Control meets data science

Wat kan de meerwaarde zijn voor de public controller en hoe kan hij of zij data science benutten voor de eigen organisatie?

De hoeveelheid data die we produceren binnen organisaties en daarbuiten stijgt explosief. Daarom valt ook vaak de term ‘big data’. Daarbij gaat het niet alleen over het grote volume aan data, maar ook over het ongestructureerde en continu veranderende karakter ervan. Denk bijvoorbeeld aan tekstdata in patiëntdossiers, mobiele telefoondata om drukte te meten of sensordata uit allerlei ‘dingen’ zoals afvalcontainers of lantaarnpalen.

Door inzet van data science kan de manier waarop we organisaties besturen en beheersen worden gebaseerd op een bredere en meer actuele set van feiten en kunnen nauwkeuriger voorspellingen worden gedaan. Fact based decision making wordt beter mogelijk. Daarbij wordt gebruikgemaakt van nieuwe soorten data en analyse­technieken en de toenemende rekenkracht van computers. Ervaring en gevoel van de betrokkenen blijven nog steeds een belangrijke rol spelen, maar keuzes kunnen beter worden ondersteund/onderbouwd door feiten en precieze voorspellingen.

Structuur aanbrengen in data

De opgave is om toepasbare inzichten (actionable insights) uit deze data te halen en daarmee meerwaarde te realiseren. Dit is waar data science zich mee bezighoudt. Data science bevindt zich op het grensvlak van drie domeinen (zie figuur 1).

Mogelijkheden voor de controller

Ontwikkelingen in de beschikbaarheid van data en nieuwe datatechnologieën worden soms gepresenteerd als disruptive en een bedreiging voor functies waar data een grote rol spelen. De meeste controllers zijn er ook van overtuigd dat nieuwe datatechnologieën impact zullen hebben op hun functie. Het zal zeker zo zijn dat veel handelingen die nu de basis vormen voor het werk van de controller geauto­matiseerd zullen worden en dat er steeds meer voorspellingen worden gedaan door systemen. Wij geloven echter niet in het ‘einde van de controllersfunctie’. Data science biedt nieuwe mogelijkheden, waar juist de controller in de positie is om deze af te wegen en te benutten, passend bij de eigen rol.

In dit artikel schetsen we aan de hand van een aantal voorbeelden uit onze eigen praktijk waar data science mogelijk­heden biedt om de rol van de controllers effectiever in te vullen:

1. betere prognoses maken;
2. beter afbakenen van doelgroepen;
3. vergroten van het effect van interventies;
4. afwijkingen sneller op het spoor komen;
5. optimaliseren van processen.

Betere prognoses maken

De omgeving waarin publieke organisaties zich bevinden, kent veel dynamiek en onzekerheid. Die komen voort uit maatschappelijke en technologische ontwikkelingen en veranderingen in nationaal en internationaal beleid. Wendbaarheid is daarom belangrijk en in beschouwingen over organisaties zijn de termen agile en agility inmiddels veelgebruikt. Van controllers wordt steeds meer verwacht dat zij niet alleen kunnen terugkijken, maar ook vooruitkijken. Data science biedt nieuwe mogelijkheden om dit beter te doen. Data scientists zijn in staat om diepgaand inzicht te realiseren in verklarende kenmerken en patronen op basis van algoritmes (machine learning), waarmee toekomstig gedrag en ontwikkelingen beter kunnen worden voorspeld (predictive analytics) en bijvoorbeeld toekomstscenario’s beter kunnen worden onderbouwd.

Het verschil met het verleden is dat met data science een bredere en actuelere set van interne en externe data kan worden gebruikt en de computer daar zelf patronen uit destilleert. Anders gezegd: de computer leert/helpt de mens om uit grote hoeveelheden data kennis en inzicht te halen.

Een concrete toepassing die de meerwaarde van data science laat zien, betreft de raming van Wmo-kosten, een zeer grote kostenpost voor gemeenten. De gemeente ’s-Hertogenbosch heeft, door de inzet van data science-technieken op historische data, financiële data en demografische data, daar een veel reëlere prognose van kunnen maken. Dit leidt tot een betere en scherpere discussie op bestuurlijk niveau en heeft meer inzicht gegeven welke doelgroepen welke zorg­consumptie nu en in de toekomst voor hun rekening nemen.

Beter afbakenen van doelgroepen

Om doelmatig om te gaan met schaarse publieke middelen – een taak van de public controller – is het van belang te weten of interventies de juiste personen/doelgroepen bereiken. Dat klinkt eenvoudig, maar in de praktijk blijken publieke organisaties nog vaak beperkt zicht te hebben op de mate waarin interventies aansluiten bij de beoogde ontvanger. De kans is dan groot dat de interventies ‘doel missen’ of dat een grote inzet van middelen uiteindelijk maar een klein deel van de beoogde doelgroep bereiken. Voor de beleidsmaker is dit teleurstellend, maar ook voor de public controller die doel­matigheid nastreeft is dit een situatie die vraagt om heroverweging.

