Rozhodovací procesy ve veřejné správě jsou často složité, časově náročné a vystavené riziku subjektivity. Zavedení analytických nástrojů do jednotlivých fází procesu schvalování projektů přináší vyšší transparentnost, efektivitu a kvalitu rozhodování.
Případová studie se bude snažit ukázat na stávajících postupech pro plánování a schvalování dotačních projektů DIA použití analytických nástrojů, které by měly zlepšit rozhodovací procesy a zvýšit efektivitu při realizaci dotačních projektů a jak lze konkrétní analytické metody a technologie (popisované v dokumentu Metodika zavádění analytických nástrojů do rozhodovacích procesů ve veřejné správě) aplikovat na kroky definované v kapitole 4.2 dokumentu Směrnice řízení dotačních projektů DIA.
Cílem je poskytnout praktické scénáře, které propojují metodické principy s reálnými potřebami procesu. Každý scénář obsahuje:
Prvním krokem je identifikovat potřeby, které nelze řešit standardními postupy.
V případě, že bude zjištěno, že je nutné připravit a realizovat samostatné projekty, taky by mělo být rozhodnuto a realizovat aktivitu prostřednictvím dotačního projektu.
V této fázi rozhodování by mělo dojít k prvnímu využití analytických nástrojů, které by měly pomoci při identifikaci klíčových oblastí, kde je potřeba intervence, a při plánování konkrétních kroků pro dosažení cílů projektu.
Ve druhé fázi by mělo dojít k vytvoření záměru dotačního projektu, který by byl v souladu s interními pravidly organizace. Je důležité zajistit, aby nedošlo k dvojímu financování činností projektu a aby byly zohledněny stávající či ukončené projekty.
Záměr dotačního projektu má za cíl upřesnit předmět projektu, stanovit cíle, harmonogram a ostatní parametry. Dále by měli být navrženi zaměstnanci, kteří by vykonávali role věcného gestora a manažera projektu. Záměr má být zpracován ve spolupráci s věcným gestorem a dalšími útvary DIA.
Hotový záměr dotačního projektu bude zaslán na sekretariát Koordinačního výboru.
Sekretariát Koordinačního výboru požádá o součinnost odborné útvary DIA a ekonomický odbor. Tyto útvary posoudí záměr z hlediska své gesce a zašlou své připomínky. Manažer projektu následně připraví vypořádání připomínek a případně upravenou verzi záměru, která byla schválena předkladatelem.
Záměr dotačního projektů bude projednán Koordinačním výborem, který rozhodne o schválení nebo neschválení záměru. V případě neschválení měl předkladatel možnost záměr přepracovat a opětovně předložit.
Žádost o podporu bude zpracována ve formě předepsané poskytovatelem podpory a byla koordinována manažerem projektu za součinnosti ostatních členů týmu. Žádost podepisuje jmenovaný ředitel projektu.
Identifikace klíčových ukazatelů výkonnosti (KPI): Určete, které metriky jsou pro váš projekt nejdůležitější, například počet vyřízených žádostí, průměrná doba zpracování, vytíženost úředníků, stav projektů, čerpání rozpočtu a spokojenost občanů.
Výběr vhodného BI nástroje: Zvolte platformu jako Microsoft Power BI, Tableau nebo Qlik, která umožní vizualizaci dat v reálném čase a interaktivní prozkoumávání.
Integrace dat z různých zdrojů: Zajistěte, aby BI nástroj mohl přistupovat k datům z různých systémů a databází, které vaše organizace používá.
Tvorba dashboardů a reportů: Vytvořte přehledné a interaktivní dashboardy, které budou obsahovat klíčové ukazatele výkonnosti a umožní manažerům sledovat výkon digitálních služeb a odhalit úzká místa v procesu.
Hlubší diagnostika příčin: Použijte statistické nástroje jako Excel, R nebo Python s knihovnami jako pandas či matplotlib k analýze korelací, trendů a odchylek.
Sběr historických dat: Shromážděte historická data z předchozích projektů, která budou sloužit jako základ pro predikční modely.
Výběr vhodného nástroje: Zvolte specializovaný software jako IBM SPSS, SAS, RapidMiner nebo open-source jazyky a knihovny jako Python (scikit-learn, TensorFlow) a R (caret, randomForest).
Vytvoření predikčních modelů: Použijte historická data k vytvoření modelů, které budou schopny předpovídat budoucí vývoj nebo rizika. Například modely pro predikci poruch v údržbě infrastruktury nebo prediktivní policing.
Validace modelů: Ověřte přesnost a spolehlivost predikčních modelů pomocí testovacích dat a upravte je podle potřeby.
Implementace modelů: Nasazení predikčních modelů do praxe a jejich integrace do rozhodovacích procesů.
Identifikace optimalizačních cílů: Určete, jaké konkrétní problémy nebo procesy chcete optimalizovat, například rozvrh MHD, cost-benefit analýzy investičních projektů nebo krizové scénáře.
Výběr vhodného nástroje: Zvolte specializovaný simulační software jako AnyLogic pro simulaci procesů nebo @Risk pro Monte Carlo analýzy, nebo jazyky s knihovnami pro optimalizaci jako Python (PuLP, OR-Tools).
Vytvoření optimalizačních modelů: Použijte výstupy prediktivních modelů a aplikujte na ně optimalizační algoritmy nebo simulace what-if.
