Hoe zet je als gemeente stappen in datavolwassenheid?

Noodzaak om te sturen op basis van data steeds groter

Voor gemeenten wordt de noodzaak om te sturen op basis van data in deze tijd van meer vraag en oplopende kosten alleen maar groter. Er is bij gemeenten een schat aan informatie beschikbaar, bijvoorbeeld binnen het sociaal domein. Analyse van deze gegevens zorgt voor geobjectiveerde inzichten en kan helpen bij het proactief sturen op (financiële) ontwikkelingen. Toch wagen nog maar weinig gemeenten zich aan deze analyses. Met een gerichte aanpak is het mogelijk in korte tijd data-inzichten te krijgen. In dit artikel lichten wij dit nader toe.

Hoewel het bewustzijn om te sturen op basis van data groeit, blijkt in de praktijk dat de informatievoorziening vaak nog onvoldoende op orde is. Registratie van gegevens is vaak niet volledig, heldere definities missen, IT-systemen sluiten niet goed op elkaar aan en de frequentie waarin data aangeleverd en getoond kan worden is vaak laag. Zo blijft een deel van de data onbenut. En dat is een gemiste kans! 

Medewerkers van beleid, control en het management kunnen ervaring opdoen in het werken met data en deze inpassen in besturings- en ontwikkelprocessen. Bovendien wordt dan duidelijker welke ontwikkelingen rond informatisering (techniek, data en organisatie) nodig zijn om verdergaande toepassing van data te bereiken, zoals voorspellende analyses. 

Vier niveaus van datavolwassenheid

Hoe kunnen gemeenten deze situatie verbeteren? Belangrijk is dat beleidsmedewerkers, controlmedewerkers en het management ervaring opdoen met het werken met data en dat zij data inpassen in hun besturings- en ontwikkelprocessen. Zo wordt ook duidelijker welke ontwikkelingen op het gebied van informatisering – techniek, data en organisatie – nodig zijn om te komen tot meer complexe data-toepassingen, zoals voorspellende analyses. De ontwikkeling naar proactief sturen op basis van data-inzichten verloopt grofweg langs vier niveaus van datavolwassenheid. Daarbij nemen het model zoals ontwikkeld door Gartner als uitgangspunt. De indeling in vier niveaus helpt bij het bepalen van het huidige kennisniveau, het maken van bewuste keuzes en de afweging welke data-inzichten het beste helpen bij het oplossen van vraagstukken. De niveaus laten zich in het kort karakteriseren als: weten, begrijpen, voorspellen, bepalen. We laten zien: 

• hoe bestaande processen verrijkt kunnen worden met data-inzichten en passende informatieproducten. 
• welke zaken ‘op orde’ moeten zijn. 
• welke bereidheid nodig is om de data-inzichten onderdeel te laten zijn van besturings- en ontwikkelprocessen. 

De praktijk bij gemeenten

Alle gemeenten beschikken over data-inzichten op het niveau van ‘weten’ en ‘begrijpen’. De stap naar analyses met voorspellende waarde blijkt vaak een grote, zeker in het sociaal domein. Binnen dit domein worden veel data niet verzameld met het doel ze grootschalig te analyseren. Bovendien gaat het om mensenwerk in het sociaal domein. Dat maakt gemeenten terughoudend om de werkelijkheid ‘te vangen’ in een algoritme. Dat geldt ook voor vierde niveau van data-inzichten. Voor veel gemeenten is dit nog toekomstmuziek of ‘een brug te ver’.

Aan de slag met data-inzichten op verschillende niveaus

Weten

Vrijwel alle gemeenten ‘weten’ met behulp van data waar ze mee bezig zijn en waar ze staan. Met behulp van periodieke rapportages uit processystemen weten ze hoeveel instroom en uitstroom heeft plaatsgevonden, hebben ze inzicht in de uitputting van budget en weten ze de wachttijd van de vorige maand. Vaak zijn dit afzonderlijke lijstjes waarbij de definities van vergelijkbare gegevens niet altijd eenduidig zijn.

Het proces van informatievoorziening maakt het mogelijk om rapportages te maken. Maar dan moeten de belangrijkste gegevens consequent worden ingevoerd en moeten er procesbeschrijvingen en werkinstructies zijn om gegevens consequent en met dezelfde definitie vast te leggen. Gemeenten controleren dit vaak niet, dus dit kan nog wel eens fout gaan. Het gegevensbeheer is over het algemeen per applicatie belegd bij de functioneel beheer of een ‘super-user’. Afstemming met andere disciplines over gegevensbeheer is vaak hoogstens op functioneelniveau geregeld. Een aanpak om gegevens technisch op elkaar aan te laten sluiten ontbreekt.

Het gebruik van data-inzichten kenmerkt zich tot het periodiek bij ‘de stukken’ voegen van de overzichten en rapportages. Gevolg is dat een afwijking van de verwachting pas wordt vastgesteld nadat deze zich heeft voorgedaan. Bijsturen gebeurt achteraf op basis van de gerapporteerde gegevens. 

