Kunskapsbaserad ledning av arbetsförmågan – så här går det till

Kunskapsbaserat ledarskap förutsätter att man leder databasert, vilket inkluderar insamling, behandling, strukturering och analys av data. Kunskapsbaserad ledning förutsätter alltid data av hög kvalitet – så även när det gäller ledning av arbetsförmågan.

Hög datakvalitet är grunden för kunskapsbaserad ledning av arbetsförmågan

Tillförlitliga data om arbetsförmåga och faktorer som påverkar den är grunden för kunskapsbaserad, datadriven ledning av arbetsförmågan. Det bästa är att ha tillgång till data på arbetstagarnivå, även om det är arbetsprocesserna som är föremålet för utveckling. Då kan man undersöka arbetstidsredovisningen för enskilda arbetstagare i stället för till exempel team. Däremot är det inte tillåtet för arbetsgivaren att behandla individuella arbetstagares hälsouppgifter.

Du kan förfina alla granskningar på gruppnivå från specifika data, förbättra noggrannheten och minska antalet fel. Ju mindre din analys grundar sig på indikatorer på gruppnivå, desto noggrannare blir den.

All information får inte samlas in och lagras

Kom ihåg att du inte får samla in och spara vilken information som helst om dina arbetare. Vanligtvis är information som är viktig för arbetsprocesserna relaterad till själva arbetet, till exempel frånvaro, arbetstider och arbetsprestationer. Insamling och lagring av enskilda känsliga personuppgifter som sjukdomsuppgifter är förbjudet i alla situationer. Du kan däremot be om statistikuppgifter om dessa fenomen från företagshälsovården och kombinera uppgifterna med företagets egna data på gruppnivå.

Bekräfta kvaliteten på insamlade data

I kunskapsbaserat ledarskap gäller det att säkerställa att data inte saknas eller innehåller fel. Med data som matats in manuellt är risken för kvalitetsbrister särskilt hög. Skapa rutiner för att övervaka kvaliteten på manuell inmatning och ingripa vid avvikelser. Ju mer automatik och mindre manuell inmatning, desto färre fel.

Om det är möjligt, försök att automatisera datainsamlingen så långt som möjligt som en del av olika system. Använd dig av enkäter och data från människor först när du är säker på att samma data inte redan finns färdigt någonstans eller går att härleda från andra data.

Analysera data

Dataanalys kan delas in i fyra nivåer: beskrivande, förklarande, förutsägande och styrande. Värdet på dina data ökar allteftersom du går från den beskrivande nivån mot den styrande. Samtidigt ökar också kravet på kompetens och förståelse hos den som analyserar data.

  1. 1. Beskrivande nivå

    Den beskrivande nivån ger dig grundläggande statistik, som genomsnittsvärden och antalet händelser. Exempel: en trendlinje som visar antalet sjukfrånvarodagar och genomsnittlig frånvarotid på grund av sjukdomar i stöd- och rörelseorganen.

    2. Förklarande nivå

    På den förklarande nivån förstår du sambandet mellan olika företeelser genom att kombinera och gruppera variabler. Exempel: en tabell som visar om symtom i stöd- och rörelseorganen är överrepresenterade inom specifika yrken.

    3. Förutsägande nivå

    På den förutsägande nivån inkluderar du statistiska metoder för att konstatera skillnader mellan grupper och identifiera orsakssamband. Exempel: en riskmodell över sambandet mellan symtom i stöd- och rörelseorganen och ålder, arbetsuppgift, utbildning och lönenivå baserat på data från de senaste 10 åren.

    4. Styrande nivå

    På den styrande nivån använder du data för att effektivisera processerna så att du verkställer rekommendationer direkt och följer upp förändringarna i realtid. Exempel: ett smart arbetsskiftsystem som minimerar symtom i stöd- och rörelseorganen genom att säkerställa tillräckligt med tid för vila eller mindre ansträngande arbetsuppgifter mellan arbetsskift med hög belastning.


Man kan tänka sig att det finns en femte nivå ovanför den styrande: artificiell intelligens och maskininlärning. Å andra sidan kan AI och maskininlärning ses som användbara metoder på varje nivå. Maskininlärning blir allt vanligare vid sidan om traditionella metoder.

Använd experter för analyserna

Dra nytta av experternas synpunkter och erfarenhet i dataanalyser. Ju lägre analytisk nivå du befinner dig på, desto mer expertis behöver du. När det gäller ledning av arbetsförmågan är analyserna i de flesta företag på en beskrivande eller högst på en förklarande nivå, även om företagen redan använder sig av förutsägande eller rentav styrande analyser i till exempel fabriksautomation eller logistikplanering.

  1. Nästa steg: Följ upp, bedöm och utveckla

    Öppna