Värdet av öppna data

Värdet av Öppna Data
– en svensk fallstudie baserad på hälsodata
 
Ingemar Larsson
SenseMate AB
Oktober 2015

SenseMate AB: Värdet av Öppna Data v1.0 Sida av1 41
Innehållsförteckning
Summary in English 3..........................................................................................................................
Sammanfattning 3...............................................................................................................................
Rapportens struktur 4..........................................................................................................................
1. Introduktion till öppna data 5.......................................................................................................
1.1. Aktörer inom öppna data 7.............................................................................................................
2. Bakgrund till fallstudien 8.............................................................................................................
2.1. Utmaningar i dagens ekosystem 8................................................................................................
2.2. Studiens omfattning och mål 10...................................................................................................
2.2.1. Mål och målgrupper 10...................................................................................................
2.2.2. Avgränsningar 10..............................................................................................................
2.2.3. Metod och genomförande 11........................................................................................
2.2.4. Nyttiggörande 11..............................................................................................................
3. Fallstudie 12....................................................................................................................................
3.1. Fallstudiens beskrivning 12.............................................................................................................
3.2. Analys av värdekedjan 12................................................................................................................
3.3. Val av affärsmodell 14......................................................................................................................
3.4. Dataanalys 15....................................................................................................................................
3.4.1. Öppna data-källor 16......................................................................................................
3.4.2. Datainhämtning via API 18............................................................................................
3.4.3. Datanycklar och accesskoder 18...................................................................................
3.4.4. Support och stöd för användare 18..............................................................................
3.4.5. Licensieringsvillkor & kostnad 19..................................................................................
3.4.6. Datakvalitet och dataförståelse 19..............................................................................
3.4.7. Databearbetning och modellering 23.........................................................................
4. Analys av värde 24.........................................................................................................................
4.1. Värde av data – generellt perspektiv 24.......................................................................................
4.2. Värde för publicerande organisationer 26..................................................................................
4.2.1. Exempel på öppna data-användning med samhällsnytta 27..............................
4.2.2. Värde för publicerande organisationen i fallstudien 27..........................................
4.3. Värde för små och medelstora företag (SME) 29........................................................................
4.3.1. Exempel på öppna data-användning i kommersiella företag 29.........................
4.3.2. Värdeberäkning för SME-företaget i fallstudien 30..................................................
4.4. Värde för slutanvändare 33.............................................................................................................
4.4.1. Värde för slutanvändarna i fallstudien 33..................................................................
5. Underlag för beslutsfattande 34...................................................................................................
5.1. Publicerande organisationer 34.....................................................................................................
5.1.1. Affärsmodeller för publicerande organisationer 36.................................................

 
5.2. Nyttjande organisationer – små och medelstora företag 37..................................................
5.2.1. Affärsmodeller för små och medelstora företag 37..................................................
6. Avslutande kommentarer 40.........................................................................................................
Om SenseMate AB 41...........................................................................................................................
About SenseMate AB 41.......................................................................................................................
Denna fallstudie har utförts med stöd från VINNOVA och är tillgänglig
under Creative Commons Erkännande-DelaLika 4.0 Internationell licens.
This case study was done with support from VINNOVA the Swedish
Governmental Agency for Innovation
Systems and is available under Creative
Commons Attribution-ShareAlike 4.0
International license.

Summary in English
This report presents a case study on Swedish open data in the health domain, with the intention of
examining the value of open data from an SME (small and medium enterprise) perspective. One goal of
the study is to highlight financial value opportunities that are enabled by open data, and in particular for
small companies. In addition to the case study, a value analysis and material for decision making around
publication and use of open data are included. This report also presents a number of business models
that can be used as examples by companies and organisations wishing to build solutions that leverage
open data.
The case study endeavored to develop a prediction service for caregivers using open data from the HIP
platform (Health Innovation Platform). Currently in its final implementation phase, the HIP platform
will be fully operational in the beginning of 2016. It was found that one of the datasets necessary for
the case study did not contain enough data points to build the prediction model, and therefore it was
not possible to implement the service fully.
The case study concluded that the estimated financial value of the utilized open dataset would be in the
range of millions of SEK, for both the service-building SME and the data-publishing county
(Stockholms läns landsting), given that the dataset is updated. To make best use of the results, the
information has been communicated to health counties and the platform organisation.
Open data can be valued differently based on the perspective taken, and open data typically brings
benefits in several dimensions. The greatest value lies in the utilization of the open data, whether it is for
democratic transparency, citizen empowerment, or creation of innovations.
Sammanfattning
Den här rapporten presenterar en fallstudie som gjorts med svenska öppna data från hälsodomänen,
med avsikten att undersöka värdet av öppna data från små och medelstora företags perspektiv. Ett av
studiens mål är att belysa ekonomiskt värde i möjligheter sprungna ur öppna data, framförallt för det
mindre företaget. Utöver fallstudien presenteras en värdeanalys och underlag för beslutsfattande kring
publicerande och användande av öppna data. I rapporten presenteras även flera affärsmodeller som kan
användas av företag och organisationer som exempel när de bygger lösningar baserade på öppna data.
Fallstudien siktade mot att utveckla en prediktionstjänst för vårdgivare baserad på öppna data från HIP-
plattformen (Health Innovation Platform). HIP-plattformen är i slutfasen av sin implementation och
kommer vara fullt driftsatt i början av 2016. Det upptäcktes att en av datamängderna som krävdes för
fallstudien inte innehöll tillräckligt mycket data för skapa prediktionsmodellen, och därför var det inte
möjligt att implementera tjänsten fullt ut.
Fallstudien fann att det uppskattade ekonomiska värdet i den använda öppna datamängden skulle vara
flera miljoner kronor, både för företaget som tillhandahåller datatjänsten och det datapublicerande
landstinget (Stockholms läns landsting), givet att datamängden uppdateras. Som en del av
nyttiggörande av resultatet har återkoppling skett till landsting och plattformsorganisationen.
Öppna data kan värderas olika beroende på vilken synvinkel man har, och öppna data skapar ofta nytta
på flera sätt. Det största värdet ligger i användningen av öppna data, oavsett om det är för demokratisk
öppenhet, medborgarinflytande, eller skapandet av innovationer.

Rapportens struktur
Rapporten är avsedd att läsas som en sammanhängande text, där senare kapitel bygger på information
presenterad i tidigare kapitel.
Det första kapitlet ger en kort introduktion till öppna data och visar exempel på andra länders öppna
data-initiativ i förhållande till Sverige.
Kapitel två beskriver utmaningar i dagens ekosystem och bakgrunden till fallstudien, samt fallstudiens
omfattning och mål.
I tredje kapitlet presenteras fallstudieföretaget och huvuddelen av fallstudiens implementation och
dataanalys. I kapitlet lyfts ﬂera vanligt förekommande processteg fram, med avsikten att läsaren ska
kunna lära sig ett tillvägagångssätt att arbeta med öppna data.
I fjärde kapitlet analyseras värdet i öppna data. Flera exempel på värdeskapande baserat på öppna data
lyfts fram, och värdeberäkningar görs för aktörerna i fallstudien.
Femte kapitlet innehåller ytterligare information för beslutsfattande, dels för publicerande
organisationer och dels för små och medelstora företag. Exempel på aﬀärsmodeller presenteras också.
Intentionen med detta kapitlet är att komplettera den tidigare informationen, och hjälpa organisationer
att se hur de kan skapa värde ur öppna data.
Rapporten avslutas med en summering sjätte kapitlet.

1. Introduktion till öppna data
I en framtid där människor och maskiner använder data för att ta välgrundade samhällsbeslut, skapa nya
innovationer och förbättringar för ett hälsosammare liv, är just data centralt. Vikten av korrekt, och för
alla tillgänglig, data blir tydligare då beslut tas allt snabbare och informationsmängden växer
exponentiellt.
Många länder inser nyttan av att tillgängliggöra data från offentliga organisationer som en del av den
demokratiska processen , för synlighet och transparens, men även för att denna datan ska bidra till nya1
innovationer, ekonomisk nytta och effektivisering. Ofta sker tillgängliggörandet i form av öppna data,
men definitionen av öppna data kan skilja sig något mellan organisationer, beroende på vad
organisationen väljer att lyfta fram.
Öppna data i den offentliga sektorn vilar bland annat på tankar om att data som skapas eller samlas in
av offentliga organisationer tillhör det demokratiska samhället och dess skattebetalande invånare, och
bör göras öppet tillgänglig så långt det inte bryter mot lagar eller sekretesskrav .2
För att kalla det öppna data ställs olika grundkrav, här hämtade från VINNOVA :3
1. Komplett: Information som inte innehåller personuppgifter eller lyder under sekretess
görs tillgänglig i så stor omfattning som möjligt. Detta gäller särskilt databaser med
material som skulle kunna vidareförädlas.
2. Primär: Information skall så långt det är möjligt tillhandahållas i originalformatet.
Bild- och videomaterial skall tillhandahållas i högsta möjliga upplösning för att möjliggöra
vidareförädling.
3. Aktuell: Information skall tillgängliggöras så snabbt som möjligt så att värdet av den
inte försvinner. Det bör finnas mekanismer för att automatiskt kunna få information om
uppdateringar.
4. Tillgänglig: Information görs tillgänglig för så många användare som möjligt för så
många ändamål som möjligt.
5. Maskinläsbar: Informationen är strukturerad på ett sätt som möjliggör maskinell
bearbetning och samkörning med andra register.
6. Fri: Informationen är tillgänglig för alla utan krav på betalning, eller inskränkningar i
form av licensvillkor och registreringsförfaranden.
7. I ett öppet format: Det format informationen lämnas i följer en öppen standard,
alternativt är dokumentationen till formatet fritt tillgänglig och fri från patent-
licensvillkor.
Till exempel beslutade Belgien i slutet av juli 2015 att införa en Öppna Data-strategi som bland annat innebär att all offentlig data ska vara1
“open by default” och maskinläsbar http://www.openknowledge.be/2015/07/24/green-light-for-the-belgian-federal-open-data-strategy/
Se bland annat http://linkedgov.org/what-is-open-data/2
http://www.vinnova.se/sv/Var-verksamhet/Strategiskt-viktiga-kunskapsomraden/Tjanster-och-IKT/Oppen-innovation/Oppna-data/3

