Ve veřejném sektoru je efektivní rozhodování stále více spjato s využíváním analytických nástrojů.
Organizace veřejné správy disponují velkým množstvím dat z různých agend (eGovernment služeb, provozních systémů, statistik), avšak tato data bývají často nevyužita pro zlepšení politik a služeb .[1]
Cílem této metodiky je poskytnout komplexní postup, jak strategicky implementovat analýzu dat do rozhodovacích procesů. Postup je určen vedoucím úředníkům, tvůrcům politik i studentům veřejné správy a nabízí praktické kroky pro budování datově podloženého rozhodování (data-driven decision making).
Níže popsané kroky lze přizpůsobit různým podmínkám. Pro tuto adaptaci jsou v textu použity proměnné jako „typ analýzy“, „konkrétní nástroj“ a „případová studie“, které můžete nahradit podle svého konkrétního scénáře (např. prediktivní analýza využívající nástroj pro statistické modelování aplikovaná v případové studii oblasti dopravy).
Prvním krokem je určit, které rozhodovací procesy či politiky chcete zlepšit pomocí analytických nástrojů. Jasně si definujte cíle, zda chcete např. zefektivnit provoz, zlepšit služby občanům, zvýšit transparentnost, nebo predikovat budoucí potřeby. Důležité je také stanovit metriky úspěchu (KPIs), abyste později mohli měřit přínos analýzy.
Pozn.: V této fázi se často využívají strategické rámce jako SWOT analýza či analýza problémů k identifikaci oblastí, kde data mohou odhalit nové souvislosti.
Jakmile víte, na co se zaměřit, je třeba shromáždit relevantní data a připravit infrastrukturu pro jejich zpracování. Kvalitní data jsou „palivem“ analytiky, „syrová“ data musejí být očištěna a zorganizována, aby z nich bylo možné získat užitečné poznatky[1].
Dnes jsou běžné např. cloudové datové platformy, které škálují výkon podle potřeby, či specializované softwary pro business intelligence a datovou analytiku.
Pozn.: V praxi veřejného sektoru lze využít i existující státní systémy, např. sdílené datové fondy, centrální registry nebo otevřená data jiných úřadů. Klíčové je zajistit, že všichni relevantní analytici a rozhodovatelé mají k datům přístup, který potřebují.
Nyní určete, jaký typ analýzy a jaké nástroje jsou pro splnění vytyčených cílů nejvhodnější. Analytické nástroje zahrnují jak metody (postupy analýzy dat), tak software či technologie, které analýzu umožňují. Výběr závisí na povaze problému a dostupných datech. Zvažte následující kategorie:
Deskriptivní a diagnostická analýza: Cílem je porozumět, co se stalo a proč. Využívají se nástroje Business Intelligence (BI) pro tvorbu reportů a dashboardů. Např. platformy jako Microsoft Power BI, Tableau či Qlik umožňují vizualizovat data v reálném čase a interaktivně je prozkoumávat[1]. Veřejná instituce může pomocí BI sledovat výkon digitálních služeb (počet vyřízených žádostí, průměrní doba zpracování, vytíženost úředníků) a odhalit úzká místa v procesu. Dashboardy integrující data z více zdrojů mohou manažerům poskytnout přehled o klíčových ukazatelích, např. stav projektů, čerpání rozpočtu, spokojenost občanů, a to průběžně a v souvislostech[2]. Pro hlubší diagnostiku příčin je možné použít statistické nástroje (Excel, R, Python s knihovnami jako pandas či matplotlib) k analýze korelací, trendů a odchylek.
Příklad: typ analýzy = deskriptivní analýza, konkrétní nástroj = BI dashboard – Město analyzuje data o využívání online portálu služeb a zjistí, že v případové studii obdobné analýzy vedly ke zkrácení čekacích dob na přepážkách.
