Interaktiv Benchmarking

IB^®

Brugermanual og Hjælpeskærme

Ver. 2.8

September, 2012

Peter Bogetoft

pb@ibensoft.com

Bemærk: Nogle af faciliteterne, som er beskrevet i denne manual, er muligvis ikke tilgængelige for dig. De tilgængelige faciliteter afhænger nemlig af dit abonnement. Derudover er nogle af faciliteterne (såsom Spørgeskema) kun tilgængelige i den web-baserede version. Hvis du er interesseret i at udvide de faciliteter du har adgang til kan du henvende dig til contact@ibensoft.com.

Indhold

Generel information om Interaktiv Benchmarking IB(R)
Login
Model:Prædefineret Model
Model: Selvdefineret Model
Enheder: Min Enhed
Enhed/Virksomhed: Fusion
Enhed/Virksomhed: Potentielle Peers/Forbilleder
Scenarie/Spørgeskema
Nøgletal-KPI
Benchmark
Peers / Forbilleder
Sektor Analyse
Dynamisk
Rapporter
Data

Generel information om Interaktiv Benchmarking IB^®

Ideen

Interaktiv Benchmarking er et interaktivt computerprogram, der organiserer og analyserer virksomheders data med henblik på at forbedre performance.

Programmet kombinerer state-of-the-art benchmark teori, beslutningsstøtte metoder og computer software med det formål at identificere gode rollemodeller og brugbare præstationsmål.

Baggrund

I de seneste årtier har teoretikere og praktikere arbejdet meget med benchmarking og relativ præstationsvurderinger, og der er sket store fremskridt. Selv de bedste analyser vil imidlertid være baseret på en række antagelser. Da enheder eller virksomheder som analyseres kan derfor sætte spørgsmålstegn ved disse antagelser og dermed også ved relevansen af de opnåede resultater. Brugeren af en analyse vil desuden typisk stille en række ”hvad nu hvis” spørgsmål. Dette skaber et behov for fleksible benchmark redskaber så analyserne kan tilpasses den specifikke kontekst og den specifikke bruger.

Skræddersyet benchmarking

For at skræddersy de enkelte benchmarks har vi integreret state-of-the-art metoder i et let anvendeligt software. Interactive Benchmarking IB^® er en analyseramme som kan erstatte en benchmark rapport baseret på en analytikers mere eller mindre velbegrundede antagelser. En Bruger interagerer direkte med et computer program IB for at få analyserne til at afspejle Brugerens specifikke fokus, kontekst, mission og ambitionsniveau.

Fokus: Brugeren vælger et fokus (Model) for analysen. Fokus kan være kortsigtet eller langsigtet, og det kan involvere hele virksomheden eller dele af den. Benchmarksystemet indeholder på forhånd nogle relevante modeller, men det giver også Brugeren mulighed for at udvikle alternative modeller, som bedre afspejler Brugerens fokus.

Betingelser: Modellerne er konstrueret, så de så vidt muligt afspejler rammebetingelserne. Brugeren kan dog vælge at lave yderligere antagelser om den evaluerede enhed (MinEnhed) og den relevante sammenligningsgruppe (Potentielle Peers). Den evaluerede Enhed kan være en realiseret enhed, en budgetteret enhed, en fusioneret enhed etc. Tilsvarende kan sammenligning med nogle af de andre virksomheder ekskluderes vha. filtre på de tilladte Potentielle Peers. Brugeren kan for eksempel være interesseret i kun at sammenligne med lokale selskaber fra samme branche og med nogenlunde samme størrelse.

Mission: Brugerens specifikke mission eller strategi kan specificeres yderligere ved at definere søgeretninger. Det kan således specificeres hvor opsat Brugeren er på at reducere de forskellige inputs (ressourcer) og på at øge de forskellige outputs (produkter og serviceydelser)?

Aspiration: Aspirationsniveauet i forholde til andre kan også justeres. Selvom ”bedste praksis” typisk har mest interesse kan Brugeren også vælge at gå efter mindre ambitiøse mål, fx 25% under bedste praksis. Tilsvarende kan Brugeren også være interesseret i hvor godt andre virksomheder gør det i forhold til den samme mission. Brugeren kan til det formål analysere alle selskaber i industrien ud fra de forudsætninger, han anvender om den evaluerede Enhed.

Andre generelle træk ved IB

Let at bruge: Styringen af benchmarkprocessen foregår ved hjælp af forskellige kontroller, menuer og valgmuligheder, som er både simple og intuitive at anvende. Derudover er der et omfattende tekst- og video-baseret hjælpesystem, hvis Brugeren skulle komme i tvivl om muligheder og fortolkninger.

Direkte anvendelige: Resultaterne er direkte anvendelige ifm konkrete organisatoriske og forretningsmæssige beslutninger. De spørgsmål, som IB kan svare på, og den måde resultaterne vises, er udviklet i et nært samspil med konkrete virksomheder og brancheorganisationer mv. IB beregner planer og budgetter, og IB identificerer peers man kan lære af i implementeringsfasen. IB gør det let at udregne marginalomkostninger, substitution mellem produktionsfaktorer, samt trade-off mellem serviceydelser. IB tillader også brugeren at forudsige synergien ifm fusioner og andre samarbejder, at vurdere selskabers stordriftsmuligheder etc etc.

IB er desuden ikke bare et måleredskab men også et læringsmiljø, hvor brugeren kan lære virksomheden at kende og undersøge muligheder og begrænsninger. Den bagved liggende model bygger på komplekse, praksisbaserede sammenhænge mellem mange inputs og outputs.

Forskningsteam: Bag den simple og intuitive brugerflade er IB et program, der kombinerer bedste praksis i præstationsevaluering og computer teknologi. Det er udvikles af et team, som ledes af professor Peter Bogetoft. Peter Bogetoft er en førende international forsker inden for performance evaluering, forfatter til mere end 50 peer-reviewed artikler og bøger, samt konsulent på talrige benchmark opgaver i hele verden.

Tekniske detaljer: For mere information om teorien, samt de matematiske og statistiske metoder bag, kontakt udviklerne af programmet på contact@ibensoft.com

Login

Login

Login kræver et brugernavn og password. Brugerens rettigheder og muligheder afhænger af brugertypen. Brugens login bestemmer således, hvilke faneblade der kan ses og hvilke faciliteter der er tilgængelige i de forskellige faneblade.

”?”

I det øverste højre hjørne af skærmen linker ”?” videre til hjælpesystemet. De forskellige hjælpeemner er specifikt relateret til det faneblad du arbejder på, når du aktiverer hjælpen, men du an naturligvis bevæge dig rundt i hele hjælpesystemet derfra.

I øverste højre hjørne linker filmsymbolet til små videoer, der forklarer hvad man kan i det faneblad, som er aktivt når filmen kaldes.

Den typisk IB session

Ved normal brug af IB starter man med fanebladet længst til venstre på skærmen og arbejder sig mod højre.

- Du kan hele tiden gå tilbage til et tidligere faneblad og ændre dit valg. Du kan for eksempel ændre modellen, der bliver brugt, eller ændre den enhed, der bliver analyseret.

- I en session vil fanebladene lyse op efterhånden som de bliver tilgængelige. Du kan for eksempel IKKE bruge Benchmark før du har valgt en model og en enhed, som skal analyseres.

- Analyserne i et givet faneblad afhænger af de valg som er foretaget i tidligere faneblade. Hvis du hopper tilbage, dvs. til venstre i fanebaldene vil alle valg foretaget i faneblade til højre for det du nu står i, som hovedregel være annulleret.

Generelle IB kontroller

Der er mange muligheder for at ændre udseendet af de forskellige vinduer. Mulighederne og knapperne er intuitive og baseret på standarderne i Windows. Træk rækker, kolonner og vinduer rundt som du har lyst i IB-Win.

Der er tilsvarende omend færre muligheder i den web-basered udgave IB-Web.

Sådan opdateres IB-Win

- Hver gang du starter en session tjekker IB om du har Internet adgang. Hvis dette er tilfældet vil programmet automatisk lede efter opdateringer.

- Hvis en opdatering findes kan du vælge at installere den.

- Hvis du senere fortryder opdateringen kan du vælge at gå tilbage til en tidligere version af programmet ved at bruge ”Tilføj og Fjern Programmer” i Windows kontrolpanel.

Sådan opdateres IB-Web

IB-Web opdateres løbende efterhånden som nye muligheder udvikles og afhængigt af de brugerrettigheder den aktuelle Bruger er udstyret med.

Model: Prædefineret

Model: Prædefineret

- Du kan se de prædefinerede modeller i under-fanebladet Model: Prædefineret.

- Når du markerer en Prædefineret model vises en kort beskrivelse af modellen

- De foruddefinerede modeller giver brugeren et udgangspunkt for sine analyser. Brugeren kan definere alternative modeller under fanebladet Model: Selvdefineret.

Modellen

En model er defineret vha. inputs, outputs og situationsvariable.

- Inputs repræsenterer udnyttede ressourcer, omkostninger etc.

- Outputs repræsenterer de produkter og serviceydelser der produceres

- Situationsvariable er tilstande virksomheden ikke kan kontrollere, men som kan lette eller besværliggøre transformationen af inputs til outputs.

En model definerer ens fokus for analysen. Den kan være kort- eller langsigtet, og den kan involvere hele virksomheden eller dele af den; for eksempel en proces.

Model: Selvdefineret

Model: Selvdefineret

I under-fanebladet Model: Selvdefineret kan du definere din egen model ved at specificere

- Inputs (I), dvs. brugte ressourcer og omkostninger

- Outputs (O), dvs. producerede produkter og serviceydelser

Du kan vælge imellem alle variablene, der til at begynde med er markeret som

- Øvrige (R), dvs. variable der enten kan bruges i modellen eller bruges til at forstå resultaterne på et senere tidspunkt (read-only).

Datasættets størrelse

Når inputs og outputs vælges, beregner programmet den relevante (del-) mængde af selskaber, som man kan regne på, dvs de enheder, som der er tilstrækkelige oplysninger om for alle valgte variable.

