"Alle ting data: en kvalificeret arbejdsstyrke i en datadreven fremtid? ": en dybtgående

Da fremtidens arbejde i stigende grad bliver mere og mere datadrevet, opstår der naturligvis flere spørgsmål. Hvordan kan vi forberede vores arbejdsstyrke på at være mere kvalificeret til at arbejde med data?

EU's politik har fulgt markedstendenserne ved at samle investeringer i en datadreven økonomi. Denne tilgang omfatter mere datadeling inden for organisatoriske økosystemer, der konsoliderer og skaber ny værdi ud fra data. Med sin retlige ramme forsøger Europa-Kommissionen at sikre, at alt dette sker på en retfærdig, åben og sikker måde.

Men hvordan vil dette påvirke vores nuværende job? Hvilke færdigheder har vi brug for for at deltage i denne datadrevne økonomi? Denne artikel giver indsigt i, hvordan data anvendes til at definere vores fremtidige arbejde.

Byte ved byte: en vis sammenhæng

Når vi interagerer med vores digitale enheder, skaber vi data — få digitale spor af numerisk information, der siger noget om vores interaktion med enheden. Det kan være oplysninger om, hvad vi har klikket på, hvilke websider vi har åbnet, hvilken tekst vi har skrevet, hvilke steder vi har besøgt, eller hvor vi har foretaget telefonopkald fra. 

Alle disse digitale spor kan sammen give os et omfattende indblik i vores adfærd online. Data anvendes i stigende grad til at få mere indsigt i menneskelig adfærd af forskellige årsager. Og stadig flere af dem indsamles. Skøn viser, at den globale datamængde vil stige med mere end 500 % inden 2025. Virksomhederne bruger data til at forstå deres kunder bedre og forbedre deres produkter og tjenester. Regeringerne bruger den til at forbedre virkningerne af deres politiske beslutninger. Enkeltpersoner kan også bruge data til at hjælpe dem med at håndtere deres daglige opgaver bedre. Eksempel? Tag en gang rundt om blokken, og se antallet af personer med intelligente ure omkring dig. Hvis du bruger én til at overvåge, hvor aktiv du er i løbet af dagen, til at overvåge vigtige stater eller bruge apps, der sporer, hvor ofte du er online, bruger du data til at få indsigt. 

Når datalagring flyttes til Cloud, bliver det teknisk set lettere at samle forskellige typer data samt data fra forskellige kilder — hvilket potentielt kan føre til en langt mere omfattende indsigt. Dette mindsker virksomhedernes udfordringer med hensyn til at anvende disse data til at skabe mere værdi — hvad enten det er for dem selv, andre eller sammen med deres forretningsøkosystempartnere. 

Data i erhvervslivet

Data betragtes således i stigende grad som en væsentlig indtægtskilde for virksomhederne. Men hvilke data er nyttige, og hvordan kan de indsamle disse data på en sikker og sikker måde? I dette afsnit går vi dybere ind i, at dataenes indhold bliver et aktiv og en råvare for virksomheder, og hvordan dette reguleres af de politiske beslutningstagere i EU. 

Data, data, data... Hvilke data?

Der er forskellige måder, hvorpå vi kan kategorisere data. Her drøfter vi to kategorier, der er af interesse i betragtning af den bredere europæiske strategi for data. 

En første sondring vedrører forbindelsen mellem data og en fysisk person: personoplysninger i forhold til andre data end personoplysninger. Personoplysninger er alle oplysninger, der vedrører (eller kan være) om en fysisk person: et navn, identitetsoplysninger (f.eks. kortnumre osv.), sundhedsrelaterede data, lokaliseringsdata osv. Nogle personoplysninger kan være følsomme. Dette er en særskilt kategori af data, der skal behandles med ekstra betingelser, da misbrug af disse data kan føre til skadelige, uønskede eller endda farlige situationer. Den generelle forordning om databeskyttelse (GDPR) specificerer følsomme oplysninger (Europa-Kommissionen, 2023a). Andre data end personoplysninger er alle andre data, der kan indsamles. Eksempler herpå er data om daglig brug af offentlig transport, energiforbrug i et hjem eller antallet af skolelærere i et bestemt område.        