Prediktivní analýza: Snaží se předvídat budoucí vývoj nebo rizika pomocí modelů strojového učení, statistik a dataminingu[3]. Nástroje zahrnují specializované software (IBM SPSS, SAS, RapidMiner) nebo open-source jazyky a knihovny (Python – scikit-learn, TensorFlow; R – caret, randomForest). Tyto nástroje využívají historická data k vytváření predikčních modelů. Ve veřejné správě má prediktivní analýza široké uplatnění například:
Příklad: město Chicago vyvinulo model, který předpovídal pravděpodobnost závažných hygienických porušení v restauracích na základě různých dat (předchozí kontroly, stížnosti, počasí aj.). Díky tomuto predictive analytics přístupu dokázali inspektoři odhalit kritická porušení v průměru o 7 dní dříve oproti tradičnímu plánu kontrol[5]. Tím se zvýšila bezpečnost potravin a ochrana veřejného zdraví. Jiný příklad prediktivní analýzy je odhalování podvodů – finanční úřady využívají algoritmy k identifikaci podezřelých transakcí či žádostí, což pomáhá zabránit zneužití veřejných prostředků[6]. Prediktivní nástroje lze také využít pro modelování dopadů politik, např. simulace ekonomických opatření na nezaměstnanost.
Preskriptivní analýza: Jde o nejpokročilejší stupeň, který nejen předpovídá, ale navrhuje optimální opatření. Typicky využívá výstupy prediktivních modelů a aplikuje na ně optimalizační algoritmy nebo simulace what-if. Ve veřejném sektoru sem patří např.:
Nástroje mohou zahrnovat specializované simulační software (AnyLogic pro simulaci procesů, @Risk pro Monte Carlo analýzy) nebo jazyky s knihovnami pro optimalizaci (Python – PuLP, OR-Tools). Preskriptivní analýza často vyžaduje multioborovou spolupráci, kombinaci datových vědců, odborníků na danou problematiku a rozhodovacích orgánů, aby navržená řešení byla realistická a akceptovatelná.
Příklad: Dopravní podnik využije konkrétní nástroj k simulaci různých jízdních řádů a najde optimální variantu; případová studie ze zahraničí ukazuje, že taková optimalizace snížila dopravní zácpy o 15%.
Shrnutí výběru nástrojů: Při volbě metodiky a nástroje zohledněte povahu dat a rozhodnutí. Někdy postačí základní statistická analýza, jindy je vhodné nasadit pokročilé AI modely. Vždy však platí, že technologie je prostředek, nikoliv cíl, nástroj zvolte takový, který váš problém vyřeší co nejjednodušším a nejspolehlivějším způsobem. Začněte srozumitelnými nástroji (např. vizualizace trendů) a postupně můžete přidávat komplexnější analytiku, až si organizace osvojí základní práci s daty.
Ani nejlepší nástroje nepřinesou výsledky, pokud s nimi neumí lidé pracovat. Proto je potřeba investovat do lidí, dovedností a organizační struktury pro analytiku. Zavedení datově řízeného rozhodování představuje často kulturní změnu ve veřejné správě, která vyžaduje podporu shora i zdola.
Podpora vedení a kultura založená na datech: Vedení organizace musí dát jasně najevo, že rozhodování podložené daty je prioritou. Když vedoucí pracovníci činí rozhodnutí na základě důkazů z analýz (místo pocitů či politického tlaku), vysílají tím signál ostatním[1]. Podporujte otevřenou diskusi nad daty a prolomení resortismu, sdílení dat napříč odbory. Například radnice může pořádat pravidelné meetingy, kde jednotlivé odbory prezentují datové poznatky (např. odbor IT ukáže statistiky využití e-služeb, odbor dopravy analýzu nehodovosti apod.). Taková spolupráce odhalí širší trendy, které izolovaným pohledem nejsou zřejmé [2].