Det är inte bara medborgare och företag som kan dra fördel av ett system byggt på öppna data, utan
även offentliga organisationer kan skapa lösningar baserade på andra offentliga organisationers
publicerade öppna data. Öppna data kan även användas i den egna organisationen, till exempel för
verksamhetsanalys och kvalitetsarbete.
Även om det ofta talas om öppna data i kontext av offentliga organisationer, kan alla publicera öppna
data, oberoende om de är privatpersoner, vinstdrivande eller icke vinstdrivande organisationer.
En speciellt intressant typ av öppna data är länkade öppna data , vilket innebär att datan har ett format4
som möjliggör strukturerad sammanlänkning av datamängder. Sådan sammanlänkning skapar i sin tur
långtgående möjligheter för människor och maskiner att upptäcka relationer mellan ting och
beskrivningar, och på så vis realisera fördelarna med den semantiska webben . En utmärkt introduktion5
till länkade öppna data på svenska är “Vitbok länkade öppna data” .6
Öppna datamängder i Sverige kan bland annat hittas genom webbsajten oppnadata.se, som vid
rapportens skrivande listade 281 datamängder. EU har också en sajt för öppna data, kallad European
Union Open Data Portal: open-data.europa.eu som innehåller mer än 8500 datamängder. Bland enskilda
länder med stor mängd öppna data kan nämnas Storbritannien (~22000 datamängder på data.gov.uk/
data) och USA (~185000 datamängder på www.data.gov).
Figur 1. De tio högst rankade länderna i Open Data Barometer sorterade efter sammanvägt index.
I den andra utgåvan av Open Data Barometer från januari 2015 rankas Sverige på en tredjeplats, efter7
Storbritannien och USA, se figur 1. Rankningen är en sammanvägning av många parametrar, inklusive
landets implementering av öppna data, hur väl landet är förberett att dra nytta av öppna datamängder,
etc.
0
25
50
75
100
UK USA Sweden France New  
Zealand
Netherlands Norway Canada Denmark Australia
68,3370,13
74,5274,5975,79
80,0180,21
83,7
92,66
100
http://linkeddata.org/faq4
Tim Berners-Lee, James Hendler and Ora Lassila,“The Semantic Web”,http://www.cs.umd.edu/~golbeck/LBSC690/SemanticWeb.html5
http://lankadedata.se/vitbok/ av Matthias Palmér och Hannes Ebner, MetaSolutions AB6
http://opendatabarometer.org/index.html7

1.1. Aktörer inom öppna data
Man kan dela in aktörerna inom öppna data i olika grupper baserat på vilken roll de har. Pilarna i figur
2 indikerar hur data rör sig inom ekosystemet, och även hur värde rör sig. Notera att en aktör kan ingå i
flera grupper, till exempel när en organisation både publicerar data (grupp: dataägare & dataskapare)
och själv använder sig av tjänster som bygger på den publicerade datan (grupp: kunder).
Figur 2. Några viktiga aktörsgrupper inom öppna data, med exempel på aktörer i respektive grupp.8
Utbytet mellan aktörsgrupperna kan ha olika primära mål beroende på vilken aspekt av öppna data man
ser till . En myndighet kan till exempel tillhandahålla öppna data med målet att nya tjänster ska9
utvecklas till nytta för samhället – innovationsaspekten. Ett annat exempel är en myndighet som
tillgängliggör data för att öka insynen iden offentliga förvaltningen – transparensaspekten. Exempel på
effektiviseringsaspekten kan vara en myndighet som tillgängliggör data för att andra myndigheter ska
använda sådan existerande data för att bli mer effektiva.
Även om en dataägare eller dataskapare publicerar öppna data med ett visst huvudsyfte i åtanke är inte
användningen begränsad till endast det syftet. En datamängd publicerad med målet att öka
transparensen kan samtidigt användas för innovation och effektivisering.
Dataägare &
dataskapare:
Myndigheter 
Företag
Utvecklare:
Entreprenörer 
Myndigheter 
Företag
Kunder:
Medborgare
Myndigheter
Företag
Öppna data-
förmedlare:
Entreprenörer 
Företag
Inspirerat av bland annat i Eriksson, “Öppna data 2014 Nulägesanalys” , Hjalmarsson et al, “Mind the gap: exploring stakeholders’ value with8
open data assessment” och Deloitte, “Open growth, Stimulating demand for open data in the UK”
Se även principfall i rapporten Nationell Portal - Förstudie.9

2. Bakgrund till fallstudien
Med en förståelse kring varför öppna data är viktigt och vilken form den öppna datan bör ha
uppkommer lätt ett antal följdfrågor, som exempelvis:
• Som publicerande organisation, vad är värdet för oss och vad är kostnaden för att publicera
datamängden?
• Som privat vinstdrivande företag, vad är värdet i den datan som tillgängliggjorts och på vilket
sätt kan vi dra fördelar av den i vårt beslutsfattande eller skapa en produkt som vi kan sälja?
• Som medborgare, hur kan jag få tillgång till datan och hur kan jag, utifrån min respektive
kunskapsnivå, förstå informationen i datan och hur den kan vara värdefull för mig?
Dessa och många andra frågor kan ställas, ofta utifrån en specifik synvinkel baserat på den roll
frågeställaren har, t ex offentlig organisation/privat företag/medborgare. Denna fallstudien avser att
belysa några sätt att resonera kring dessa frågor, samt att ge exempel både på andra lyckade
användningar av öppna data och i form av praktisk användning av öppna data i en tillämpning.
2.1. Utmaningar i dagens ekosystem
En av de stora utmaningarna är att kunna omsätta öppna data till konkret handling i små och
medelstora företag, ofta förkortat SME (Small and Medium Enterprises).
På samhällsnivå finns många rapporter som belyser värdet av öppna data. Dessa rapporter visar ofta att
antagandena om samhällsvärden och innovationsstimulerande möjligheter är sanna eller åtminstone väl
underbyggda, och att det estimerade ekonomiska värdet också är stort.
Enligt Sveriges Kommuner och Landsting (SKL) kan ökad användning av offentlig data i Sverige skapa10
ökad tillväxt som kan medföra nya intäkter till det offentliga på drygt 4,5 miljarder kronor. Som SKL också
nämner är det en osäker siffra eftersom det är svårt att exakt bedöma de samhällsekonomiska vinsterna.
McKinsey uppskattar att öppna data globalt kan skapa ekonomiskt värde motsvarande mer än 311
biljoner USD (ca 26 biljoner SEK ) per år. Värdet inkluderar bland annat ökad effektivitet och12
utveckling av nya tjänster och produkter.
Med andra ord finns det mycket stor potential i öppna data, men det finns flera utmaningar för företag
som vill skapa fördelar från öppna data, exempelvis:
- att skapa en ekonomiskt hållbar lösning baserad på öppna data när alla [potentiella konkurrenter] har
tillgång till samma information
- att hitta exempel att lära ifrån, ur perspektiv som det lilla företaget kan relatera till 
http://skl.se/naringslivarbetedigitalisering/digitalisering/oppnadata/faktaoppnadata.1069.html10
http://www.mckinsey.com/insights/business_technology/open_data_unlocking_innovation_and_performance_with_liquid_information11
1 biljon är 1000 miljarder12

Det är viktigt att visa hur det går att skapa värde ur de öppna data som finns, och hjälpa aktörer som
idag kanske inte använder data att börja dra nytta av data. Att dra nytta av data innefattar både att finna
information om marknadsförhållande, och att bygga produkter och tjänster baserade på data.
Trots att det finns det mycket information och analyser kring marknadspotentialen är det en utmaning
för bland annat aktörsgruppen utvecklare att konkret omsätta den öppna datan till affärsmöjligheter.
Denna utmaning indikerar också att det behövs någon som kan “översätta” mellan företags behov och
den data som finns tillgänglig.

2.2. Studiens omfattning och mål
2.2.1. Mål och målgrupper
I många organisationer finns data av hög kvalitet som kan skapa stort värde om de görs tillgängliga och
börjar användas – det är vid användandet som värdet realiseras. Syftet med fallstudien är att undersöka
värdet av öppna data på ett sätt som belyser olika dimensioner, primärt sett ur ett SME-företags
perspektiv, och sekundärt ur organisationers och slutanvändares perspektiv. Det övergripande målet är
att skapa ett konkret svenskt exempel som visar på värdet av öppna data, i form av en fallstudie gjord på
öppna data från HIP-plattformen . Ett delmål är att tillföra underlag för beslutsfattande kring öppna13
data, både för en organisation som vill tillgängliggöra öppna data och för en organisation som eventuellt
vill använda den öppna datan.
Målgruppen små och medelstora företag spelar en viktig roll i det svenska näringslivet. I Sverige utgör14
små och medelstora företag 99,9% av det totala antalet företag, och sysselsätter mer än 60% av det
totala antalet anställda i privata företag . Mindre företag är dessutom ofta lättrörliga och kan snabbt15
skapa innovationer från nya möjligheter på marknaden. I en studie gjord av Open Data Institute 201516
fann man att av de identifierade “öppna data företagen” i Storbritannien var 70% så kallade
mikroföretag med färre än 10 anställda.
Eftersom flertalet rapporter fokuserar på öppna data i ett nationellt eller globalt perspektiv, finns ett
behov att belysa ämnet från ett SME-företags perspektiv.
2.2.2. Avgränsningar
För att kunna genomföra värdeanalysen på ett meningsfullt sätt sattes följande ramar:
• Se till kostnader och intäkter för ett SME-företag, och beräkna värdet som om företaget skulle
utveckla en tjänst.
• I fallstudien endast använda datamängder som är öppna data, så långt det är möjligt.
• Fokusera på värde i första ledet, dvs inte eventuellt värde som skapas i senare led. Exempel på
detta är att inkludera skapat direktvärde hos vårdgivare, men inte sekundärt värde sprunget ur
eventuella effektiviseringar. Sådant sekundärt värde kan vara i form av reducerat behov av
personal, lokaler och stödfunktioner hos vårdgivaren.
• Exkludera eventuella ytterligare värde som skapas, som exempelvis ökad transparens i samhället.
www.hip.se13
EUs definition av små och medelstora företag: oberoende privata företag med upp till 250 anställda som har en årsomsättning14
understigande 50 miljoner euro.
http://www.svensktnaringsliv.se/migration_catalog/Rapporter_och_opinionsmaterial/Rapporters/smatt-om-sma-foretag_531034.html/15
BINARY/Smått%20om%20små%20företag
http://theodi.org/diverse-uk-companies-open-data16

2.2.3. Metod och genomförande
Som en del av VINNOVAs utlysning för projekt inom ramen för Öppna Datakällor utarbetades ett
projektförslag för att belysa värdet av öppna datakällor.
Metoden som valdes var en fallstudie inkluderande en konkret tillämpning baserad på öppna data.
I fallstudien undersöktes olika öppna datakällor och sattes i relation till aﬀärspotential. Efter det gjordes
en implementation av valt case där öppna data-API:er hos HIP användes för att ladda ner datamängder.
På datamängderna utfördes därefter dataanalys och värdeanalys.
Uppskattningar av värde gjordes för den publicerande organisationen, företaget och patienter. I den
mån det var möjligt gjordes konkreta monetära beräkningar.
Ett antal exempel på aﬀärsmodeller beskrevs med avsikten att hjälpa företag och organisationer komma
igång med öppna data.
2.2.4. Nyttiggörande
Informationen från fallstudien sammanställdes i form av denna rapport som distribueras via
VINNOVA. Information lämnades även till HIP-organisationen, Stockholms läns landsting och Region
Skåne.

