Datageletterdheid – Stap 2: Betrouwbare data

In deze reeks artikelen laat ik je zien hoe datageletterdheid centraal staat in het proces van datagedreven werken. Elke twee weken post ik een artikel en neem je daarin stap voor stap mee in het belang van datageletterdheid binnen datagedreven werken. In mijn vorige artikel lees je meer over stap 1: strategie en visie. Vandaag behandel ik stap 2: betrouwbare data.

Op basis van de data-strategie en data-visie worden structuur en processen opgesteld en ontwikkeld. In samenhang met de technologie en systemen worden de primaire werkprocessen en werkprocedures opgesteld voor de uitvoering. Als je dit allemaal goed inricht, ontwikkel je betrouwbare data. Helaas gaat het nog wel eens mis.

Als er onjuist data wordt geregistreerd omdat degenen die dit doen geen besef hebben waarom het zo belangrijk is om data goed te registreren, creëer je een dataset die onjuist en onvolledig is. Als je verder in het proces van datagedreven werken deze data gebruikt door de data te ontsluiten uit de bronsystemen, eventueel via een datawarehouse, en visualiseert in rapportages en dashboards en beslissingnemers en beleidsmakers gaan hier mee aan de slag… Dan maken zij beslissingen en stellen zij beleid op, op basis van onjuiste informatie. Het risico hierbij is dat er op basis van gebrekkige, onjuiste en onbetrouwbare informatie gehandeld en gestuurd wordt, terwijl de beslissingnemers en beleidsmakers er van uit gaan de waarheid in data en cijfers voorgespiegeld krijgen.

Hoe zorg je ervoor dat er juiste data wordt geregistreerd?

Hoe datageletterder de medewerkers zijn hoe groter het besef en bewustzijn zal zijn in het registreren van de data. Op die manier voorkom je de bekende woordspeling ‘garbage-in = garbage-out’. Vanuit beleidsmedewerkers en vanuit het MT is het belangrijk dat de uitvoering meegenomen wordt in de vervolgstappen nadat de uitvoering de data heeft geregistreerd. Als zij meegenomen worden in het besef dat een juiste dataregistratie van cruciaal belang is, zullen zij nauwkeuriger te werk gaan. Het uitvoerende werk van registreren is niet minder belangrijk werk maar een belangrijke factor om iets te kunnen zeggen over de betrouwbaarheid van de data. Betrek in multidisciplinaire data-teams dus ook altijd iemand die zich bezighoudt met de data-registratie. Diegene kan je vertellen hoe de data wordt geregistreerd. Betrek daarnaast ook een kwaliteitsmedewerker of iemand die deze rol op zich neemt. Op die manier kun je uniform, op basis van de opgestelde processen en de output (data), iets zeggen over de kwaliteit van de data. Zorg er naast het menselijke aspect ook voor dat je optimaal de techniek de faciliterende rol laat uitvoeren. Voorkom zoveel mogelijk open velden in registratiesystemen en verplicht bepaalde velden zo veel mogelijk, houd bij meerkeuze-antwoorden de mogelijkheid om enkele specifieke antwoorden te kiezen waarin een treffend antwoord is opgenomen. Op die manier voorkom je dat het gros op ‘overig’ wordt geregistreerd. Borg het geheel door een helder en concreet werkproces te ontwikkelen en laat het het nut en het gebruik hiervan regelmatig door een kwaliteitsmedewerker toetsen.

Hoe meet je de datakwaliteit?