En anden sondring vedrører de organisationer, der indsamler data: industrielle data og offentlige data. Ved industrielle data forstås alle typer data indsamlet af private virksomheder. Efterhånden som flere virksomheder skaber digitale produkter, har virksomhederne mulighed for let at indsamle personoplysninger og andre data end personoplysninger, som de senere kan bruge til at skabe mere værdi for deres forbrugere og sig selv, hvilket kan give en konkurrencemæssig fordel. Eksempler på andre industrielle data end personoplysninger, som du måske kender og bruger, omfatter den daglige brug af offentlig transport (f.eks. på Google Maps) eller data om energiforbruget i dit hjem, som din energileverandør har indsamlet. Regeringerne indsamler også data som grundlag for deres politiske beslutninger og leverer digitale tjenester. Deling af denne type data har flere fordele. F.eks. kan offentlige data anvendes af virksomheder til at skabe bedre og mere relevante tjenester og produkter. Individuelle brugere kan forbedre deres beslutningstagning på grundlag af reelle data: f.eks. beslutning om, hvornår vaskemaskinen skal tændes for at optimere energiforbruget i hjemmet.   

Med andre ord kan forskellige typer data være nyttige til forskellige formål for forskellige interessenter. Dette betyder, at der ved at skabe flere muligheder for at dele data er potentiale til at skabe mere værdi. Deling er imidlertid forbundet med risici:  

• Misbrug af personoplysninger 
• Misbrug af følsomme oplysninger
• Misbrug af position begået af platformsvirksomheder, der spiller en stor rolle på internettet.
• Ulighed mellem individuelle brugere og større virksomheder 

Det er nogle af de risici, som den europæiske politiske regulering forsøger at styre og forebygge. Denmest almindeligt kendte forordning er den generelle forordning om databeskyttelse (GDPR), som specificerer forskellige typer data og regulerer enkeltpersoners og virksomheders rettigheder og forpligtelser i forbindelse med behandling af data. Forordningen om digitale markeder, der blev vedtaget af Europa-Kommissionen i 2023, præciserer kendetegnene ved "gatekeepere" (onlineplatforme, der ejes af private virksomheder, der har enorm og udbredt adgang til data på grund af deres rolle på internettet) og regulerer, hvordan de har tilladelse til at anvende de unikke data, de har adgang til. Retsakten om digitale tjenester (Europa-Kommissionen, 2023c) bidrager til at beskytte alle brugere af digitale tjenester og præciserer, hvordan gatekeepere skal håndtere misbrug af deres platform (f.eks. når ulovlige varer sælges via deres platform, eller hvis desinformation/misinformation deles). Den europæiske forordning om datastyring (Europa-Kommissionen, 2023f) og EU's dataforordning (Europa-Kommissionen, 2023d), som i øjeblikket er under udarbejdelse, har til formål at fjerne hindringer for datadeling, men på en måde, der bevarer kontrollen for enkeltpersoner og mindre organisationer. En anden prioritet er, at datadeling kan støtte skabelsen af flere incitamenter for folk til at investere i datagenerering.  

Kort sagt sigter EU's politik mod at støtte organisationer (og især SMV'er) i at investere og udnytte deres datastrategier. Det fremmer en mere retfærdig og sikker datadeling mellem enkeltpersoner og organisationer af forskellig størrelse og rolle for at skabe mere værdi for dem selv og de europæiske borgere. Virksomhederne revurderer derfor i stigende grad deres forretningsaktiviteter for at se, hvordan de data, de genererer, potentielt kan skabe ny værdi for deres virksomhed. 

Hvordan bruger virksomhederne data — og til hvilke formål? 

Virksomhederne bruger data på forskellige måder til at skabe forretningsværdi. Vi kan i det store og hele skelne mellem to muligheder:

• Bruge data til at få forretningsindsigt i, hvordan deres kunder interagerer med deres produkter eller tjenester. Dette resulterer i en følsomhedsanalyse, forståelse af, hvornår og hvordan produkter anvendes, og eventuelt med hvilke andre produkter de anvender dem. Klee, Janson ПLeimeister (2021) betegner dette det overorganisatoriske niveau, hvor forretningsværdien skabes ved at udnytte eksterne datafordele.
• Anvende data til operationel ekspertise til at forbedre deres interne arbejde eller styring af forsyningskæden med henblik på at skabe værdi for deres kunder på en effektiv og virkningsfuld måde. Klee, Janson ◻ Leimeister (2021) nuancerer dette på organisatorisk niveau (udvikling af datadrevne organisationsmodeller) og arbejdspraksis (arbejde med data i daglige forretningsprocesser). 

Når data kan deles sikkert og sikkert med andre, er virksomhederne også i stand til at udforske et utal af muligheder i forbindelse med skabelsen af nye produkter eller tjenester — i et økosystem, som de deler med ligesindede partnere. 