Låste variable

Tabellen giver også en række

- Låste variable (L). Disse variable kan ikke anvendes som inputs eller outputs, idet de indeholder ikke-numerisk information.

Brug af andre variable

Øvrige (R) variable der ikke bliver brugt direkte som Inputs eller Outputs, samt Låste (L) variable (hvis det giver mening) kan bruges til at bestemme relevante sammenligningsvirksomheder under fanebladet Enheder: Potentielle Peers. De kan også bruges som mulige forklarende variable for performance i Sektor: Vis grafer: Efteranalyse.

Estimeringsmetode

Modelspecifikationen (Inputs og Outputs) definerer fokus for modellen. For at der er tale om en rigtig model skal vi også bestemme sammenhængen mellem de forskellige variable. Estimeringsmetoden brugt i de selvdefinerede modeller bruger såkaldt minimal ekstrapolation. Ideen med de tilsvarende ikke-parametriske FDH og DEA procedurer er at ekstrapolere mindst muligt fra data –at finde den tættest mulige approksimation af det virkelige data.

Det er også muligt at bruge modeller, som er estimeret vha. parametriske (PAR) økonometritilgange som fx SFA. Disse estimationer skal foregå før analyserne starter og de resulterende modeller skal defineres i datasættet. PAR er derfor ikke en valgmulighed i fanebladet Model: Selvdefineret, men kan findes under fanebladet Model: Prædefineret.

Skalaafkast

I en selvdefineret model skal du også specificere skalaafkastet, dvs dine forventninger til effekterne af at øge eller mindske skalaen af produktionen. Spørgsmålet er om det kræver flere inputs pr. output, når virksomheden bliver større (stordriftsulemper) eller mindre (smådriftsulemper). Hvis vi øger mængden af inputs med en vis procentdel, men vi ikke mener at outputs vil blive øget med samme procentdel, da tror vi der er en ulempe ved at være stor. Tilsvarende, hvis vi mindsker mængden af inputs med en bestemt faktor og tror at outputs vil falde med en større procentdel, da tror vi, at der er ulemper ved at være lille. En typisk grund til at forvente problemer med en for stor virksomhed vil bl.a. være en stigning i koordinations- og kommunikationsopgaver. En typisk grund til at forvente problemer med en for lille virksomhed vil være de faste omkostninger eller et behov for mere effektiv specialisering.

Mulige skalaafkast

Der er seks mulige indstillinger for skalaafkastet:

• Konstant skalaafkast (CRS) betyder, at vi ikke tror der vil være ulemper ved at være hverken stor eller lille.
• Aftagende skalaafkast (DRS) betyder at der kan være ulemper ved at være stor, men ikke ved at være lille.
• Voksende skalaafkast (IRS) betyder at der kan være ulemper ved at være lille, men ikke ved at være for stor.
• Variabel skalaafkast (VRS) betyder at der kan være ulemper ved at være for lille og ved at være for stor.
• Udvidet Fri Bortkastelse (FDH+) bliver brugt sammen L og H værdier, hvis vi ikke tror der er generelle skalaegenskaber men dog mulighed for en lokal reskalering uden at løbe ind i problemer.
• Additivitet (ADD) betyder at man altid kan gentage hvad andre har gjort, og man kan derfor også lave enhver form for (heltalling) kombination af hvad andre har gjort.

Hvis du senere fortryder dine første antagelser om skalaafkastet, kan du altid ændre disse i fanebladet Benchmark, se nedenfor.

Navngiv modellen

• Før du kan fortsætte, bliver du også nødt til at navngive modellen og komme med en kort beskrivelse.

Enheder: Min Enhed

I Min Enhed kan du vælge den enhed du ønsker at analysere.

Eksisterende Enhed

• Du kan vælge at analysere en Eksisterende enhed
• Enhedens værdier for Inputs (I) og Output (O) blive vist i tabellen

Selvdefineret Enhed

• Du kan også vælge at definere din egen enhed, Ny Enhed
• Du kan da selv navngive enheden
• Du skal i dette tilfælde selv indsætte de relevante værdier for Inputs og Outputs i tabellen.
• Hvis din Selvdefinerede Enhed ligner en som allerede eksisterer kan du blot markere den eksisterende enhed og ændre i dennes tal indtil de passer med det du ønsker.

Brugen af en Selvdefineret enhed

I mange tilfælde kan det være nyttigt at definere din egen enhed. Dden nye enhed kan fx repræsentere din enhed forbedringer…

• … af et eksisterende budget
• … i et gennemsnitligt år
• … efter allerede planlagte ændringer

Brugen of variabel transformationer (ændringer)

I nogle anvendelser er det nyttigt tillade forskellige versioner af inputs og outputs. I en skolebenchmark kan vi for eksempel være interesseret i at genberegne performance for alle skolerne, hvis de alle havde elever med samme socioøkonomiske baggrund, som den skole vi er ved at undersøge. Tilsvarende kan vi også være interesserede i virksomhedernes performance i forskellige økonomiske scenarier med fx stigende og faldende renter. De nødvendige genberegninger af de forskellige datapunkter kan gøres ved at bruge variabel transformation Vtrans i fanebladet Min Enhed. Vtrans-funktionen er tilgængelig, når sådanne transformationer er defineret i et Vtrans regneark i det relevante Data xls ark.

Enheder: Fusion

I Fusion kan du analysere performance (resultater) for en potentiel fusion af to eller flere enheder.

Metode

Først markerer du hvilke eksisterende enheder du ønsker at inkludere i den potentielle fusion. Interaktiv Benchmarking IB® navngiver dernæst den nye enhed som

”Kandidat1+Kandidat2+…+KandidatK”

samt beregner enhedernes kombinerede ressourceforbrug (summen af deres inputs) som inputs og deres kombinerede produktion (summen af deres outputs).

Denne enhed kan nu analyseres som enhver anden Selvdefineret enhed. Et højt sparepotentiale sammenlignet med de individuelle enheder i fusionen indikerer, at der er et store synergieffekter. Mere avancerede dekomponeringer af disse gevinster er også mulige i Benchmark fanebladet.

Advarsler

I nogle modeller vil den simple sammenlægning af inputs og outputs som ikke give mening. Et eksempel på dette kan være, når nogle inputs eller outputs repræsenterer andele (ratioer) eller delmængder, fx den procentdel af produktionen som har hæj kvalitet. I sådanne tilfælde bliver man enten nødt til at omdefinere produkterne til enheder der kan adderes; fx opdeling af output med høj og lav kvalitet. Eller man kan beregne det endelige resultat af den fusionerede enhed ved at vægte de enkelte enheders fysiske produktioner, addere dem og derefter bruge de resulterende værdier til at definere en ny enhed i fanebladet Enheder: Min Enhed.

Fortolkning

I den beregnede fusionerede enhed vil de kombinerede input- og output- værdier svare til, at enheden opererer fuldstændig decentraliseret; hver af de oprindelige enheder kunne køre videre som uafhængige divisioner under et fælles navn.

De mulige forbedringer i den fusionerede enhed

”De muliged forbedringer af den fusionerede enhed ”Kandidat1+Kandidat2+ … +KandidatK” kan derfor ses som forbedringer der opstår ved indlæring af ”bedske praksis” og ved en optimal udnyttelse af de mulige synergi effekter mellem de indbefattede enheder. Sidstnævnte effekt kan ydermere opdeles i en mix og en skala komponent. En formel opdeling af disse effekter og organisatoriske fortolkninger blev udviklet af Bogetoft, P. og Wang, D., Estimating the Potential Gains from Mergers, Journal of Productivity Analysis, 23, pp. 145-171, 2005, og dekomponeringen er iørvigt implementeret i Fusions Analyse pop-up faciliteten in the Benchmark fanebladet.

Horisontale eller vertikale fusioner

Fusionsmuligheden i Interaktiv Benchmarking IB® kan direkte bruges på horisontale fusioner, dvs. integration af enheder som producerer den samme slags serviceydelser (outputs) og bruger den samme slags ressourcer (inputs).

En vertikal fusion er, når en upstream virksomhed integreres med en downstream virksomhed. Upstream-virksomheden producerer serviceydelser (komponenter), der bliver brugt som ressourcer i downstream-virksomheden. Man kan også evaluere vertikale fusioner med Interaktiv Benchmarking IB®. For at gøre dette bliver man nødt til at modellere begge produktionsprocesser, som en speciel form for kombineret model. Det kan lade sig gøre ved at ”tænke” i netputs (net outputs), dvs. ved at se inputs som negative netputs og outputs som positive netputs. Denne strategi kan også bruges til mere avancerede konstellationer, hvor nogle af upstream-virksomhedens outputs er færdige produkter mens andre stadig er komponenter, der bliver brugt som inputs i downstream-virksomheden. For mere information om vertikale fusioner og netværker se

Bogetoft, P., Efficiency Gains from Mergers in the Health Care Sector, Part B: Modelling and Part C: Implementation, Research Papers 2008:07 and 2008:08, NZa, The Netherlands.

Enheder: Potentielle Peers

I Potentielle Peers kan du bestemme hvilke enheder du ønsker at sammenligne Min Enhed med.

Vær Opmærksom

Benchmarkmetoden vil typisk selv finde rimelige Peers ved at lede efter en kombination af enheder, som minder om den analyserede enhed på de centrale variable, inputs og outputs. De af programmet bestemte Peers er også en god indikator for om modellen er specificeret nogenlunde korrekt.

Peers vindue

• Det højre Peers-vindue viser de potentielle enheder, der er tilbage, som kan bruges til at lave sammenligningen.
• De individuelle enheder kan ekskluderes ved afmarkere dem – og du kan tilsvarende fortryde dine valg ved at markere dem igen. Udvælgelsen kan også laves i fanebladet Benchmark.

Filtre

• Til at specificere den relevante sammenligningsgruppe kan du også vælge at bruge Filtre. De er defineret øverst til venstre i fanebladet Potentielle Peers.
• Du kan definere et filter ved at bruge logiske udtryk.
• Ved at trykke på + genereres et nyt filter. Valgmulighederne til hver position kommer frem ved at flytte musen henover linjen.
• I eksemplet nedenfor er vi kun interesseret i at sammenligne med enheder, som har ”Kapital” på mindst 2000 og et navn, der starter med a.
• Ved at trykke på Anvend Filter aktiveres de valgte filtre.

