätt för att få mer insikt och välja klokt.
Hur samverkar vi med databaserade it-produkter?
Vi interagerar redan med data varje dag genom olika databaserade applikationer. Vi kanske inte alltid känner igen dem som sådana, eftersom de ger oss dessa uppgifter på ett otydligt sätt.
Applikationer som bygger på data kan kategoriseras på grundval av hur de presenterar dessa data för oss.
Spegelverktyg
Spegelverktyg erbjuder användarna visualiseringar av data om resultat, processer osv. genom grafiska metoder, utan att uppgifternas innebörd tolkas. Dessa visualiseringar grupperas ofta i en instrumentpanel. Ett prototypiskt exempel på detta är tidsseriedata såsom populationstillväxt över tid eller fysiologiska data som EKG, där diagrammet visar en visualisering av den fysiska aktiviteten. Låt oss ta ett praktiskt exempel på en pollenmätare. Ett spegelverktyg för visualisering av pollennivåerna kommer att visa ett diagram där pollennivåerna ritas över tid (t.ex. daglig pollenhalt i atmosfären). Det är upp till människan att läsa visualiseringen och ge innebörd åt den (”är den en hög nivå? Är det en låg nivå? Ökar eller minskar den? Vilken är den önskade nivån? ”) och definiera möjliga åtgärder för att agera utifrån denna information (” Jag kommer att stanna inomhus på grund av höga pollenhalter när jag lider av allergier, Jag kan utöva intensiv utomhussport på grund av godtagbara nivåer av pollen ”). (van Leeuwen ù Rummel, 2019)
Varningsverktyg
När det gäller ändringsverktyg kommer de visualiserade uppgifterna att spegla verklig aktivitet, men inbegriper också minimal tolkning eftersom anmärkningsvärda delar av uppgifterna lyfts fram. I vårt pollenexempel kan till exempel de önskade nivåerna av det dagliga pollen konkretiseras i själva verktyget genom att ange vad som är normala/höga/låga pollenhalter. Verktyget kan sedan varna en människa för att säga att en viss nivå har uppnåtts (t.ex. ”pollenhalterna är höga i dag”). Dessa varningar kan användas av människor som utgångspunkt för att utforma insatser. Det är människan som tar steget för ett ingripande, men de varnas av verktyget för att göra det. (van Leeuwen ù Rummel, 2019)
Rådgivningsverktyg
Rådgivningsverktyg går ett steg längre genom att också rekommendera en särskild insats. Till exempel kan en pollenmätare som ger råd säga följande: ”gör inte intensiv utomhussport i dag, eftersom pollennivåerna är höga och du är mycket utsatt för allergier”. Här kan människan välja att genomföra den föreslagna insatsen, men behöver inte tolka uppgifterna på ett oberoende sätt eller definiera en intervention på grundval av den. Verktyget rekommenderar en insats på grundval av dess analys av uppgifterna. (van Leeuwen ù Rummel, 2019)
Automatiska beslutsverktyg
I automatiserade beslutsverktyg kontrollerar verktyget i sig allt beslutsfattande och genomförande av insatser, på grundval av sin egen dataanalys. I detta sammanhang skulle människan inte vara direkt involverad i beslutsfattandet eller i genomförandet av insatsen. I vårt exempel med pollenmätaren skulle detta kunna vara en fiktiv situation där automatiseringsverktyget skulle kunna tyda på följande: ”pollenhalterna är höga i dag. Eftersom du har allergier rekommenderas du att stanna hemma. För att underlätta detta har alla era möten i dag ändrats till webbkonferensmöten. ”
Ett potentiellt oroande (men helt fiktivt) beteende hos ett sådant verktyg kan vara ”För att se till att du inte lämnar huset har dörrarna automatiskt låsts till dess att pollennivåerna ligger på en godtagbar nivå”. I sådana fall deltar människan endast som observatör i beslutsprocessen, definitionen av ingripande och genomförandet.
Vilka färdigheter behöver vi för att använda dessa verktyg på ett ändamålsenligt sätt?
Med en utbredd användning av databaserade verktyg står det klart att våra färdigheter och kompetenser när det gäller att använda dessa verktyg måste vara upp till märket och använda dem på ett effektivt sätt, utan att oavsiktligt skapa eller underlätta skador för människor.
Uppgifter tidigare och i framtiden
Under tidigare dagar, när data var knappa och svåra att samla in, skapades stordata främst av akademiker vid universitet (eller som samarbeten mellan universitet), regeringar eller stora organisationer. Eftersom arkiveringen av data är intensiv, longitudinellt arbete, var det fråga om flerårsverksamhet som krävde betydande investeringar i tid, insatser och ekonomiska resurser. Endast företag som hade resurser för att investera i dataarkivering och såg ett omedelbart ekonomiskt intresse kunde göra detta på ett effektivt sätt.