Begrijpen

Door bepaalde bronnen logisch met elkaar te combineren ontstaat inzicht in afhankelijkheden. Gemeenten kunnen een stijging van instroom verklaren door ontwikkelingen in bijvoorbeeld de inkomensontwikkeling in een wijk. Het gebruik van dashboards is bij uitstek geschikt om dit soort logische verbanden inzichtelijk te maken. De wisselwerking tussen data-inzichten en het vermogen van inhoudelijke professionals om het ‘verhaal bij de getallen’ te vertellen, leidt tot begrip bij een organisatie over waarom bepaalde zaken gebeuren.

De informatisering kenmerkt zich door een voldoende en constante gegevenskwaliteit als gevolg van goed geïmplementeerde registratieafspraken in de processen én het vermogen om verschillende brondata bij elkaar te brengen. Definities in verschillende registraties over vergelijkbare grootheden (bijvoorbeeld ‘gezin’) zijn eenduidig. De drijvende kracht hierachter is organisatiebreed gegevensmanagement dat uitgangspunten in de processen bewaakt en expertise heeft in het hanteren van verschillende databronnen. BI-tooling en de expertise om deze gebruiken is voorhanden in de eigen organisatie of bij een servicepartner (een samenwerkingsverband of een dienstverlener). Ook de techniek is gericht op verbinding; applicaties zijn met elkaar verbonden en het gegevensmanagement is in staat om dagelijks alle relevante applicaties volgens beveiligingsafspraken ‘leeg te trekken’. De Functionaris Gegevensbescherming (FG) is een vanzelfsprekend lid van het team dat een data-project uitwerkt en maakt bij de start ervan een privacy-statement waarin het gebruik van persoonsgegevens wordt verantwoord.

Het werken met dashboards geeft een impuls aan het werken met indicatoren en daarmee aan de concretisering van ambities en doelen. De data-inzichten zijn een vast onderdeel van de digitale werkomgeving van beleidsmedewerkers en management, uiteraard passend bij hun behoefte aan inhoud, overzicht en actualiteit. Daarnaast zijn beleidsstukken en besluitdocumenten standaard voorzien van een data-onderbouwing met duiding.  Er wordt gestuurd met data, omdat de problematiek wordt begrepen.

Voorspellen

Door het modelleren van trends en ontwikkelingen met behulp van data, wetenschappelijke inzichten en expertise van professionals kunnen gemeenten vraagstukken met diverse variabelen en invalshoeken ‘doorrekenen’. Proactief (preventief) sturen staat centraal. Dit gaat verder dan het eenvoudig extrapoleren van een ontwikkeling naar de toekomst. Er wordt gekeken naar indicatoren met een voorspellende waarde zoals demografische ontwikkelingen, het armoederisico, de inkomenssituatie en de samenstelling van huishoudens. De wisselwerking tussen data en uitkomst -de werking van het algoritme- is uitlegbaar en beschreven.

Het niveau van informatisering is hoog, met een sterke digivaardigheid en vertrouwdheid met het werken met data op alle niveaus in de organisatie. Gegevens uit de interne en externe bronprocessen zijn direct beschikbaar in data-omgevingen zoals een data warehouse. Expertise en tooling rond data-science-toepassingen (machine learning) zijn beschikbaar. Algoritmen zijn gedocumenteerd en gewogen op basis van een ethisch kader.

Het werken met voorspellende modellen doet een toenemend beroep op het vermogen van management en medewerkers om zich te verhouden tot de data-realiteit. Om af te wijken van de voorspelling uit het model, moet je van goede huize komen. Waar dat in de niveaus van ‘weten’ en ‘begrijpen’ een ondersteunende rol hadden, zijn ze nu het vertrekpunt voor beleidskeuzes en sturingsbeslissingen. In de politieke context van een gemeente is dat niet altijd eenvoudig, maar zorgt wel voor een zuiverder gesprek over ideologische keuzes.

Bepalen

Op het niveau van ‘bepalen’ zoeken gemeenten naar data-inzichten, die hen helpen om ontwikkelingen in de toekomst te beïnvloeden. Bijvoorbeeld door simulaties te bouwen rond het beïnvloeden van variabelen. Deze vorm van data-analyse wordt het sociaal domein nog weinig gebruikt; er is vaak nog voldoende te ontwikkelen op het niveau van ‘begrijpen’ en ‘voorspellen’. Toch geven we hier een kort voorbeeld van hoe een simulatie eruit zou kunnen zien. Wat is bijvoorbeeld de invloed op het beroep op jeugdhulp in een wijk als het inkomensniveau van gezinnen met een bepaald percentage stijgt? Professionals kunnen zich dan vervolgens richten op de vraag hoe ze dit inkomensniveau doelmatig kunnen verbeteren en hoe zich dit verhoudt tot de voorspelling. De analyses gebeuren op dit niveau met behulp van nog meer - ook ongestructureerde- bronnen en variabelen in de vorm van machine learning en deep learning. Het algoritme laat zien / schrijft voor welke maatregelen de doelen bereikt kunnen worden. Variabelen die gemeenten niet had kunnen of willen bedenken kunnen leiden tot een confrontatie met een ongemakkelijk handelingsperspectief. 

Welk niveau van datavolwassenheid is er binnen uw organisatie?

Om te bepalen welk niveau van datavolwassenheid binnen uw organisatie van toepassing is, hebben we een handige scan ontwikkeld. In deze scan nemen we u mee langs 6 belangrijke thema's, per thema kunt u een inschatting maken waar uw organisatie staat en wat dat betekent voor de toepassingsmogelijkheden van data-inzichten.

Download de scan