Met behulp van een dashboard kun je de kwaliteit van de data beoordelen. Hierbij is het belangrijk dat je als organisatie eerst bepaalt welke definitie(s) je koppelt aan kwaliteit. Moet volgens jou bijvoorbeeld 95% van de data aanwezig zijn om van voldoende kwaliteit te kunnen spreken? En stel je wilt als gemeente de kwaliteit van de zorgdata beoordelen, specifiek de jeugdzorg-data, hoe pak je dat dan aan? Om als gemeente te bepalen of je wel of niet aan de slag gaat met een = POH’er (praktijkondersteuner huisarts) wil je inzichten hebben over het verwijsgedrag van de huisartsen binnen jouw gemeente. Je wilt onder andere weten hoe vaak welk typ zorg bij hoeveel cliënten door zorgaanbieders verleend is, die verwezen zijn via de huisarts en via overige verwijzers. Nu zijn er al wel vaker data-analyses uitgevoerd met jeugdzorg-data, er is zelfs een dashboard, en je weet als beleidsmedewerker dat er 100 cliënten binnen jeugdzorg zijn. Dit zie je ook terug in het dashboard. Je vraagt de BI-ontwikkelaar (na uiteraard een netjes informatiebehoeften-proces, hier later in een andere blog meer over), om ook een tabel in het dashboard op te nemen met het verwijsgedrag. Allereerst in % en in aantallen. Je ziet hierin dat 50% van alle cliënten via de huisarts is verlopen. (We staan in dit voorbeeld niet stil bij trajecten, stapeling, type zorg, duur, kosten, zorgpaden, onderaannemerschap en tientallen andere ‘juicy’ variabelen.). In aantallen zie je dat de som optelt tot 60 cliënten. Vreemd toch? Want we hebben immers 100 cliënten. Die 100 cliënten hebben we goed in beeld en we hebben via verschillende rapportages meermaals verantwoording over af gelegd en inzicht in ontwikkeld. Jij bent datageletterd en constateert dat hier wellicht iets aan de hand is. Zonder direct beleid op te stellen of business-cases te bouwen om aan te tonen dat een POH’er van toegevoegde waarde kan zijn, ga jij eerst kritische vragen stellen. Je kaart je constatering aan bij de BI-ontwikkelaar: hoe kan het dat we 100 cliënten hebben terwijl ik er in de verwijzingstabel 60 terugzie? = Samen constateer je dat er 40 ‘gaten’ in de data zitten, er is namelijk bij 40 cliënten geen data geregistreerd over de verwijzer. Blijkbaar is dit geen verplicht veld. Dit is wel nodig voor jou om tot de benodigde inzichten te kunnen komen. Samen met kwaliteitsmedewerkers, financiën, contractmanagers en met IT (samenwerking met afdelingen) heb je het voor elkaar gekregen dat aanbieders voortaan verplicht worden om via het berichtenverkeer het veld over ‘verwijzers’ in te vullen, anders wordt de factuur simpelweg niet betaald. In een volgende analyse zijn er 96 cliënten met data over het verwijsgedrag. Samen met jouw collega’s heb je bepaald dat er geen vaste percentages aan de kwaliteit van de data gehangen kunnen worden. Want je mist met 96 cliënten er vier, en deze vier zijn in aantallen erg weinig t.o.v. de 100 maar in kosten zouden deze vier meer kosten kunnen dragen dan de 96 alleen.

De conclusie van dit voorbeeld is dat je als datagebruiker de beoordeling van de kwaliteit niet helemaal over kunt laten aan de techniek. Je zet de techniek in als een faciliterend middel. Vervolgens combineer je dit met jouw instinct/gevoel, domeinkennis en datageletterdheid om tot een analyse te komen. Laat de techniek de activiteiten in processen snel controleren en toetsen op vooropgestelde normen en kaders om vervolgens middels een stoplichtsysteem of vlaggetjessysteem jou proactief te laten signaleren. Op die manier kun jij deze afwijkingen verder onderzoeken, toetsen en analyseren. Om vervolgens kritische vragen te stellen, het gesprek aan te gaan met de juiste persoon en keuzes te maken of beslissingen te nemen. Samenwerken met collega’s van andere afdelingen, de juiste vragen kunnen stellen, een kritische blik hebben en aan de bel trekken valt onder het aspect communiceren van de vier aspecten van datageletterdheid: data lezen, er mee werken, het analyseren en erover communiceren.

Meer weten?

Wil je meer weten over datageletterdheid en datagedreven werken? Of ben je benieuwd naar alle stappen binnen het proces van datagedreven werken? Download dan de gratis whitepaper ‘Datageletterdheid & Datagedreven werken: voor niet technische mensen’.

Wil je meteen al aan de slag om je eigen datageletterdheid en je kennis over datagedreven werken te vergroten? Vraag dan een gratis demo aan van onze E-learning datageletterdheid & datagedreven werken: de basis. Dit kan via Academy@vandamoosterbaan.nl.

Wil je contact met mij om even te sparren over datageletterdheid of datagedreven werken? Bel me gerust op 085- 112 4371 of stuur me een mail via peterfrans@vandamoosterbaan.nl.