pijl

Datagedreven werken in crisistijd

We zitten midden in de COVID-19 crisis. Als deze crisis voor mij iets aantoont is dat het grote belang van datagedreven werken. Ook onderstreept deze crisis wat mij betreft dat data en datagedreven werken de toekomst zijn. Het is volgens mij ook goed om te zien dat onze regering, gesteund door experts, beslissingen blijven baseren op wat de data ons laat zien. Tegelijk zien we in deze crisis ook de beperkingen van datagedreven werken. Dat is voor mij voornamelijk toch de vraag hoe de individuele mens staat ten opzichte van beslissingen die op basis van data worden genomen. Hier ligt precies het spanningsveld voor het succes van datagedreven werken in de toekomst. In dit blog ga ik in op drie aspecten van datagedreven werken die ik waarneem. Ik werk die uit aan de hand van voorbeelden die we zien in de COVID-19 crisis.

Volledigheid en betrouwbaarheid van de data in de modellen

Een voor de hand liggende factor van belang bij datagedreven werken is de data die in de modellen zit. En dan gaat het vooral over de volledigheid en de betrouwbaarheid. Hebben we voldoende data om te modelleren en kunnen we ervan uitgaan dat de data klopt dus? Vooral in het begin van de COVID-19 crisis hebben we gezien hoe belangrijk dit is. Verschillende experts hadden bijvoorbeeld kanttekeningen bij de data op basis waarvan het RIVM de overheid adviseerde. “We weten nog onvoldoende van het virus om goede beslissingen te nemen” is een statement dat daarbij regelmatig voorbijkwam. Voor datagedreven werken is het vertrouwen in de beschikbare data een uitgangspunt. En soms, ook hier chapeau voor het RIVM, moet je dan in de modellen toch uitgaan van vroege en nog onbevestigde data en aannames, om daar beslissingen op te nemen. Logischerwijs leidt dit tot discussie, zeker wanneer de uitkomsten van modellen zo scherp ingrijpen in een maatschappij. Voor organisaties die meer datagedreven willen werken is de les dat een goede discussie over aannames die in modellen zitten goed zijn. En een aanname kan prima, wanneer we maar zo snel mogelijk aannames valideren.

Heldere doelen om op te sturen

Datagedreven werken is geen doel op zich. Wel leidt meer datagedreven werken als de aanpak goed is tot het beter realiseren van doelstellingen. Alle variabelen en verbanden de worden vastgelegd in modellen moeten beslissingen ondersteunen die ons helpen de beoogde doelen te realiseren. Het is dus ook essentieel om te weten op welke vragen je een antwoord wenst. Een model kan veel uitkomsten geven, maar wanneer de uitkomst waar je naar op zoek was daar niet tussen zit is dat toch vervelend. Om de parallel met de COVID-19 crisis weer te trekken zie je dat de doelen intussen kristalhelder zijn geformuleerd: de druk op de intensive care verminderen en onder controle houden, de zwakkeren in de maatschappij beschermen en zicht krijgen op hoe het virus zich gedraagt. Wanneer we langer in de crisis zitten is het voor te stellen dat we op termijn ook andere doelen krijgen die toenemen in belang. Kunnen we het economisch nog aan bijvoorbeeld? Eventuele andere doelen zullen dan ook weer leiden tot aanvullende aannames en data. Het is in ieder geval nuttig goed na te denken over de vragen die je wilt stellen aan de beschikbare en gemodelleerde data.