Potentielle peers og Inkluderede

• Potentielle peers angiver størrelsen på sammenligningsbasen. Det kommer an på den valgte model om der er de tilstrækkelige data til, at et selskab kan bruges til sammenligningen.
• Inkluderede angiver antallet af Potentielle Peers minus de individuelt til- eller fravalgte enheder. Enheder kan fravælges enten ved direkte ved at fjerne deres markering, ved filtre eller ved at fravælge dem i Benchmark fanebladet.

Grupper

Interessante Potentielle Peer Grupper, der er defineret vha. filtre eller individuelle til- og fravalg af enheder i listen af virksomheder i højre side, kan gemmes som Peer Grupper ved at trykke på knappen Gem Gruppe.

De kan da blive navngivet af brugeren eller allerede være defineret og navngivet på forhånd af dataudbyderen.

Grupperne er nyttige i analysen, idet brugeren kan være interesseret i at begrænse sammenligningsgrupperne.

Lager af filtre i IB-Win

• Nederst i det venstre vindue kan du finde lageret af filtre du har defineret.
• De aktive filtre er krydset af i listen. De deaktiveres ved at afmarkere dem og (re)aktiveres igen ved at markere dem.
• Deaktiver alle gør dette lettere, hvis mange filtre er blevet kombineret.

Rediger og Fjern

• Et eksisterende filter kan redigeres. Tryk Rediger og det valgte filter flyttes til definitionsvinduet, hvor det kan justeres.
• Et filter kan også slettet ved at bruge Fjern/slet knappen.

Brug af filtre og Udvælgelse

I mange situationer er det nyttigt at kunne lave specifikke restriktioner på de analyserede enheder. Af klassiske eksempler kan bl.a. nævnes

• Nominale variable – fx andelsselskaber eller investor-ejede selskaber, liberale eller konservative regioner, øst eller vest etc. Sådanne variable kan anvendes til at lave mere interessante sammenligninger, hvis man deler data op. Et andelsselskab kan for eksempel være mere interessant i sammenligninger med andre andelsselskaber end med investor-ejede selskaber.
• Ordinale variable – fx lav, mellem og høj kvalitet, komplicerede eller simple tilfælde etc. Sådanne variable kan ligeledes bruges til opdeling af selskaberne. Man kan fx sige, at simple produkter af lav kvalitet produceret under nemme vilkår og kan benchmarkes mod lignende eller mere komplicerede produkter af højere kvalitet, som er produceret under svære vilkår. Det kan derimod dårligt give mening af sammenligne de sidste med de første.
• Tidsvariable – fx data fra forskellige år – kan også være interessante at bruge som en filter parameter. Fx til at evaluere fremgang sammenlignet med sidste års ”best practice”.

Scenarie/Spørgeskema

IB-WEB bruges ikke kun til at lave benchmark på allerede eksisterende data, men kan også bruges til at indsamle, validere, og benchmarke nye data.

Programmet kan også bruges til at opsætte alternative scenarier og dermed alternative versioner af Min Enhed, der kan blive benchmarked som en del af en planlægningsopgave. I stedet for at introducere nye værdier af de forskellige variable i en ny selvdefineret enhed, kan man bruge Scenarie programmet til at beregne og definere nogle af (eller alle) de forskellige variable i modellen.

Valgmulighederne inden for Scenarie/Spørgeskema er bestemt af den valgte model, dvs. forskellige Scenarie/Spørgeskema skabeloner kan være knyttet til forskellige modeller. Når man bruger Scenarie programmet kan det være en god ide at starte med en eksisterende enhed, idet værdier som ikke specificeres i det valgte scenarie da automatisk vil blive taget fra enhedens oprindelige værdier.

Som bruger kan du vælge selv at

• Angive værdierne i enhver celle i Scenarie/Spørgeskema
• Beholde standardværdierne som findes i spørgeskemaet, hvis de er passende for din analyse

Når du har udfyldt spørgeskemaet kan du

• Opdatere spørgeskemaet. Dette vil få IB til at beregne alle afledte værdier (resultater) vist til højre for svar-cellerne, såvel som alle valideringsadvarsler vist/angivet med rød til højre for de udledte værdier (resultater).
• Gemme informationen så den kan bruges i den nuværende og senere IB sessioner. Her bliver du nødt til at indikere, hvilken Enhed du har angivet information for/til. Du kan også introducere et nyt navn til enheden her.
• Sende information til spørgeskema leverandøren.

Nedenfor er vist et eksempel. Her gemmer vi en version af Center 1, hvor omkostningsfordelingen er blevet ændret.

Scenarier/Spørgeskemaer defineres i data-fanebladet,

Nøgletal-KPI

KPI = Nøgletal

Traditionel benchmarking gør brug af en række nøgletal. I dette faneblad kan brugeren undersøge disse ét afgangen og samtidig få en fornemmelse af en flerhed af nægletal

Hvordan vælger man et nøgletal-KPI

Nøgletallet skal være defineret i det relevante datasæt, og brugeren kan vælge et nøgletal vha. en drop-down menu.

Opsummering

Tabellen for oven til venstre er en oversigtsstatistik. For det valgte nøgletal angives gennemsnitsværdi mv på tværs af alle enheder / selskaber for det valgte nøgletal, Enhederne i disse statistikker er som angivet i fanebladet Potentielle Peers. Hvis der ikke er aktiveret nogen filtre og hvis ingen enheder er blevet fravalgt i fanebladet Benchmark vil prøven bestå af alle enheder som nøgletallet kendes for

Oversigtsstatistikken giver oplysninger om:

• Min Enhed, dvs. KPI-værdien for Min Enhed
• Gennemsnitsværdi, dvs. den (uvægtede) KPI-værdi, som de forskellige enehders KPI-værdier varierer omkring
• St.Dev (standardafvigelse), dvs. et mål for spredningen af KPI-værdier mellem enehderne
• Min (minimum), dvs. den mindste KPI-værdi blandt selskaberne
• 25% Kvartil, dvs. den KPI-værdi som 25% af enhederne ligger under og 75% ligger over
• Median, dvs. KPI-værdien som 50% af enhederne er under og 50% er over
• 75% Kvartil, dvs. KPI-værdien som 75% af enhederne ligger under og 25% ligger over
• Max (maksimum), dvs. den største KPI-værdi i prøven

Enkelt KPI evaluering af MinEnhed

I søjlediagrammet under tabellen vises de enkelte KPI-værdier for alle Potentielle Peers. Enhederne er arrangeret sådan, at de laveste KPI-værdier ligger til højre og de høje værdier ligger til venstre. Min Enhed, hvis en sådan eksisterer, er markeret med en rød sølje.

Multiple-KPIs evaluering af MinEnhed

For at få et overblik over flere nøgletal på en gang kan brugeren vælge at konstruere et radar-diagram. Dimensionerne er diagrammet er valgt en ad gangen af brugeren ved at markere et nøgletal og derefter trykke ”Tilføj Radar Graf”. Radar-diagrammet viser ikke kun minimum og maksimumværdierne for hver dimension, men også den gennemsnitlige KPI-værdi for prøven og værdien for Min Enhed.

Radar-diagrammet er konstrueret relativt til den maksimale nøgletalsværdi i hver dimension. Derfor vil en værdi på fx 0.5 i en given retning svarer til 50% af den maksimale værdi blandt alle selskaber. I illustrationen overfor vi kan se at MinEnhed ligger omkring 0.5 i dimensionen ”STAA_antal”. På de andre dimension er Min Enhed noget under gennemsnittet.

Zoom og trække in IB-Win

Man kan nærstudere søjlediagrammet ved at scrolle eller zoome.

Brugeren kan scrolle med musehjulet for at zoome ind og ud i et diagram på samme måde som man kan gøre i de mange andreWindows programmer.

For at aktivere zoom-funktionen og gøre udvælgelsen mere præcis, skal man blot trykke SHIFT-knappen ned. Derved ændre musepilen sig til et forstørrelsesglas. Man kan derefter udvælge et område i et diagram ved at bruge den venstre museknap.

Hvis man først har zoomet ind i en graf kan man også klikke i diagrammet og trække det til højre eller venstre og op eller ned ved at bruge håndsignalet.

Justering (Trimning)

Navne på enheder kan godt være meget lange, og det kan medføre at søjle-diagrammet ser lidt underligt ud. For at håndtere dette kan man bruge Antal tegn i DMU navne i det nedre venstre hjørne, som begrænset antallet af anslag der kan blive brugt i et navn.

Søjlehøjde

Søjlehøjden kan også justeres til en passende højde ved brug af drop-down menuen Søjlehøjder.

Grupper

Sammenligningsgruppen, dvs den gruppe af virksomheder som der laves statistik på, kan kontrolleres vha. Peer-Gruppe drop-down menuen øverst til højre på siden. De tilgængelige grupper er defineret i fanebladet Enheder: Potentielle Peers eller de kan være Prædefineret i datasættet.

Det kan ofte være en god ide at bruge en passende gruppe til at gøre KPI statistikkerne mere relevante og til at justere illustrationerne, som vist nedenfor hvor det første skærmbillede viser alle enheder, mens det næste kun viser de skoler fra samme kommune som Min Enhed.

Rapportering

Du kan gemme interessante resultater ved at bruge Rapport værktøjet. Et pop-up vindue vil da blive aktiveret, hvor brugeren kan navngive rapporten og bestemme hvilken del af KPI-skærmen, der skal inkluderes i rapporten.

Brugeren kan senere udvide rapporten ved at tilføje tabeller og diagrammer fra andre KPIs.

Rapporten kan til enhver tid vises og downloades i forskellige formater i fanebladet Rapporter.