3. Fallstudie
3.1. Fallstudiens beskrivning
Fallstudien har följande beskrivning:
Det lilla företaget Fallstudien AB med åtta anställda har en idé om att bygga en tjänst åt vårdgivare som17
predikterar om en patient är i riskzonen för att utebli från ett kommande planerat vårdbesök. Företaget ser
att det sannolikt finns utrymme för en sådan tjänst på marknaden då det skulle skapa värde för alla de
inblandade parterna. För samhället finns det vinster att göra bland annat i form av kostnadsoptimeringar
och effektiviseringar, och för patienten finns ett stort värde i reducerat individuellt lidande om det går att
undvika att patientens tillstånd förvärras på grund av uteblivet vårdbesök. Bland företagets anställda finns
mjukvarukompetens och kunskap att utveckla tekniklösningar. Företagets ekonomiska situation kräver att
lagda investeringar behöver tjänas in på en 12-månaders period.
I de följande kapitlen beskrivs olika analyssteg och praktiska applikationssteg som Fallstudien AB går
igenom.
3.2. Analys av värdekedjan
Företaget börjar med att undersöka var det kan placera sig i värdekedjan fram till slutanvändaren. För
att utföra analysen måste företaget vara tydliga med vem som är deras kunder och vilket värde man
erbjuder kunden.
I beskrivningen av fallet framgår att det finns en direkt kund, vårdgivare, och en indirekt kund,
patienter, som båda får värde av den tilltänkta tjänsten. Värdet för den direkta kunden är
kostnadsoptimeringar och effektiviseringar, det vill säga saker som kan värderas i reda pengar. Värdet för
den indirekta kundgruppen patienter – reducerat lidande – är svårt att sätta ett pris på.
I vårdsammanhang är ofta minst tre aktörer inblandade i en värdeöverföring, till exempel patienter,
vårdgivare och tjänsteföretag. Sett ur företagets perspektiv är det fantastiskt om man kan skapa direkt
värde hos båda de andra aktörerna. Ibland är det dock svårt att uppnå, och en av aktörerna får indirekt
värde. Företaget inser att man bör fokusera på att utveckla en tjänst som vårdgivare skulle vara beredda
att betala för. Figur 3 illustrerar hur flödet av värde kan se ut.
Figur 3. Värdeflöde indikerat med pilar. Streckad pil visar indirekt värde.
Vårdgivare
Fallstudien ABs
prediktionstjänst
EffektiviseringÖppen 
hälso- 
data Kronor
Patienter
Reducerat 
lidande
Bättre
vård
Fiktivt företagsnamn17

I figur 3 har endast flöde som påverkar företagets tjänst tagits med. Det finns andra värdeflöden, till
exempel skatter och patientavgifter som berör aktörerna, men de är inte direkt inblandade i företagets
tjänst.
Fallstudien AB startade med en idé om för existerande behov hos vårdgivarna – de behöver bli mer
effektiva och reducera kostnaderna. Ett sätt att åstadkomma det kan vara att minska antalet uteblivna
besök, och utifrån detta identifierades sedan kraven, till exempel tillgänglig data och
prediktionsteknologi.
I en del fall kan det vara så att man startar analysen med utgångspunkten i att man har en ny teknologi,
en ny metod, eller en ny datamängd, och därifrån letar man efter tillämpningsområden för den nya
teknologin/metoden/datan. Att börja med ett konkret existerande behov är dock enklast och ofta
effektivast. Oavsett vilken väg man väljer måste det finnas värde för användaren/kunden om det ska
finnas ett intresse att använda och betala för tjänsten man avser tillhandahålla.
Företaget bör även titta på om värdeskapandet är något som ska utföras internt eller det är en tjänst som
ska köpas in. Fallstudien AB har anställda med kompetensen att utveckla en prediktionstjänst såsom
beskrivits, och kan således dra nytta av den existerande kompetensen i utvecklingen av den nya tjänsten.
Att på detta sättet utnyttja existerande tillgångar är ett sätt som företag kan reducera kostnaden och
risken i att utveckla nya tjänster och produkter.
Figur 4. Företaget bör dra nytta av existerande tillgångar i form av nuvarande kompetenser, m.m.  
när de skapar nya tjänster/produkter och på så sätt reducera kostnaden och risken. 
Nuvarande 
affärsområde
Möjliga nya 
affärsområde
Identifiera möjligheter som
kan dra nytta av nuvarande
kompetenser, nätverk, etc.

3.3. Val av affärsmodell
Företaget inser att det finns olika affärsmodeller det kan använda sig av. En del affärsmodeller har
intäktsmodeller med en fast avgift gentemot kunden och andra modeller är baserade på användning av
tjänsten. Företaget i fallstudien väljer att ta betalt per API-anrop som görs till prediktionstjänsten. På så
vis hoppas företaget att det ska vara enklare att sälja in tjänsten till vårdgivaren då denne endast betalar
för den faktiska användningen.
Figur 5. Intäktsmodell, vårdgivaren betalar en avgift per API-anrop till prediktionstjänsten. 
Den öppna datan är avgiftsfri och företaget har således ingen licensieringskostnad.
Eftersom tjänsten levereras via ett API är distributionskanalen alltså internet. Företaget bedömer att de
har den kompetens som krävs för att leverera tjänsten internt och nyckelpartner för tjänsten kommer
vara HIP. Kostnadsmodellen innefattar utvecklingskostnader, underhållskostnader, kostnad för
molnlösning, samt administrationskostnader.
För exempel på affärsmodeller och vad som bör ingå i en affärsmodell, se kapitel 5.
Vårdgivare
Fallstudien ABs
prediktionstjänst
kr/API-anropÖppen 
data
ingen avgift

3.4. Dataanalys
För att arbeta med dataanalys på ett fokuserat sätt krävs en god förståelse för det affärsproblem man
avser att lösa. Det finns många olika metoder och processer, men en process som är en god start för
någon som börjar bygga lösningar baserade på dataanalys och datamodeller kallas för CRISP-DM
(Cross Industry Standard Process for Data Mining ). Processen kan ses som ett flöde enligt figur 6.18
Figur 6. CRISP-DM-processen, fritt översatt till svenska.
I korthet kan man beskriva processens steg som följer:
Affärsförståelse: analysera och förstå affärsproblemet man avser lösa, och skapa en plan för hur
dataanalys och modellering ska användas, samt vilka krav som ska uppfyllas
Dataförståelse: insamling av datamängder, utforskande av datamängderna, kvalitetsbedömning
Databearbetning: förberedande av datamängder för analys/modellering, eventuellt samman-
slagning, filtrering och annan förbearbetning
Modellering: applicering av dataanalysmodeller, ofta flera olika på samma datamängd för
jämförelser
Utvärdering: utvärdera om analysen uppfyller de ställda kraven och lösningsbehovet för
affärsproblemet, om man ej är nöjd går man igenom flödet igen
Driftsättning: analysresultatet tas i bruk, t ex i form av en datatjänst eller en affärsrapport
CRISP-DM är generell och man bör givetvis välja process som passar det individuella fallet man arbetar
med. I de följande delkapitlen går vi igenom olika aspekter av dataanalysen och ser på datans
tillgänglighet, kvalitet, etc, samt bearbetning och modellering. 
https://en.wikipedia.org/wiki/Cross_Industry_Standard_Process_for_Data_Mining18

3.4.1. Öppna data-källor
Som tidigare nämnts finns svenska öppna data att finna på olika portaler, där webbsajten oppnadata.se är
en samlingsplats för olika datamängder och API:er. För denna fallstudien har två öppna datamängder
använts vilka beskrivs nedan.
HIP.se
HIP står för Health Innovation Platform och är en plattform för utveckling av e-hälsotjänster för
invånare, se www.hip.se. HIP tillhandahåller flera olika tjänster och verktyg, bland annat för utveckling
av invånartjänster, utveckling av vårdtjänster , och tillgång till öppna data. I denna studien är det19
endast öppna data som är intressant, och just öppna data har den lägsta tröskeln för att komma igång:
“Önskar du utveckla tjänster med Öppen data behövs ingen certifiering eller autentisering
eftersom informationen är offentlig och inte bunden till patient.”20
HIP har flera öppna data-API:er som utvecklare kan använda direkt, se figur 7.
Figur 7. Urklipp från webbsidan HIP.se med information om öppna data.
För utveckling av vårdtjänster gäller Patientdatalagen (PDL) och utvecklare måste ha uppdrag från vårdgivare, och för utveckling av19
invånartjänster gäller Personuppgiftslagen (PuL) och utvecklare måste vara juridisk person.
www.hip.se20