Analytický tým / Centrum excelence: Zvažte zřízení specializovaného analytického týmu nebo tzv. centra excelence (Analytics Center of Excellence)[3]. Jde o křížově funkční skupinu lidí, datových analytiků, IT specialistů i odborníků na danou věc (dopravu, finance aj.), která má za úkol koordinovat analytické aktivity v organizaci. Takový tým může:
Centralizace určité expertízy brání tříštění sil a duplicitním analýzám v různých odděleních, které by mohly vést k rozdílným závěrům ze stejných dat[5]. Dobrý příklad je ustanovení Chief Data Officer či datového oddělení na ministerstvu, které nastaví celoresortní datovou strategii a pomáhá jednotlivým odborům projekty realizovat.
Školení a rozvoj dovedností: Datová gramotnost by neměla zůstat pouze v IT oddělení. Všichni, kdo se podílejí na rozhodování, by měli rozumět základům práce s daty[6]. Proto investujte do školení, od základních kurzů interpretace statistik pro běžné úředníky až po pokročilé kurzy datové vědy pro analytické specialisty. Můžete uspořádat interní workshopy nebo využít online kurzy k tématům jako je základy SQL, datová vizualizace, principy strojového učení apod[7]. Důležité je také budovat důvěru v data – zaměstnanci by měli chápat, že analýzy jim mají pomoci, nikoliv je hodnotit či nahrazovat. Praktické je jmenovat tzv "datové šampiony" (ambasadory) v jednotlivých útvarech[8], kteří jsou nadšení pro práci s daty a pomohou kolegům překlenout počáteční nejistotu. Ti mohou poskytovat podporu při používání nových nástrojů a tlumočit analytické výstupy do jazyka daného odboru.
Spolupráce s externími experty: Pokud uvnitř nemáte dostatečné kapacity, zvažte partnerství s akademickou sférou (výzkumné ústavy, univerzity) nebo se soukromým sektorem (konzultanti, datové firmy). Ty mohou pomoci nastavit metodiky či vyvinout pokročilé modely.
Příkladem je spolupráce města Chicaga s datovými vědci z Allstate při tvorbě prediktivního modelu pro kontroly restaurací [9]. Externí pomoc však vždy kombinujte s učením se a požadujte, aby externisté předali/váli know-how vašim zaměstnancům, čímž dlouhodobě posílíte vlastní kompetence.
Při zavádění analytických nástrojů je vhodné začít pilotním projektem v omezeném rozsahu. Namísto velké revoluce zvolte konkrétní případ, na kterém si vše vyzkoušíte, získáte pozitivní zkušenost a poučení pro širší nasazení.
Město Chicago ve svém pilotním programu prediktivní analytiky zvolilo konkrétní případ (kontroly restaurací) a díky otevřené a kolaborativní realizaci dosáhlo hmatatelných výsledků[1]. Jejich postup (včetně zapojení partnerů a využití open data) poskytl lessons learned i pro další města, která chtějí nastartovat analytické programy[2]. Poučení z pilotů obecně: začínejte v malém, měřte výsledky, buďte flexibilní a následně rozšiřujte to, co se osvědčilo.
Úspěšné využívání analytických nástrojů vyžaduje, aby se výstupy analýz skutečně promítly do rozhodovacích procesů. Data a analýzy mají sloužit jako podpora rozhodnutí, neměly by zůstávat uzavřené v IT oddělení nebo v prezentaci, ale být ve správný čas na správném místě pro osoby s rozhodovací pravomocí.
Integrace analýz do praxe také zvyšuje transparentnost a odpovědnost veřejné správy. Když lze rozhodnutí vysvětlit na základě konkrétních dat a modelů, roste důvěra veřejnosti, že úřady rozhodují objektivně a efektivně[2]. Například zveřejnění otevřených dat a analytických podkladů k určité politice umožňuje občanům i externím expertům ověřit si správnost úvah úřadu, což posiluje legitimitu rozhodnutí.
Posledním, ale neméně důležitým krokem je sledování výsledků a průběžné vylepšování analytických postupů. Data a analytika se neustále vyvíjejí, přibývají nová data, situace se mění a nástroje zastarávají. Úspěšná datová iniciativa je proto ta, která je dynamická a učí se z feedbacku.
