Gedreven door data

Essay voor Mark Huiben, Johan Posseth en Johan Strieker *

Data gebruik je bij het doen van je werk. Je maakt gebruik van managementinformatie en monitors, je gebruikt onderzoeksrapporten, een jaarverslag, kijkt op waarstaatjegemeente.nl of doet mee aan een benchmark als Vensters. En je gebruikt die informatie om inzicht te krijgen in een vraagstuk en om tot actie te komen. Hoewel nog niet overal gemeengoed, is daar niets nieuws aan.

Wel zijn de hoeveelheid gegevens en de rekenkracht van de computers toegenomen en dat vergroot ook het aantal beschikbare technieken. Een voorbeeld: ook in de jaren ‘90 maakten wij bij organisatiedoorlichtingen gebruik van jaarrekeninganalyses. Daar was je dan per jaarrekening een paar uur mee bezig. Tegenwoordig doen we dit in een handomdraai, door het slim structureren van openbare data. Zo hebben we voor de regio Midden-Holland 3.800 jaarrekeningen van zorgaanbieders geanalyseerd.

De regio noemt als waarde daarvan ‘het scheiden van het kaf van het koren’ en ‘het verminderen van de tijd die nu nodig is om de rechtmatigheid en gezondheid van zorgaanbieders te controleren’. Ze zien nu op een half A4’tje met welke partijen ze verantwoord zaken kunnen doen. De omvang en snelheid van analyses zijn dus wel veranderd. Tot dusver werden inzichten voor een belangrijk deel bepaald door persoonlijke kennis en ervaring. Nu winnen gegevens aan belang.

Door slim gebruik te maken van gegevens uit verschillende bronnen, ontstaan nieuwe inzichten. Denk aan buurtgegevens van de gemeente en politiemeldingen, die gezamenlijk een beeld geven van waar problemen ontstaan. Maar het verandert weinig aan hoe we werken: handelen op basis van feiten. De kern is: wat wil je weten en waarom? En wat doe je als je het antwoord hebt? Met andere woorden, het gaat om de vaardigheden om data te vertalen in zinvolle inzichten. En in staat zijn te handelen op basis van die inzichten. De inzichten die je wilt opdoen, bepalen met welke gegevens je aan de slag gaat. Vaak lijkt de explosief toenemende hoeveelheid data leidend te zijn. ‘Dat is verkeerd en heeft als risico dat je compleet verdrinkt’, stelt Gert van der Kooij, chief digital officer van het Hoogheemraadschap van Rijnland.

De hoeveelheid data neemt overigens vooral toe doordat steeds meer apparaten zijn voorzien van sensoren en zo zelf data genereren. Waarom zou je datagedreven willen werken? De crux is betere en beter onderbouwde beslissingen te nemen, als organisatie beter aan te sluiten op de maatschappelijke opgaven. Deze worden complexer en de verwachtingen van de burger zijn steeds hoger. Tegelijk neemt de hoeveelheid beschikbare informatie ook toe. De waarde zit ook in wendbaarheid: op het juiste moment over de juiste informatie beschikken. Tijdens de coronacrisis werd dit glashelder bij het sturen op aantal IC-bedden, de reproductiefactor en het aantal besmettingen. Ook organisaties waarmee je samenwerkt, zullen data gebruiken om zaken voor elkaar te krijgen.

Gelikt dasboard
Datagedreven werken dien je als organisatie vanuit twee invalshoeken te doen. Enerzijds vanuit de maatschappelijke opgave: de informatiebehoefte in beeld brengen, die ontstaat door te willen inspelen op deze opgaven. En anderzijds vanuit de data: basisregistraties op orde brengen, databeheer borgen, informatie ontsluiten voor medewerkers.

Zaak is het die twee invalshoeken bij elkaar te brengen. Meest logisch is om te beginnen vanuit de maatschappelijke opgaven. Daarmee werk je direct aan actuele vragen en sluiten dataprojecten aan op wat mensen echt willen weten. En daarmee bedoelen we dus meer dan een gelikt uitziend dashboard ... Het lastige hiervan is dat dit nauwe samenwerking vereist tussen drie vakgebieden, die dat nog niet zo gewend zijn: de inhoudelijk specialisten, de gegevensbeheerders en de data-analisten.