När fallstudien utfördes fanns det sju API:er i produktion vilka listas i tabell 1.21
Tabell 1. Beskrivningar av API:er hämtade från hip.se/oppen-data.
Dokumentationen innehåller information om API:ernas attribut och exempel på olika API-anrop för
olika typfall. För att komma igång snabbt ges även exempel i programmeringsspråken Java, Ruby och
Python.
För denna fallstudien är två av API:erna intressanta, dels HSA-informationen och dels
produktionsstatistiken. I andra fall kan andra kombinationer av nuvarande och framtida API:er givetvis
vara av intresse.
SCB
Även Statistiska centralbyrån, SCB, har ett API för öppna data som hittas på www.scb.se/oppnadata.
Genom SCB:s statistik kan vi se att den totala folkmängden i Sverige 2014-11-01 var enligt tabell 2.
API Beskrivning
HSA-information
HSA är en elektronisk katalog som innehåller kvalitetssäkrade uppgifter om
personer, funktioner och enheter i Sveriges kommuner, landsting och privata
vårdgivare. Följande organisationer är anslutna: Stockholms läns landsting, Capio
AB (hela landet), Västra Götalandsregionen, Landstinget i Östergötland, Region
Halland, Norrbottens läns landsting, Landstinget i Jönköpings län, Landstinget i
Uppsala län, Landstinget Västmanland, Landstinget Västernorrland, Landstinget i
Värmland.
ICD-koder
ICD är en internationell standard och är i första hand en sjukdomsklassifikation som
möjliggör klassificering och statistisk beskrivning av sjukdomar och andra
hälsotillstånd. Nomenklaturen är dock inte bindande för hur sjukdomstillstånd
beskrivs i tex journalanteckningar.
Indikatorbeskrivningar
Detta API tillhandahåller definitioner av kvalitetsindikatorer. Syftet är att
tillhandahålla definitioner av kvalitetsindikatorer för att användas vid
kvalitetsrapportering samt vid tolkning och presentation av dessa mätvärden.
Indikatorvärden
Detta API tillgängliggör beräknade kvalitetsmått i syfte att kunna jämföra
vårdkvalitet, mellan vårdenheter samt över tiden, för i förväg definierade
kvalitetsindikatorer. Lösningen tillhandahåller definitioner av kvalitetsindikatorer
och rapporterad data för dessa indikatorer. Producenter är regionala och nationella
vårdkvalitetssystem, däribland kvalitetsregister.
Nationell Patientenkät Patientupplevd kvalitet enligt SKL:s definition.
Produktionsstatistik
Grunduppgifter för varje patientbesök hos landstingsfinansierade vårdgivare
(privata och landstingsägda) i Stockholms län. Datamängden saknar statistik från
privata vårdgivare som inte är upphandlade av landstinget.
Vårdprogram
Vårdprogram är ett hjälpmedel för vården vid utredning, fastställande och
behandling av olika diagnoser. API:et stöder remissdelen i vårdprogrammet, så
kallade remissanvisningar, vilka ger vägledning om vilken information som ska
finnas med i en remiss som utfärdas med syfte att fastställa en specifik diagnos.
http://hip.se/oppen-data/21

Tabell 2. Folkmängd per område och andel i procent av riket totalt 2014-11-01.
Sammanlagt representerar Stockholms, Västra Götalands och Skåne län ca 53% av landets befolkning.
Genom att bygga en lösning som riktar sig till de tre största länsregionerna kan det lilla företaget således
betjäna mer än halva befolkningen.
3.4.2. Datainhämtning via API
API:erna hos HIP stöder olika maskinläsbara format, såsom CSV (komma-separerad data) och JSON. I
fallstudien användes JSON-formatet men innehållet påverkas inte av vilket format man väljer. Att
hämta data från HIP via API var smidigt tack vare god dokumentation. Följaktligen uppfyller de testade
API:erna kravet på öppna data att datan ska vara tillgänglig i ett maskinläsbart format.
HIP skriver att den öppna datan görs tillgänglig via en plattform som är implementerad på en
höggradigt skalbar molninfrastruktur. I fallstudien upplevdes API:erna stabila och responsiva. Att skicka
en fråga till API:et och få en datamängd på ca 12000 objekt med 16 fält i varje tog 3,75s i mediantid
(min 2,5s och max 5,8s vid ett test på 10 anrop i följd).
3.4.3. Datanycklar och accesskoder
Användare behöver inte registrera sig hos HIP för att använda dess öppna data, utan kan använda datan
anonymt. Ibland gör organisationer datamängder tillgängliga med motkrav att användare ska registrera
sig antingen online eller oﬄine. I samband med sådan registrering kan användaren till exempel tilldelas
API-nycklar eller accesskoder. Det bör dock nämnas att online-registreringskrav sällan ses som ett
problem för företag, så länge inte tilldelade API-nycklar, etc måste uppdateras frekvent.
3.4.4. Support och stöd för användare
När en organisation vill att dess öppna data ska komma till användning krävs det att man gör datan
lättillgänglig för så många potentiella användare som möjligt. Det handlar dels om goda API:er, god
datakvalitet, låg registreringströskel, etc, men även att datan och API:erna är väldokumenterade. Det
kan vara i form av användningsexempel, FAQ, användarforum, API-dokumentation, och även support
på olika sätt via mail eller telefon.
HIP har kontaktformulär, god dokumentation med exempel, FAQ och ett användarforum som gör det
möjligt att snabbt komma igång och även få hjälp. Under fallstudien upptäcktes en del småproblem
vilka snabbt åtgärdades av HIP-organisationen.
Folkmängd Andel av riket
Riket 9737559 100 %
Stockholms län 2196188 23 %
Västra Götalands län 1630434 17 %
Skåne län 1287168 13 %

3.4.5. Licensieringsvillkor & kostnad
Licensieringsvillkor kan till exempel innehålla krav på att användare av datan ska ange en referens till
källan. För att klassas som öppna data ska det vara fritt att använda datan, utan någon kostnad eller
motprestation utöver just krav på källreferens. Den öppna datan hos HIP har ingen kostnad för
användare, och inte heller något krav på källreferens. Det anges inte heller någon begränsning i tillåtet
användande av den öppna datan.
Vikten av kostnadsfri data bör understrykas. Att få tillgång till datamängder utan att behöva betala för
dem är just en av de katalysatorer som behövs för det lilla företaget ska kunna experimentera, utvärdera
och testa nya idéer och innovationer, utan en initial tröskel.
3.4.6. Datakvalitet och dataförståelse
För att få ett grepp om vad datan innehåller och vilken kvalitet den har gör man ofta grundläggande
statistisk analys av datamängden. Vanligt är att man ser på fördelningar av olika delar av datamängden,
till exempel genom histogram och andra sätt att visualisera fördelningar i datan. Datamängden som är
tillgänglig via HSA-informations-API:et innehöll vid fallstudiens utförande 12054 olika organisationer,
och av dessa listades 4035 som tillhörande Stockholms län.
Via det API:et kan man efterfråga en rad olika parametrar, bland annat: ID för organisationerna, adress,
telefonnummer, ägarform (privat/landsting/kommun/etc), och webbadress. Ett exempel på tillgänglig
data visas i figur 8.
Figur 8: Utdrag ur datamängden som är tillgänglig via API:et för HSA-information. 
NA indikerar att data saknas för en parameter.
I datamängden finns även de geografiska koordinaterna, som latitud och longitud, för de flesta
organisationerna. Om man lägger ut dessa på en karta ser man att det finns flera som verkar ligga
utanför Sverige, se figur 9.

Figur 9. Alla geografiska koordinater för vårdgivare i datamängden. 
Pilarna indikerar geografiska koordinater som verkar vara felaktiga.
Om vi bara ser till de koordinater som är i Sverige ser det ut som i figur 10 nedan, och även där verkar
några punkter vara felaktiga, till exempel den som ligger i vattnet ovanför Gotland.
Figur 10. Vänster: alla vårdgivare i Sverige som är inkluderade i datamängden.  
Höger: vårdgivare i datamängden vilka listas som tillhörande Stockholms län.
Det är sällan att datamängder är fullständigt felfria, vilket medför att man ofta tvingas lägga mycket tid
på filtrering och konditionering av datan när man bygger databaserade lösningar. Även om man givetvis
önskar sig fullständiga datamängder helt utan fel, bör man i praktiken alltid ha steg för kvalitetssäkring

även i de analyserande och bearbetande faserna för att förhindra felaktiga slutsatser på grund av fel i
indatan.
Det andra använda HIP-API:et, för produktionsstatistik, innehåller grunduppgifter för varje
patientbesök hos landstingsfinansierade vårdgivare (privata och landstingsägda) i Stockholms län.
Eftersom produktionsstatistiken vid utförandet av studien endast innehöll statistik från Stockholms län
fokuserades resterande delar av dataanalysen på just Stockholms län. Månader med tillgänglig data
under åren 2005-2015 visas i figur 11.
Figur 11. Vårdtillfällen finns endast tillgängliga för 16 månader 2011-2012.
Som framgår ur figur 11 saknas data för de flesta åren. Endast för sammanlagt 16 månader under 2011
och 2012 finns registrerade vårdtillfällen i datamängden. En viktig parameter när man bedömer data är
om den är statisk (dvs uppdateras sällan eller aldrig) eller om den är dynamisk (uppdateras ofta eller i
realtid). Datamängden som är tillgänglig via API:et för produktionsstatistik är statisk, men borde kunna
vara dynamisk då nya patientbesök bör kunna införas varje dag.
Efter återkoppling till HIP-organisationen stod det klart att den existerande datamängden för
produktionsstatistik är en så kallad “snapshot” vilket innebär att datan importerats vid ett tillfälle. I
början av 2016 kommer HIP vara färdigimplementerad i sin första version och tas i förvaltning, och
mer data kommer att läggas in framöver.
För att komma vidare i fallstudien valde vi att fokusera på de månader då data finns tillgänglig i
datamängden. I den perioden ser man ett relativt konstant antal vårdtillfällen, enligt figur 12.

