De kern in het kort
- Root cause analysis (RCA) onderscheidt het zichtbare probleem en de symptomen van de onderliggende oorzaak, en legt een causaal verband tussen oorzaak en probleem.
- Een RCA telt vier stappen: het probleem identificeren, de tijdlijn bepalen, de hoofdoorzaak scheiden van andere oorzakelijke factoren en het causale verband opstellen.
- Sturen op één KPI, zoals het aantal jongeren dat aan het werk is geholpen, leidt tot terugval van groepen die niet duurzaam aan het werk kunnen blijven.
- ‘De doelgroep’ bestaat niet: zoek relevante subdoelgroepen en intervenieer per subgroep met kleine PDCA-cycli die aantoonbaar werken.
- Targets kun je niet alleen van bovenaf opleggen; je moet ze mede afleiden uit de data.
Wat is root cause analysis?
Root cause analysis (RCA), of oorzaakanalyse, is een methode om een zichtbaar probleem stap voor stap terug te voeren op de onderliggende oorzaak, zodat je de oorzaak oplost in plaats van de symptomen bestrijdt.
Het eerste deel van de NPRZ-case beschreef hoe de partners in het Nationaal Programma Rotterdam Zuid mensen weer richting werk begeleiden. Maar het gaat niet alleen om mensen aan het werk helpen: het gaat erom ze aan het werk te houden. Daar komen datagedreven werken en root cause analysis in beeld.
Het probleem van één KPI
Hanteer je ‘het aantal jongeren dat aan het werk is geholpen’ als enige KPI (de Plan-fase van de PDCA-cyclus) en richt je daar al je acties op (Do), dan ontstaat er een probleem. Je probeert dan ook mensen met verslavingsproblematiek of zonder vast verblijfadres aan een baan te helpen. Maar mensen met een verslaving, een complexe thuissituatie of zonder dak boven hun hoofd vallen uit. Van deze groep weet je gewoon dat ze binnen de kortste keren weer in de WW of bijstand zitten.
Hoe dikker de stroom mensen die terugvalt in een uitkering, hoe kleiner de populatie voor wie je netto werkelijk iets betekent. Dankzij data en de presentatie van de echte, integrale cijfers kunnen betrokkenen begrijpen hoe alle bewegingen naar werk of school en alle terugvalmechanismen in elkaar steken. De metingen laten precies zien welke mensen uit welke categorieën zijn teruggevallen (Check). Als je dat ziet, heb je bijna de morele plicht om je plannen voor deze groepen aan te passen (Act). Kortom: wil je mensen duurzaam aan werk helpen, dan moet je hun onderliggende problematiek oplossen. Je voert een root cause analysis uit.
De vier stappen van root cause analysis
- Identificeer het probleem dat je ziet (dit is dus niet de achterliggende oorzaak) en beschrijf het zo goed mogelijk.
- Bepaal de tijdlijn: start bij de normale situatie en stop op het moment waarop het probleem zich manifesteerde.
- Maak een zo scherp mogelijk onderscheid tussen de hoofdoorzaak en andere mogelijke oorzakelijke factoren.
- Stel door analyse een causaal verband op tussen de hoofdoorzaak en het probleem.
In stap 3 stel je een boomdiagram op waarin je het waargenomen probleem uiteenrafelt in symptomen, de mogelijke ‘root causes’ en de uiteindelijk vastgestelde achterliggende oorzaak.
Mooie plannen en onrealistische targets demotiveren
Mark de Kort, adviseur bij het NPRZ: ‘Je kunt vooraf mooie plannen maken, bijvoorbeeld door af te spreken dat je 3.000 mensen naar werk gaat helpen. Maar wat als blijkt dat 2.000 van hen dat helemaal niet kunnen, en je op voorhand weet dat zij linea recta terugkomen in de bijstand? Dat kost de maatschappij niet alleen veel geld; mensen raken er ook door gedemotiveerd. Ze dachten: ik ga beter, ik ga werk krijgen. De consulenten die hen begeleiden balen ook, want zij hebben de ondankbare taak om mensen weer gemotiveerd te krijgen.’
Kies voor maatwerk
Streef in plaats van één onhaalbaar doel naar veel kleinere haalbare doelen (SMART-doelen). Als je zonder root cause analysis stuurt op eenzijdige doelstellingen, doe je geen recht aan de complexe werkelijkheid. Het is veel beter om na te gaan uit welke relevante subgroepen de populatie bestaat en naar behoefte per subgroep te interveniëren.
Een illustratief voorbeeld: in plaats van 1.000 mensen half of helemaal niet te helpen, kun je beter 200 mensen op manier X, 50 op manier Y en 100 op manier Z echt helpen. In plaats van de loze belofte dat je 1.000 mensen duurzaam naar werk begeleidt, ga je eerst datagedreven te werk: kijk wat de data vertelt en daarna wat je werkelijk kunt waarmaken, rekening houdend met alle oorzaken, bewegingen en terugvalmechanismen per subgroep. Je ziet dat aanpak X werkt bij groep A, terwijl je een andere groep veel beter bedient door hen eerst van hun verslaving af te helpen. Zo voorkom je dat mensen worden ‘rondgepompt’ in het bestaande systeem.
Massief beleid versus maatwerk op basis van RCA
Een precisiebombardement in plaats van een schot hagel.