Benchmark

Benchmark er det centrale faneblad. Her sammenlignes Min Enhed med en kombination af andre enheder og brugeren kan på forskellig vis kontrollere hvordan disse sammenligninger foregår

Benchmark tabel

Tabellen sammenligner værdier fra Min Enhed, angivet i Aktuelle Værdi, med værdier hos Potentielle Peers eller en kombination af Potentielle Peers, angivet i Benchmark. Dette svarer til at sammenligne et realiseret resultat eller udvikling overfor et budget eller en plan.

Benchmarket er konstrueret ved at sammenligned med alle Potentielle Peers og en klasse af mulige kombinationer heraf. Blandt alle disse sammenligninger (ofte er der uendeligt mange muligheder og kombinationer) vælger programmet den sammenligning, som giver den størst mulige forbedring for Min Enhed. De mulige sammenligninger kan syres via forskellige Benchmark kontroller, se nedenfor.

Benchmark illustrationer

• De farvede søjler illustrerer sammenligningen mellem Akutuelle Værdi og Benchmark
• De røde søjler viser input-siden (omkostninger). De viser %-delen som Benchmark bruger af Min Enheds værdi. 89 betyder for eksempel at benchmarket kun bruger 89% af det Min Enhed bruger af det pågældende input. Sagt på en anden måde, Min Enhed burde kunne spare 11% af den Aktuelle Værdi. Korte røde søjler indikerer derfor store potentielle besparelser.
• De blå søjler illustrerer outputs. De viser den procentdel Min Enhed aktuelt producere af Benchmarkets output. 94 betyder for eksempel, at det er muligt at øge outputs med 6%. Korte blå søjler indikerer derfor store potentielle udvidelsesmuligheder.

Samtidige forbedringer

Det er vigtigt at bemærke de potentielle besparelser og udvidelsesmuligheder bliver beregnet samtidigt. I eksemplet nedenfor har den analyserede enhed, en skole, mulighed for at spare 8% på Undervisningsårsvækr, 16% på Øvrige lærertid, 16% på Andre årsværk samtidigt med at også de forskellige output øges som vist.

Forbedringsretninger

De centrale kontroller for Benchmarket er de horisontale sliders. De lader dig introducere din egen søgeretning (præferencer, strategi).

Hvis du er interesseret i at lave større besparelser på et givent input frem for andre, kan du trække dens slider mere til højre.

Hvis du ligeledes er interesseret i at at øge mængden af et givent output mere end andre outputs, kan du trække dens slider mere til højre.

Med andre ord, at trække en slider til højre betyder, at du lægger mere vægt på denne dimension og leder efter benchmarks, som har flere besparelser i denne retning (hvis der er tale om et input) eller flere forbedringer i denne retning (hvis der er tale om et output).

De forskellige sliders fungere lidt ligesom et rattet i en bil bortset fra, at du nu kører i et rum med mange dimensioner. Du kan vælge at køre mere imod en hvilken som helst retning – inputs og outputs. Du kan også tænke på dem som lyd kontrollerne i et musikanlæg, hvor du kan lægge mere vægt på nogle bestemte frekvenser eller begrænse andre.

Frem for at bruge de horisontale sliders kan du også bruge de op og ned pilene. De har den samme effekt, men de tillader at du går over 100 eller under 0 (dvs. du er interesseret i at bruge flere af et input eller i at reducere noget output). Tallenes betydning er forklaret i det matematiske baggrundsmateriale som kan fås ved henvendelse til contact@ibensoft.com.

For de fleste brugere er retningstallene dog ikke så vigtige (på samme måde som det ikke er nødvendigt at forstå de detaljerede kalibreringer i en bils styringsmekanismer for at være en god bilist). Det, der hovedsageligt er brug for, er først og fremmest træning og en god ide om hvor du gerne vil hen.

Proportionale sammentrækninger og ekspansioner

Især to retninger er populære og lette at forklare, nemlig 1) proportionale reduktioner af alle inputs og 2) proportionale forøgelser af alle outputs. For at lette brugen af disse to muligheder har vi tilføjet to specielle knapper til dette

• Input prop
• Output prop

som vist nedenfor.

MinEnhed

Virksomheden der bliver analyseret er afbilledet øverst til venstre som MinEnhed, og ved at bruge drop down menuen er det let at bevæge sig fra analyse af én virksomhed til en anden.

Peer Grupper

Sammenligningsgruppen, dvs. gruppen af potentielle peers, kan også justeres direkte i Benchmark faneblade ved at bruge Peer Gruppens træk ned menu. Denne menu er kun tilgængelig, hvis nogle grupper af potentielle peers er blevet defineret i det originale datasæt eller det er blevet gjort i den nuværende eller tidligere IB sessioner vha. fanebladet Enheder: Potentielle Peers.

Vis peers

• Peers der danner baggrund for den konstruerede benchmark bliver synlige, hvis du trykker på knappen Vis peers.
• Navnene og vigtigheden af de forskellige Peers er også afbilledet.

Fjern specifikke peers

En meget nyttig og populær mulighed er at klikke på en Peer:

• Dette vil fjerne den som potentiel peer og benchmark vil derefter ændre sig.
• Dette er en effektiv måde at inkludere eventuel subjektiv information du ligger inde med. Du ved måske på forhånd at data for en given enhed er usikker eller at den bruger en anderledes ledelsesfilosofi der ikke kan eller vil blive imiteret af MinEnhed.
• Hvis du er interesseret i at se flere detaljer om de enkelte Peer Enheder før du beslutter om nogen skal fjernes, kan du få alle detaljerne i fanebladet Peer Enheder.
• De eliminerede Peers kan blive tilføjet som Potentielle Peers igen ved at bruge Fortryd Fravalg i fanebladet Enheder: Potentielle Peers.
• Hvis du fortsætter med at fjerne Peers vil du til sidst nå et punkt, hvor det ikke er muligt at opnå flere forbedringer. Når det sker, vil Benchmark vise hvor mange ekstra ressourcer der skal bruges eller hvormange serviceydelser vi bliver nødt til at skære ned på for at kunne sammenligne med bedeste praksis blandt de resterende enheder.
• Hvis du fortsætte med at eliminere Peers kan du også til sidst nå til et punkt, hvor det ikke at muligt at lave en sammenligning.

InEfficiens trappestige

Frem for at eliminere Peers en ad gangen kan du også gøre dette på en automatisk måde ved at trykke på knappen for InEfficiencs trappestigen InESL. Dette vil starte en proces, som successivt fjerner den mest indflydelsesrige Peer indtil der ikke kan laves flere sammenligninger. Ineffektiviteten vil falde i takt med at vi eliminerer flere og flere Peers. Det endelige ineffektivitetsniveau er vist som en trappe.

InESL kan blandt andet bruges til at få en forståelse af hvor robuste de estimerede forbedringspotentialer er. Hvis InESL trappen er stejl, dvs. den falder hurtigt, kan elimineringen af blot nogle enkelte Peer enheder væsentligt reducere de estimerede forbedringer, og det oprindelige estimat vil derfor være meget afhængigt at kvaliteten af de første Peers. Hvis InESL funktionen derimod er flad, vil evalueringerne ikke være så afhængige af hvilke enheder vi bruger i sammenligningen.

Elimineringsrækkefølgen er bestemt af den enkelte Peers vægtning, som kan ses i den sædvanlige Vis Peers illustration. På hvert trin elimineres den Peer som har størst vægt.

Skala (og estimeringsprincipper)

De anvendte estimeringsprincipper og de anvendte skalaantagelser kan ændres i rullemenuen øverst til højre.

Alle mulighederne FDH+, VVRS, IRS, DRS, CRS og ADD, er baseret på såkaldte ikke-parametriske modeller (FDH og DEA), mens PAR muligheden er baseret på parametriske specifikationer (SFA, økonometri). De førstnævnte modeller er baseret på ideen om minimal ekstrapolation, mens den sidstnævnte fokuserer på at minimere støj og ineffektivitet.

De fire klassiske ikke-parametriske specifikationer laver følgende antagelser om skalaafkastet:

• Konstant skalaafkast (CRS) betyder, at vi ikke tror der vil være ulemper ved at være hverken stor eller lille.
• Aftagende skalaafkast (DRS) betyder at der kan være ulemper ved at være stor, men ikke ved at være lille.
• Voksende skalaafkast (IRS) betyder at der kan være ulemper ved at være lille, men ikke ved at være for stor.
• Variabel skalaafkast (VRS) betyder at der kan være ulemper ved at være for lille og ved at være for stor.

FDH+ specifikationen tillader en hvilken som helst form for fordel eller ulempe af at blive større. Der kan for eksempel være fordele ved en lille størrelse, ulemper ved mellemstore enheder og igen fordele ved store enheder. FDH metoden bruger alene dataet til at finde disse egenskaber.

Når FDH er aktiveret bliver det dog også muligt at lave yderligere antagelser om lokalt konstant skalaafkast. Dette forklarer navnet FDH+. Ideen er, at hvis en Enhed har brugt nogle bestemte inputs til at producere et bestemt output, så kan vi også proportionalt skalere inputs og outputs med en hvilken som helst faktor i intervallet fra L til U. Oprindeligt er FDH specialtilfældet hvor L=U=1.

ADD specifikationen er baseret på en antagelse om, at man altid kan gentage hvad andre har gjort. Man kan derfor lave en virksomhed ved at lægge et hvilken som helst antal selskaber sammen, baseret på logikken om at man altid kan organisere et selskab som en række uafhængige mindre selskaber. ADD tillader også mange kombinationer af fordele og ulemper ved at være stor eller lille, men der er en logisk begrænsning på hvor mange ulemper der kan være ved at være en stor enhed. ADD er også nogle gange kaldt FRH = Free Replicability Hull. For flere detaljer se

Bogetoft, P. and L. Otto, Benchmarking with DEA, SFA, and R, Springer 2011.

Egenskaberne for skalafkastet ved PAR er kun afhængige af egenskaberne fra den underliggende parametriske form. Normalt er den mere begrænset end DEA specifikationen og med sikkerhed mere begrænset end FDH specifikationen.

Efficiens

En anden kontrol er Efficiens. Der er to mulige indstillinger for denne.