Kompetenta personer som skapade dessa dataset som är specialiserade på att sammanföra, strukturera, analysera och tolka olika datamängder. Denna process är inte mer omständlig: i stället stöds den nu med många sofistikerade digitala instrument och verktyg. Det innebär att den nu är mycket mer tillgänglig för organisationer vars inledande investeringar kan vara lägre. Samtidigt blir situationen mer komplex. Det finns allt mer aktuella och lättillgängliga uppgifter: det är lätt att överbelastas. För att skapa värde från data behöver vi nu bättre visualiseringstekniker och ett strategiskt förhållningssätt till information.
Eftersom processen inte längre är beroende av 1 personer som samlar in, analyserar och tolkar uppgifterna behövs mer samordning för att hantera delad tillgång till data. Arbetsintensiva delar kan i allt högre grad automatiseras med hjälp av tillgängliga verktyg, vilket minskar trycket på företagen. Samtidigt leder mer automatisering till mer standardiserade analyser. Å ena sidan skapar detta fler möjligheter eftersom fler människor kan få tillgång till uppgifterna på olika sätt. Å andra sidan kan detta också vara restriktivt, eftersom det sannolikt kommer att falla under standardalternativ och ta stor hänsyn till och fatta beslut från användarens sida. I extrema fall kan beslutsfattandet döljas helt.
Eftersom det finns en växande klyfta mellan uppgiftstolkning och datainsamling och dataanalys finns det möjligheter till tolkningsfel om sammanhanget för insamling och analys av uppgifter inte tydligt dokumenteras och anges.
Färdigheter för en datadriven framtid
Nedan beskriver jag ett antal färdigheter som vi behöver bygga upp för denna datadrivna framtid.
1. Datakompetens
De första grundläggande färdigheterna är kopplade till datakompetens. Gartner (2023b) beskriver detta som ”förmågan att läsa, skriva och kommunicera data i sitt sammanhang, inbegripet förståelse av datakällor och datakonstruktioner, analysmetoder och analystekniker som använts samt förmågan att beskriva användningsfall, tillämpning och resulterande värde”.
Med andra ord måste vi, i egenskap av människa som engagerar sig i dataverktyg, veta och kunna bedöma vilka data som används, varifrån de kommer, om de är tillförlitliga, om den analys som har utförts utöver data kan vara tillförlitlig och om det finns några mänskliga kontroller som gör det möjligt för mig som användare att verifiera dessa problem. Särskilt vid en hög nivå av automatiserat beslutsfattande och ingripanden med hjälp av verktyg blir dessa kontrollfaktorer ytterst relevanta för mänsklig tillsyn. För att kunna lita på databaserade verktyg i tillräcklig utsträckning måste vi som användare ha tillgång till denna kontextuella information och begära tillgång till denna kontextuella information. De politiska kraven i utformningen av den europeiska dataakten (Europeiska kommissionen, 2023) stärker denna nivå av kontextualisering av data.
Det finns flera program för att stödja utvecklingen av datakompetens. Exempelvis ger den storskaliga öppna nätkursen, som finansieras genom Erasmus ± programmet och utvecklats av Köpenhamns universitet, Warszawas universitet, universitetet i Milano, Sorbonne universitet och Karlsuniversitetet i Prag (som ingår i 4EU ± alliansen), en bred inblick i hur data fungerar och vilken roll data spelar i vårt dagliga liv. Stödcentrumet för dataområden syftar till att stödja organisationer som arbetar med dataområden i praktiken.
2. Medvetenhet om och djup förståelse för omfattningen av databaserade verktyg/arbete med dataverktyg
En andra färdighet är en medvetenhet om och djupgående förståelse av de databaserade verktygens omfattning genom ett omfattande samarbete med dem. Detta gör det möjligt för oss som användare att förstå verktygens begränsningar, verktygens möjligheter och även att bedöma giltigheten hos tolkningar baserade på data – oavsett om de är tillverkade av människor eller automatiserade. Om du är mer medveten om vad verktyget kan och inte kan göra kommer du också att kunna definiera giltiga och genomförbara insikter som leder till godtagbara insatser. Som användare är det också absolut nödvändigt att betrakta databaserade verktyg som en av flera datakällor och dubbelkontrollera resultaten av dessa verktyg mot andra, mer kvalitativa data.