Hvordan indsamler virksomhederne data? 

Stigende onlineaktiviteter betyder, at den tekniske tærskel for indsamling af data er lille: data, der genereres i interaktioner med digitale enheder, eller foranstaltninger, der f.eks. indsamles af sensorer, logges og lagres i cloudbaserede tjenester med henblik på yderligere analyse og fortolkning. Der kan genereres analyser ud fra disse data for at lette beslutningstagningen. 

Som nævnt fungerer nogle virksomheder som "gatekeepere" på internettet, hvor de danner og forvalter de onlineplatforme, hvorigennem andre aktiviteter finder sted. Disse gatekeepere har naturligvis mange datakilder, som de lagrer til yderligere markedsføring og analyse til reklameformål (tænk på Meta, X og senest Tik Tok). Denne situation har skabt en tilsyneladende ubegrænset mængde datalagring, hvor virksomhederne ender med at være i besiddelse af data, der kan være nyttige til kommerciel brug. Denne situation vil dog sandsynligvis ændre sig — delvis drevet af ovennævnte politikforordninger — da der kommer andre stemmer. 

Et aspekt vedrører rationel anvendelse og indsamling af data, dvs. en mere operationel tilgang til at navigere i enorme datamængder, hvor virksomhederne overvejer, hvor den potentielle værdi af de pågældende data ligger, og hvilke data der er nyttige til at holde styr på (Mazzei ПNoble, 2017). Bekymringer vedrørende de miljømæssige virkninger af datalagring kommer også i stigende grad i spil. Ifølge Lucivero fra 2019 er bevidstheden om, hvor meget energi det kræver at lagre data i en ubegrænset tidsramme, stigende — hvilket igen tvinger virksomhederne til at overveje en mere rationel tilgang til dataanvendelse og -lagring. Endelig er der tale om omkostningsvirkningen: datalagring bliver stadig dyrere. Når virksomheder flytter forretningsaktiviteter til cloud computing, skal datalagring gå hånd i hånd med business acumen (Gartner, 2022). 

Hvordan forvalter virksomhederne data sikkert? 

For at data kan blive noget, der skaber værdi i et økosystem, skal der være tillid til en god og sikker forvaltning af data. Dette kræver, at organisationerne gør en indsats for at fastlægge en vision og strategi for dataindsamling og -analyse, men også tilpasser deres dataarkitektur (IBM, 2023) til denne strategi og vision. Den overordnede strategi for den europæiske datapolitik er at skabe et ægte europæisk indre marked for data (Europa-Kommissionen, 2023e),hvor der kan skabes værdi ud fra data inden for et økosystem af organisationer. Der er en ambition om at skabe sektorspecifikke dataområder, hvor partnerskaber omkring delte data kan danne og resultere i fælles skabelse og udvikling af nye og innovative applikationer. Dette kræver mange praktiske overvejelser for organisationer i deres tekniske arkitektur, f.eks.: 

• Sporbarhed af data: når vi opretter dataområder, skal der være mulighed for at spore, hvem der indsamlede hvilke data og under hvilke betingelser. 
• Forvaltning af sikker adgang for autoriserede partnere og personer: dataområderne skal også omfatte styring med hensyn til, hvem der har adgang til delte data, og i hvilket omfang denne adgang når. 
• Retlige rammer for aftale om adgang og forvaltning af adgang: alle parter i et dataøkosystem skal have en retlig samarbejdsstruktur, hvorigennem de kan udveksle data i en pålidelig kontekst. 

Hvis data bliver så udbredte, betyder det, at flere og flere af os vil komme i kontakt med databaserede IT-produkter. Gartner forudser, at i år vil "datakendskab blive en eksplicit og nødvendig drivkraft for forretningsværdi", hvor næsten 80 % af virksomhederne angiver data som en nøglefaktor i dens strategiske planer (Gartner, 2023a). Denne artikel giver mere indsigt i, hvordan data kan bruges som rettesnor for den menneskelige beslutningstagning, og hvilke færdigheder vi kræver, for at anvende disse nye værktøjer effektivt for at opnå større indsigt og foretage fornuftige valg. 

Hvordan interagerer vi med databaserede IT-produkter? 

Vi interagerer allerede med data hver dag gennem forskellige databaserede applikationer. Vi anerkender måske ikke altid dem som sådanne, da de præsenterer disse data på uindlysende måder. 

Ansøgninger baseret på data kan kategoriseres på grundlag af, hvordan de præsenterer disse data for os.