• Normal efficiens betyder at den evaluerede enhed kan sammenlignes med sig selv. I dette tilfælde er det derfor også altid muligt at finde et benchmark, som er mindst lige så god som MinEnhed.
• Super efficiens betyder at den evaluerede enhed ikke kan sammenlignes med sig selv. I dette tilfælde kan vi kun sammenligne med bedste praksis ved andre. Hvis MinEnhed ikke er en ”bedste praksis” enhed kan disse to indstillinger godt være sammenfaldende. Hvis MinEnhed derimod er en sådan enhed, er det normalt ikke muligt at finde et benchmark som er mindst lige så godt som MinEnhed. I sådanne tilfælde kan det være, at Benchmarket bruger mere af nogle inputs eller producere mindre af noget output. Fortolkningen af dette er, at MinEnhed kunne introducere denne stigning i ressourceforbrug og/eller reduktion af serviceydelser uden at miste dens status, som en bedste praksis enhed.

Super efficiens er derved et mere informativt mål end Normal efficiens. Derudover er dens begreb også meget nyttigt i for eksempel præstations-baserede aflønningsprogrammer.

Ekskluder slack

Det beregnede Benchmark angiver de maksimalt mulige forbedringer for MinEnhed i den valgte Forbedringsretning. Udover forbedringer i de proportioner, som er bestemt af Retningen, kan det også være muligt at lave individuelle forbedringer, dvs. forbedringer i nogle af dimensionerne, men ikke i alle retningerne. For at se de ekstra forbedringspotentialer i de forskellige retninger skal du afkrydse ExSlack boksen. Dette vil, hvis muligt, bestemme et nyt benchmark der bruger det samme antal eller færre inputs og producere den samme mængde outputs eller mere end det tidligere benchmark.

Ekskluder outliers

Hvis analyserne af den foruddefinerede model indikerer, at nogle af observationerne er potentielle outliers, kan man få dem angivet i data-filen. Brugeren kan også vælge om han ønsker at inkludere eller ekskludere disse afvigende observationer, når benchmarket bliver beregnet. Standard indstillingen er at potentielle outliers bliver ekskluderet, og afkrydsningsfeltet ExOutliers er derfor normalt krydset af fra starten.

Aspiration

Aspirationsrullemenuen Asp.% gør brugeren i stand til at lave benchmarks mod standarder der er x% over eller under bedste realiserede praksis.

Hvis aspirationsniveauet for eksempel er sat til -10% betyder det at vi vil stræbe efter kun at være 10% under produktionsfronten for bedste praksis. Dette er kan også let bruges til at tage højde for forventede produktivitetsforbedringer i virksomheden, fx kan en 2% produktivitetsforbedring i løbet af det næste år indberegnes ved at sætte et 2% aspirationsniveau baseret på data fra i år.

Aspirationsniveauet er i absolutte termer. Hvis en brugers aspiration er at være blandt de 10% bedste virksomheder målt på performance, kan man lave en sektoranalyse baseret på proportional output reduktion og aflæse den øvre 10% fraktil af effektivitetsfordelingen i fordelingsdiagrammet. Hvis denne for eksempel er 1.17 betyder det, at et aspirationsniveau på 17% svarer til at være blandt de 10% bedste målt på performance.

Aspirationsniveauet påvirker ikke modellerne, hvis der ikke er noget output.

Fusionsanalyse

Fusionsanalyse-knappen aktiverer et fusionsanalyse-modul i et pop-up vindue. Analysen estimerer potentielle gevinster ved en fusion og opdeler disse i tre kategorier; læring, harmoni og størrelse.

Analysen omhandler en hypotetisk fusion of MinEnhed, som vist øverst til venstre på skærmen, og en fusionskandidat, som er specificeret i drop down boksen Fusion med, der findes i fusionsanalysens vindue. Det er derfor meget let at ændre, hvilken fusion der skal analyseres.

Opdelingen af gevinster kan gøres i forskellige retninger, nemlig input-baseret og multiplikativ, output-baseret og mulitiplikativ, samt retningsbestemt og additiv, hvor retningen bliver specificeret af brugeren i Benchmark fanebladet.

Den generelle fortolkning er dog stadig den samme:

• Total_E er den totale potentielle gevinst ved en fusion og beregnes som alle mulighederne for forbedring af et selskab der opererer som om den har to afdelinger med samme mængde inputs og outputs som henholdsvis MinEnhed og fusionskandidaten oprindeligt har.
• Ren_Estar er den potentielle gevinst ved en fusion, når mulighederne for individuelle forbedringer i de fusionerende selskaber er blevet fjernet. Den repræsenterer derfor potentielle gevinster fra et muligt samarbejde der rækker ud over at dele bedste praksis ideer.
• Læring_LE måler hvad de enkelte selskaber i fusionen kan få ud af at lære bedste praksis. Det er læringseffekten som bliver fjernet, når man går fra totale potentielle gevinster til rene fusionsgevinster.
• Harmoni_HA eller mix effekten måler gevinsten, hvis de fusionerende parter delte ressourcer (input) og forpligtelser (output), men forblev selvstændige enheder. Den måler, hvad der kan opnås, hvis de ”fusionerende” parter omfordeler inputs og outputs mellem sig. For at aktivere harmoni (mix) effekten må man dybest set tillade bindende kontrakter mellem de samarbejdende parter, men i princippet er det ikke nødvendigt at lave en fuld fusion..
• Størrelse_SI effekten måler gevinster eller tab ved at have en fusioneret virksomhed, der er større end de fusionerende enheder.

Fortolkningen er derudover afhængig af retningen

• Input multiplikativ. Her repræsenterer (1 – Værdier) en gevinst. For eksempel betyder HA = 0,8, at en omfordeling af input og output kan lede til en 1 – 0,8 = 20% besparelse. Tilsvarende betyder SI = 1,2 at det er et tab på 20% ved at drive den fusionerede enhed i en større målestok.
• Output multiplikativ. Her repræsenterer (Værdi – 1) en gevinst. Dvs. HA = 1,3 betyder for eksempel at alle outputs kunne have været udvidet med 30% uden at bruge flere inputs, blot ved at omfordele inputs og outputs mellem de to parter.
• Retningsbestemt additiv. Her måler vi forbedringer i bundter af inputs og outputs. Et bundt svarer til de anvendte inputs og producerede outputs i de fusionerende parter som er multipliceret med de retningsbestemte vægte. Igen har vi, at en positiv værdi repræsenterer en gevinst og en negativ værdi repræsenterer et tab.

De multiplikative dekomponeringer er

E = LE * Estar = LE * HA * SI

mens de additive dekomponeringer er

E = LE + Estar = LE + HA + SI

Detaljerne i disse dekomponeringer er beskrevet i

Bogetoft, P., Efficiency Gains from Mergers in the Health Care Sector, Part B: Modelling and Part C: Implementation, Research Papers 2008:07 and 2008:08, NZa, The Netherlands.

Bogetoft, P. and D. Wang, Estimating the Potential Gains from Mergers, Journal of Productivity Analysis, 23, pp. 145-171, 2005

Bogetoft, P. and L. Otto, Benchmarking with DEA, SFA, and R, Springer 2011

Tilføj rapport

Når du har en interessant benchmark, kan du lave en rapport – fx så du kan huske dine resulater eller vise dem til andre. Tilføj Rapport funktionen kan bruges gentagne gange under forskellige antagelser om benchmark

Når vi har tilføjet mindst én rapport bliver fanebladet Rapporter aktiv. Dette faneblad indeholder et lager med rapporterne, som du senere kan redigere og udskrive.

Print tabel

Du kan også udskrive sammenligningstabellen ved at trykke på Print tabel. Dette giver et billede, der kan gemmes som en pdf-fil.

Peer Enheder / Forbilleder

Peer Enheder

Fanebladet Peer Enheder giver yderligere oplysninger om det beregnede Benchmark. Du får

• Peer enhedernes navne
• Deres relative betydning (vægtene summer op til 100)
• Deres absolutte vægte (som ikke nødvendigvis summer til 100)
• Et billede af Peer Enhedernes struktur sammenligned med Min Enhed.

Peer søjler

Den øverste illustration svarer til Peer illustrationen i Benchmark fanebladet. Du kan også klikke Peers væk og se en genberegning som i Benchmark fanebladet.

Radar graf

Radar grafen viser modellens input og output for Min Enhed og for de andre Peers. De giver derfor en første fornemmelse af sammenligneligheden mellem Min Enhed og de foreslåede forbilleder.

Yderligere Peer information

Det nederste vindue viser

• Eventuel ekstra information om enhederne
• Øverst vises inputs og outputs bag beregningerne
• Desuden vises alle øvrige oplysninger der er tilgængelige om Peer Enhederne.

Sektor Analyse

Sektor Analyse

I fanebladet Sektor kan du

• Lave benchmark for alle Enheder i sektoren under de samme forudsætninger, som bruges i Benchmark fanebladet.
• Gemme resultaterne i en Excel-fil
• Illustrere resultaterne i fem forskellige graftyper; Tæthed, Fordeling, Sorterede InEff, Indflydelse og Efteranalyse.

InEfficiens Scorer

I den øverste tabel vises de beregnede InEfficiencer for alle enhederne i sektoren.

• De måler det antal gange de forskellige selskaber kan forbedre deres præstationer i samme retning som du anvendte i Benchmark fanebladet
• Store værdier indikerer derfor InEfficiens

Forudsætninger

• Evalueringerne foretages i Retningen (% s), som er valgt i fanebladet Benchmark.
• Beregningerne er relative i forhold til den teknologi, der anvendes i fanebladet Benchmark.

Lagring og illustration af resultaterne

Resultaterne kan gemmes i en Excel-fil, som du så kan arbejde videre på i andre sammenhænge.

Grafer

IB har fem muligheder for at illustrere resultaterne, nemlig som

• Tæthed
• Fordeling (Kumulativ)
• Sorterede InEfficiencer
• Indflydelse
• Efteranalyse

Tæthed

Denne illustration viser InEfficiencerne i et sædvanligt histogtam

• Ved at klikke på en af søjlerne får du listen af enheder med tilhørende InEfficiencer vist i tabellen ovenfor.

