De hobbelige route van data naar verbeteren

Achtergrond: de NPRZ-case

In het Nationaal Programma Rotterdam Zuid (NPRZ) werken het Rijk, de gemeente Rotterdam, corporaties, zorginstellingen, schoolbesturen, bedrijfsleven, politie en Openbaar Ministerie aan een gezonde toekomst voor Rotterdam Zuid. Samen willen zij dat het opleidingsniveau, de arbeidsparticipatie en de woonkwaliteit in twintig jaar stijgen naar het gemiddelde van de vier grote steden (G4). Het NPRZ had de behoefte om het gesprek met de partners meer op feiten te baseren.

Sinds 2015 werkt Mark de Kort mee aan het programma. Met informatiegestuurd werken brengt hij de route die bevolkingsgroepen door het vaak complexe sociale domein afleggen in één oogopslag in kaart. Daardoor wordt het integrale proces transparant en komt de effectiviteit van interventies aan het licht: aanwijsbaar wordt wat werkt en wat niet. De grootste waarde ontstaat door data te vervlechten met het dagelijks leren via PDCA-cirkels en continu verbeteren, en door strategische doelen om te zetten in meetbare KPI’s.

Het integrale proces in beeld: de vijf R’s

De methode die in Rotterdam is ontwikkeld rust op vijf fundamenten die toevallig allemaal met de R van Rotterdam beginnen.

Route: sneller begrijpen wat er gebeurt

Om te begrijpen wat een inwoner voor de kiezen krijgt als hij of zij hulp van de gemeente nodig heeft, wordt eerst de route langs de verschillende gemeentelijke loketten in beeld gebracht. Tot 2018 verliep de dienstverlening via vele schakels. De ‘procesmethode’ laat per individu zien hoe het dienstverleningstraject eruitziet, integraal dus. Opgeteld tonen de trajecten de bewegingen van alle inwoners die diensten van de gemeente afnemen.

Vindplaatsen zijn de plekken waar de mogelijke problematiek start: de werkgever als iemand zijn baan verliest, het UWV tijdens de WW-uitkering, de gemeente als iemand in de bijstand belandt.

Vanaf dat punt start het interne proces van de gemeente: een groep burgers helpen bij de invulling van een zinvol bestaan, zoals een route naar een baan of jongeren die teruggaan naar school. Om een burger echt te kunnen helpen, moet de onderliggende problematiek zichtbaar zijn.

Rugzak: echt begrijpen wie het zijn

Alle individuele informatie die over een burger te verzamelen is gaat in de ‘rugzak’, het profiel van een individu. Samengevoegd tonen de rugzakken het profiel van een groep. Veel burgers gaan de bijstand in met multiproblematiek: financiële problemen, problemen thuis, fysieke of psychische problemen, aanraking met justitie. Velen hebben ook grote schulden, die geregeld moeten zijn voordat een gezonde uitstroom naar werk mogelijk is. Anders blijven de schulden iemand achtervolgen die weer aan het werk gaat: de kans dat een schuldeiser beslag legt op het eerste salaris is groot, waardoor deze burgers snel terugvallen in de ‘veilige’ bijstand.

Als consulenten over objectieve informatie beschikken, kunnen zij doorvragen naar de echte problemen, en dat is vaak al voldoende. Rond schulden bestaat meestal veel schaamte. Ook de gezinssituatie kan frustreren: een jongere in de bijstand die ziet dat zijn broer zijn inkomen op een ‘makkelijkere’ manier bij elkaar sprokkelt, zoekt niet snel het reguliere arbeidsproces op. Alle loketten moeten deze multiproblematiek kennen, binnen de strikte grenzen van de privacywetgeving.

Resultaten: begrijpen wat we moeten doen

De routes laten zien waar burgers uitvallen, verdwalen, blijven hangen of terugkeren in het proces, en dus waarover het gesprek moet gaan en waar verbeterpunten zitten. Het delen en bespreken van de data helpt om betere keuzes te maken en schaarse middelen in te zetten voor de individuele burger. Rotterdam noemt dit ‘datamoderatie’: de data op verschillende niveaus presenteren en constructieve gesprekken voeren over wat erin te zien is, ketenoverstijgend, op sturingsniveau en op operationeel niveau.

Registratie: begrijpen wat we moeten registreren

Registreren om het registreren is niet zinvol. Het gaat erom te begrijpen waar de gaten in de registratie zitten, en de routes leggen die bloot. Wil je verandering maar mis je de data, dan kan gerichtere registratie helpen, zonder de administratieve lasten enorm te verzwaren.

Regressie: begrijpen wat de data begrijpt

Als route, rugzak, resultaten en registratie op niveau zijn, is het tijd om te onderzoeken of analyticssoftware meer kan vertellen dan mensen kunnen analyseren. Een mens weegt gemiddeld twee tot vier variabelen tegelijk; een algoritme analyseert er gemakkelijk tientallen of honderden. In het sociale domein is voorzichtigheid geboden, omdat de data er vaak zacht is: dikwijls alleen een weergave van wat de burger wil prijsgeven.

De vijf R’s in één oogopslag

Elke R beantwoordt een andere vraag.

Houd altijd rekening met de politieke realiteit

Als je het programma terugbrengt tot één extreem versimpeld plan, of tot doelen die niet SMART zijn geformuleerd, zoals ‘jongeren aan het werk helpen’, kun je van een koude kermis thuiskomen. Toch is dat soms de politieke realiteit: een politicus wil scoren met een zo hoog mogelijk aantal mensen dat aan het werk is geholpen. De sturing volgt: klantconsulenten schuiven mensen soms vóór 31 december door naar werk, terwijl ze weten dat diezelfde mensen in de eerste week van januari weer aan hun bureau staan.

Conclusie

De route van data naar verbeteren is hobbelig omdat data alleen niets verandert. Pas als het integrale proces zichtbaar is, de mensen achter de cijfers bekend zijn en de data openlijk wordt besproken, begint het verbeteren. Deel II van deze case, over root cause analysis, richt zich op de onderliggende problematiek en introduceert de datacratische PDCA.

Verder lezen

• Continu verbeteren
• PDCA-cyclus
• Blog: Meer doen met data bij gemeenten

Over de auteur

Mark de Kort

Mark is sinds 1994 actief in de datawereld, van het ontwikkelen van BI-software tot het opzetten en verbeteren van BI-architecturen. Hij werkt nog steeds hands-on, met de focus op Microsoft Power BI, en is ervan overtuigd dat BI in de kern om mensen draait.

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.