Figur 12. Totala antalet vårdtillfällen för januari 2011 till april 2012 i Stockholms län.
Antalet vårdtillfällen där patienten uteblivit visas i ﬁgur 13. Som framgår i diagrammet var ungefär
hälften av de uteblivna patienterna ej listade hos vårdgivaren. I medeltal uteblev ﬂer än 4000 patienter
varje månad.
Figur 13. Vårdtillfällen där patienten uteblev under januari 2011 till april 2012 i Stockholms län. 
Totalt antal vårdtillfällen
0
100000
200000
300000
400000
500000
600000
700000
januari2011
februari2011
mars2011
april2011
maj2011
juni2011
juli2011
augusti2011
september2011
oktober2011
november2011
december2011
januari2012
februari2012
mars2012
april2012
Uteblivna vårdtillfällen
0
1000
2000
3000
4000
5000
6000
januari2011
februari2011
mars2011
april2011
maj2011
juni2011
juli2011
augusti2011
september2011
oktober2011
november2011
december2011
januari2012
februari2012
mars2012
april2012
Uteblivna listade patienter
Uteblivna ej listade patienter

3.4.7. Databearbetning och modellering
När företaget byggt upp en förståelse för datan och hur den bäst går att använda i affärsidén gäller det
att skapa den analys/modell/etc som krävs, i vårt fall en prediktionsmodell enligt figur 14.
Figur 14. Översikt över prediktionsmodellen.
Som noterats tidigare innehöll datamängden endast data för 16 månader, vilket inte var tillräcklig data
för att bygga en tillförlitlig statistisk prediktionsmodell. Det finns goda förutsättningar för att en
fungerande lösning skulle kunna byggas när datamängden blir större och kontinuerligt uppdaterad,
vilket legat till grund för värdeanalysen i kapitel 4.
Att utvärdera och driftsätta modellen vore de sista stegen i företagets utveckling av den nya tjänsten. Det
ligger dock utanför den här fallstudien och involverar bland annat avtalsskrivning med vårdgivar-
organisationen. 
Prediktionsmodell
Produktionsdata,
inklusive kön,
ålder, etc
Prediktion huruvida
patienten riskerar
utebli från vårdbesöket

4. Analys av värde
4.1. Värde av data – generellt perspektiv
Ett uttryck som ibland används för att indikera att data är värdefullt är “data is the new oil”, fritt
översatt “data är den nya oljan”. Något mer representativt är sannolikt David McCandless’ uttryck “data
is the new soil”, där han menar att data är som fruktbar jord ur vilken innovationer kan växa . Att22
skapa data innebär ofta en kostnad, så även att lagra datan. Datan i sig själv har någon typ av värde,
beroende på typ av data, kvalitet, efterfrågan, etc, men det riktigt stora värdet från data skapas dock när
man börjar använda datan.
En förenklad illustration av värde i förhållande till datans förädlingsnivå kan ses i figur 15.
Figur 15. Illustrativ värdeökning i förhållande till datans förädlingsnivå .23
Det största värdet samlas hos slutanvändaren, vare sig denna är en organisation eller en medborgare. För
organisationer och utvecklare finns det möjligheter i varje steg i kedjan av värdeskapande, även om det
vid första anblick kan verka mest fördelaktigt att placera sig till sent i kedjan (längre till höger i figur
15).
Som exempel på olika placeringar i förädlingskedjan kan man se på olika smartphone-appar. Det finns
appar vars huvudsakliga funktion är att samla ihop information och presentera den till användaren på
olika sätt, men även mer avancerade appar där data analyseras och tillför nya insikter för användaren.
Enkla appar har en låg kostnad att skapa, och är därigenom ofta starkt konkurrensutsatta då många
utvecklare och företag skapar sådana appar. Trafikinformation för publika transporter är ett sådant
exempel där det finns många appar. Enligt en studie 2014 fanns det ca 500 sådana appar för London24
http://www.ted.com/talks/david_mccandless_the_beauty_of_data_visualization/transcript?language=en22
Inspirerad av Stéphane Guidoin “The value of open data”23
The World Bank, June 2014, "OPEN DATA FOR ECONOMIC GROWTH”24

och 68 appar bara för tunnelbanan i New York. Värdet för app-användarna är ofta likvärdigt bland de
olika apparna, medan värdet kan variera mycket för utvecklarna/företagen bakom apparna. Många
appar är gratis men skapar intäkter till utvecklarna genom annonsvisning i apparna. För att det ska
resultera i stort värde krävs många kontinuerliga användare som exponeras för annonserna, något som är
svårt att uppnå när det är många likvärdiga konkurrerande appar.
Alternativet till de enklare apparna är att utveckla en mer avancerad app till exempel baserad på
dataanalys och prediktioner och därigenom tillföra högre värde till användarna. Detta kräver dock mer
tid och kunskap, vilket eventuellt gör att det totala värdet för företaget kan bli lågt beroende på
marknadens storlek och utvecklingstidens längd. Var i förädlingskedjan man väljer att placera sig beror
på ändamålet och förutsättningarna man har.
Det finns olika typer av värde. För ett företag kan värdet i öppna data till exempel finnas i att skapa
medvetenhet kring företagets varumärke genom att publicera sin egen data, eller att de bygger en tjänst
som förädlar någon annans öppna datan. För en offentlig organisation kan värdet vara att bli mer
effektiv genom enklare jämförelser med andra liknande organisationer som publicerat sin data öppet.
För samhället i stort kan värdet till exempel vara att medborgarna får insikt i processer och beslut på ett
bättre sätt vilket leder till en starkare demokrati, tack vare den transparens som den öppna datan ger.
För medborgarna på ett individuellt plan kan värdet till exempel finnas i bättre beslutsunderlag. En del
av dessa värdetyper kan man uppskatta det ekonomiska värdet i, medan några är bättre att skatta ur
andra, icke monetära perspektiv.

4.2. Värde för publicerande organisationer
SKL (Sveriges Kommuner och Landsting) har tagit fram ett utkast till ett nationellt ramverk för
publicerande av öppna data som bland annat innehåller praktiska råd för att komma igång, och25
verktyg (i form av ett Excel-ark ) för att estimera kostnad och nytta för kommuner och landsting. Även26
andra organisationer som vill publicera öppna data kan finna värde i att studera ramverket.
En central fråga är hur värdet ställs i förhållande till kostnaden. Kostnaden består av flera delar, bland
annat kostnader för utveckling och underhåll. Även värdet består av flera delar, och ligger bland annat i
öppenhet gentemot andra organisationer och medborgare, i att fungera som en innovationskatalysator
som leder till nya produkter och jobbtillfällen, och även i olika kvalitets- och effektiviseringsaspekter.
Det är enklare att beräkna kostnaderna än det är att beräkna värdet på ett heltäckande sätt.
Även om publicerande organisationer har kostnader i samband med skapande och lagring av öppna data
finns stora möjligheter att skapa värde även i den egna organisationen. Ett exempel är Katalonien där
man under fyra år utvecklade öppna data-system för publicering av geodata. Genom effektiviseringar
baserade på dessa egna öppna geodata kunde regionen på kort tid uppnå kostnadsbesparingar
motsvarande den totala utvecklingskostnaden för öppna data-systemen. Kostnaden för fyra års
utvecklingsarbete sparades in på sex månader .27
Tabell 3. Aktiviteter som den datapublicerande organisationen bör ta ställning till.
Aktivitet Förklaring
Insamling /skapande
av data
Offentliga organisationer gör redan detta i stor utsträckning, men andra organisationer
behöver tänka igenom hur datan ska samlas in.
Kvalitetssäkring
Säkerställ att datan är användbar genom att den har få fel, samt att datan inte innehåller
sekretesskyddad information.
Lagring Datan behöver lagras effektivt, tillgängligt och säkert.
Paketering
Till datan behövs metadata för att den ska bli riktigt användbar. Dessutom behöver
datamängden dokumenteras med information om användningsvillkor,
uppdateringsfrekvens och liknande.
Marknadsföring
Se till att andra, såväl organisationer som medborgare, är medvetna om datamängderna
och hur det kan finna dem.
Leverans
Tillhandahåll enkla sätt att hämta data, via API:er i maskinläsbart format, på en plattform
med hög tillgänglighet. Praktiskt är även att erbjuda visualiseringsverktyg där användare
kan söka igenom och utforska datamängderna på ett enkelt sätt. Dokumentation
behöver skapas som visar hur man använder API:er, etc.
Underhåll
Underhåll av datamängderna, så att användare vågar lita på att det fungerar även på
längre tidshorisont. Det innefattar även att publicera nya datamängder och
uppdateringar till existerande datamängder. Support till användarna via email, forum och
telefon.
http://skl.se/naringslivarbetedigitalisering/digitalisering/oppnadata/stodvagledning/ramverkoppnadata/ramverketforoppnadata.25
1184.html
http://skl.se/download/18.772895e214641fb368dcf12b/1403190485649/26
Verktyg_for_att_bedoma_nyttor_och_kostnader_for_publicering_av_datamangder_SKL.xlsx
The World Bank, June 2014, "OPEN DATA FOR ECONOMIC GROWTH”27

En organisation som vill publicera data bör hantera ett antal aktiviteter associerade med att publicera
öppna data såsom visas i tabell 3. Vid en första anblick kan de se ut som mycket tillkommande arbete,
men ofta har organisationen redan samlat in data, kvalitetssäkrat och lagrat datan i databaser.
4.2.1. Exempel på öppna data-användning med samhällsnytta
Open Data Institute (ODI)
ODI i Storbritannien tog tillsammans med en grupp företag och läkare fram en analys av hur läkare i28
landet skrivit ut recept på statiner (läkemedel för behandling av höga blodfetter). Man fann att det var
stor variation mellan regionerna i hur stor andel generiska läkemedel som skrevs ut. Som exempel var
andelen 65% i en region och 92% i en annan. Under en period i 2011-2012 hade NHS (National
Health Services) en kostnad för statiner på mer än 400 miljoner GBP (ca 5,4 miljarder SEK).
Analysgruppen beräknade att NHS hade kunna spara 200 miljoner GBP (ca 2.7 miljarder SEK) om29
två tredjedelar av recepten på originalläkemedel bytts mot generiska läkemedel. Underlaget för30
analysen var öppna data från NHS och arbetet att analysera datan tog åtta veckor.
4.2.2. Värde för publicerande organisationen i fallstudien
För organisationen som publicerat datamängden i vår fallstudie, SLL, finns ett värde som är direkt
kvantifierbart. För varje utebliven patient förlorar vårdgivaren ekonomiska intäkter. I Stockholms läns
landsting är kostnaden för ett läkarbesök på närakuten, jourmottagning eller på vårdcentralen 1800kr .31
Om patienten uteblir utan att avanmälan besöket får denne betala den normala patientavgiften för
besöket (såvida inte vårdgivare får ersättning enligt särskild lag), och den avgiften förloras således ej. För
vårdgivaren uppkommer dessutom en kostnad för ombokningsarbetet.
I en del fall kan anledningen till det uteblivna besöket vara att patientens tillstånd allvarligt försämras,
vilket senare kräver en intensifierad vårdinsats, eventuellt med flera inblandade vårdgivare. Finney och
Edman skriver om uteblivna besök inom psykiatrisk öppenvård :32
“Att undvika uteblivanden är på grund av patientsäkerheten det största problemet, eftersom  
det kan leda till en vårdinsats, för att klargöra orsaken till uteblivandet, som är större än det
planerade besöket.”
Baserat på perioden det fanns data för (16 månader 2011-2012), var medeltalet uteblivna patienter fler
än 4000 per månad vilket motsvarar fler än 48000 på ett år. Räknat med 1800kr i kostnad per besök
blir den totala kostnaden för de uteblivna besöken således mer än 86 miljoner kronor/år. Motsvarande
siffra under 2011 för NU-sjukvården i Västra Götalandsregionen var mer än 26 miljoner . Kostnaden33
http://www.economist.com/news/britain/21567980-how-scrutiny-freely-available-data-might-save-nhs-money-beggar-thy-neighbour28
http://www.prescribinganalytics.com29
Medicinska orsaker, t ex allergier mot tillsatser, medför att vissa läkemedel inte kan användas av en del patienter.30
2015-09-22, http://www.1177.se/Stockholm/Regler-och-rattigheter/Patientavgifter-i-Stockholm/31
http://www.slpo.sll.se/upload/Fouu/FoUUrapporter/Rapport%2067,%20Finney.pdf32
http://ttela.se/nyheter/regionalt/1.1978131-sms-lonsamt-for-sjukvarden33

