Datagedreven werken en iets met wijn en zakken…

6 min

Ik spreek veel gemeenten die willen starten met datagedreven werken. Misschien kan jij je de verwarring voorstellen wanneer ik deze gemeenten direct feliciteer met hun behaalde succes.

“Euh Joost, we moeten nog beginnen hoor!” krijg ik dan vaak vanuit een verward kijkende gesprekspartner terug. Waarop ik met een vrolijke glimlach antwoord: “Nee hoor, je werkt al datagedreven vanaf de allereerste dag dat deze gemeente bestaat”.

Informatieverwerkend

Ok, ok, hier is wat uitleg nodig. Maar feitelijk is het - zoals altijd - heel eenvoudig en wederom geen raketwetenschap. In de basis is een gemeente simpelweg een informatieverwerkend bedrijf. Laten we daarvoor eerst even snel een excursie maken naar de wondere wereld van definities. De logica is als volgt:

Je hebt een bak met gegevens (feiten), bijvoorbeeld over hoeveel inwoners je gemeente heeft. Vervolgens ga je die gegevens een kenmerk geven. Mannen krijgen een 0, vrouwen krijgen een 1. Door je gegevens te kenmerken, creëer je data. Deze data ga je gebruiken (interpreteren) door bijvoorbeeld een brief uit te sturen naar alle mannen, dus naar alle nullen (sorry mannen). Door het interpreteren zet je de data om naar informatie.

Dus:

Een gegeven is een feit. Data is een gegeven met een kenmerk. Informatie is geïnterpreteerde data - einde excursie.

Op basis van het bovenstaande weet elke gemeente direct dat zij dus inderdaad al sinds jaar en dag op deze basis werkt. Datagedreven dus. Hier zie je dat het wederom een kwestie is van dondersgoed lezen, schrijven en weten wat je wil.

Datagedreven of geavanceerd?

Een gemeente die tegen mij zegt: “Wij willen datagedreven gaan werken” zegt eigenlijk: “Wij willen op een meer geavanceerde manier dan nu, datagedreven, gaan werken”.

Natuurlijk kan je meteen roepen: “Ja, maar wat maakt het nu helemaal uit? Dat is alleen maar een nuanceverschil en een kwestie van semantiek”. En dát is nu net niet waar. Want wat is namelijk het gevolg van het bovenstaande? Dat een gemeente zich - zoals zo vaak - weer gaat richten op de ‘hoe’ vraag zonder zich af te vragen ‘waarom’.

En tot overmaat van ramp wordt datagedreven werken niet gepresenteerd als een meer geavanceerde manier van werken dan men toch al deed. Maar het wordt geïntroduceerd als zijnde iets nieuws.

Iets met die wijn en die zakken én een Ferrari

En dat brengt ons bij de tweede excursie. Want in het cliché van het spreekwoord over ‘die wijn en die zakken’ ligt de meest prachtige metafoor waarom dit zo belangrijk is.

Zou datagedreven werken gepresenteerd worden als oude wijn in nieuwe zakken (iets wat we dus al deden, maar wat we nu meer geavanceerd gaan doen) dan zou het goed gaan.

Maar het probleem hierbij is: dat verkoopt niet lekker. Want dan zegt een gemeente: “Het gaat mij erom dat ik van A naar B kan op een goede en betrouwbare manier, dus als dat met een degelijke Volvo kan, waarom zou ik dan een Ferrari kopen?”

Dus presenteren we datagedreven werken liever als nieuwe wijn in oude zakken (iets nieuws doen gebruikmakend van nieuwe technieken, maar wat wel in de bestaande organisatie past). Dat lost het verkoopprobleem op, want ja, je hebt die nieuwe snelle glimmende Ferrari nodig en het past toch perfect bij jouw behoefte om van A naar B te komen? Alleen is dit dus niet waar. Want:

Stopte je vroeger (in de oudheid) nieuwe wijn in oude zakken, wat gebeurde er dan? De wijn ging verder gisten, de rek was uit de oude leren zakken met tot gevolg dat de zak scheurde en de wijn weglekte.
Even terugkomend op die Volvo. Gaat jouw route van A naar B over het wegennet in Nederland (met een max snelheid van 100km p/u) dan gaat dat prima. Doe je dat met die Ferrari, dan rijd je vanzelf de motor in de prak. Een Ferrari is gebouwd voor snelheid en scheur je niet met grote regelmaat over een circuit, dan kan je jaarlijks voor een leuk bedrag je motor laten reviseren. Want ja, een Ferrarimotor gaat stuk aan te langzaam rijden.
Denk jij de meest geavanceerde technieken van datagedreven werken in jouw organisatie te kunnen implementeren, zonder dat je de organisatie fors moet aanpassen? Dan wordt het een verhaal van de nieuwe wijn en de oude zak. Datagedreven werk gaat ‘gisten’ en je organisatie ‘scheurt uit elkaar’, want je organisatie heeft niet de ‘rek’ om zonder een hele gedegen voorbereiding met een radicaal nieuwe manier van werken om te gaan.

Veelal is dit het punt waarop mijn gesprekspartner de terechte vraag op tafel gooit: “Maar hoe dan wel? Want als we het allang doen, waarom springen we dan op deze trein?”

Ok. Hoe dan wel?