Om met die eerste groep te beginnen: een dataproject begint met een goede probleemformulering. En wanneer de analyses beschikbaar zijn, maken inhoudelijk specialisten of beleidsmedewerkers het verhaal naast de cijfers. Zij vertalen de resultaten naar inzichten in het maatschappelijke vraagstuk en naar acties. Daarvoor moeten ze het echte probleem scherp hebben en de waarde en beperking van de cijfers kennen. Vervolgens de gegevensbeheerders en/of functioneel beheerders: hun rol is data te verzamelen, klaar te zetten voor analyses en deze te delen met de data-analisten. Gegevensbeheerders werken vaak bij de primaire processen, ‘in de lijn’. Denk aan een geo-specialist bij beheer openbare ruimte of een functioneel applicatiebeheerder bij werk en inkomen. Data-analisten, ten slotte, slaan de brug tussen de inhoudelijk specialisten en de gegevensbeheerders.

Data-analisten kunnen op basis van data beschrijvende en verklarende analyses maken. In de praktijk blijkt goed beschrijven en verklaren al heel waardevol, zoals bijvoorbeeld de gemeente Zaanstad constateerde: ‘Eerste stap is goed terugkijken.’ Vaak is dit ook het meest haalbaar.

Intuïtie
Deze samenwerking komt niet vanzelf tot stand. Bestuur en directie moeten daarin het voortouw nemen door de waarde van informatie te laten zien bij het realiseren van strategische doelen. Medewerkers gaan niet rennen omdat ze gegevens mogen gebruiken, maar wel wanneer ze de taak dan beter kunnen uitvoeren. En wanneer bestuur en directie dat in woord en daad uitdragen. Zo is een kerntaak van waterschappen om het waterpeil te beheren. Dat is belangrijk voor boeren en om te voorkomen dat huizen verzakken. Goede informatie over neerslag en pompgegevens kan daarbij helpen. Voor gemeenten bieden data kansen om meer grip te krijgen op hoofdpijndossiers als het sociaal domein, met oplopende financiële tekorten en frauderende zorgaanbieders.

De hiervoor geschetste aanpak is te gebruiken als kapstok voor een organisatievisie op datagedreven werken. Die kun je in zes tot acht wekelijkse bijeenkomsten praktisch vorm geven met een datalab. Selecteer hiervoor een maatschappelijk vraagstuk en nodig rond dit thema de drie typen medewerkers – maximaal circa acht in totaal – uit om gezamenlijk een vijftal vragen te bespreken. Welk probleem willen we oplossen? Hoe vinden we de databronnen? Hoe analyseren we data? Hoe rapporteren we inzichten zodanig dat deze daadwerkelijk bijdragen aan de besluitvorming? En wat is de waarde van de inzichten en acties? Vervolgens maak je een gezamenlijke analyse van de maatschappelijke opgave en de samenhang tussen de onderdelen. De directeur of beleidsmedewerker brengt zijn kennis, ervaring, intuïtie, rapporten, gesprekken en beleidsmodellen in. En de data-analist geeft de mogelijkheden en beperkingen van de data en analysemogelijkheden aan. Teken samen het model op een flap-over, of met een applicatie als Miro. Wat is de samenhang, wat zijn de indicatoren, welke data zijn voorhanden?

Een datalab is een mooie manier om klein te beginnen. Je kunt deze aanpak vervolgens herhalen voor andere maatschappelijke vraagstukken. Zo leer je gaandeweg alle inhoudelijke teams om met data te werken. Dan wordt ook duidelijk wat de organisatie verder moet regelen om daadwerkelijk datagedreven aan de slag te gaan.

Ethisch
Er is een aantal belangrijke voorwaarden voor datagedreven werken. Zo gaat het erom dat de data van goede kwaliteit zijn. Het meten, analyseren, interpreteren en rapporteren moet correct gebeuren. Waar komen data vandaan, hoe zijn deze gemeten en verzameld, zijn de definities eenduidig? De kwaliteit van data blijkt in de praktijk nogal te variëren. Wanneer de datareeks groot genoeg is, kan de data engineer afwijkingen eruit filteren en ontbrekende waarnemingen invullen.