för uteblivna besök ligger i miljonkronorsklassen för de flesta regionerna . De senaste åren har initiativ34
med SMS-påminnelser förbättrat situationen och det fungerar bra i en del patientgrupper, men troligen
sämre till exempel i patientgrupper inom psykiatrin som har låg funktionsnivå och ofta uteblir från
vårdtillfällen .35
Värdet för SLL i att publicera den öppna datamängden på HIP kan, inom ramen för fallstudien, anses
motsvara besparingen från tjänsten som byggs på datan. Konservativt räknat, med antagandet att
tjänsten från Fallstudien AB kan reducera antalet uteblivna besök med 5%, blir värdet för SLL minst
4,3 miljoner kronor per år. Det är i sammanhanget viktigt att komma ihåg att detta endast är en möjlig
användning av den publicerade öppna datamängden. Sannolikt finns det många fler tillämpningar som
kan skapas, vilket tillför ytterligare värde för SLL – utan ytterligare kostnad, det är samma datamängd.
http://www.dagensmedicin.se/artiklar/2008/02/13/utebliven-patient-dyr-for-varden/ & http://www.tandlakartidningen.se/arkivet/nyhet/34
gigantiska-kostnader-for-missade-besokstider/
http://www.slpo.sll.se/upload/Fouu/FoUUrapporter/Rapport%2067,%20Finney.pdf35

4.3. Värde för små och medelstora företag (SME)
Små och medelstora företag har många möjligheter att skapa värde ur öppna data, men för att det ska
bli verklighet krävs att det finns ekonomiska incitament. Företagen behöver helt enkelt kunna skapa ett
större värde än det kostar att utveckla kunderbjudandet. För att företagen ska våga investera den tid och
pengar det kostar att ta fram en ny tjänst eller produkt, krävs att tillgången till högkvalitativt råmaterial
kan säkras – i det här sammanhanget högkvalitativa datamängder. Det innebär att den öppna datan ska
hålla hög kvalitet, uppdateras frekvent, vara lättillgänglig via API, vara väldokumenterad, etc, såsom
beskrivits ovan.
Värdet för företaget blir högre om de kan skala upp tjänsten de utvecklat/sälja produkten till flera
kunder. För att kunna skala upp tjänster byggda på öppna data, till exempel för ett företag som byggt en
tjänst baserad på öppna data från Stockholms län, krävs att även andra regioner använder ett
standardiserat dataformat. Annars riskerar tjänsteföretaget behöva utveckla ny funktionalitet för varje ny
region som de vill expandera tjänsteerbjudandet till.
4.3.1. Exempel på öppna data-användning i kommersiella företag
Det finns många företag som redan idag använder öppna data för att skapa effektivare processer eller
nya produkter/tjänster. Följande exempel lyfter fram både stora och små företag, för att visa på
möjligheter i båda kategorierna, och dessutom hur man kan använda öppna data både för internt bruk
och för externa produkter.
TransportAPI
TransportAPI är ett brittiskt företag som förenklar åtkomsten till transportdata genom att36
tillhandahålla ett API som samlar flera bakomliggande datamängder. Datan innehåller primärt öppna
data men även licensierad data. Buss- och tunnelbanetidtabeller, ruttplanering och realtids-
trafikinformation är några exempel på data som tillhandahålls via API:et. Företagets kundgrupp är
andra företag och organisationer som i sin tur säljer information via tjänster, appar och webbsajter.
TransportAPI tar ut en avgift baserat på hur mycket deras kund använder API:et, där liten datavolym är
gratis och största paketet kostar 8000 GBP/månad (ca 108000 SEK/månad).
The Climate Corporation
The Climate Corporation i San Francisco säljer ett antal tjänster till lantbrukare baserade på väderdata,37
data om skördenivåer och data om jordmån. Med hjälp av avancerad dataanalys och
prediktionsalgoritmer tillhandahålls tjänster för att per odlingsområde kunna få detaljerad information
om väder, kvävenivåer, förväntad skördemängd och beslutsstöd. Lantbrukaren betalar 3 USD/tunnland
(ca 26 SEK/tunnland) eller 1500 USD/lantbruk (ca 13000 SEK/lantbruk). Baserat på samma data säljer
företaget även skörd- och omsättningsförsäkringar. 2013 köptes företaget av Monsanto för 93038
miljoner USD (ca 8 miljarder SEK).
http://www.transportapi.com36
https://www.climate.com/37
http://news.monsanto.com/press-release/corporate/monsanto-acquire-climate-corporation-combination-provide-farmers-broad-suite38

Tesco
Dagligvarukedjan Tesco i Storbritannien använder bland annat väderdata kombinerat med deras egna
försäljningsstatistik för att skapa detaljerade modeller över efterfrågan av olika varusegment, och på så39
vis effektivisera sin egen verksamhet. I sina modeller har de till exempel funnit att en40
temperaturökning från 20°C till 24°C ökar försäljningen av hamburgare med 42%. Genom att kunna
prediktera efterfrågan som en funktion av väder och tidpunkt, kan Tesco optimera både lagerhållning
och försäljning. Detta är ett exempel på hur öppna data kan användas i den egna verksamheten, och
inte bara i förädling och vidareförsäljning i form av tjänster. För dagligvaruhandeln, och andra
marknadssegment där kundernas beteende påverkas av vädret, finns stora möjligheter till effektivisering
baserad på öppna data.
Google
Många av EUs dokument publiceras på flera av de officiella språken i EU, och alla offentliggjorda
dokument från Europaparlamentet måste publiceras på alla EU-språken . Dessa dokument, tillgängliga41
för alla, utgör en värdefull öppen datakälla för att träna översättningsalgoritmer, något som Google drar
nytta av i deras tjänst Google Translate . Tillsammans med andra texter som översatts till flera språk,42
gör EUs öppna data det möjligt för Google att skapa en högkvalitativ översättningstjänst baserad på
statistisk analys.
4.3.2. Värdeberäkning för SME-företaget i fallstudien
För det lilla företaget i fallstudien krävs att den investerade utvecklingskostnaden kan räknas hem inom
ett år. I fallstudien beräknas att det tar tre man-månader att utveckla en prediktionslösning som bygger
på öppna data och att lösningen driftsätts i en molnlösning med hög tillgänglighet .43
För att företaget inte ska luras göra en värdeberäkning liknande “om vi bara säljer en enda tandborste till
varje person i Kina…” är det viktigt att förstå vad som är realistiska antaganden om kundens vilja och
förmåga att betala för tjänsten man utvecklar. Från den öppna datan vet vi att Stockholms län har drygt
600000 vårdtillfällen varje månad och av dessa är cirka 4000 vårdtillfällen där patienten uteblir. Av
dessa vårdtillfällen antar vi att man vill använda prediktionslösningen på en tiondel av patienterna som
tillhör vårdgrupper med högre risk, dvs antalet anrop till prediktionslösningen blir 60000 per månad.
I en uträkningen i kapitel 4.2.2 uppskattades kostnadsbesparingen för Stockholms län vara 4,3 miljoner
kronor per år, dvs en besparing på ca 360000 kronor per månad. Regionens kostnad enligt i tabell 4 blir
således låg i förhållande till besparingen. Kostnaden för länet är alltså den avgift som betalas till
företaget för att använda lösningen, och visas i tabellen nedan som intäkter för SME-företaget.
http://www.nytimes.com/2009/09/02/business/global/02weather.html?_r=039
http://www.dailymail.co.uk/news/article-2026439/Supermarkets-use-weather-predictions-decide-stock.html40
http://www.europarl.europa.eu/aboutparliament/sv/20150201PVL00013/Flerspråkighet41
http://www.nytimes.com/2010/03/09/technology/09translate.html42
Hög tillgänglighet innebär högre driftskostnader. En tillgänglighet/upptid på t ex 99,95% innebär mindre än en halvtimmes nertid per43
månad. I en hälsokritisk tillämpning är det inte tillräckligt, men i fallstudiens exempel är all förbättring jämfört med dagens situation önskvärd.
Det är viktigt att förstå vad man designar applikationen för och lägga tillgängligheten på en rimlig nivå i förhållande till kostnaden.