Měření a vyhodnocení dopadu: Průběžně měřte, jak zavedení analytických nástrojů ovlivnilo skutečné výsledky ve veřejné politice či službě. Navázali jsme v kroku 1 cíle a KPI – nyní je čas je vyhodnotit. Pokud jste např. zavedli prediktivní model pro rizika projektu, sledujte, zda projekty nyní skutečně častěji dodrží rozpočet a termíny. Pokud jste nasadili nový dashboard pro řízení agendy, zjišťujte u úředníků, zda jim pomáhá rychleji se rozhodovat a u občanů, zda se zlepšila kvalita služeb (to lze měřit třeba dotazníkem spokojenost). Kvantifikujte přínosy (pokud možno v jasných termínech):
Tyto výsledky pak komunikujte vedení i veřejnosti. Například po implementaci datové analytiky u zadávání veřejných zakázek můžete reportovat, že díky lepší analýze nabídek se ušetřilo XY milionů Kč (což dále zvyšuje podporu pro datové projekty).
Udržování a aktualizace modelů: Analytické modely (zejména prediktivní) nezůstávají přesné navždy. Pravidelně proto vyhodnocujte jejich výkonnost. Pokud přesnost predikcí klesá, je třeba model přeučit s novými daty či upravit jeho parametry. Zaveďte plán revizí – např. každý rok (či častěji, u rychle se měnících dat) zkontrolujte a zvalidujte používané modely. Sledujte také, zda se neobjevily nové relevantní datové zdroje, které by mohly model zlepšit.
Feedback od uživatelů: Zapojte koncové uživatele (úředníky, analytiky, případně občany) do zpětné vazby. Mohou navrhnout vylepšení reportů, upozornit na nové otázky, které by data mohla zodpovědět, nebo identifikovat praktické potíže v používání nástrojů. Tuto zpětnou vazbu strukturovaně sbírejte, například formou pravidelných setkání datového týmu s vedením nebo interním průzkumem spokojenosti za pomoci analytických nástrojů. Na základě feedbacku pak upravujte metodiky. Jde o proces neustálého učení, organizace by měla budovat svou interní kulturu vzdělávání, kde iterativně zdokonaluje své datové schopnosti.
Řešení problémů a bariér: Pokud narazíte na překážky (technické problémy, odpor lidí, právní omezení), nenechte se zastavit. Analyzujte příčiny, např. zaměstnanci nevyužívají nový systém, protože nerozumějí grafům? Řešením může být dodatečné školení nebo úprava vizualizace.
Nebo zjišťujete, že některé potřebné data nelze sdílet kvůli ochraně osobních údajů? Hledejte cesty anonymizace dat či právních výjimek, případně se soustřeďte na agregovaná data. Důležité je nevzdat se při prvních obtížích, ale systematicky je odstraňovat.
Etika a odpovědnost: Zlepšování by se mělo týkat i etické stránky analytiky. Pravidelně provádějte audity používaných algoritmů a dat z hlediska předpojatosti a fair play. Veřejný sektor je odpovědný za zajištění, že rozhodování na základě dat nebude diskriminační a že bude chráněno soukromí občanů. Nastavte proto kontrolní mechanismy, např. nechte citlivé algoritmy (jako prediktivní modely pro sociální služby) posoudit nezávislými experty či úřadem pro ochranu osobních údajů. Udržujte také transparentnost, zveřejňujte, jaká data a modely používáte, aby bylo možné je případně zpochybnit či vylepšit. Etické a právní standardy (GDPR, zákony o kybernetické bezpečnosti) integrujte do všech fází datového procesu[1]. Tím předejdete ztrátě důvěry, která by mohla celý datový projekt vykolejit.
Nakonec se cyklus uzavírá, výsledky a poznatky z tohoto kroku opět využijte při definování nových cílů a projektů (návrat ke kapitole 2). Datově řízená organizace se vyznačuje tím, že neustále reflektuje a adaptuje své postupy. Analytické nástroje i metodiky by měly podléhat kontinuální inovaci, sledujte trendy (např. nové AI nástroje, pokročilé vizualizační techniky, legislativní změny ohledně dat) a nebojte se evolučně vylepšovat svůj přístup.