Fordeling

Dette er den sædvanlig kumulative fordeling af InEfficiencerne.

• Enheden vi fokuserer på, Min Enhed, er markeret af med rødt.
• Den lodrette akse viser fraktilerne, dvs den % del af selskaberne som er dækket, og den vandrette akse viser værdien af selskabernes InEfficiencer.

Sorterede InEfficienser

I denne graf ordnes InEfficerne i faldende orden, og navnene på de tilsvarende selskaber vises på den vandrette akse.

• Min Enhed er som sædvanligt markeret med rødt.

Indflydelse

Indflydelsessgrafen viser InEfficiencerne på den vertikale akse og værdien af enhedene på den vandrette akse.

• Hver kolonne repræsenterer en Enhed.
• Bredden af søjlen er proportional med en valgt faktor.
• Man kan ændre denne faktor ved hjælp af drop-down menues
• Enheden vi fokuserer på, Min Enhed, er markeret med et rødt mærke i den tilhørende kolonne.
• Bemærk: Dette er nyttigt for at få en ide om, hvor der er InEfficiens i sektoren, idet InEfficiens i store enheder vil blive repræsenteret af bredere søjler. På denne måde bliver området proportionalt med det sociale tab.

Efteranalyse

Grafen for efteranalyse plotter InEfficienserne mod andre tilgængelige variable.

• Du kan vælge hvilken variabel du vil at plotte imod.
• Plottet giver dig en idé om udeladte variabler, der kan have en systematisk indvirkning på ineffektivitet.
• Det kan bruges (i grove træk) til at rette op på de beregnede InEfficienser, hvis der findes en klar sammenhæng mellem disse og nogle af de udeladte inputs, outputs eller omgivelsesvariable.

Zoome og trække i IB-Win

Graferne i Sektor fanebladet kan undersøges i flere detaljer ved at zoome og flytte grafen rundt. Denne funktionalitet er kun mulig i IB-Win.

Brugeren kan scrolle for at zoome ind og ud i et diagram på samme måde som man zoomer i standard Windows-programmer.

For at aktivere zoom-funktionen og gøre valget mere præcist skal du blot trykke på SHIFT-tasten. Musemarkøren ændres da til et forstørrelsesglas. Herefter kan du vælge en region af et diagram ved at bruge venstre museknap.

Når der er zoomet ind på en bestemt del af grafen kan brugeren også flytte rundt på den del af grafen som vises ved brug af håndsymbolet.

Sektorrapporter

Du kan opsamle interessante resultater ved hjælp af Rapport. Et pop-up vindue bliver hermed aktiveret. I denne kan brugeren navngive rapporten og kan bestemme hvilke dele af resulaterne i Sektor fanebladet, der skal gemmes. Nye interessante sektor resultater kan senere placeres i en ny sektor rapport eller tilføjes til en eksisterende rapport. Rapporten kan til enhver tid blive vist og downloadet i forskellige formater under fanebladet Rapporter.

Generér Peers

Peers fra alle enheder i en DEA- eller FDH-analyse kan genereres og vises i Sektor-tabellen ved at afkrydse ”Generér Peers” feltet.

Dynamisk

Fanebladet Dynamisk giver mulighed for at analysere ændringer over tid.

Hvis datasættet indeholder data fra forskellige perioder kommer fanebladet Dynamisk til syne i IB. Det tillader brugeren at beregne Malmquist produktivitets index, i programmet simpelthen kaldet Total, såvel som en dekomponering af dette i Indhentning og Frontskifte indices.

Tre dynamiske index

Fortolkningen af disse indices er som følger:

Total måler den samlede forbedring i et selskabs præstation fra en periode til den næste. En værdi på 1.1 tyder fx på, at virksomheden har øget output pr input med 10% i forhold til sidste periode.

Indhentning måler i hvilket omfang et selskab er kommet tættere på bedste praksis. En værdi på fx 1.1 tyder på, at virksomheden har forbedret sine resultater i forhold til bedste praktisk, altså produktionsfronten, med 10%. Selskabet er altså kommet tættere på de mest efficiente selskaber i branchen.

Frontskifte er forbedringen af bedste praksis fra den ene periode til den næste. En værdi på fx 1.2 betyder, at selv blandt de mest effektive virksomheder har det været muligt at reducere input med 20% eller udvide output med 20%.

Bemærk at der gælder

Total = Indhentning x Frontskifte.

dvs den totale forbedring er produktet af indhentningen og frontskiftet. Hvis de bedste selskaber fx er faldet tilbage med 10% og MinEnhed har forbedret sig 5% i forhold til de bedste, er den totale effekt 1.05x0.9=0.945 med den fortolkning, at MinEnhed reelt er blevet 5.5% dårligere til at omsætte input til output. Selskabet er godt nok kommet tættere 5% tættere på de mest effektive, men da disse er faldet 1% tilbage betyder det jo, at også selskabet er faldet tilbage med ca 5%. Hvis på den anden side MinEnhed har forbedret sin position i forhold til de bedste med 20% og de bedste har forbedret sig med 10%, så har MinEnhed reelt forbedret sig med en faktor 1.2x1.1 = 1.32, dvs med 32%.

Tabeller og grafer

De tre indices beregnes og vises både i en tabel og i grafer og for såvel MinEnhed som i gennemsnitsform for alle enheder i analysen.

Brugeren kan vælge hvilken DEA model, som skal anvendes i beregningerne, jvf Skala, hvilket selskab, som skal vises direkte, jf. MinEnhed, og hvorvidt der skal anvendes input eller output orienterede efficiensmål.

Brugeren kan også selv vælge hvilken graftype og hvilken farveskala, som skal anvendes.

Dynamiske analyser kan ikke kun anvendes til at undersøge, hvordan selskaberne udvikler sig over tid. Man kan også anvende Dynamisk til at analysere andre forskelle i den måde selskaberne arbejder på. Man kan fx opdele selskaberne efter geografiske forskelle og studere, hvorledes bedste praksis afhænger af den geografiske placering, eller man kan opdele efter ejerskabsform og se, hvordan dette påvirker selskaberne, herunder vurdere, hvad et selskab kan vinde ved at ændre ejerstruktur.

De anvendte formler

Lad os slutte med nogle mere præcise og formelle definitioner af de forskellige indices. I den videnskabelige litteratur, refererer produktivitet til ændringer over tid. Hvis output ændres mere end input siger vi at produktiviteten øges. I dynamiske analyser anvendes ofte Malmquist målet og dets dekomponering. Malmquist måler ændringen fra den ene periode til den næste som det geometriske gennemsnit af selskabets resultater i forhold til den tidligere og nuværende teknologi

Mere konkret kan vi lade E_i(s,t) være et mål for Virksomhed i’s performance i periode s vurderet i forhold den teknologi, som foreligger til tid t. E kan således fx måle den proportionale reduktion i Virksomhed i’s input i periode s hvis virksomhed vurderes i forhold til teknologien som den ser ud i periode t. E kunne også være den inverse værdi af de mulige proportionale forøgelser af alle output.

Selskab i’s forbedring fra periode s til t kan vurderes vhja Malmquist index M_i(s,t)

Intuitionen bag dette index er følgende: Vi ønsker at sammenligne selskabets præstationer i periode t med dets præstationer i periode s for at vurdere fremskridtene.. Vi kan vurdere præstationerne i forhold til enten teknologien, som den så ud i periode s eller t. Da begge reference teknologier for så vidt kan være lige gode tager vi det geometriske gennemsnit af de to vurderinger af fremskridtene. Hvis selskabet har forbedret sig er tællerne større en nævnerne, dvs M er større end 1. En værdi på fx M = 1.2 betyder, at selskabet har forbedret sig med 20%, fx via et fald på 20% i ressource forbruget samtidigt med at service niveauet er fastholdt.

Ændringen i præstationsniveauet kan skyldes to forhold, som muligvis forstærker hinanden, muligvis modvirker hinanden.

Den eneste faktor er såkaldt tekniske ændringer, technical changes TC, som handler om ændringer i produktionsfronten. TC>1 svarer til teknologiske fremskridt og TC<1 til teknologiske tilbagefald. Den anden faktor er såkaldte efficiens ændringer, efficiency changes EC, som måler indhentning relativ til bedste praksis. EC>1 betyder, at selskabet er kommet tættere på fronten og EC<1 betyder at selskabet er faldet tilbage i forhold til fronten.

Dekomponeringen fremkommer ved en simpel omskrivning af Malmqusit formlen

Malquist målet og dets dekomponering er nyttig når man vil undersøge den dynamsike udvikling fra en periode til den næste. Når man sammenligner på tværs af flere en to perioder skal man være forsigtig. Man kan ikke på simpel vis akkumulere ændringerne. Malmquist indexet opfylder nemlig ikke i almindelighed M(1,2) x M(2,3) = M(1,3) – dvs fremskridte fra periode 1 til 3 er ikke bare et produkt af fremskridte mellem periode 1 og 2 og periode 2 og 3 (medmindre ændringerne er såkaldt Hicks-neutrale). Denne ”skavank” er meget almindelig blandt dynamiske index og hvis den tillægges stor betydning må man i stedet anvende index med fast basis, hvor man hele tiden måler mod den samme teknologi.

Rapporter

Fanebladet Rapporter indeholder henvisninger til Rapporterne som er genereret i KPI, Benchmark og Sektor fanebladene. Rapporterne er navngivet som standard i overensstemmelse med den kalender tid, hvor de blev lavet.

Rapport formater

Skrifttypen der anvendes i rapporterne kan ændres til en hvilken som helst tilgængelige skrifttype fra Windows-systemet.

Når en rapport er åbenet kan den gemmes i forskellige formater, hvilket giver dig mulighed for at lave de endelige rapporter i PDF-format med det samme, samt at gemme rapporter i redigerbare formater som HTML, MHT, RTF, Excell, CSV, tekst og billede.

Sidst men ikke mindst, kan brugeren vælge rapportens sprog. Version 2.7 understøtter både engelske, danske, tyske og hollandske rapporter.