Tabell 4. Exempelkostnader och intäkter
För företagets del ﬁnns en investeringströskel, vilken till största del härhör från utvecklingskostnaden.
Utöver att ha kunskapen att utveckla den tekniska lösningen måste företaget ha den ekonomiska
kapaciteten att täcka kostnaden för att kunna utveckla tjänsten. Den ekonomiska kapaciteten kan vara
ett stort hinder för ett SME-företag. Om möjligt bör kontrakt skrivas med kunden innan utvecklingen
sker, där det framgår att kunden kommer att använda tjänsten under minst en viss period och till en viss
volym. Detta ger företaget en typ av försäkran, och kan eventuellt vara värdefullt om företaget behöver
utvecklingslån hos en långivare.
Med kostnader och intäkter enligt tabell 4 kommer företagets månadsvisa balans se ut enligt tabell 5.
Notera att företaget inte har någon kostnad för att licensiera data, tack vare att den bygger på öppna data.
Tabell 5. Företagets månadsvisa balans.
I tabell 5 kan man se att företaget efter ca nio månader har tjänat in kostnaden för utvecklingen av
tjänsten. Motsvarande information visas i diagramform i ﬁgur 16.
Per enhet Antal Totalt Kommentar
Utvecklingskostnad 100000 3 300000
Totala kostnaden är
engångskostnad
Driftskostnad
(molnlösning)
50000 1 50000
per månad
Driftskostnad  
(support & underhåll)
30000 1 30000
per månad
Intäkter
2,5 SEK /  
API-anrop
60000 150000
Totala intäkterna är
per månad
Månad 1 2 3 4 5 6 7 8 9 10 11 12
Utvecklings- 
kostnad
−100000 −100000 −100000 0 0 0 0 0 0 0 0 0
Drift- &
adminkostnad
−10000 −20000 −50000 −50000 −50000 −50000 −50000 −50000 −50000 −50000 −50000 −50000
Kostnad för
support &
underhåll)
0 0 0 −30000 −30000 −30000 −30000 −30000 −30000 −30000 −30000 −30000
Licenskostnad
för data
0 0 0 0 0 0 0 0 0 0 0 0
Intäkter 0 0 0 150000 150000 150000 150000 150000 150000 150000 150000 150000
Månads-
balans
−110000 −120000 −150000 70000 70000 70000 70000 70000 70000 70000 70000 70000
Kumulativ
balans
−110000 −230000 −380000 −310000 −240000 −170000 −100000 −30000 40000 110000 180000 250000

Figur 16. Diagram som visar den månadsvisa balansen för tjänsteprojektet.
Månadsvis balansöversikt
−400000
−350000
−300000
−250000
−200000
−150000
−100000
−50000
0
50000
100000
150000
200000
250000
300000
Månad
1 2 3 4 5 6 7 8 9 10 11 12
Månadsbalans
Kumulativ balans

4.4. Värde för slutanvändare
Slutanvändare kan finna stort värde i öppna data, till exempel i form av information kring vilka
samhällstjänster som finns tillgängliga, eller i form information som kan leda till ett bättre fungerande
samhälle med avseende på demokratiska processer och effektivare organisation. Inom sjukvården är
slutanvändarna patienter, och för dem är det till exempel av stort värde att hitta vårdgivare som erbjuder
önskad behandling och har kort väntetid. Ett annat exempel på värde som öppna data kan ge för
patienter är insikt i vårdgivares kvalitetsnivå, om det finns anmärkningar, felbehandlingar och liknande.
Genom att kombinera informationen med till exempel geografisk information har patienter tillgång till
ett bättre beslutsunderlag.
4.4.1. Värde för slutanvändarna i fallstudien
I fallstudien är slutanvändarna just patienter, och värdet för en patient kan beräknas vara minst
kostnaden för det uteblivna besöket. I Stockholms läns landsting gäller att patienten ska anmäla återbud
senast 24 timmar före utsatt tid. Om återbud inte anmäls får patienten betala för besöket även om den
uteblir: “Vid senare återbud [än 24 timmar] eller om du kommer för sent och mer än halva besökstiden
hunnit gå debiteras du för besöket.” vilket man kan se som det minsta kvantifierbara värdet.44
I vårdsammanhang betraktar man ofta tre olika aspekter: kostnad (för vården), livskvalitet, livskvantitet
(helt enkelt hur länge personen lever). I ett land som har offentlig sjukvård är individen troligtvis
primärt intresserad av livskvalitet och livskvantitet, medan samhället i stort också är intresserad av
kostnaden för vården.
Att kvantifiera värdet av livskvalitet och livskvantitet ur en patients perspektiv är i princip omöjligt att
göra. Om en lösning byggd på öppna data kan hjälpa till att förlänga, förbättra eller rädda en människas
liv kan man sannolikt bedöma den som ovärderlig ur individens perspektiv. 
http://www.1177.se/Dokument/Stockholms_lan/Regler_och_rattigheter/Patientavgifter_A3_1%20juli_2015_5.pdf44

5. Underlag för beslutsfattande
I detta avsnittet presenteras ytterligare underlag avsett att hjälpa till kring beslutsfattande om och hur
öppna data kan komma organisationen till gagn. Det finns många aspekter och detta kapitel ämnar inte
täcka in alla aspekter, men att lyfta fram några som organisationerna kan vara hjälpta av.
För både publicerande och nyttjande organisationer är det bra att i ett tidigt skede analysera vilken
affärsmodell som är lämplig att använda. För en offentlig organisation kan det tyckas märkligt att göra
en analys av affärsmodellen eftersom det traditionellt kan ses som något en vinstdrivande verksamhet gör.
Värdet i att göra en sådan analys ligger i att organisationen förtydligar vad som ska göras och åt vem,
samt vilket som är bästa sätt att göra det. En sådan analys behöver inte vara kostsam, vilket det däremot
kan vara att utveckla en tjänst som ingen kan eller vill använda.
5.1. Publicerande organisationer
Organisationer som vill publicera öppna data bör förstå hela kedjan, från insamling av data till
publicering och underhåll av datan. Som tidigare nämnts har SKL tagit fram ett utkast till ett nationellt
ramverk för publicerande av öppna data . Även om ramverket är skrivet för kommuner och landsting45
är det en god start också för andra organisationer som funderar på att publicera öppna data.
Som en del av SKLs ramverk finns följande checklista för arbetet med att publicera öppna datamängder:
1. Identifiera vilka datamängder som ska publiceras utifrån publiceringsplanen.
2. Kontrollera eventuella tredjepartsrättigheter i relation till publicering.
3. Stäm av publiceringen med informationsägare och behöriga beslutsfattare.
4. Säkerställ att datamängden har korrekt informationsklassning och att publicering är möjlig
5. Avlägsna eventuella personuppgifter och sekretessbelagd information som inte får
tillgängliggöras som öppna data.
6. Välj vilket format datamängden ska publiceras i och omvandla det eventuellt till
maskinläsbara data.
7. Betygsätt datamängden enligt femstjärnemodellen .46
8. Beskriv datamängden.
9. Beskriv eventuellt API.
10. Säkerställ och dokumentera hur informations- och förändringshantering ska ske.
11. Informera informationsägare och behöriga beslutsfattare att datamängden är färdigt för
publicering och inhämta slutgiltigt beslut.
12. Publicera datamängden och beskrivningen i datakatalogen.
Som publicerande organisation bör man tänka både på innehåll (avgränsning, kvantitet, integritet,
gränssnitt) och underhåll (kvalitet, uppdateringsfrekvens) redan från start.
http://skl.se/naringslivarbetedigitalisering/digitalisering/oppnadata/stodvagledning/ramverkoppnadata/ramverketforoppnadata.45
1184.html
http://lankadedata.se/vitbok/print/#stjrnmodellen46

Om en offentlig organisation redan säljer data till användare kan det bli en förlorad intäkt om en
datamängd görs gratis tillgänglig som öppna data. Kortsiktigt kan det således röra sig om både en ökad
kostnad och en minskad intäkt. Öppna data-initiativ bör emellertid ses på längre sikt.
Ett sådant exempel i närregionen är Danmark, som 2012 presenterade “Good basic data for everyone - a
driver for growth and efficiency” som innehöll en plan för hur öppna grunddata skulle förbättras och47
göras mer tillgängliga. Initialt innebar åtgärderna en kostnad, men åtgärderna beräknades rendera ett
positivt resultat redan efter ett par år. I figur 17 visas den offentliga sektorns beräknade kostnader och
vinster kopplade till åtgärderna, från 2013 fram till 2020 då de väntas vara helt implementerade.
Figur 17. Totala kostnader/vinster (miljoner DKK) från förbättrade öppna datamängder i Danmark.
Utöver vinsterna i den offentliga sektorn i figur 17, beräknas den privata sektorn använda den öppna
datan för att skapa ytterligare värde. Sammanlagt beräknas vinsterna från åtgärderna uppgå till ca 800
miljoner danska kronor (ca 1 miljard svenska kronor) per år från 2020 och framåt.
Om den publicerande organisationen har som primärt mål att bidra till innovation och ökad tillväxt bör
organisationen ha en långsiktig plan för uppdateringar, underhåll samt säkerställande av
datamängdernas kvalitet. Annars får inte andra [privata] aktörer förtroende att använda och bygga
lösningar på datamängderna. Genom att använda SKLs ramverk och publicera data som uppfyller
kraven i kapitel 1 har man kommit långt.
Totala kostnader/vinster (miljoner DKK) i initiativet Good basic data for everyone
−180
−120
−60
0
60
120
180
240
300
2013 2014 2015 2016 2017 2018 2019 2020
260246
221211
149
52
−45−131
http://uk.fm.dk/publications/2012/good-basic-data-for-everyone/47

5.1.1. Affärsmodeller för publicerande organisationer
Offentliga organisationer har en unik möjlighet i att skapa standardiserade plattformar som möjliggör
hela ekosystem av produkter och tjänster, bland både offentliga och privata aktörer. För offentliga
organisationer och myndigheter finns det möjligheter att effektivisera och spara pengar genom att göra
datamängder lättillgängliga för andra. Även den egna organisationen kan spara pengar på den egna
organisationens öppna data-initiativ, såsom i fallet med Katalonien (se kapitel 4.2).
Nätverkseffekter kan uppnås genom att flera organisationer kollektivt bidrar till att en datamängd blir
mer komplett eller får högre kvalitet. Varje organisations förbättring av datamängden ökar värdet för
organisationen själv och alla andra deltagande organisationer.
Företag som vill publicera öppna data kan också skapa värde från att publicera egna öppna data. Några
exempel på affärsmodeller listas nedan.
Direkta modeller:
• sälja tjänster baserat på företagets detaljkunskap om den öppna datamängden
• tillhandahålla samma datamängd, men sälja en högre garanterad upptid som den kostnadsfria48
tjänsten inte har
• tillhandahålla datan som en dataklump (istället för bitvis via API) mot en avgift
Indirekta modeller:
• publicerad öppna data leder ökat kundengagemang, synlighet och lojalitet, vilket leder till ökad
försäljning för företaget
• “outsourcad utveckling”, dvs andra aktörer använder de publicerade datamängderna och
utvecklar tjänster som företaget inte själv skulle ha tid/råd/kunskap att utveckla men kan istället
köpa av aktörerna när de är färdigutvecklade
Garanterad upptid innebär ett serviceavtal där tjänsten är tillgänglig till exempel 99,99% av tiden. Normalt innebär en högre garanterad48
upptid större driftskostnader för tjänsteföretaget och därmed en högre avgift för kunden.