Van belang is ook een goede analyse en interpretatie van data. Is bijvoorbeeld sprake van statistische correlaties of van oorzakelijke verbanden? Waar traditionele modellen startten met theorie en veronderstelde oorzakelijke verbanden, werkt de huidige praktijk vaak omgekeerd: algoritmen zoeken naar verbanden in data, naar correlaties. Dat hoeft geen oorzaak en gevolg te zijn, maar kunnen ook schijnverbanden zijn, die op de een of andere manier de voorspellende kracht van het model vergroten. De ene benadering is niet per se beter of slechter dan de andere. Het traditionele model, bijvoorbeeld regressieanalyse, gebruik je om het gezonde verstand in te blijven zetten. Algoritmen (machine learning) zet je in om verborgen nuttige verbanden te ontdekken. Belangrijk is steeds: zitten alle belangrijke variabelen in het model? En weet je wat je doet en waarom?

Een andere voorwaarde is de borging van privacy en beveiliging. Dat vereist onder meer standaardcontracten, zoals een verwerkersovereenkomst, een overeenkomst voor het delen van informatie en wat verder nodig is in het kader van de AVG. De gemeente Den Haag stelt bijvoorbeeld: ‘Gemeente Den Haag garandeert de privacy van burgers en maakt duidelijk voor welke doeleinden data worden gebruikt.’ Verder heeft de gemeente een beleidskader voor informatieveiligheid opgesteld. Onder een soortgelijke categorie valt het waarborgen van de ethische kant. Welke indicatoren en analysen vinden we ethisch verantwoord? Een voorspelling kan ook te veel kracht hebben of ongewenst zijn. Bijvoorbeeld wanneer een model voorspelt welke mensen minder geschikt zijn voor een baan. Wanneer we de uitkomsten daarvan serieus nemen, krijgen deze mensen daadwerkelijk minder kans op een baan. Zelfs wanneer dit model in eerste instantie totaal onzinnig is, zal de voorspellende kracht ervan steeds sterker worden doordat het zichzelf voortdurend bevestigt.

Het goed beheren van data tenslotte is eveneens een voorwaarde. Datamanagement is een cruciale opgave voor organisaties, omdat verspreid binnen de organisatie steeds meer gegevens worden vastgelegd: HR, financieel, cliënten, burgers, de toestand van apparaten en leidingen, de besturing van machines, het onderhoudsniveau van de groenvoorziening, etc. Bij een waterschap was één inspectiedrone in staat om zo uitvoerig een betonnen wand te inspecteren dat meteen de maximum dataopslagcapaciteit van het gehele waterschap was bereikt. Organisaties worstelen daarmee. Data-analisten zijn 80 procent van hun tijd kwijt aan het verzamelen van gegevens, voordat ze kunnen beginnen.

Inflexibel
Een handreiking daarbij is om niet alle data centraal te beheren. Daar wordt een organisatie inflexibel van. Beperk je tot gegevens die voor de organisatie als geheel belangrijk zijn, waar wet- en regelgeving dominant zijn, waar het cruciaal is om één waarheid te hebben. Denk aan data over financiën, HRM, burgers en het functioneren van de primaire processen als geheel.

Daaruit volgt in feite ook de handreiking gegevens ter versterking van specifieke primaire processen decentraal te beheren. Denk aan de besturing van specifieke machines, satellietbeelden die relevant zijn voor het werk van een afdeling. Het nut van deze gegevens voor de betreffende eenheid staat daarin voorop. Wat eveneens handig is, om centraal de principes, regels en richtlijnen voor het werken met data te bepalen en daarbij organisatiebreed afspraken te maken wie welke databestanden beheert. Organiseer ook kennisuitwisseling tussen deze functionarissen. En zorg dat de benodigde applicaties beschikbaar zijn voor data-analyse en -visualisatie.

Directie en bestuur moeten het voortouw nemen om meer datagedreven te gaan werken. Het is vooral een kwestie van beginnen, zorgen dat de olievlek zich verspreidt en gaandeweg leren. Het ligt voor de hand om te beginnen met domeinen waar je het meest buikpijn van hebt. Denk aan het sociaal domein bij gemeenten, met de oplopende tekorten. Daar zijn ook veel data beschikbaar, vanuit het berichtenverkeer, de contractenadministratie, GGD-informatie en open data van het CBS. Maar ook domeinen als duurzaamheid, energie, mobiliteit, een leefbare woonomgeving en de eigen bedrijfsvoering lenen zich er goed voor.

Mark Huiben, managementadviseur bij Vensters
Johan Posseth, managementadviseur bij Vensters
Johan Strieker, programmamanager kennis van de overheid bij Binnenlandse Zaken

Met dank aan: Gert van der Kooij, Walter Huith, Geert-Jan Ketelaar en Ester Baauw.