Datagedreven tegenover incidentgestuurd

De toekomst is veelbelovend voor datagedreven werken. Toch zie je dat ook los van wat de data laat zien ook nog wordt gestuurd op incidenten. Dit is een horde voor datagedreven werken die nog wel eens moeilijk te nemen kan blijken. Want de data kan iets aangeven op macro niveau, opgetelde onderliggende incidenten kunnen toch andere keuzes afdwingen. De vraag dient zich aan in hoeverre mensen in staat zijn om echt datagedreven te werken. Natuurlijk zullen mensen op verschillende manieren kijken naar datagedreven werken en zal het ene mens gemakkelijker beslissen op basis van data dan het andere mens. Maar belangrijker is misschien wel de vraag of je als individu kunt accepteren dat experts keuzes maken op data terwijl je zelf dat overzicht niet hebt, maar wel van alles meekrijgt over de incidenten die je waarneemt? Ook van dit fenomeen krijgen we “live” voorbeelden mee in deze COVID-19 crisis. Een goed voorbeeld is de manier waarop de beslissing de scholen te sluiten tot stand is gekomen. Hoewel de eerste (en ik weet dat het ging om vroege, nog niet volledig geverifieerde gegevens) data liet zien dat kinderen waarschijnlijk een geringe rol hadden in het verspreiden van COVID-19 werd toch besloten de scholen te sluiten. Dat gebeurde eigenlijk op basis van druk vanuit de maatschappij. Ouders die kinderen thuis hielden, leraren die liever niet voor de klas gingen staan, veel ophef in de (sociale) media en de schrijnende verhalen van de getroffen gevallen. Ook hier geldt natuurlijk wel het terechte punt dat de modellen zeker in het begin nog veel aannames en onzekerheden bevatten, maar de vraag is wat beter is: sturen op basis van een model dat aannames en onzekerheden bevat en is opgezet vanuit een zo volledig mogelijk overzicht, of een “better safe than sorry-aanpak” gebaseerd op ‘incidenten’.

Een goed voorbeeld van een datagedreven aanpak

Wanneer ik kijk naar de aanpak van de COVID-19 crisis kom ik tot de conclusie dat ik het een goed voorbeeld vind van een datagedreven manier van werken. Sturen op basis van modellen, met aannames in het model die zo snel mogelijk worden gevalideerd. Een goede afweging tussen maatregelen en keuzes die impact hebben op de uitkomsten van het model en vooral ook focussen op maatregelen die het meeste impact lijken te hebben. Het lijkt te werken gezien de doelstellingen die zijn geformuleerd. Uiteraard worden ook keuzes gemaakt die ter discussie worden gesteld door mensen die anders kijken. Of keuzes die wellicht ongewenste bijeffecten hebben. Of worden keuzes niet gemaakt omdat andere belangen groter wegen (bijvoorbeeld de invloed van mondkapjes op verspreiding tegenover de beschikbaarheid van mondkapjes op de plekken waar ze het hardst nodig zijn). Maar ook dat is een onderdeel van datagedreven werken. Zolang we ervan leren en het model verder aanpassen zijn we steeds beter voorbereid voor de volgende keuzes die moeten worden gemaakt. Hoe moeilijk dit balanceren is blijkt ook wel uit de verschillende keuzes die landen maken in hun aanpak. Terwijl ze in principe de beschikking hebben over vergelijkbare data.

Datagedreven werken is vooral een keuze

De COVID-19 crisis geeft een goede inkijk in hoe datagedreven werken in de praktijk werkt. Tegelijk toont het volgens mij aan dat datagedreven werken ook vooral een keuze is die organisaties bewust moeten maken. Het is een manier van kijken en van beslissingen nemen. Een manier ook om uiteindelijk betere beslissingen te nemen in een tijd waarin we rekening moeten houden met veel meer variabelen. Sommige mensen zullen het moeilijk vinden om op basis van data keuzes te maken. Er is altijd wel een individuele afwijking, een uitzondering of een uitbijter te vinden in data. Het is in het belang van de organisatie die datagedreven wil werken om aandacht te besteden aan begrip en kennis bij de mensen in de organisatie. Basiskennis over modelleren, over het valideren van aannames en vooral ook over het gebruik van data om de juiste vraag te beantwoorden. Daarnaast is het belangrijk te beseffen dat echt datagedreven werken tegennatuurlijk kan zijn voor mensen. Van nature vinden we het toch lastig om afwijkingen, uitbijters en uitzonderingen te accepteren. 0% risico bestaat niet, maar dat zijn we misschien wel uit het oog verloren.