Spejlværktøjer 

Spejlværktøjer giver brugerne visualiseringer af data om resultater, processer osv. ved hjælp af grafiske metoder uden fortolkning af dataenes betydning. Ofte grupperes disse visualiseringer i et dashboard. Et prototypisk eksempel herpå er tidsseriedata såsom befolkningstilvækst over tid eller fysiologiske data såsom EKG, hvor diagrammet viser dig en visualisering af den fysiske aktivitet. Lad os tage et løbende eksempel på et pollenmeter. Et spejlværktøj til visualisering af pollenniveauer vil vise en graf, hvor pollenniveauerne optegnes over tid (f.eks. dagligt pollenniveau i atmosfæren). Det er op til mennesket at fortolke visualiseringen og give den mening ("er det et højt niveau? Er det et lavt niveau? Er den stigende eller faldende? Hvad er det ønskede niveau? ") og definere potentielle indgreb for at reagere på disse oplysninger (" Jeg vil blive indendørs på grund af høje pollenniveauer, når jeg lider af allergier; Jeg kan gøre intensiv udendørs sport på grund af acceptable pollenniveauer "). (van Leeuwen ◻ Rummel, 2019)

Varslingsværktøjer 

I forbindelse med ændring af værktøjer vil de visualiserede data afspejle reel aktivitet, men omfatter også minimal fortolkning, da bemærkelsesværdige elementer i dataene fremhæves. I vores polleneksempel kan de ønskede niveauer for de daglige pollenniveauer f.eks. gøres konkret i selve værktøjet ved at medtage en specifikation af, hvad det normale/høje/lave pollenniveau er. Værktøjet kan derefter advare et menneske om, at et bestemt niveau er nået (f.eks. "pollenniveauet er højt i dag"). Disse advarsler kan anvendes af mennesker som udgangspunkt for udformningen af interventioner. Det er mennesket, der tager skridt til at gribe ind, men de bliver advaret af værktøjet til at gøre det. (van Leeuwen ◻ Rummel, 2019)

Rådgivningsværktøjer 

Rådgivning om værktøjer går et skridt videre ved også at anbefale en bestemt indsats. Et pollenmeter, der rådgiver, kan f.eks. sige: "vær ikke intensiv udendørs sport i dag, da pollenniveauet er højt, og du er meget udsat for allergier". Her kan mennesket vælge at gennemføre den foreslåede intervention, men behøver ikke at fortolke dataene uafhængigt eller definere en intervention på grundlag heraf. Værktøjet anbefaler en intervention baseret på dets analyse af dataene. (van Leeuwen ◻ Rummel, 2019)

Automatiserede beslutningsværktøjer 

I automatiserede beslutningsværktøjer kontrollerer værktøjet hele beslutningstagningen og gennemførelsen af selve interventionen på grundlag af sin egen dataanalyse. I den forbindelse vil mennesket ikke være direkte involveret i beslutningstagningen eller i gennemførelsen af interventionen. I vores eksempel på pollenmåleren kan dette være en fiktiv situation, hvor automatiseringsværktøjet kan sige: "pollenniveauet er højt i dag. Da du har allergier, rådes du til at blive hjemme. For at lette dette er alle dine møder i dag blevet ændret til webkonferencemøder."  

Et sådant værktøjs potentielt bekymrende (men fuldstændig fiktive) adfærd kan være: "For at sikre, at du ikke forlader huset, er dørene automatisk blevet låst, indtil pollenniveauet er på et acceptabelt niveau." I så fald deltager mennesket kun i beslutnings-, interventions- og gennemførelsesprocessen som observatør. 

Hvilke færdigheder har vi brug for for at kunne anvende disse værktøjer effektivt? 

Med den udbredte brug af databaserede værktøjer er det klart, at vores færdigheder og kompetencer i forbindelse med anvendelsen af disse værktøjer skal være op til mærket, så vi kan bruge dem effektivt uden utilsigtet at skabe eller fremme skade på mennesker. 

Tidligere og fremtidige data

Tidligere dage, hvor data var knappe og vanskelige at indsamle, blev big data primært udarbejdet af akademikere på universiteter (eller som samarbejde mellem universiteter), regeringer eller store organisationer. Da arkiveringen af data er intensiv, tidssvarende arbejde, var der tale om flerårige aktiviteter, der krævede betydelige investeringer i tid, indsats og finansielle ressourcer. Kun virksomheder, der havde ressourcer til at investere i dataarkivering og oplevede en umiddelbar økonomisk interesse, var i stand til at gøre dette. 