Pro inspiraci uvádíme několik konkrétních příkladů úspěšného využití datové analytiky ve veřejném sektoru, v různých oblastech eGovernmentu, digitalizace a řízení:
Prediktivní inspekce potravin (Chicago, USA): Město Chicago zavedlo otevřenou platformu pro pokročilou analytiku a jako pilotní projekt vytvořilo prediktivní model pro plánování hygienických inspekcí restaurací. Model využil historická data kontrol, stížností občanů, klimatických podmínek aj. k určení, které provozovny mají vyšší pravděpodobnost závažného porušení předpisů. Výsledkem bylo, že inspektoři díky datovému modelu nacházeli kritické prohřešky o 7 dní dříve oproti tradičnímu náhodnému výběru kontrol[1]. Simulace ukázaly, že při použití prediktivního pořadí kontrol by se v první polovině kontrolního cyklu odhalilo o 25 % více závažných porušení[2]. Tento projekt, realizovaný v rámci iniciativy SmartData Platform, ušetřil zdroje inspekce a zvýšil ochranu veřejného zdraví. Chicago navíc svůj přístup zveřejnilo open-source, takže jej mohla převzít i jiná města[3].
Automatizace administrativy RPA (Swindon, UK): Rada města Swindon čelila během pandemie 2 000% nárůstu žádostí o sociální podporu (program školních obědů) a kapacita úředníků byla zahlcena[4]. Řešením bylo nasazení robotické automatizace procesů (RPA) pro rutinní zpracování žádostí. RPA robot integroval stávající systémy rady a ministerstva školství a umožnil 24/7 automatizované vyhodnocování podaných online formulářů[5].
Výsledkem bylo 98% zrychlení zpracování – čekací doby rodin na vyřízení se dramaticky zkrátily – a 66% zkrácení průběžné doby potřebné k vyřízení jedné žádosti[6]. Zároveň došlo ke snížení chybovosti dat a lepšímu zabezpečení citlivých informací. Po úspěchu pilotu rozšířila rada využití RPA i na další agendy[7], což ilustruje škálování úspěšné analyticko-automatizační inovace.
Umělá inteligence v sociální péči (North Yorkshire, UK): Analýza caseloadu sociálních pracovníků v hrabství North Yorkshire odhalila, že až 80 % jejich času zabírají administrativní úkony, místo aby jej věnovali klientům[8]. Rada proto nasadila AI nástroj pro automatizaci tvorby případových dokumentů a znalostních map. AI například generovala eko-mapy (mapy vztahů osob kolem ohroženého dítěte) z textů v dokumentaci, což dříve nebylo možné[9]. Tato inovace přinesla dřívější identifikaci rizik u dětí a umožnila sociálním pracovníkům trávit více času v terénu s rodinami místo papírování[10]. Díky včasně odhaleným případům mohou úřady proaktivně zasáhnout a zlepšit tak výsledky péče. Příklad ukazuje, že datové nástroje s prvky AI mohou významně zvýšit efektivitu i kvalitu služby v oblasti, kde lidský kontakt zůstává nezastupitelný – technologie zde slouží k tomu, aby pracovníci mohli lépe dělat svou práci, nikoli je nahrazovat.
Další možné příklady:
Tyto příklady demonstrují, že analytické nástroje jsou adaptabilní napříč oblastmi veřejné správy – od tvrdých infrastrukturních projektů po měkké sociální služby.
Zavedení analytických metod do rozhodovacích procesů ve veřejném sektoru je strategickou investicí, která může vést k zásadnímu zlepšení výkonu organizace i kvality veřejných služeb. Tato metodika nastínila sedm základních kroků od definice cílů, přes vybudování datové infrastruktury a kompetencí, po integraci analýz do každodenního rozhodování a kontinuálního zlepšování. Klíčové principy, které se prolínají všemi kroky, jsou strategické uvažování, postupné zavádění, zapojení lidí a kultura učení.
