Datagedreven organisaties leveren meer waarde voor de samenleving

In alle sectoren van de samenleving spelen digitale ontwikkelingen een steeds belangrijkere rol. De coronacrisis zorgt voor versnelde adoptie van digitaal werken. Zowel lokale overheden (smart society), onderwijs- (learning-analytics) als zorginstellingen (e-health) experimenteren met nieuwe technologieën en passen deze, waar mogelijk, toe.

Je kunt er niet omheen. Data analytics, sensordata en algoritmes. Tot enkele jaren geleden vooral voorbehouden aan (grote) bedrijven als Google en Facebook, maar tegenwoordig zien ook (semi)overheden de mogelijkheden van het werken met data. Of het nu gaat om de betaalbaarheid van het sociaal domein, het analyseren van de prestaties binnen de zorg of de maatschappelijke en economische aspecten van de energietransitie.

Van systeemwereld naar leefwereld
Behalve de genoemde vraagstukken hebben overheden en maatschappelijke organisaties ook te maken met veranderende verhoudingen en ander perspectief op beleid. Organisaties moeten nadenken over nieuwe wijzen waarop zij de inwoner, leerling en cliënt betrekken bij hun dienstverlening zonder dat dit leidt tot digitale uitsluiting. Niet alleen de wijze waarop ze dat doen, maar ook het moment is daarbij van belang. De toenemende digitalisering van dienstverlening maakt dat mensen van de overheid verwachten dat zij steeds sneller aan een steeds veranderende behoefte kan voldoen.

Datagebruik: van achteruitkijken naar voorspellen
Voor het vinden van oplossingen voor de genoemde maatschappelijke vraagstukken wordt een steeds groter beroep gedaan op data wat betreft de aard daarvan, de intensiteit van het gebruik en de complexiteit van de analyses. Kenmerkend is ook dat de analyses zich niet beperken tot ‘hindsight’-analyse (feitelijk, van iets wat is voorgevallen of van een bepaalde situatie), maar zich vooral richten op een ‘insight’-analyse (inzicht in verklarende kenmerken, patronen) en waar mogelijk ook een ‘foresight’-analyse (het voorspellen van een toekomstige situatie op basis van de nu beschikbare gegevens). Een voorbeeld:

Voor het vinden van oplossingen voor de genoemde maatschappelijke vraagstukken wordt een steeds groter beroep gedaan op data wat betreft de aard daarvan, de intensiteit van het gebruik en de complexiteit van de analyses. Kenmerkend is ook dat de analyses zich niet beperken tot ‘hindsight’-analyse (feitelijk, van iets wat is voorgevallen of van een bepaalde situatie), maar zich vooral richten op een ‘insight’-analyse (inzicht in verklarende kenmerken, patronen) en waar mogelijk ook een ‘foresight’-analyse (het voorspellen van een toekomstige situatie op basis van de nu beschikbare gegevens). Een voorbeeld:

• De lokale overheid keek bijvoorbeeld voornamelijk naar welke zorg er aan welke inwoner geleverd werd (hindsight).
• Nu kijkt zij naar verklaringen waarom die specifieke zorg wordt geleverd (insights).
• In de (nabije) toekomst gaat diezelfde lokale overheid voorspellen welke zorg er gevraagd gaat worden (foresight), waardoor specifiek beleid gemaakt kan worden en er effectiever en efficiënter zorg ingekocht en geleverd wordt.

Wat is er nodig om met behulp van data oplossingen te vinden voor maatschappelijke vraagstukken?
Voorwaarde 1: Waardecreatie voor inwoner, leerling en cliënt
Allereerst is het van belang dat inwoners, leerlingen en cliënten er vertrouwen in hebben dat gebruik van data voor hen waarde toevoegt. Niet de data, maar de waarde ervan is daarbij het uitgangspunt. Dat brengt met zich mee dat organisaties ook moeten kijken naar ethische en inhoudelijk-causale afwegingen. Hoewel uit data veel is af te leiden, is het niet de oplossing voor alles. Niet alles wat technisch kan, moet je ook willen. Data en algoritmes zijn niet neutraal of waardevrij. Menselijke (onbewuste) vooroordelen tegen algoritmes en zichzelf bevestigende data (meer controle zal tot meer data leiden die bevestigen dat er meer controle nodig is) leiden tot een afname van het vertrouwen in het gebruik van data. Het meest sprekende voorbeeld hiervan is de toeslagenaffaire 1 bij de Belastingdienst. Hierbij werden inwoners met een dubbele nationaliteit extra gecontroleerd ten opzichte van inwoners met alleen de Nederlandse nationaliteit, omdat het algoritme zo was geprogrammeerd.

Allereerst is het van belang dat inwoners, leerlingen en cliënten er vertrouwen in hebben dat gebruik van data voor hen waarde toevoegt. Niet de data, maar de waarde ervan is daarbij het uitgangspunt. Dat brengt met zich mee dat organisaties ook moeten kijken naar ethische en inhoudelijk-causale afwegingen. Hoewel uit data veel is af te leiden, is het niet de oplossing voor alles. Niet alles wat technisch kan, moet je ook willen. Data en algoritmes zijn niet neutraal of waardevrij. Menselijke (onbewuste) vooroordelen tegen algoritmes en zichzelf bevestigende data (meer controle zal tot meer data leiden die bevestigen dat er meer controle nodig is) leiden tot een afname van het vertrouwen in het gebruik van data. Het meest sprekende voorbeeld hiervan is de toeslagenaffaire 1 bij de Belastingdienst. Hierbij werden inwoners met een dubbele nationaliteit extra gecontroleerd ten opzichte van inwoners met alleen de Nederlandse nationaliteit, omdat het algoritme zo was geprogrammeerd.

 

Lees het hele artikel op bmc.nl >