Faglærte personer, som skabte disse datasæt med speciale i at samle data, strukturere, analysere og fortolke forskellige datasæt. Denne proces er ikke længere besværlig: i stedet støttes det nu med mange sofistikerede digitale instrumenter og værktøjer. Det betyder, at det nu er langt mere tilgængeligt for organisationer, hvis indledende investeringer kan være lavere. Samtidig bliver situationen mere kompleks som følge heraf. Der findes flere og mere ajourførte, lettilgængelige data: det er let at blive overbelastet. For at skabe værdi ud fra data har vi nu brug for bedre visualiseringsteknikker og en strategisk tilgang til information. 

Da processen ikke længere afhænger af 1 personer, der indsamler, analyserer og fortolker dataene, er der behov for mere koordinering for at forvalte den delte adgang til data. Arbejdskraftintensive dele kan i stigende grad automatiseres ved hjælp af tilgængelige værktøjer, hvilket mindsker presset på virksomhederne. Samtidig fører mere automatisering til mere standardiserede analyser. På den ene side skaber dette flere muligheder, da flere mennesker kan få adgang til dataene på forskellige måder. På den anden side kan dette også være restriktivt, da det sandsynligvis vil falde ind under standardløsninger og tage nøje hensyn til og træffe beslutninger fra brugerens side. I ekstreme tilfælde kan beslutningstagningen være helt skjult. 

Da der er en voksende kløft mellem datafortolkning og dataindsamling og -analyse, er der mulighed for fejlfortolkninger, hvis dataindsamlingen og -analysen ikke er klart dokumenteret og angivet. 

Færdigheder med henblik på en datadreven fremtid

Nedenfor specificerer jeg en række færdigheder, som vi skal opbygge for denne datadrevne fremtid.   

1.    Datafærdigheder

De første væsentlige færdigheder vedrører datafærdigheder. Gartner (2023b) beskriver dette som "evnen til at læse, skrive og formidle data i sammenhæng, herunder forståelse af datakilder og -konstruktioner, anvendte analysemetoder og teknikker og evnen til at beskrive brugsscenariet, anvendelsen og den deraf følgende værdi".

Da mennesker anvender dataværktøjer, er vi med andre ord nødt til at vide og være i stand til at vurdere, hvilke data der anvendes, hvor de kommer fra, om de er pålidelige, om den analyse, der er foretaget oven i dataene, kan være pålidelige, og hvis der er menneskelige kontroller til rådighed, som gør det muligt for mig som bruger at kontrollere disse problemer. Navnlig i forbindelse med en høj grad af automatiseret beslutningstagning og indgriben ved hjælp af værktøjer bliver disse kontrolfaktorer yderst relevante for menneskeligt tilsyn. For at kunne have tilstrækkelig tillid til databaserede værktøjer skal vi som brugere have adgang til disse kontekstuelle oplysninger og kræve adgang til disse kontekstuelle oplysninger. De politiske krav i forbindelse med formuleringen af den europæiske dataforordning (Europa-Kommissionen, 2023) styrker denne grad af kontekstualisering af data. 

Der findes flere programmer til støtte for udviklingen af digitale færdigheder. MOOC, der finansieres under Erasmus ± ordningen og er udviklet af Københavns Universitet, Warszawa Universitet, universitetet iMilano, Sorbonne Universitet og Charles University i Prag (en del af 4EU ± alliancen), giver f.eks. en bred indsigt i, hvordan data fungerer, og hvilken rolle data spiller i vores dagligdag. Støttecentret for dataområder har til formål at støtte organisationer, der arbejder med dataområder i praksis.   

2.    Bevidsthed om og indgående forståelse af omfanget af databaserede værktøjer/arbejde med dataværktøjer

En anden færdighed er en bevidsthed om og en indgående forståelse af anvendelsesområdet for de databaserede værktøjer ved at arbejde tæt sammen med dem. Dette giver os som brugere mulighed for at forstå værktøjernes begrænsninger og værktøjernes muligheder og også vurdere gyldigheden af fortolkninger baseret på dataene — uanset om de er menneskeskabte eller automatiserede. Hvis du er mere klar over, hvad værktøjet kan og ikke kan gøre, vil det også give dig mulighed for at definere gyldig, håndgribelig indsigt, der fører til acceptable indgreb. Som bruger er det også vigtigt at betragte databaserede værktøjer som blot én af flere datakilder og krydstjekke eventuelle resultater af disse værktøjer med andre, mere kvalitative data. 