Rapport indhold

De automatisk genererede Benchmark-rapporter er skrevet som selvstændige rapporter. Informationen inkluderet i disse rapporter er:

• MinEnhed
• Anvendte præstations indikatorer
• Præstations mål (retning)
• Benchmark med og uden slack
• Samlet InEfficiens indeks
• Peer enheder og deres relative betydning (når relevant)
• Robusthed af evalueringerne (InESL)
• Model antagelser
• Detaljer om faktiske Peers
• Korte bemærkninger om Interaktive Benchmarking IB ®

Den typiske størrelse på en rapport er 9-12 sider.

Rapporterne justeres automatisk for at afspejle den specifikke kontekst (Model, Enhed osv.).

KPI- og Sektor-rapporter er mere simple og indeholder de centrale grafer og tabeller.

Data

Data

Fanebladet Data indeholder de data, som aktuelt anvendes, i IB-Win, eller som er til rådighed, i IB-Web.

I IB-Web kan du gemme flere datasæt og vælge hvilket sæt der skal analyseres ved at trykke på den tilhørende grønne pil. Du kan også downloade datasæt og slette dem.

Indlæsning af et nyt datasæt i IB-Win

Det er muligt at indlæse en ny datasæt ved hjælp af knappen Indlæs ny data.

• Den nye data skal være i et Excel-regneark og være korrekt formateret for at kunne indlæses.
• Hvis en ny datasæt er korrekt indlæst vil programmet automatisk vender tilbage til login-siden og en normal IB session kan begynde.

Indlæsning af et nyt datasæt i IB-Web

Det er også muligt at indlæse en ny datasæt ved hjælp af to metoder i IB-Web.

Metode 1 lader dig uploade en forudspecificeret xls workbook. Disse datasæt skal være angivet som Excel-regneark og være korrekt formaterede.

Metode 2 giver dig mulighed for at definere et datasæt med hjælp fra programmet. Du behøver altså ikke vide præcist hvordan man skal formatere data in en xls workbook. Oprettelse af et nyt datasæt på denne måde guider brugeren gennem de nødvendige skridt.

Forberedelse af et nyt datasæt

Før et nyt datasæt kan indlæses direkte, må det være korrekt formateret.

Det nye data skal være formateret i Excel og må indeholde op til 11 ark:

• DMU Data
• Model Data
• Scenarie / Spørgeskema
• Login Inf
• Sponsor
• Outliers
• Peer Grupper
• Vtrans
• Historiefortælling
• Dynamiske data
• Format
• PAR Data

For at forberede en ny data-fil kan det være en god ide at tage et kig på indholdet af et testdatasæt.

Xls workbook består som nævnt af et antal ark som indeholder forskellige typer af information. Man behøver ikke andre ark end DMUData arket, men kan opnå ekstra funktionalitet ved at specifere indholdet i et antal af de øvrige ark.

DMUData

• I DMUData arket angives søjlerne DMU, Name, og dernæst alle variablene. Forskellige rækker svarer til forskellige Enheder / Virksomheder.
• DMU er enhederne fortløbende nummer
• Name er enhederne navne og navn og derefter alle variable i de følgende søjler
• Variabel-navne er de navnde som bruges til at betegne input og output mv.
• Det betyder ikke noget om du bruger komma eller punktum som decimaltegn
• I DMUData arket, skal alle variable-kolonner være formateret som tal. DMU- og Navne-kolonner er formateret som "Generel".

ModelData

• I ModelData arket defines de præ-definerede modeller
• Første kolonne er No og specificere et fortløbende modelnummer
• DefaultCalcType er skalaafkastet med mulige værdier FDH, VRS, IRS, DRS, CRS, og ADD
• Name er et modelnavn, der vil komme op i fanebladet Model: Prædefineret.
• Description er den tekst, som tilhører en given model, og som vises når en præ-defineret model er valgt i Model: Prædefineret fanebladet
• De resterende søjler er til alle variablene. Søjerne tildeles variablenes navne, og i en modelrække specificeres de tilhørende variable som I (input), O (output), R (read-only) eller L (en hvilken som helst variabel, også navne)..
• I ModelData, bruges formateres alle søjler som ”Text” med undtagelse af Description søjlen, som skal formateres som ”General”.

Scenarie / Spørgeskema

Scenarie / Spørgeskema i IB-Web bliver defineret ved at tilføje et faneblad kaldet Scenarie. Hvis der ikke findes sådanne faner i data-filen, vil der heller ikke være en Scenarie / Spørgeskema fane i det IB Web-systemet brugeren anvender. Scenarier / Spørgeskemaer er tilknyttet modeller og skal derfor være nummererede. Scenarie_1 refererer model 1, Scenarie_2 til model 2 osv.

Et eksempel på et spørgeskema er vist i xls-filen sammen med spørgeskema-siden i IB-Web systemet nedenfor. Vi ser, at der to modeller med scenarier / spørgeskemaer (Scenarie_1 og Scenarie_2). Nye data gemt af bruger i forbindelse med definitionen af en ny enhed i model 1 vil være gemt i Scenario_1_11, idet den nye enhed bliver nummer 11 i DMUData arket.

I definitionen af basis Scenariet / Spørgeskema, som vist i det første billede, vil kolonneoverskrifterne være fastesatte på forhånd og defineret på følgende måde;

• ID nummererer spørgsmålene
• Question kolonnen indeholder først teksten, der vil blive vist som en overskrift på brugerens skærm, og dernæst formuleringen af de spørgsmål, som en bruger skal besvare
• Variable name kolonnen definerer variabelnavnene på de resultater, der hører til de forskellige spørgsmål. Disse er de navne, der anvendes internt i programmet, og som også anvendes hvis brugeren vælger at Selv-definere en model.
• Answer1, ... kolonner er der, hvor brugeren skal afgive et svar. Overskriften på en given kolonne fremgår af anden række, og brugeren kan udfylde værdier i de tilhørende celler. Hvis en bruger ikke skal udfylde en celle, kan han fjerne cellen ved hjælp af koden [Skjul]. Man kan frit vælge antallet af Svar-kolonner.
• Result kolonnen indeholder først en overskrift og dernæst en definition af de beregnede værdier, der vil blive vist til brugeren, når han opdaterer Spørgeskema-siden. Enhver xls-formel kan bruges til at definere disse værdier. Værdierne i Resultat-kolonnen er de værdier, der er hører til de tilsvarende variable anført i Variable name kolonnen og som anvendes i programmet.
• NewVariable1, ... kolonner tillade bruger at definere andre afledte værdier, der kan blive anvendt i modellerne. Den afledte værdi vil blive tildelt variable navne som angivet i anden række, og formlerne til disse beregninger vil være angivet i den tredje række.
• Notification kolonnen bruges til at definere nødvendige datavalideringsregler. Logiske tests baseret på nogle af de indsendte eller udledt værdier vil normalt blive introduceret her, som vist i eksemplet. Advarselsmeddelelser vil blive vist i rødt.
• Description kolonnen indeholder i anden række den tekst, der vil blive vist på skærmen, før selve spørgsmålene kommer.
• Remark kolonnen indeholder i anden række den tekst, der vil blive vist efter spørgsmålene.
• Provider Email angiver udbyderens e-mail. Hver gang brugeren sender ny information til spørgeskema administrator vil det blive sendt til denne e-mail.

Værdierne der kan blive anvendt i Benchmark er de værdier, der er nævnt i kolonnerne NewVariable1, New Variable2, samt i kolonnen Variable Name. For at kunne bruge disse værdier skal de være indført i Data-fanebladet og Model-fanebladet som vist i den anden figur ovenfor, hvor vi har gemt værdier for Center 1 og Center 1 med alternative omkostningsfordeling. De er blevet indført ved at brugeren direkte aktiverede knappen Gem.

Når brugeren Sender data vil Spørgeskema-udbyderen få direkte besked på en e-mail fra interactivebenchmarking@gmail.com med titlen Spørgeskema færdigt! hvortil der er et link, som Udbyderen kan bruge til at hente de nye data.

Udover de mest centrale data, dvs. informationen fra kolonerne Answer1, Answer2, …, er der også information om hvem, der har givet oplysningerne, og hvilken enhed disse henviser til. Et eksempel er vist nedenfor. Vi kan her se, at data er blevet send fra brugeren Peter, og at det refererer til Enheden kaldet Center 1 w. Alt. cost allocation.

LoginInfo in IB-Win

• Du kan du vælge ikke at indsætte nogen form for information i LoginInfo. Dette vil give dig fuld fleksibilitet, samt give dig mulighed for at starte programmet uden et brugernavn og en adgangskode.
• Alternativt vil Login bestå af brugere, disses adgangskoder og indikatorer for deres adgang i niveauer (1, ..., 10).
• Adgangsniveauet bestemmer, hvad programmet vil vise, såsom hvilke faner og underfaner (og vinduer) der vil være til rådighed for den enkelte bruger.

Sponsor in IB-Win

Sponsor arket indeholder Name information, dvs. en overskrift til Interaktiv Benchmarking; fx "Vand" der vises i blåt over Interaktiv Benchmarking i Login fanebladet.

Arket indeholder også oplysninger om sponsorens URL.

Outliers

Outlier-fanebladet giver dig mulighed for at præcisere et sæt af potentielle outliers for hver model. Den første række indeholder modelnavnet, og de potentielle outliers i den tilsvarende model er givet ved hjælp af enhedernes navne nedenunder.

Når ExOutlier er afkrydset i Benchmark-fanebladet vil alle beregningerne i fanebladet blive udført uden outliers, dvs. disse outliers får ikke lov til at påvirke ”bedste praksis”. I eksemplet nedenfor udelukker vi kun én enhed i modellen ”Distr. D & V Model 1x4”, nemlig "Aabenraa Forsyning Service A / S", mens vi i modellen ”Distr. Total Cost Model 2x4” også udelukker "Grindsted Vandværk A.m.b.a."