3. Förhandlingar om tolkningar av uppgifter
Eftersom databaserat beslutsfattande i företagsekosystem blir vanligare är det uppenbart att det kommer att finnas flera databaserade verktyg som fungerar kring samma data bredvid varandra. Detta får många konsekvenser: olika företag kan skapa olika verktyg med flera analysmetoder som i sitt sammanhang är viktiga för dem. Detta innebär i praktiken att olika företag gör sina perspektiv på världen påtagliga genom sin dataanalys.
Vad händer när dessa olika tolkningar av världen står i kontrast till varandra? Det förväntas att förhandlingar om inmatning av data kommer att bli en mycket viktig kompetens. Hur samarbetar du med ekosystempartner när det gäller att fastställa omfattningen av olika tolkningar av data? Hur hanterar du olika tolkningar? På vilken grund väljer du vilka åtgärder som ska vidtas som interventioner, och på grundval av vilka (gemensamt accepterade) uppgifter? Detta är för närvarande ett underforskat ämne.
4. DataTeknisk kompetens
Något som oftare nämns i litteraturen är de tekniska färdigheter som rör data, såsom datateknik, dataanalys och dataverktyg. I takt med att fler data blir tillgängliga lokalt inom organisationer kommer de anställda att kunna skapa sina egna dataprodukter för att stödja deras enskilda uppgifter och processer. Detta kräver mer allmänna kunskaper och färdigheter för att kunna samla in data, hantera data på ett ansvarsfullt och korrekt sätt, definiera analyser kring dessa data på grundval av sunda hypoteser och genomföra dessa med sunda metoder för dataanalys och använda relevanta verktyg på ett kompetent sätt. Slutligen kräver detta också färdigheter för att korrekt tolka resultaten av dataanalyser och omsätta dem i affärsinsikter för insatser.
Ompaketeringsdata: några utgångspunkter
Vår värld blir alltmer datadriven. Detta omfattar alla aspekter av vårt arbete, våra utbildnings- och arbetsmarknadssystem eller samhällsgrupper. Databaserade verktyg kan stödja organisationer genom att automatisera viss dataanalys och därigenom förbättra beslutsfattandet och skapa mervärde. Men de står också inför utmaningar. Som användare bör vi vara medvetna om omfattningen av sådana verktyg, om vi vill veta hur vi kan arbeta effektivt (och effektivt) med dem. Verktygstillverkare och utvecklare måste också möta användarna halvvägs: genom att förbättra tillgången till information om vissa verktyg, särskilt genom att ge användarna möjlighet att kontrollera uppgifternas tillförlitlighet och giltighet samt använda analysmetoder. Att förbättra vårt sätt att hantera, samla in och lagra data är avgörande för användningen av dessa verktyg och för att undanröja hinder i samband med deras användning. Och hur blir det i framtiden? Datadriven för säkerhet.
Det fullständiga dokumentet, tillsammans med hänvisningar, finns tillgängligt i pdf-format här och även nedan.
Ladda ner infografiken om kunskap, färdigheter? Attitutioner för en datadriven framtid.
Om upphovsmannen
Dr Kamakshi Rajagopal är en tvärvetenskaplig forskare och frilanskonsult inom pedagogisk design och teknik, med omfattande erfarenhet av nätverksbaserade format för lärande och social inlärning, med stöd av innovativ teknik. Hon har en masterexamen i lingvistik (2003) och artificiell intelligens (2004) från KU Leuven (BE). Hon avslutade sin doktorandforskning vid Open Universiteit (NL) 2013 och undersökte personliga lärandenätverk och deras värde för kontinuerlig yrkesmässig utveckling. Hennes pågående forskning handlar om att studera inlärningsmiljöernas komplexitet och mer specifikt om hur lärare och elever kan få stöd i hanteringen av denna komplexitet. Rajagopal har utvecklat flera (nationellt finansierade och europeiska) samarbetsprojekt inom grundskole-, gymnasie- och högskoleutbildning med partner från den offentliga sektorn, industrin och det civila samhället. Några exempel på hennes projekt är lärarnätverkens roll i utbildningsinnovation, avhandlingskretsar inom högre utbildning, multimodala mätningar i samarbetsutrymmen för hybridlärande och integrering av virtuell rörlighet vid högre utbildningsanstalter. Sedan 2023 arbetar hon med utbildning och utveckling inom it-konsultverksamhet.
| INFORMATION | |
|---|---|
| Geografiskt område | Europeiska unionen |
| Ämne | Big Data |
| Svårighetsgrad | Grundläggande, Medelsvår, Avancerad, Digital Expert |
| Typ av initiativ | EU:s institutionella initiativ |