Beslismodel berekent betere werkbalans ambtenaar

Den Haag experimenteert met een beslismodel dat gebruikmaakt van AI om de werkdruk van leerplichtambtenaren gelijkmatiger te verdelen. Elke ochtend berekent het model wie welke verzuimmeldingen op zich neemt. Niet onbelangrijk: de teammanager behoudt de mogelijkheid om af te wijken van de beslissing van het model.

Inzicht in effect beleid

Leerplichtambtenaren van de gemeente Den Haag hebben hun handen vol aan het terugdringen van schoolverzuim. Op jaarbasis ontvangen ze ongeveer zesduizend verzuimmeldingen van driehonderd scholen, die allemaal moeten worden opgevolgd. Tot voor kort werden leerplichtambtenaren gekoppeld aan bepaalde scholen, waarna meldingen deels automatisch en deels aan de hand van een eenvoudige vuistregel aan ze werden toegewezen, met behulp van externe software. Maar om het ongeoorloofd schoolverzuim terug te dringen en de jongeren de juiste ondersteuning te geven, is meer nodig. In 2023 startte de afdeling Business Analytics samen met de afdeling Leerling - en Onderwijszaken een experiment: kunnen algoritmen en slimme datatechnologieën bijdragen aan effectiever en proactiever beleid? Kan AI helpen om meer inzicht te krijgen in het effect van mogelijke beleidskeuzes?

Snel schakelen 

Waarom koos Den Haag ervoor om het beslismodel zelf te ontwikkelen? ‘De gemeente is geen softwarebedrijf,’ zegt Serge Urlings , directeur uitvoering Sociaal Domein OCW bij de gemeente. ‘Maar je wil snel kunnen schakelen op nieuw beleid. Dat moet je binnen enkele dagen kunnen doorvoeren. Daarom ontwikkelt en beheert de gemeente in-house de beleidsmodule die met de externe software communiceert.’

Randvoorwaarden uitpluizen

Een kolfje naar de hand van Peter Serhalawan, business consultant Data Science bij gemeente Den Haag. Met een lange staat van dienst als consultant is hij gewend om kwantitatieve analyses los te laten op beslissingsvraagstukken. Maar wat in het bedrijfsleven gebruikelijker is, is in de gemeentewereld nog tamelijk nieuw. Het ingewikkelde deel van het Haagse experiment zat niet zozeer in de technologie om een beslissingsondersteunend model te ontwikkelen (ook best moeilijk, want de infrastructuur moest uiteraard veilig en robuust zijn), of om de privacywetgeving na te leven (dat bleek mogelijk), maar in het meenemen van alle betrokkenen: leerlingen, scholen, leerplichtambtenaren, privacy officers, HR-medewerkers en technische specialisten.  

Het ontwikkelen van het beslismodel om leerplichtambtenaren slimmer aan het werk te zetten, begon dan ook met uitzoeken aan welke randvoorwaarden zo’n model moet voldoen. Uit interviews met de teammanagers bleek dat er een grote behoefte bestond aan een betere verdeling van de werkbalans, het zo snel mogelijk kunnen verwerken van meldingen en het kunnen monitoren van de caseload. 'Het werd een complexe puzzel, waarbij de werkdruk, de prioriteit van de melding, de urgentie en de vaardigheden van de ambtenaren in kwestie moesten worden meegewogen,' vertelt Serhalawan.

Iedere leerplichtambtenaren heeft zo zijn eigen specialisme. Soms hebben medewerkers al ervaring binnen een specifieke school of met casuïstiek. Andere taken mogen uitsluitend door specifieke leerplichtambtenaren worden uitgevoerd, vanwege juridische of beleidsmatige vereisten. In de taakopvolging moet continuïteit zitten. Sommige meldingen moeten direct worden afgehandeld, andere mogen vanwege beperkte capaciteit iets langer blijven liggen. En dan is er nog de praktische wens om medewerkers niet kriskras door de stad te sturen, maar scholen te clusteren zodat de medewerkers een logische route afleggen.