PeerGroups

Potentielle Peer grupper behøver ikke kun at blive defineret under en session. De kan også foruddefineres ved at indføre en ”Peer Gruppe”-fane i Data xls worksheet. Navnet på en gruppe er givet i første række, og Enhederne i gruppen angives med deres navne i rækkerne nedenfor. I fanerne KPI/Nøgletal og Benchmark kan brugeren scrolle gennem listen af definerede grupper og finde dem, som er særligt relevante. I eksemplet nedenfor er en Peer Gruppe ved navn ”Frederiksberg Kommune” defineret i den anden kolonne. Vi kan se at den består af skolerne Lindevangskolen, Søndermarkskolen, ..., Skolen in the Søerne.

En mere avanceret form for Peer Grupper er Betingede Peer Grupper. De defineres ved hjælp af R-kode. Derved kan brugeren definere grupper der bl.a. afhænger af den enkelte enhed, Min Enhed, som bliver analyseret. Sådanne Peer grupper er markeret med et specielt tegn i programmet som vist nedenfor.

For at definere Peer Grupper, som er baseret på R-kode, bliver brugeren nødt til at introducer et faneblad kaldet PeerGroupConditions” som vist i eksemplet nedenfor.

I dette eksempel er der defineret to R Peer Grupper. Gruppe 2 er simpel og består af Enhederne 1, 3, 4 og 7, mens Gruppe 4 er mere kompliceret og er udledt ud fra en ægte R-loop. Reglerne for at lave R-baserede ”Betingede Peer Grupper” er følgende:

Som input til den R-baserede procedure kan man anvende

ib_DMUData = en matrix med data der er præcis ligesom data i DMUData-fanebladet fra xls-arket

ib_MyUnit = DMU nummeret for Min Enhed

ib_RTS = skalaafkastet som bliver brugt i modellen

ib_benchmarkDirection = Retningen i input-output rummet, hvor IB søger efter et benchmark

Bemærker endvidere, at
ib_InputNames = navnene på inputs i modellen
ib_OutputNames = navnene på outputs i modellen

Disse kan også skrives som

ib_InputNames<-colnames(ib_selectedInputs)

ib_OutputNames<-colnames(ib_selectedOutputs)

For output genereret mest
ib_UserConditionalPeers = en liste (vektor) af DMU numre, der udgør Peer Gruppen for den valgte ib_MyUnit.

Som et eksempel på en kode kan vi antage, at vi har data fra flere år og er interesserede i at bruge 2010-grænsen. Vi ønsker også at udelukke virksomheder, der outliers i forhold til grænser, der svarer de kriterier den regulator BNetzA anvender. Scriptet kan da se således ud:

# WE INITIALLY DEFINE

ib_InputNames<-colnames(ib_selectedInputs)

ib_OutputNames<-colnames(ib_selectedOutputs)

# FIRST SET OF FILTER

full_data <- complete.cases(ib_DMUData[,c(ib_InputNames,ib_OutputNames)])

correct_year <- (ib_DMUData[,"Year"]==2010)

active_dmus <- (full_data*correct_year==1)

# OUTLIER BASED FILTER THE BNETZA STANDARD

# PREPARATION

library(Benchmarking)

ib_MatrixDirection <- as.matrix(ib_DMUData[active_dmus,c(ib_InputNames,ib_OutputNames)]) %*% diag(ib_benchmarkDirection)

ib_inputMatrix <- ib_DMUData[active_dmus,ib_InputNames,drop=FALSE]

ib_outputMatrix <- ib_DMUData[active_dmus,ib_OutputNames,drop=FALSE]

ib_NumberActiveDMU <- dim(ib_inputMatrix)[1]

# SUPER EFFICIENCY OUTLIERS q_OUTLIER

ib_SuperResults<-sdea(ib_DMUData[active_dmus,ib_InputNames], ib_DMUData[active_dmus,ib_OutputNames], ib_RTS, ORIENTATION="in-out",DIRECT=ib_MatrixDirection)

q=as.matrix(quantile(1-ib_SuperResults$eff))

q_extreme <- q[4,1]+1.5*(q[4,1]-q[2,1])

q_outlier <-ifelse((1-ib_SuperResults$eff)>q_extreme,1,0)

# F TEST BASED OUTLIERS F_outlier

B=dea(ib_inputMatrix, ib_outputMatrix, ib_RTS, ORIENTATION="in-out",DIRECT=ib_MatrixDirection)$eff

F_test =NULL

for ( i in 1:ib_NumberActiveDMU) {

A <- dea(ib_inputMatrix[-i,,drop=FALSE],ib_outputMatrix[-i,,drop=FALSE],RTS = ib_RTS,ORIENTATION="in-out",DIRECT=ib_MatrixDirection[-i,])$eff

SS1=t(A)%*%(A)

SS2=t(B[-i])%*%(B[-i])

C <- pf(SS1/SS2, ib_NumberActiveDMU-1,ib_NumberActiveDMU-1)

F_test <-rbind(F_test,C)

}

Prob_F_test <- F_test[,1]

F_outlier <- (Prob_F_test<0.05)

# THE FINAL SET OF CONDITONAL PEERS

ib_UserConditionalPeers <- setdiff(ib_DMUData[active_dmus,"DMU"]*(1-q_outlier)*(1-F_outlier),0)

For mere om R-koder, se www.r-project.org.

Variabeltransformation Vtrans

Relevante variabel transformationer kan defineres ved hjælp af R-koder i regnearket Vtrans. I et eksempel for en skole anvendelse af Interactive Benchmarking er vist nedenfor. Vi definerer her tre forskellige måder at præsentere eksamenskarakterer på.

Hver kolonne definerer en ny variabel-transformation. Navnet på transformationen, som det vil se ud i fanebladet MinEnhed, er angivet i første række. R-koden der definerer transformationen gives i anden række.

Ligesom i Betingede Peer Grupper kan inputs til den R-baserede procedure være

ib_DMUData = en matrix med data der er præcis ligesom data i DMUData-fanebladet fra xls-arket

ib_MyUnit = DMU nummeret for Min Enhed

Outputtet skal være et nyt datasæt

ib_NewDMUData

der vil så tjene som grundlag for de efterfølgende beregninger.

For mere om R-koder, se www.r-project.org.

Historiefortælling

• Historiefortælling

Dynamiske data

Når der foreligger data fra to eller flere perioder kan IB anvendes til dynamiske analyser, dvs. til analyser af hvordan virksomhederne udvikler sig over tid.

Fanebladet Dynamisk kommer automatisk til syne når de underliggende data indeholder flere versioner af DMUData, nemlig det normale DMUData ark og en eller flere alternative DMUData ark benævnt DMUData-1, DMUData-2, etc. Datasættet skal desuden indeholde et ark kaldet Dynamic med information om hvilke perioder der er data om, og hvordan disse skal benævnes i programmet.

Kolonnerne i datasættene DMUData, DMUData-1, DMUData-2 osv, skal være de samme, men dette er reelt ingen begrænsning, da de forskellige enheder kan have mangle data i forskellige perioder.

Rækkerne i disse datasæt behøver ikke indeholder helt de samme virksomheder.

IB vil automatisk for hvert par af perioder bestemme, hvilke virksomheder der har de nødvendige data, og det vil beregne de relevante indices baseret på disse

Den gruppe af forbilleder, som er valgt og anvendt i Benchmark fanebladet, anvendes også i de dynamiske beregninger

Format

Det er muligt delvist at styre formatet for hvorledes tale vises i IB. Dette gøres ved at indføre et faneblad i xls arket kaldet Format.

Man kan bruge et Standard Format ved at indføre en Kolonne med overskriften Standard, eller man kan bruge formater, der skifter mellem de forskellige faner Unit, KPI, Benchmark, PeerUnits og Sector, som illustreret nedenfor:

Den definition af formatet kode følger beskrivelsen i
http://msdn.microsoft.com/en-us/library/dwhawy9k.aspx

F står for eksempel for faste decimaltal og tallet givet efter F specificerer antallet af decimaler efter kommaet. Brugen af decimal tegn, . eller ; bliver bestemt af computeren hvis man arbejder med IBWin, og af serveren hvis man arbejder med IBWeb. IBWeb bruger i øjeblikket USA-formatering, dvs. "." som decimal separator og "," som tusindtalsseparator, hvis der bliver anmodet om en sådan (N2 betyder for eksempel, at vi bruger to decimalcifre).

PARData
PARData arket indeholder den parametriske form der anvendes, når PAR er valgt som beregningsmetoden i Skala menuen i Benchmark fanebladet.

Data er i PARData arket gives i kolonner med overskrifter

• MODEL NUMEBER
• FORMULA
• GL
• GH
• LIMITITERATION
• Variabelforkortelser

MODEL NUMBER er et nummer svarende til de modelnumre, der anvendes i arket ModelData.

FORMULA beskriver Shepard’s input afstandsfunktion. Mulige input-output kombinationer er dem med en værdi for Shepard input afstandsfunktionen større end eller lig med 1, og fronten svarer til en Shepard afstand lig 1.

For at bestemme punkter på den parametriske grænse, kan det godt være at Interaktiv Benchmarking IB ® skal løse et eventuelt komplekst linjesøgningsproblem. For at kunne gøre dette, bruger den en såkaldt bi-section metode. Forsøgsstartværdier for denne procedure er givet vha. GL og GH, hvor GL er et forslag til en mulig værdi og GH et forslag til en umulig værdi. Hvis dette ikke er tilfældet i virkeligheden vil IB sænke GL og øge GH for at få en mulig startopstilling. Når en mulig kombination af et punkt indenfor og et punkt udenfor produktionsfronten er bestemt gennemfører IB et antal halveringer. Disse halveringer stopper, når forskellen mellem de resulterende GL og GH værdier er mindre end 0,0001 – eller når den øvre grænse LIMITITERATION nås.

Variabel forkortelserne er de variable, der refereres til i FORMULA. I de pågældende MODEL linjer er de tilhørende reelle input og output navne angivet svarende til navnene i DMUData.

Kontrol af et nyt datasæt
Når et datasæt er uploadet, kan det automatisk testes, om det opfylder en række af de vigtigste krav. Hvis en af tabellerne for eksempel har to søjler med samme overskrift, vil tabellerne ikke bestå integritetstesten, og der vil komme en advarsel frem i testresultaterne.