Data science biedt de mogelijkheid om op basis van beschikbare data preciezere doelgroepen te bepalen door het groeperen van burgers die sterk op elkaar lijken (clustering). ‘Doelgroepen’ zijn anders dan in het verleden geen uitkomst meer van beleidsmatige keuzes, maar van het verbinden van verschillende feitelijke kenmerken van personen.

Een toepassing is het bepalen van veel voorkomende combinaties van dienst of producten (association rule mining): ‘als klanten product A en B gebruiken, dan ook vaak product C’. Gemeenten kunnen daarmee bijvoorbeeld hun zorginkoop slimmer maken door veel voorkomende combinaties ook gecombineerd in te kopen. Die inkoop is nu nog vaak sectoraal ingericht (jeugd, wmo, participatie), met verschillende achterliggende financieringsystematieken. Data science kan dus helpen richting te geven aan de ‘ontschotting van het sociaal domein’.

Beter sturen op effecten

Om te kunnen sturen op resultaten is het belangrijk om het effect van maatregelen te kunnen meten en daarmee te leren van de impact van deze maatregelen. Controllers hebben hier vaak een rol in, omdat zij naast het regulier monitoren op resultaten op gezette tijden via onderzoek of audits de diepte ingaan om beter te weten wat de effecten zijn van interventies en maatregelen. Data science kan hier een nuttige bijdrage leveren, waarbij meer dan in het verleden data kunnen worden gebruikt om te weten wat de effectiviteit is van interventies.

Een voorbeeld is het beoordelen van de effectiviteit van interventies bij re-integratie door sociale diensten. Dit kan met behulp van een techniek die matching heet: voor elke cliënt die een specifieke voorziening heeft gehad, zoekt de computer een cliënt die die voorziening niet heeft gehad maar in kenmerken sterk lijkt op die eerdere cliënt. Hiermee wordt een zo vergelijkbaar mogelijke controlegroep ‘gemaakt’ waarna de gemiddelde uitstroomduur van deze twee groepen, en daarmee de effectiviteit van de voorziening, kan worden bepaald. Uit analyses bij sociale diensten blijkt ook dat op basis van kenmerken van cliënten nuttige klantinzichten (persona’s) kunnen worden gedefinieerd, op grond waarvan de effectiviteit van interventies bij re-integratie beter kunnen worden beoordeeld. Een deel van de interventies werkt heel goed of juist niet bij bepaalde groepen.

Afwijkingen eerder detecteren

Een discipline waar veel public controllers de afgelopen jaren meer aandacht aan besteden is risicomanagement. In het sturen op de doelen van de organisatie is het belangrijk inzicht te krijgen in wat de realisatie daarvan in de weg kan staan. Dat is de kern van risicomanagement. Met de inzet van data science-methoden zijn er nieuwe mogelijkheden om risico’s in beeld te krijgen en bij te sturen. Door het geauto­matiseerd signaleren van gebeurtenissen die niet conformeren met andere data (anomaly detection) is het mogelijk om grote hoeveelheden cases te volgen en sneller en gerichter vervolg­onderzoek te doen. Aselecte steekproeven zijn dan niet meer nodig. Zo is het mogelijk om sneller en beter verdachte transacties op het spoor te komen. Een voorbeeld uit de praktijk betreft het beoordelen van declaraties voor een pgb. Op basis van de kenmerken van de declaratie, de kenmerken van degene die declareert en zijn/haar eerdere declaratiegedrag is goed te bepalen welke declaraties afwijkend en mogelijk verdacht zijn. De kracht van data science is hierbij dat geautomatiseerd naar afwijkende patronen in de combinaties van alle kenmerken wordt gekeken.

Processen optimaliseren

Door gebruik te maken van de data die in toenemende mate in processen beschikbaar komen door de vergaande digitalisering (process mining), kunnen deze processen veel preciezer en sneller geoptimaliseerd worden. Zowel vanuit het oogpunt van doelmatigheid als risicomanagement, behoort het zorgen voor goede werkprocessen binnen de eigen organisatie tot het taakveld van controllers. In vakjargon hebben we het dan over de AO/IC. Het inrichten van de administratieve organisatie (AO) en uitvoeren van interne controles (IC) kunnen tijdrovend zijn en afhangen van ‘toeval’.