Testování a validace modelů: Ověřte, zda navržená řešení jsou realistická a akceptovatelná, a upravte modely podle potřeby.
Implementace optimalizačních řešení: Nasazení optimalizačních modelů do praxe a jejich integrace do rozhodovacích procesů.
Výběr vhodného nástroje: Zvolte nástroje určené pro konkrétní oblasti veřejné správy, například GIS pro prostorovou analýzu nebo nástroje pro projektové řízení s analytikou.
Integrace dat: Zajistěte, aby vybrané nástroje mohly přistupovat k relevantním datům a integrovat je do svých analýz.
Analýza a vizualizace dat: Použijte nástroje k analýze a vizualizaci dat, například vizualizace geografických dat pomocí GIS nebo vyhodnocování plnění milníků a predikce rizik pomocí nástrojů pro projektové řízení.
Implementace výsledků analýz: Nasazení výsledků analýz do praxe a jejich integrace do rozhodovacích procesů.
Analytický nástroj: Deskriptivní analýza + vizualizace dat (BI nástroje)
Detailní scénář:
V této fázi je klíčové přesně definovat, jaké potřeby má dotační program pokrýt. Analytické nástroje umožní shromáždit a vyhodnotit data z interních systémů, veřejných statistik a předchozích projektů. BI dashboardy zobrazí trendy v oblasti služeb, které nelze pokrýt standardními postupy, a pomohou odhalit největší mezery. Například vizualizace ukáže regiony s nejnižší dostupností digitálních služeb nebo oblasti s nejvyšší poptávkou po inovacích.
Přínos: Transparentní zdůvodnění potřeby projektu, rychlejší rozhodování a lepší alokace zdrojů. Díky vizualizaci dat se eliminuje subjektivní odhad a rozhodnutí se opírá o objektivní fakta.
Analytický nástroj: Prediktivní analýza rizik (statistické modely)
Detailní scénář:
Při přípravě projektového záměru je nutné odhadnout rizika spojená s realizací. Prediktivní model využívá historická data o podobných projektech a na jejich základě vypočítá pravděpodobnost překročení rozpočtu, zpoždění harmonogramu nebo nedosažení cílů. Model zohlední typ žadatele, složitost projektu, externí faktory (např. legislativní změny) a poskytne rizikové skóre.
Přínos: Včasná identifikace rizik umožňuje upravit návrh projektu, doplnit záruky nebo přesměrovat zdroje. Tím se snižuje pravděpodobnost neúspěchu a zvyšuje kvalita plánování.
Analytický nástroj: Scoringový model + Heatmapa rizik
Detailní scénář:
Komise využívá scoringový model pro hodnocení projektů podle definovaných kritérií (dopad, náklady, rizika, soulad se strategickými cíli). Výsledky se zobrazí v heatmapě, která umožní vizuální porovnání projektů. Například projekty s vysokým dopadem a nízkým rizikem budou označeny zeleně, zatímco rizikové projekty červeně.
Přínos: Objektivní hodnocení, snížení subjektivity a podpora prioritizace. Heatmapa poskytuje rychlý přehled pro rozhodovací orgány a zkracuje čas potřebný k diskusi.
Analytický nástroj: Deskriptivní analýza + BI dashboard
Detailní scénář:
Ve fázi finanční kontroly se využívá BI nástroj pro vizualizaci rozpočtu projektu v kontextu dostupných zdrojů a historických trendů čerpání. Dashboard umožní sledovat klíčové ukazatele, jako jsou náklady na jednotku výstupu, poměr administrativních nákladů a odchylky od plánovaného rozpočtu.
Přínos: Zrychlení kontroly, vyšší kvalita finančního rozhodování a snížení rizika chyb. Automatizovaná vizualizace eliminuje manuální výpočty a poskytuje okamžitý přehled.
Analytický nástroj: Detekce anomálií (machine learning)
Detailní scénář:
Při kontrole žádostí o platbu se využívá algoritmus detekce anomálií, který identifikuje neobvyklé vzorce, například náhlé zvýšení nákladů nebo neobvyklé položky. Systém upozorní na nesrovnalosti vyžadující manuální kontrolu.
Přínos: Prevence podvodů, zrychlení administrace a zvýšení důvěryhodnosti procesu. Automatizovaná detekce minimalizuje riziko přehlédnutí chyb a snižuje náklady na kontrolu.
Zavedení analytických nástrojů do rozhodovacích procesů v rámci plánování a schvalování dotačních projektů by mělo přinést zvýšení efektivity a transparentnosti. Díky těmto nástrojům by mělo být prokazatelně možné lépe identifikovat potřeby, plánovat projekty a zajistit jejich úspěšnou realizaci.
Tento případ ukazuje, jak důležité je využívat moderní technologie a analytické nástroje pro zlepšení rozhodovacích procesů a dosažení lepších výsledků v rámci dotačních projektů.
Integrace do procesů: Každý nástroj by měl být začleněn do příslušné fáze procesu podle dostupnosti dat a kompetencí týmu.
Zajištění kompetencí: Vybraný nástroj musí být použitelný pro tým – doporučuje se školení a metodická podpora.
Technická kompatibilita: Ověřte, zda nástroje fungují s interními systémy a splňují požadavky na bezpečnost.
Dokumentace a audit: Výstupy analýz musí být archivovány pro účely auditu a transparentnosti.
Pravidelná aktualizace: Modely a algoritmy je nutné pravidelně revidovat podle nových dat a změn v legislativě.