Hieronder beschrijven we vier scenario’s van datagedreven werken die interessant zijn voor overheidsorganisaties. Dit slechts een greep uit de voorbeelden van waar en op welke manier datagedreven werken een rol kan spelen binnen uw organisatie. Heeft u aanvullingen? Laat het ons weten.
Beleid en data
Beleidsmakers hebben als doel om tot goed beleid te komen. De inzet van data is een extra methode in het proces van beleidsvorming. Door data te gebruiken onderbouwen beleidsmakers hun beleid. Ook helpt het gebruik van data om gericht actie te ondernemen en zo de gewenste resultaten te bereiken.
De voordelen van data bij beleidsvorming:
- Beleid en data zijn een goede combinatie voor scherpe analyses.
- Data geven extra mogelijkheden om de bestaande beleidstools te versterken.
- Data onderbouwen onderzoek.
- Data maken Kern Prestatie Indicatoren (KPI’s) hard.
- Data bieden sturings- en managementinformatie.
- Data bestendigen ketenafspraken.
- Data geven kwalitatieve inhoud aan gewenste resultaten.
Bedrijfsvoering en data
Met databeleid stuurt de bedrijfsvoering aan op kwantitatieve en kwalitatieve resultaten. Binnen de overheid betekent dit op ethische en verantwoorde wijze het publieke belang dienen. Of het nu gaat om handhaving of dienstverlening: de burger staat centraal. Waarom datagedreven werken veel kan opleveren voor de bedrijfsvoering lichten we hieronder toe:
Waarom bedrijfsvoering en data?
Door binnen uw bedrijfsvoering met data aan de slag te gaan, werkt u aan kwalitatieve resultaten. Dankzij de inbreng van data kunt u continue leren, verbeteren en processen aanpassen. Nauwkeurigheid en snelheid zijn de basisingrediënten voor datagedreven werken. Datagedreven werken biedt een mogelijkheid om ingewikkelde processen aan te pakken. Denk bijvoorbeeld aan taken als preventie, integrale resultaten en samengestelde resultaten.
Uitdagingen bedrijfsvoering en data
Werken met data vraagt om een andere manier van werken. Hierbij is het van groot belang om de burger als centrum van de dienstverlening te zien, met als ondersteunende factoren de burger als digitale entiteit en bron van diverse soorten data. Data maken het mogelijk om waarden te formuleren en te monitoren en zowel vraaggedreven als waardegedreven aan de slag te gaan. Dit vraagt om een nieuwe (data)bril voor de ambtenaar, andere sensitiviteit voor de benodigde activiteiten, herijking van de gewenste resultaten, andere sturing en samenwerkingsverbanden. Kortom: een organisatorische verandering.
Toepassing van bedrijfsvoering en data
Data leveren nieuw en verscherpt inzicht, bieden mogelijkheden voor (her)inrichting van de organisatie en leveren nieuwe en nauwkeurigere sturing op kwaliteit en resultaten. Deze stadia van implementatie van data in de bedrijfsvoering zorgen voor een stevigere grip op de digitalisering van de overheid.
Handhaving en data
Overheidstaken bestaan naast beleid maken en dienstverlening ook uit handhaving. Deze handhavingstaken vinden hun oorsprong in de wet. Ook komen deze taken voort uit de controle van rechten, zoals het recht op sociale voorzieningen. Ook hiervoor genereert de digitaliserende samenleving data. Denk hierbij bijvoorbeeld aan sensorische data in de openbare ruimte. Of aan geregistreerde data in de uitvoering van maatschappelijke opgaven van de (lokale) overheid. Deze informatiestroom aan data groeit en vormt een informatiebron die onderdeel kan zijn van de handhavingstaak.
Data voor handhaving dient kwalitatief goed te zijn. Net als de analyses en sturing die hieruit voortkomen. De sancties en andere maatregelen van handhavingstaken hebben namelijk een grote impact op de burger. Kwaliteit en zorgvuldigheid van datagebruik in handhaving, zijn dus uitdagingen die met name voor handhaving van toepassing zijn. Ook het waarborgen van privacy is hierbij belangrijk. Fouten in deze aspecten kunnen leiden tot foutieve maatregelen of tot het niet hard kunnen maken van toegepaste maatregelen.
Toepassingen van data voor handhavingstaken zijn bijvoorbeeld sensorische data in de openbare ruimte voor onder andere verkeershandhaving en het (bege)leiden van het verkeer via andere, veilige routes. Ook maatschappelijke opgaven, zoals ‘ondermijnende criminaliteit’, kunnen mogelijk worden aangepakt met een datagedreven methode. Het Leer- en Expertisepunt Datagedreven werken (LED) is betrokken bij het onderzoeken van de mogelijkheden van datagedreven werken bij maatschappelijke opgaven. Hierover volgt binnenkort meer nieuws op deze website.
Maatschappelijke opgaven en data
Voorbeelden van maatschappelijke opgaven waarbij datagedreven initiatieven een rol spelen, zijn bijvoorbeeld:
- armoede en schulden;
- ondermijning;
- infrastructuur en milieu;
- klimaatverandering.
Data kunnen overheden helpen om beter aan te sluiten op de wensen van burgers bij deze opgaven en om het beleid efficiënter en effectiever te maken.
Datagedreven werken in verschillende fases van beleid
Data kunnen op verschillende manieren en momenten worden toegepast op beleid. De (OECD) onderscheidt drie doelen bij datagedreven beleid voor de publieke sector, namelijk: foresight, delivery en performance.
Foresight biedt inzicht met statistische analyses. Een voorbeeld hiervan zijn rapporten van het Centraal Bureau voor de Statistiek (CBS) die een brede analyse geven van een stad, wijk of land. Dit soort data kunnen ook dienen als voorspeller voor de toekomst. Bijvoorbeeld doordat je met data uit het verleden en heden onderzoekt welke factoren ervoor zorgen dat een jongere vroegtijdig het schoolsysteem verlaat.
Daarnaast kunnen data gebruikt worden om de uitvoering van beleid te verbeteren. Dat kan door aan te sluiten op de behoefte aan dienstverlening (delivery) bij de burger. Of door het inzicht dat datagebruik oplevert in te zetten voor de ontwikkeling van maatwerk. Denk hierbij bijvoorbeeld aan het combineren van wanbetalerslijsten van zorgverzekeraars met een dataset waaruit blijkt welke inwoners een uitkering ontvangen. Op basis van deze informatie zie je welke inwoners het meest gebaat zijn bij snelle hulpverlening.
Tenslotte is het met data mogelijk om prestaties van de overheid te meten en te evalueren, de performance. Zo meet je bijvoorbeeld of een beleidsmaatregel als sollicitatie-ondersteuning bieden bij een bepaalde groep werkzoekenden ook daadwerkelijk tot een baan leidt. In iedere fase van delivery, performance en foresight spelen technische, ethische en juridische vraagstukken een rol.
Verschillende soorten data analyse komen aan bod bij foresight, delivery, performance. In het ‘analytics ascendancy’ model van Gartner worden vier fases onderscheiden:
- Beschrijvend: hoeveel mensen in onze gemeente hebben zonnepanelen?
- Diagnostisch: waarom plegen jongeren tot 27 jaar in Amsterdam Zuid sneller een crimineel vergrijp dan in de rest van Amsterdam?
- Voorspellend: in welke wijk in Amsterdam zullen in 2020 de meeste inbraken plaatsvinden?
- Voorschrijvend: hoe kunnen we zorgen dat meer dan 90% van de huishoudens in 2021 kunnen leven zonder gemeentelijke toeslagen?