De essentie van process mining is dat elke handeling van een medewerker – oftewel elk stapje in een proces – een digitaal spoor nalaat in de systemen van de organisatie. Deze digitale sporen kunnen worden geanalyseerd. Deze analyse legt dan feilloos bloot hoe processen precies zijn verlopen. Op basis daarvan kunnen processen worden geoptimaliseerd. Nu gebeurt dat nog vaak op basis van inschattingen op basis van kennis en ervaring en meer in generieke zin. Die kennis en ervaring is echter vaak op hoofdlijnen en kan gekleurd zijn. Een voorbeeld uit de praktijk is dat uit een analyse van een meldingensysteem naar voren kwam dat meldingen in het algemeen goed werden afgehandeld, maar dat een specifieke categorie van meldingen steeds leidt tot lange doorlooptijden. Zonder de inzet van data science-technieken was dit laatste inzicht niet of minder snel naar boven gekomen.

Kansen data science benutten

Data science biedt de public controller de kans om de meerwaarde van wat de eigen organisatie doet te vergroten: beter voorspellen, beter richten, beter zicht op effecten, beter op­sporen van bijzonderheden en betere processen zijn mogelijk door de inzet van data science. Die mogelijkheden komen echter niet vanzelf. Het vraagt antwoord op de volgende vragen:

• Past data-gedreven werken bij de cultuur/attitude van de organisatie? Fact based-werken vraagt een zakelijke, meer rationele manier van werken die niet altijd past in politiek-gedreven en actiegerichte organisaties. Het is belangrijk deze spanning te erkennen, waarbij overeind blijft dat overheden het zich op de lange termijn lastig kunnen permitteren om de effecten en doelmatigheid van hun interventies te verwaarlozen.
• Heeft de organisatie een heldere datastrategie, die verduidelijkt hoe data science een rol kan vervullen om het succes van de organisatie vergroten? Het gaat hier om het verbinden van de maatschappelijke doelen/waarden van de organisatie met de mogelijkheden van data science.
• Hoe kunnen in de context van de strategie keuzes worden gemaakt in de inzet van data science?
 - Met welk type verbeteringen is het meeste meerwaarde te behalen? Waar zitten nu de grootste knelpunten of onbenutte kansen, waarbij rekening kan worden gehouden met waar de meeste uitgaven worden gedaan en waar beleidsmatig de belangrijkste opgaven of risico’s zitten.
 - Op welke onderdelen en activiteiten binnen de organisatie willen we data science gaan inzetten? Richten we ons op de optimalisering van de interne bedrijfsvoering, de optimalisering van processen in de reguliere dienst­verlening of op het resultaat van programma’s en projecten in de buitenwereld?
• Welke data-expertise is al aanwezig binnen de organisatie en hoe krijgen we data science-expertise in de organisatie? Hoe verbinden we daarbij inhoudelijke kennis aan de technologisch kennis die nodig is om met data science meerwaarde te kunnen halen?
• Hoe is het gesteld met de huidige kwaliteit van data binnen de organisatie en de wijze waarop deze worden geregistreerd, opgeslagen en verwerkt? Data science is geen toverformule voor het omzeilen van gebrekkige databases.

Vanuit hun gerichtheid op de effectiviteit, doelmatigheid en rechtmatigheid van beleid en maatregelen, hebben controllers een natuurlijke rol om een bijdrage te leveren aan besluitvorming die gedreven wordt door hoogwaardige data en analyses. De opkomst van data science biedt hun een kans om deze rol verder uit te bouwen.

Op concernniveau kan de rol van de public controller worden samengevat als het verbinden van de mogelijkheden van data science aan de ene kant met de cultuur, strategie, prioriteiten, expertise en bestaande data van de eigen organisatie aan de ander kant. Het kan worden gezien als het verbinden van de aanbod- en vraagkant van data science, waarbij het de opgave is voor de public controller daar slimme keuzes in voor te stellen. In figuur 2 is deze opgave gevisualiseerd.

De public controller die erin slaagt om de aanbod- en vraagkant van data science goed te verbinden, vergroot de kans op het realiseren van de meerwaarde voor de eigen organisatie.

Data zijn al sinds lange tijd een belangrijk instrument in de uitoefening van de publiccontrolfunctie. Met de komst van nieuwe datatechnologieën en analysemethoden is het nodig en logisch dat de public controller een prominente rol speelt in de vertaalslag naar succesvolle toepassing.

Dr. N.A.C. Schilder is publicist/docent op het gebied van public control en directeur/secretaris van de Zuidelijke Rekenkamer en schreef zijn aandeel voor deze bijddrage op persoonlijke titel. Martijn Minderhoud MSc is data consultant en oprichter van Ynformed. Dr. Jaring Hiemstra is oprichter van Ynformed.

Literatuur

• Davenport, T. (2015), Big Data aan het werk, Deventer: Vakmedianet.
• Ynformed (2017) ‘Innoveren met data science; naar een succesvolle toepassing in 20 modellen’, Utrecht.