Je důležité si uvědomit, že technologie sama o sobě nestačí – úspěch závisí na lidech, kteří s ní pracují, a na vůli na základě dat skutečně jednat. Veřejná správa má oproti soukromému sektoru svá specifika (legislativní odpovědnost, veřejná kontrola, často omezené zdroje), ale právě proto může z chytřejšíhovyužití dat enormně profitovat. Jak uvádí OECD, budování datově řízeného veřejného sektoru umožňuje poskytovat občanům lepší výsledky a vyšší hodnotu za vynaložené prostředky[1].
Závěrem, metodické zavedení analytických nástrojů není jednorázový projekt, ale cesta kontinuální inovace. Každý úřad může začít podle svých možností (např malým pilotem - případová studie) a postupně se vyvíjet v organizaci, kde data a analýzy jsou přirozenou součástí všech úrovní rozhodování.
Taková organizace bude lépe předvídat výzvy, efektivněji alokovat zdroje a transparentněji zdůvodňovat svá rozhodnutí. Výsledkem je veřejná správa, která dokáže flexibilně reagovat na moderní výzvy digitální doby a poskytovat občanům služby na základě skutečných potřeb a důkazů, nikoli dojmů. To je cílem nás všech v oblasti eGovernmentu, digitalizace, projektového řízení i IT ve veřejné správě.
Světová banka – Government Analytics Handbook: vlády disponují velkým množstvím dat, ale chybí systematická praxe jejich využití[1].
Dashboardy s daty v reálném čase mohou manažerům poskytnout detailní přehled pro lepší rozhodování[2].
https://www.worldbank.org/en/publication/government-analytics
ROGGER, Daniel; SCHUSTER, Christian a EDITORS. The Government Analytics Handbook. Online. The Government Analytics Handbook [cit. 2
Plante Moran (2025) – Public sector data and analytics: přechod od pouhého reportování k rozhodování vyžaduje kladení hypotetických otázek a využití dat pro to, co by se mohlo stát a co bychom měli udělat[3]. Doporučuje se zřídit Analytics Center of Excellence – křížově funkční tým pro koordinaci datových projektů [4].
https://www.plantemoran.com/explore-our-thinking/insight/2025/05/public-sector-data-and-a
Plante Moran. Public sector data and analytics. Online. Public sector data and analytics: Leverage data to make better decisions | Our Insights | Plante Moran.[cit. 202
GovLoop (2024) – Data-Driven Decision-Making in Government: prosazení datově orientované kultury vyžaduje vedení příkladem, spolupráci mezi odbory a investice do nástrojů a školení[5].. Zvyšování datové gramotnosti celého týmu (školení, datoví šampioni) je nezbytné[6].
GovLoop (2024). Data-Driven Decision-Making in Government. Online. Data-Driven Decision-Making in Government: Best Practices for a Smarter Public Sector » Community | GovLoop.[cit. 2026
MicroStrategy (2024) – Harnessing Predictive Analytics in Public Sector: prediktivní analytika pomáhá vládám činit informovanější rozhodnutí, zvýšit efektivitu a řešit problémy proaktivně (např. prediktivní modely v dopravě, zdravotnictví, boji s podvody) [7]. Pro úspěch je třeba zajistit kvalitní data, budovat odborné kapacity, investovat do správné technologie a dbát na etiku a soukromí[8].
MicroStrategy (2024). Harnessing Predictive Analytics in Public Sector. Harnessing the Power of Predictive Analytics for Data-Driven Decision-Making in the Public Sector.[cit. 2026-01-19].
Město Chicago – otevřená analytická platforma, pilotní prediktivní model hygienických inspekcí: odhalení kritických pochybení o 7 dní dříve[9] , potenciálně +25 % efektivity kontrol[10].