Massief beleid
Maatwerk met RCA
Doel
Eén grote target
Veel kleine haalbare doelen
Populatie
‘De doelgroep’
Relevante subdoelgroepen
Targets
Van bovenaf opgelegd
Mede afgeleid uit data
Interventie
Voor iedereen gelijk
Per subgroep, op de oorzaak
Effect
Terugval en demotivatie
Duurzaam resultaat
Massief beleid werkt niet: zoek de root causes op
De kunst is om niet te denken vanuit één massief beleid, maar toe te werken naar een netwerk van uiteenlopende beleidslijnen om individueel relevant te worden. Datagedreven werken maakt deze paradigmaverschuiving mogelijk, doordat de technologie steeds fijnmaziger beleid mogelijk maakt. Je krijgt steeds kleinere PDCA-cycli, maar wel cycli waarvan je weet dat ze werken en structureel bijdragen aan het totaaleffect. Zoek per doelgroep naar een kleine PDCA die werkt. Welk soort werk kan elke subgroep duurzaam aan, en waarom? Wat zijn de root causes van de problemen? Wat is echt nodig om te voorkomen dat hele subgroepen linea recta terugvallen?
Stel targets die je echt blijvend kunt halen
De Kort: ‘Targets kunnen niet alleen van bovenaf worden opgelegd. Je moet ze mede afleiden uit de data. Wij maken dit inzichtelijk en bespreekbaar. Klantconsulenten zeggen steeds vaker tegen coördinatoren: deze target is een duidelijke doorvertaling van politieke ambities, maar in de praktijk onhaalbaar. Deze mensen hebben nog schulden of zitten in een Wmo-arrangement met begeleiding, dus die kunnen niet duurzaam aan het werk. We gaan dus eerst na, op basis van data, of er andere problematiek speelt. Dat negeer je niet; dat los je eerst op.’ Waar het oorspronkelijke plan in een wijk is om jongeren aan het werk te helpen, ontdek je dat verschillende groepen verschillende interventies nodig hebben, met waar nodig intensieve persoonlijke begeleiding.
De balans na twee jaar
In Rotterdam is een begin gemaakt met continu verbeteren op basis van data. De Cito-scores stijgen en de leerlingen van Zuid lopen in op leerlingen elders in Rotterdam en in de vier grote steden. Meer leerlingen kiezen een opleiding met perspectief op een baan in zorg en techniek. Het percentage uitkeringsgerechtigden is nog onvoldoende gedaald, maar Zuid loopt in op de G4 en realiseert zelfs de sterkste daling van allemaal. De WOZ-waarden op Zuid stijgen, er is een start gemaakt met de verpauperde particuliere woningvoorraad, en woningzoekenden van de noordoever en daarbuiten laten steeds vaker hun oog vallen op een woning op Zuid.
Hoe Diamond Decisions root cause analysis inzet
Diamond Decisions stopt niet bij de indicator die rood kleurt. Bij business modeling brengen we oorzaak en gevolg in kaart, met data-analyse toetsen we per subgroep welke oorzaak het probleem echt verklaart, en we helpen beslissers targets te stellen die uit de data zijn afgeleid.
Conclusie
Root cause analysis vervangt één grote, loze belofte door veel kleine doelen die echt werken. De ontwikkelingen in Rotterdam Zuid stemmen hoopvol en vormen voor bewoners en partners het bewijs dat hun inspanningen effect hebben, niet in de laatste plaats dankzij een aanpak die blijft doorvragen naar de oorzaak achter de cijfers.
Verder lezen
Over de auteur
Mark de Kort is sinds 1994 actief in de datawereld, van het ontwikkelen van software voor business intelligence en scorecarding tot het opzetten en verbeteren van BI-architecturen. Hij zit nog altijd zelf achter de knoppen, van datapreparatie en modellering tot het maken van dashboards.
Over Diamond Decisions
Diamond Decisions helpt organisaties beter te worden door betere beslissingen mogelijk te maken. We starten niet bij data, dashboards of AI, maar bij de beslissing die beter moet, en bouwen van daaruit terug naar KPI’s, data en technologie. Dat doen we in vier stappen: inspiratie en alignment, business modeling, analytics en dataplatform en datagedreven beslissers. Zo zorgen we dat BI en AI geen IT-project blijven, maar elke dag waarde opleveren.
Veelgestelde vragen
01
Wat is root cause analysis?
Root cause analysis (RCA) is een methode om een zichtbaar probleem terug te voeren op de onderliggende oorzaak, zodat je de oorzaak oplost in plaats van de symptomen. Ze eindigt met een aangetoond causaal verband tussen oorzaak en probleem.
02
Wat zijn de vier stappen van een root cause analysis?
Identificeer en beschrijf het probleem, bepaal de tijdlijn van de normale situatie tot het moment dat het probleem zich voordeed, onderscheid de hoofdoorzaak van andere oorzakelijke factoren (met een boomdiagram) en stel door analyse het causale verband op.
03
Wat is het verschil tussen een symptoom en een root cause?
Een symptoom is wat je waarneemt, zoals mensen die terugvallen in de bijstand. De root cause is de onderliggende reden, zoals schulden of een verslaving. Een symptoom wegnemen brengt het probleem terug; de root cause wegnemen voorkomt het.
04
Hoe past een mkb-bedrijf root cause analysis toe?
Neem één terugkerend probleem, bijvoorbeeld te late leveringen of retouren. Beschrijf het, teken de tijdlijn, zet mogelijke oorzaken in een boomdiagram en toets met je eigen data welke oorzaak het werkelijk verklaart, per klant- of productgroep.
Kom tot de wortel van je probleem
Wil je weten wat er werkelijk achter tegenvallende cijfers zit? Neem contact op met Diamond Decisions.