In de toekomst kijken

Sommige randvoorwaarden en beperkingen die in de gesprekken naar boven kwamen, zijn contra-intuïtief: het lijkt beter om een melding zo snel mogelijk op te volgen, maar het heeft óók de voorkeur dat een leerling zo veel mogelijk met een en dezelfde leerplichtambtenaar te maken heeft. Het model moet dus ook in de toekomst kunnen kijken, om te bepalen of het wellicht beter is om de melding morgen te verwerken, als de betreffende leerplichtambtenaar weer beschikbaar is. ‘We zijn begonnen met het laaghangend fruit en hebben de mogelijkheden gaandeweg uitgebreid,’ vertelt Serhalawan – ook om niet direct te veel veranderingen op de organisatie uit te storten.

ALPA

Het beslissingsondersteunend model ALPA (Allocatie Leerplichtambtenaren) dat Serhalawan en zijn team ontwikkelden, bestaat in feite uit twee modellen. Er is een beleidsmodule, die helpt bij het bepalen van een passende werkstructuur voor de leerplichtambtenaren. Dit model wijst medewerkers toe aan bepaalde scholen aan de hand van de randvoorwaarden. Af en toe wordt dit model gedraaid, om te zien of er structurele wijzigingen nodig zijn. De beleidsmodule vormt de basis voor de uitvoeringsmodule, die dagelijks meldingen aan leerplichtambtenaren toewijst.

Elke ochtend tussen 7.08 uur en 7.09 uur berekent de uitvoeringsmodel aan de hand van zo'n 10.000 variabelen en 300 randvoorwaarden wat de medewerkers die dag het beste kunnen gaan doen. 'De regie ligt bij de mens,' benadrukt Urlings. 'De teammanager behoudt altijd de mogelijkheid om af te wijken van de beslissing van het model.'

White box

Toch is het best even slikken geweest voor sommige medewerkers, zeggen Urlings en Serhalawan. In de wetenschappelijke paper die Serhalawan met een collega schreef over het model, hebben het ze het over een ‘white box’: in tegenstelling tot de welbekende ‘black box’ die inherent is aan veel vormen van machine learning, is dit model juist uiterst transparant. Het maakt aannames expliciet die eerder alleen impliciet binnen de teams bestonden – wat zowel een argument vóór als tegen de inzet van het model blijkt te zijn, want het maakt bijvoorbeeld ook duidelijk waar de balans eerder scheef lag.  

Passende presentaties

Wie je overtuigt met welk verhaal verschilt sterk en dus beschikken ze over passende presentaties voor diverse doelgroepen. Ligt bij IT’ers de focus op performance van het model, bestuurders gaan eerder ‘aan’ op inzichten uit datagedreven werken, waar teammanagers enthousiast worden van het feit dat de human in the loop blijft en medewerkers bijvoorbeeld van de eerlijkheid van de ‘white box’. De gemeente is in gesprek met hoogleraren People Analytics van de Universiteit van Amsterdam, die zich zullen zich buigen over het meten van tevredenheid van de medewerkers met het model.

Inmiddels zijn de meeste medewerkers overigens wel om. De voordelen van het model zijn zichtbaar en meetbaar: teammanagers houden tien procent meer besteedbare tijd over, de werkdruk is gelijkmatiger verdeeld over de medewerkers en iedereen heeft volledig inzicht in de werkbalans.

Breed toepasbaar

Het experiment met ALPA loopt tot eind 2025. En dan? De schaalbaarheid en brede toepasbaarheid van het model maakt het ook interessant voor andere afdelingen van de gemeente. Nu de technische infrastructuur staat, zou het in aangepaste vorm kunnen dienstdoen als ondersteuning bij de toekenning van hulpmiddelen in het kader van de Wet maatschappelijke ondersteuning (Wmo). Het kan ook helpen om BOA’s en andere strategisch in te zetten, of bijvoorbeeld om subsidieaanvragen op basis van objectieve criteria te beoordelen, denken ze.