Faser i projektet

Projektfaser - overblik

1. Opstart, etablering af agil arbejdsform og organisering i projektet
2. Forberede flådestyringsløsninger, GPS’er og datagrundlag i kommunerne
3. Integration af flådestyringsløsninger med FleetOptimiser og konfiguration i myndigheder
4. Træning og organisatorisk implementering af processer og styringsmodel
5. Drift og løbende tilpasninger af flåden
6. Afrapportering og plan for udbredelse af løsning og erfaringer nationalt

Herudover igangsættes et gennemgående spor med fokus på transformationsledelse.

Fase 1:

Opstart, etablering af agil arbejdsform og organisering i projektet

Erfaringerne fra tidligere AI-projekter viser, at det er afgørende for et succesfuldt forløb, at der tidligt skabes et fælles samarbejdsgrundlag med forventningsafstemning mellem partnerne.

En af nøglerne til FleetOptimisers succes er den agile arbejdsform, som har været gennemgående for det gennemførte AI-signaturprojekt. Nye deltagere i projektet skal derfor on-boardes og introduceres til løsningen og den agile arbejdsform.

Vi starter forløbet med et fælles kick-off, hvor en agil coach introducerer til arbejdsformen, og hvor vi får fastlagt roller og formater (afviklet den 16/3-2023). Herudover konstitueres de forskellige styringsorganer i projektet, så organiseringen er på plads fra start.

Fase 2:

Forberede flådestyringsløsninger, GPS’er og datagrundlag i kommunerne

I denne fase skal der etableres et datagrundlag baseret på de faktiske kørselsmønstre.

Flere af projektparterne har allerede arbejdet ihærdigt på at etablere flådestyring og på indsamling af data. Nye deltagere, som ikke har dette grundlag på plads, skal have etableret en understøttende infrastruktur, inden de kan arbejde struktureret med intelligent omstilling og tilpasning af flåden.

Deltagerne opdeles efter modenhedsniveau for at sikre, at denne øvelse gennemføres med særlig støtte til de parter, som har størst brug for hjælp til at komme i gang med flådestyring. Deltagerne assisteres igennem en proces, hvor data vedrørende køretøjer, økonomi, udledning mv. kvalitetssikres. Processen er baseret på erfaringerne med kvalitetssikring fra AI-signaturprojektet og er samlet i en drejebog, som strømliner arbejdet. Der etableres i denne forbindelse også en baseline for CO2-udledning og omkostninger med tilhørende business cases pr. deltager i projektet.

Fase 3:

Integration af flådestyringsløsninger med FleetOptimiser og konfiguration i myndigheder

I takt med at deltagermyndighederne får datagrundlaget på plads etableres integrationer mellem FleetOptimiser og myndighedernes flådestyringsløsninger.

FleetOptimiser er i dag integreret med de to største flådestyringsløsninger i det offentlige marked, Skyhost og FleetComplete. Der er derfor primært tale om at sikre adgange, oprette brugere og tilslutte de eksisterende systemer til infrastrukturen for nye deltagere i projektet. Når myndighederne er tilsluttet, skal løsningen konfigureres til lokale forhold og behov.

Fase 4:

Træning og organisatorisk implementering af processer og styringsmodel

I fase 4 af projektet handler det om at få Fleet Managers og øvrige brugere af løsningen til at blive fortrolige med løsningen som afsæt for en organisatorisk implementering af de processer og beslutningsstrukturer, som skal etableres i myndighederne. Det handler om at få omsat simuleringsresultater fra FleetOptimiser til konkrete handlinger.

Erfaringen er indtil videre, at en realisering af værktøjets potentiale i høj grad handler om at skabe tillid til løsningen. FleetOptimiser udfordrer den måde, vi plejer at gøre tingene på og den decentrale styringsmodel, der ofte er implementeret i offentlige myndigheder. Derfor skal der sideløbende med ibrugtagning af værktøjet sikres en ny datadrevet styringsmodel, hvor beslutninger om flådeplacering, køretøjstyper, kapacitet, tildeling af ture og transportmidler mv. i højere grad træffes ud fra konkrete data og simuleringer. Fasen handler derfor primært om datadrevet ledelse og transformation.

Fase 5:

Drift og løbende tilpasninger af flåden

Når løsningen er i drift hos de enkelte myndigheder, og der er implementeret relevante styringsprocesser, starter transformationen ved udskiftning af køretøjer, tilpasning af kapaciteten og ændring i kørselsadfærden.

I en kommune som Aarhus er de ca. 750 registrerede køretøjer fordelt på ca. 185 lokationer. Knap 75 procent af disse er fossile køretøjer (560 i faktiske tal). Omtrent 45 procent af den samlede bilflåde er leaset, hvilket betyder, at der er bindingsperioder på køretøjerne og begrænsninger på, hvor mange kilometer man må køre i de enkelte køretøjer. Samtidig er der behov for at udskifte fossilkøretøjer, så man løbende kan nå at tilpasse antallet af ladestandere og ladekapaciteten på de enkelte lokationer.

Det er dette daglige puslespil, de lokale Fleet Managers skal få til at gå op på den mest optimale måde, således at der er den tilstrækkelige kapacitet til rådighed for at kunne udføre de offentlige kerneopgaver.

Fase 6:

Afrapportering og plan for udbredelse af løsning og erfaringer nationalt

Som afslutning på projektet udarbejdes en slutrapportering til Digitaliseringsstyrelsen og projektets parter. Vi vil lægge kræfter i udbredelse af viden om projektets erfaringer på diverse platforme, herunder projektets egen hjemmeside, sociale medier, gå-hjem-møder og konferencer.

I lighed med konceptet for afslutning af AI-signaturprojektet vil vi invitere alle interesserede til et Grand Review på projektet i minikonference-format. Det var en stor succes, da det blev afholdt sommeren 2022 på Maltfabrikken i Ebeltoft, så vi vil gentage succesen med fokus på de resultater, vi forventer at skabe i projektet.

Herudover vil projektet komme med forslag til en videre skalering af løsningen til nationalt plan i samarbejde med KL, Digitaliseringsstyrelsen og andre kræfter, som kan påvirke den nationale strategi for bæredygtig transport i det offentlige.

Tværgående spor om transformationsledelse og følgeforskning

Erfaringen fra Aarhus Kommune og andre myndigheder er, at det er svært at transformere digitalt. Topledelsen i Aarhus Kommune er meget optaget af udfordringen med skalering af digitale løsninger, herunder øget brug af data og digitale løsninger på klimaområdet, hvor vi arbejder med begrebet "vilde problemer".

For at sikre maksimalt fokus på transformation, skalering og læring undervejs i projektet har ledelsen i Aarhus Kommune bevilliget en virksomheds-ph.d. til at bidrage til metodeudvikling og følgeforskning i projektet.