5.2. Nyttjande organisationer – små och medelstora företag
I rationella organisationer som är vinstdrivande bör aktiviteter som utförs bidra till organisationens
ekonomiska mål, på ett eller annat sätt. Att till exempel utveckla en tjänst för att tillhandahålla
information baserat på öppna data, innebär en kostnad för organisationen även om datan är fritt
tillgänglig. Genom att identifiera och applicera lämpliga affärsmodeller kan organisationen skapa en
långsiktigt hållbar lösning.
I det här kapitlet beskrivs vad som avses med affärsmodeller i ett större perspektiv, samt ges exempel på
affärsmodeller för små och medelstora företag som vill nyttja öppna data.
5.2.1. Affärsmodeller för små och medelstora företag
Som tidigare nämnts är det vanligt att man har en av två startpunkter när man skapar en affärsidé som
använder data: antingen startar man med ett identifierat behov som man vill fylla och därefter letar efter
datan som bidrar till lösningen; eller så startar man med en eller flera datamängder och tänker ut hur
man kan använda den datan i olika lösningar. Figur 18 illustrerar dessa två startpunkter. Det är vanligt
att man itererar runt mellan A och B allt eftersom man utvärderar och lär mer om behoven respektive
de tillgängliga datamängderna.
Figur 18. Två vanliga startpunkter för lösningar som använder data.
Att ha en bra idé räcker inte för att bygga en hållbar produkt, utan man behöver förstå hur man bäst ska
skapa och tillhandahålla produkten, hur man ska tjäna pengar på den, osv, och detta brukar man samla
under termen affärsmodell. En affärsmodell består av flera olika delar, och det finns olika metoder man
kan ta till hjälp för att strukturera och utveckla sin affärsmodell.
En av de mer välkända metoderna baseras på den så kallade “Business Model Canvas” beskriven av
Osterwalder & Pigneur . Oavsett vilken metod man tar stöd i bör man kunna beskriva affärsmodellen49
så att den tydligt svarar på frågorna i tabell 6.
http://businessmodelgeneration.com/book49
A: 
Behov
B: 
Data- 
mängder
Hitta relevant data
Identifiera behov

Tabell 6. Sektioner i en affärsmodell och frågor som bör besvaras däri.
När man tagit fram en affärsmodell är det bra att testa så att den “håller vatten”. Det kan man till
exempel göra genom att fråga representanter för den tilltänkta kundgruppen och få deras feedback.
Eventuellt behöver man iterera flera varv där man samlar in feedback, modifierar modellen, får ny
feedback, osv tills man är nöjd med modellen. Om man vill lära sig mer om hur man kan gå tillväga för
att validera sin affärsmodell rekommenderas “The Startup Owner’s Manual” av Blank & Dorf .50
Nedan beskrivs tre affärsmodeller som exempel på hur man kan skapa, leverera och fånga värde. För att
förenkla presentationen visas värdeflödena och inte hela affärsmodellerna.
En framgångsrik modell för att skapa värde från öppna data som en del företag använder är att koppla
samman öppna data med proprietär eller licensierad data, ofta från flera marknadssegment, och sedan
göra den paketerade datan tillgänglig på ett enkelt sätt i form av en tjänst. Betalningsmodellen är ofta en
typ av kostnad per volym eller annat mått som skalar upp med användningen, enligt figur 19.
Figur 19. Värdeflöde i affärsmodell med öppna och proprietära eller licensierade data.
Affärsmodellens sektion Frågor som sektionen bör besvara
Kundsegment Vem är målgruppen för vår tjänst eller produkt?
Produkt/tjänste-
erbjudande
Vad är det vi erbjuder till kunderna, vad är värdet?
Intäktsmodell
Hur vi tjänar pengar, även vid olika försäljningsvolymer? Är det
engångsintäkter eller återkommande intäkter?
Kostnadsmodell
Vilka kostnader har vi för att leverera produkten/tjänsten, hur skalar de med
försäljningen?
Säljkanaler
Hur kommer vår tjänst/produkt till våra kunder på bästa sätt, genom vilka
kanaler och vilka distributionssätt?
Våra aktiviteter
Var i värdekedjan placerar vi oss, vad kan vi göra bättre än andra, vilka är våra
huvudaktiviteter?
Våra resurser
Vilken organisation ska vi har för att bäst kunna leverera våra kunderbjudande,
idag och i framtiden, vilka nyckelresurser har vi / behöver vi skaffa, personal
respektive utrustning?
Kundrelationer Vilken typ av relation ska vi ha med våra kunder?
Våra partners
Vilka är våra nyckelpartners för att leverera produkten/tjänsten, vad ska vi köpa
från dem och hur kompletterar de vår placering i värdekedjan?
Kunder betalar baserat
på använd datavolym /
anropsfrekvens / etc
Aggregera,
kvalitetssäkra,  
förenkla &  
paketera enhetligt
data via API
Öppna 
data
Proprietära 
data
kronor
http://www.bokus.com/bok/9780984999309/the-startup-owners-manual-the-step-by-step-guide-for-building-a-great-company/50

En utvidgad variant av den modellen adderar ett ytterligare värdeskapande steg där företaget använder
dataanalys och datamodeller för att skapa prediktioner, riskanalyser, och liknande som också paketeras i
form av tjänster nischade mot kundgrupper, se figur 20.
Figur 20. Värdeflöde i affärsmodell där dataanalys och datamodellering adderar ytterligare värde.
Det tredje exemplet, i figur 21, är valt för att visa hur man kan använda öppna data i ett företag trots att
man inte säljer en datatjänst. Företag kan kombinera egna data, till exempel försäljningsstatistik, med
öppna data, till exempel väderdata/geografisk data/demografisk data/etc, för att ta fram beslutsunderlag.
Sådant beslutsunderlag kan företaget sedan använda för att optimera sin marknadsföring, för att
bestämma var man bäst placerar butiker, för att identifiera hur man optimerar försäljning i förhållande
till befolkning och säsong, med mera.
Genom att använda öppna datamängder, för att i slutändan skapa mervärde för sina kunder, kan
företaget öka sina intäkter, oavsett om företaget arbetar med energidistribution eller tillverkar möbler.
Figur 21. Värdeflöde i affärsmodell där öppna data används internt i företaget för bättre beslut.
Kunder betalar för
prediktioner,
riskanalyser,
beslutssignaler, etc
Aggregera,
kvalitetssäkra 
& strukturera
API & rapporter
Öppna 
data
Proprietära 
data
kronor
Dataanalys &
data-
modellering
Nöjdare
kunder / fler
kunder
Aggregera,
kvalitetssäkra 
& strukturera
Bättre betjäning
Öppna 
data
Egna 
data
kronor
Analysera data
och skapa
egen strategi

6. Avslutande kommentarer
Vi ser att det även för små och medelstora företag finns en stor potential att skapa värde utifrån öppna
data. För att komma igång med användandet är det viktigt att företagen tillåter anställda att utforska
och experimentera med datamängder som görs tillgängliga. I den processen skapas en förståelse för
datan och hur den kan användas i det egna företaget för att skapa innovativa tjänster och produkter.
Att använda öppna data kan innebära många olika saker – ett företag kan använda öppna data för att
förstå hur deras adresserbara marknad ser ut, ett annat företag kan använda det för att optimera den
geografiska placeringen av deras energiproduktion, och ett tredje företag kan använda det för att bygga
en datadriven tjänst som förädlar datan åt andra. I en del fall kan det vara samma datamängd som
används på olika sätt i olika sammanhang.
Steget att börja använda data är olika högt för olika organisationer, men det finns ofta exempel att lära
ifrån och även företag som kan hjälpa till att komma igång. Utöver värde för företag kan samma
datamängder ha värde i andra dimensioner såsom att stärka demokratin genom ökad öppenhet, skapa
effektivisering bland myndigheter, etc.
Med öppna data finns stora möjligheter att skapa en win-win-win-situation för alla inblandade, från
publicerande [offentliga] organisationer, till företag och medborgare. HIP är ett exempel på ett bra
initiativ där man skapat en plattform som gör det möjligt för fler att publicera data och enkelt använda
data, och där det finns stora vinster att göra i alla led. Det är viktigt att beslutsfattare är medvetna om
både kostnader och möjligheter kopplade till öppna data, och att man aktivt skapar förutsättningar för
fler att gå från medvetenhet om öppna data till innovationer och användning. Det är där det största
värdet finns.

Om SenseMate AB
SenseMate AB tillhandahåller tjänster inom två områden: Intelligenta Affärer och Intelligenta Maskiner.
Intelligenta Affärer (Intelligent Business) är vår terminologi för att hjälpa organisationer skapa mer
innovativa produkter och tjänster, bygga konkurrenskraftigare strategier, och driva deras företag på
bättre sätt.
Intelligenta Maskiner (Intelligent Machines) definierar vi som system vilka aktivt hjälper människor att
uppnå deras mål. Området spänner från inbyggda system till molnlösningar som baseras på
maskininlärning och dataanalys.
För mer information, skicka ett email till contact@sensemate.com.
About SenseMate AB
SenseMate AB provides services in two areas: Intelligent Business and Intelligent Machines.
Intelligent Business is our term for helping organizations create more innovative products and services,
more competitive strategies, and run their business in a better way.
Intelligent Machines are, in our definition, systems that actively help humans achieve their goals. This
area spans intelligent embedded systems to cloud systems based on machine learning and data analytics.
For more information, send an email to contact@sensemate.com.

Värdet av öppna data

Recomendados

Recomendados

Mais conteúdo relacionado

Destaque

Destaque (12)

Semelhante a Värdet av öppna data

Semelhante a Värdet av öppna data (20)

Mais de Erik Borälv

Mais de Erik Borälv (20)

Värdet av öppna data