Mijn antwoord is dan altijd tweeledig. Op de eerste plaats komt het ‘waarom je op deze trein wil springen’ - mijns inziens - puur en alleen doordat we maatschappelijk gezien van al deze ontwikkelingen een hype maken. Hierdoor worden we steeds gevoeliger voor de modekreten en ontstaat het beeld dat we mee moeten doen, omdat we anders achterblijven.

Op de tweede plaats, trakteer jezelf bij nieuwe hypes op een gezonde portie vragen:

“Waarom zou ik dit willen?” én
“Wat zou ik dan willen?”

Het antwoord op de ‘waarom’ vraag is vaak heel nobel. Want dit zit meestal direct of indirect geworteld in de behoefte om een nog betere dienstverlening aan de inwoner te leveren. Direct door de inwoner sneller te helpen. Indirect doordat een meer effectieve en meer efficiënte bedrijfsvoering leidt tot lagere apparaatskosten, zodat het bespaarde geld ten goede kan komen aan de dienstverlening. Dus chapeau! Een mooiere ‘waarom’ is er volgens mij niet.

En ‘wat’ dan?

Het antwoord op de ‘wat’ vraag wordt vaak lastiger. Simpelweg omdat hier nog niet echt over nagedacht is. Of - om het woord maar eens van stal te halen - omdat er nog geen strategie is ontwikkeld op ‘wat’ de gemeente met datagedreven werken wil. Maar gelukkig zijn hier hele mooie hulpmiddelen voor. Zelf ben ik voor dit vraagstuk groot fan van het datamodel van Gartner.

gartner

Ook dit model dient weer twee doeleinden. Enerzijds geeft het inzicht in de datavolwassenheid van een organisatie. Anderzijds is dit een uitstekende kapstok voor inzicht in de ‘wat’ vraag én zelfs de ‘hoe’ vraag.

Datavolwassenheid in de kinderschoenen

Veel gemeenten komen bij dit model al snel tot de conclusie dat zij qua datavolwassenheid nog helemaal aan het begin staan. De spreekwoordelijke kinderschoenen vliegen bij dit punt als warme broodjes over de toonbank. En wil je daar bewijs van? Kijk dan maar eens naar de huidige rechtmatigheidsverantwoording en de geconstateerde afwijkingen.

Voor de rechtmatigheidsverantwoording moet simpelweg gecontroleerd worden of al het werk uit het afgelopen jaar heeft voldaan aan wet- en regelgeving. Bijvoorbeeld: van alle inkopen zijn de dossiers nodig om te zien wat er is gebeurd. Er wordt dus feitelijk een beschrijvende analyse gemaakt van de inkopen - fase 1 van Gartner. En bij geconstateerde afwijkingen moet geanalyseerd worden waarom het is misgegaan. Met andere woorden waarom het is gebeurd - fase 2 van Gartner.

Ga nu bij je eigen organisatie maar eens na hoe makkelijk, of hoe moeilijk, het is om alle informatie (dus alle data - inkoopdossiers - die je gaat interpreteren) überhaupt boven tafel te krijgen. Dan heb je meteen een beeld bij de datavolwassenheid van je organisatie. En daarbij geldt: hoe lager je datavolwassenheid, hoe minder geschikt je bent voor meer geavanceerde vormen van dataverwerking.

Kies één van de vier stadia

Dus voor de ‘wat’ vraag kan je als gemeente simpelweg kiezen uit één van de vier stadia. Wil jij data beschrijvend, diagnosticerend, voorspellend of voorschrijvend kunnen gebruiken?

Wees hierbij reëel, in de zin van wat je echt nodig hebt. Natuurlijk klinkt het heel aanlokkelijk om meteen te roepen “op termijn willen wij voorschrijvende analyses”, maar; A) Zover is nog nagenoeg niemand. B) Dit kost meer tijd, energie en geld dan een gemeente beschikbaar heeft. C) Heb je het nodig om je bedrijfsvoering en dienstverlening goed uit te kunnen voeren?

Een reële gemeente komt al snel tot de conclusie dat haar maximum bij voorspellende analyses ligt. Maar dat zij daarvoor wel eerst nog een strategie moet ontwikkelen om fase 1 en 2 uit het model naar volwassenheid te brengen, voordat zij over fase 3 gaat nadenken.

En dan is de ‘hoe’ vraag ook simpel

En nu wordt de ‘hoe’ vraag ook eenvoudig - denk eraan: Houd het simpel! Want als we constateren dat we voorspellende analyses willen, dan kunnen we door om ons heen te kijken, meer dan genoeg bedrijven en overheidsinstanties vinden die al honderd jaar voorspellende data-analyses gebruiken. Dus we hoeven ‘voorspellende analyses’ niet te koppelen aan de meest geavanceerde instrumenten zoals Block-chain, AI, AGI en ga zo maar door.

Daarbij geldt voor ‘voorspellende analyses’ nog altijd dat hier algoritmen onder liggen die gebaseerd zijn op wiskundige modellen en statistiek. En dan zijn de ‘oudjes’ zoals Excel en SPSS weliswaar niet meer het meest geavanceerd, maar voor gemeentelijke doeleinden nog meer dan goed genoeg. Want voor dataverwerking (en datagedreven werken is feitelijk niets anders dan dat) is de kwaliteit van je data honderdduizend keer belangrijker dan je analysetool.