3.    Forhandling om fortolkning af data

Efterhånden som databaseret beslutningstagning i forretningsøkosystemer bliver mere udbredt, er det indlysende, at der vil være flere databaserede værktøjer, der arbejder omkring de samme data, ved siden af hinanden. Dette har mange konsekvenser: forskellige virksomheder kan skabe forskellige værktøjer med flere analysemetoder, hvilket udløser de analyser, der er vigtige for dem, i deres kontekst. Dette betyder reelt, at forskellige virksomheder gør deres syn på verden håndgribelige gennem deres dataanalyse. 

Hvad sker der, når disse forskellige fortolkninger af verden står i kontrast til hinanden? Det forventes, at forhandlinger om dataoverførsel vil blive en yderst vigtig færdighed. Hvordan samarbejder du med økosystempartnere om afgrænsningen af forskellige datafortolkninger? Hvordan håndterer du forskellige fortolkninger? På hvilket grundlag udvælger du, hvilke foranstaltninger der skal træffes som interventioner, og på grundlag af hvilke (kollektivt accepterede) data? Dette er i øjeblikket et underundersøgt emne.

4.    Data-tekniske færdigheder

Noget, der nævnes oftere i litteraturen, er de tekniske færdigheder i forbindelse med data såsom datateknik, dataanalyse og dataværktøj. Efterhånden som flere data bliver tilgængelige lokalt i organisationerne, vil medarbejderne kunne oprette deres egne dataprodukter til støtte for deres individuelle opgaver og processer. Dette kræver mere generel viden og færdigheder med hensyn til at kunne indsamle data, forvalte data ansvarligt og nøjagtigt, definere analyser af disse data på grundlag af sunde hypoteser og gennemføre dem med solide dataanalysemetoder og anvende de relevante værktøjer på kompetent vis. Endelig kræver dette også færdigheder til nøjagtigt at fortolke resultaterne af dataanalyser og omsætte dem til forretningsmæssig indsigt med henblik på intervention. 

Indpakning af data: nogle hovedbudskaber

Vores verden bliver i stigende grad datadrevet. Dette krydser alle aspekter af vores arbejde, uddannelses- og arbejdsmarkedssystemer eller samfundsgrupper. Databaserede værktøjer kan støtte organisationer ved at automatisere visse dataanalyser og dermed forbedre beslutningstagningen og tilføre merværdi. Men de står også over for udfordringer. Som brugere bør vi være opmærksomme på omfanget af sådanne værktøjer, hvis vi ønsker at vide, hvordan vi kan arbejde effektivt (og effektivt) sammen med dem. Værktøjsproducenter og udviklere skal også møde brugerne halvvejs: ved at forbedre adgangen til oplysninger om visse værktøjer — og navnlig ved at give brugerne mulighed for at kontrollere pålideligheden og validiteten af data og de anvendte analysemetoder. En forbedring af den måde, hvorpå vi forvalter, indsamler og lagrer data, er afgørende for anvendelsen af disse værktøjer og for at nedbryde de barrierer, der er forbundet med brugen af dem. Og fremtiden? Datadreven for sikkerhed.

Hele dokumentet med referencer findes i pdf-format her og også nedenfor. 

Om digteren 

DR. Kamakshi Rajagopal er tværfaglig forsker og freelancekonsulent inden for uddannelsesdesign og -teknologi med omfattende erfaring med netværksbaseret læring og sociale læringsformater, der understøttes af innovative teknologier. Hun har en mastergrad i Linguistics (2003) og kunstig intelligens (2004) fra KU Leuven (BE). Hun afsluttede sin ph.d.-forskning på Open Universiteit (NL) i 2013 og undersøgte personlige læringsnetværk og deres værdi for løbende faglig udvikling. Hendes nuværende forskning handler om at undersøge kompleksiteten af læringsmiljøer og mere specifikt om, hvordan lærere og lærende kan støttes i håndteringen af denne kompleksitet. Dr. Rajagopal har udviklet flere (nationalt finansierede og europæiske) samarbejdsprojekter inden for primær, sekundær og videregående uddannelse med partnere fra den offentlige sektor, industrien og civilsamfundet. Nogle eksempler på hendes projekter handler om lærernetværkenes rolle inden for uddannelsesmæssig innovation, studiekredse inden for videregående uddannelse, multimodal måling i samarbejdsbaserede hybride læringsrum og integration af virtuel mobilitet på videregående uddannelsesinstitutioner. Siden 2023 har hun arbejdet med læring og udvikling inden for IT-virksomhedsrådgivning.