De meeste dataprojecten bij een gemeente beginnen met de vraag: wat willen we weten? Maar dat zou volgens Tom Pots moeten zijn: wat willen we bereiken? Vaak zijn de doelen niet duidelijk, abstract of zelfs afwezig. ‘Ik heb gemerkt dat als je niet weet wat je wilt bereiken, je zeker niet weet wat je wilt weten en dan is de kans op goed gebruikte data-analyses heel klein.’
Tom Pots is bij de gemeente Zaanstad sinds 2016 ‘trekker datagestuurd werken’. Als je gaat starten met datagestuurd werken dan is een belangrijke les uit Zaanstad: creëer een gemeenschappelijke taal. ‘Allerlei termen werden in het begin door elkaar gebruikt, zoals big data, datagestuurd werken, data science, machine learning, onderzoek & statistiek, business intelligence.’
Een belangrijke eerste stap was stoppen met de term big data. ‘Omdat big data vooral gericht is op voorspellende modellen en het woordje big voor ons eigenlijk niet relevant is. Ook als iets niet als big data getypeerd kan worden kun je er relevante inzichten uit halen. We hebben gekozen voor datagestuurd werken omdat dit meer gericht is op het gebruiken van praktische data-analyses in je dagelijkse werk. De volgende vraag is wat betekent datagestuurd werken voor ons?’
Lees nu het digitale magazine
Model van Gartner
Datagestuurd werken in Zaanstad is gebaseerd op het model van Gartner: beschrijvende (wie, wat, waar, hoeveel), diagnosticerende (waarom), voorspellende (wat kan verwacht worden) en voorschrijvende (aanbevelingen) data-analyses gebruiken in het dagelijkse werk, om de doelen op maatschappelijke vraagstukken beter te kunnen realiseren. Tom: ‘Dat verhaal heb ik misschien wel 700 keer verteld in de afgelopen jaren. Bij elke training, workshop en bijeenkomst beginnen we met wat datagestuurd werken is. Continu dezelfde termen gebruiken, die iedereen begrijpt en daarna ook overneemt.’
Pots beschrijft in Datagestuurd werken: een veranderkundige aanpak hoe het model van Gartner werkt bij fraude:
- Beschrijvende analyse: Wie fraudeert, waar komt het voor en wat is de omvang van fraude?
- Diagnosticerende analyse: Wat zijn de oorzaken van deze fraude, waarom doen mensen het en hoe doen ze het?
- Voorspellende analyse: Kunnen we voorspellen waar fraude gaat plaatsvinden en wat zijn voorspellende risicoprofielen van personen en situaties?
- Voorschrijvende analyse: Welke aanbevelingen kunnen we professionals concreet geven om fraude te voorkomen?
Grootste valkuil
Pots heeft in de afgelopen jaren veel ervaring opgedaan met datagestuurd werken en wil andere gemeenten waarschuwen voor de grootste valkuil. ‘Dataprojecten starten vaak op basis van het spel van vraag en aanbod. Een team of afdeling wil iets weten en het datateam zegt: dat gaan we maken. Maar de stap daarvoor is dat het team of afdeling weet wat ze willen bereiken. Als datateam in Zaanstad zijn we daar constant mee bezig. Het is een reflex om bij een vraag direct aan de gang te gaan en data te leveren en analyseren. Dat doen we dus niet, het begint altijd bij concrete doelen op het voorliggende maatschappelijke vraagstuk. Als het team of afdeling de doelen niet scherp heeft, dan gaan we niet van start.’
‘Als je niet weet wat je wilt bereiken, weet je zeker niet wat je wilt weten’
– Tom Pots, trekker Datagestuurd Werken ZaanstadDoelen, data, handelen
Sturen en handelen met data begint volgens Pots met drie vragen.
- Doelen: wat willen we bereiken?
- Data: wat willen we weten?
- Handelen: wat is het handelingsperspectief van de analyse, oftewel wat ga je ermee doen?
De eerste vraag voor elk team binnen de gemeente is dus de doelen specifiek benoemen. Vervolgens bekijken wat het team wil weten om deze beter te kunnen realiseren. Ten slotte is het de vraag wat het handelingsperspectief is van de analyse. ‘Ik zie vaak mensen vragen om analyses waar ze eigenlijk niets mee kunnen. Het is daarom goed om aan de voorkant te bepalen wie, wanneer, op welke manier de analyses gaat gebruiken. Als er geen handelingsperspectief is, dan moet je er überhaupt niet aan beginnen. Dat is zonde van al het werk.’
Data Lab
In Zaanstad worden elk jaar de ambities voor datagestuurd werken aangescherpt, inclusief de beoogde resultaten en wie het gaat realiseren. Een van de ambities is het Data Lab. Een methodiek om oplossingen te vinden voor complexe vraagstukken, op basis van data die zich niet laten vangen door de grenzen van een organisatie. Het lab is binnen een paar jaar uitgegroeid tot een samenwerkingsverband met organisaties zoals gemeenten, woningcorporaties, GGD, zorginstellingen, UWV, scholen en politie. Per maatschappelijk vraagstuk bepalen de verschillende partijen zelf of deelname zinvol is. Ook in de Data Labs wordt altijd gestart met de doelen van de deelnemende partijen op het voorliggende vraagstuk. Worden de doelen niet scherp dan stopt het Lab.
Data-applicatie ondermijning
Bekend voorbeeld waar Zaanstad, samen met Shinto Labs, concreet datagestuurd aan werkt is de ondermijningsapplicatie. Functioneel is de applicatie gereed, binnen een paar maanden moet de definitieve versie gaan draaien. ‘Een prototype maken gaat heel snel en makkelijk en is heel leuk om te doen,’ aldus Pots, ‘maar een volwaardige data-applicatie maken is monnikenwerk en serieus ingewikkeld. De grote uitdaging is om structureel goede data in de data-applicatie te krijgen.’
Maar er is licht aan het einde van de tunnel. In de komende maanden worden de laatste twee datasets, van het Kadaster en de Kamer van Koophandel, geïntegreerd. ‘We hebben de ambitie om de data-applicatie voor ondermijning niet alleen voor onszelf te maken, maar ook voor andere gemeenten in Nederland. Als de applicatie eenmaal draait is het doel dat in 2021 drie gemeenten de applicatie gaan gebruiken en het jaar daarop tien.’
Tien datalessen
Tot slot de tien belangrijkste datalessen van Zaanstad op een rij:
- Haal inspiratie van buiten, begin klein en sluit aan op wat de organisatie aan kan.
- Creëer een gemeenschappelijke taal.
- Start bij de juiste analyse (beschrijvend, diagnosticerend of voorspellend).
- Creëer een paar successen en bouw daar een krachtig verhaal omheen.
- Creëer ruimte door de hele organisatie te laten kiezen voor data.
- Ontwikkel een middel om complexe vraagstukken aan te pakken op basis van data, zoals het Datalab.
- Organiseer capaciteit: met een datasetatelier die data ontsluiten en data-analyseteam die data analyseren.
- Ontsluit in samenhang alle beschikbare data en visualiseer die in dashboards.
- Doe het leren & inspireren niet alleen, maar altijd over grenzen van de organisatie heen.
- Stapel lokale verbeteringen team voor team om als gehele organisatie meer datagestuurd te worden.
Geef een reactie