THORNTON, Sean. Predictive Analytics Optimize Chicago’s Food Inspection Process. Predictive Analytics Optimize Chicago’s Food Inspection Process.[cit.
Swindon Council (UK) – RPA automatizace zpracování žádostí: 98% zlepšení efektivity a 66% zrychlení vyřízení dávek [11]
North Yorkshire (UK) – AI v sociální péči: včasnější odhalení rizik a odbourání administrativy prosociální pracovníky[12].
Další: Evropská strategie AI odhaduje úspory 2–5 mld. € díky AI v public sektoru do roku 2025[13], příklady využití BI ve veřejném sektoru ČR atd.
efaidnbmnnnibpcajpcglclefindmkaj/https://whatworks.gov.ie/app/uploads/2019/10/Analytics-driven-Public-Service-and-Policy-Innovation.pdf#:~:text=The%20Royal%20College%20of%20Physicians,solve%E2%80%94from%20fighting%20terrorists%20to%20serving
ADEGBOYEGA Ojo. Analytics-driven Public Service and Policy Innovation. https://whatworks.gov.ie/app/uploads/2019/10/Analytics-driven-Public-Service-and-Policy-Innovation.pdf.[cit. 2026-01-19].
[1]ROGGER, Daniel; SCHUSTER, Christian a EDITORS. The Government Analytics Handbook. Online. The Government Analytics Handbook [cit. 2026-01-19].
[2] T ROGGER, Daniel; SCHUSTER, Christian a EDITORS. The Government Analytics Handbook. Online. The Government Analytics Handbook [cit. 2026-01-19].
[3]Plante Moran. Public sector data and analytics. Online. Public sector data and analytics: Leverage data to make better decisions | Our Insights | Plante Moran.[cit. 2026-01-19].
[4] Plante Moran. Public sector data and analytics. Online. Public sector data and analytics: Leverage data to make better decisions | Our Insights | Plante Moran.[cit. 2026-01-19].
[5]GovLoop (2024). Data-Driven Decision-Making in Government. Online. Data-Driven Decision-Making in Government: Best Practices for a Smarter Public Sector » Community | GovLoop.[cit. 2026-01-19].munity | GovLoop
[6]Data-Driven Decision-Making in Government: Best Practices for a Smarter Public Sector » Community | GovLoop
[7]MicroStrategy (2024). Harnessing Predictive Analytics in Public Sector. Harnessing the Power of Predictive Analytics for Data-Driven Decision-Making in the Public Sector.[cit. 2026-01-19].
[8]MicroStrategy (2024). Harnessing Predictive Analytics in Public Sector. Harnessing the Power of Predictive Analytics for Data-Driven Decision-Making in the Public Sector.[cit. 2026-01-19].
[9]MicroStrategy (2024). Harnessing Predictive Analytics in Public Sector. Harnessing the Power of Predictive Analytics for Data-Driven Decision-Making in the Public Sector.[cit. 2026-01-19].
[10]MicroStrategy (2024). Harnessing Predictive Analytics in Public Sector. Harnessing the Power of Predictive Analytics for Data-Driven Decision-Making in the Public Sector.[cit. 2026-01-19].
[11]ELSENBURG, Isabelle. Case Studies in Public Sector Impact: Delivering Meaningful Outcomes with Limited Resources. Case Studies in Public Sector Impact: Delivering Meaningful Outcomes with Limited Resources - Insights | Public Sector Network.[cit. 2026-01-19].
[12]ELSENBURG, Isabelle. Case Studies in Public Sector Impact: Delivering Meaningful Outcomes with Limited Resources. Case Studies in Public Sector Impact: Delivering Meaningful Outcomes with Limited Resources - Insights | Public Sector Network.[cit. 2026-01-19].
[13]ADEGBOYEGA Ojo. Analytics-driven Public Service and Policy Innovation. https://whatworks.gov.ie/app/uploads/2019/10/Analytics-driven-Public-Service-and-Policy-Innovation.pdf.[cit. 2026-01-19].