Kies het recept

Welk maatschappelijk vraagstuk is geschikt voor Data Science? Er zijn genoeg vraagstukken. Maatschappelijke (beleids)vraagstukken zijn een onveranderlijke constante, ongeacht of ze meer of juist minder gericht zijn op datagedreven sturen. De toepassing van Data Science biedt nieuwe kansen om met al bestaande vraagstukken aan de slag te gaan en tot scherpere en diepere inzichten te komen.

"Het is nog niet zo eenvoudig om op te schrijven wat we nu echt willen weten."

Tweezijdige benadering

Maar waar begint u? Data Science vraagt om een andere aanpak dan traditioneel onderzoek en zorgt tegelijkertijd voor nieuwe perspectieven. Het gaat om een tweezijdige benadering van data. In het verleden hing het onderzoeksucces af van een gerichte en correcte hypothese met bijbehorende vraagstelling. Bij Data Science is het mogelijk om meerdere analysewegen te bewandelen door een veelvoud aan bronnen en beschikbare data te gebruiken. Een heldere vraagstelling en hypothese hoeven daarbij niet altijd leidend te zijn. Door bijvoorbeeld intensief databronnen te bestuderen, kunt u ervoor zorgen dat nieuwe of latente vraagstukken komen opborrelen. Daarnaast doen bekende en veel gebruikte ijkpunten, zoals indexen en cijfers, niet altijd meer ter zake. De toename van (big) data afkomstig van sensoren, sociale media, foto, video en zoekmachines, spelen een steeds belangrijkere rol.

Start met of zonder vraag

Maar met deze tweezijdige benadering komt het spanningsveld tussen een scherpe vraagstelling en het exploratief "grasduinen" tijdens de beproeving vaak terug. Een deelnemer zei hierover: 'Het blijft lastig of je nu eerst een goede vraag moet stellen, of gewoon zonder vraag aan de slag gaat.' De keuze om exploratief te starten, blijkt niet zo eenvoudig als het klinkt. Ongemerkt komt toch steeds weer de vraag naar voren: 'maar waar zoeken we dan naar, wat willen we graag weten?'. Het lijkt erop dat een hypothese niet altijd nodig is, maar wel een zoekrichting, een afbakening, of tenminste een maatschappelijk vraagstuk of probleemstelling.

Smaak en schoonheid door focus

Bij het aangaan van een Data Science-onderzoek is het belangrijk om focus aan te brengen. Pas dan kunt u doelgericht data bijeenbrengen en voorkomt u dat u op een later moment in het onderzoek hiaten vindt en waardevolle inzichten mist.

"Data-analyse begint met vraagstukken en methoden, niet met data en technieken."

Focus op de "need to know"

We raden u aan om een inhoudsdeskundige de verwachtingen voor de exploratie eigenhandig te laten verwoorden en deze verwachting bij de verantwoordelijke Data Scientisten te toetsen. Denk groots, denk "out-of-the-box", maar begin klein en maak je ambities schaalbaar in scope en complexiteit. Zorg ervoor dat verwachtingen niet worden gedefinieerd aan de hand van wat techniek of methode te bieden heeft. Ga niet af op datgene wat we al weten. Verwachtingen die specifiek en klein zijn, bieden vaak het beste uitgangspunt voor onderzoek. Het gaat om "need to know", niet om "nice to know".

Wees flexibel

Het hebben van een heldere vraagstelling is een pre, maar geeft geen garantie op succes. Data Science werkt anders dan bij klassiek onderzoek, waar je nog min of meer zeker weet dat je een uitspraak kan doen over het wel of niet verwerpen van de hypothese. De werkwijze is anders en het kan zijn dat u op een dood spoor zit. Dit vraagt om flexibiliteit en aanpassingsvermogen. Doordat een eventuele "mislukking" kort cyclisch van karakter is, is dit minder een probleem.

Hulp van experts binnen en buiten

In Data Science ontstaat een verbinding met inhoudsdeskundigen en praktijkmensen. Hierdoor is de kans op het beantwoorden van een zinvol maatschappelijk vraagstuk veel groter. Het is erg belangrijk om deze verbinding te organiseren.

"Ik ben bij een heleboel collega's van de gemeente op bezoek geweest. Zowel beleidsmedewerkers als mensen in de uitvoering. Waar ik soms na 30 minuten klaar was met kijken naar de data, kwamen collega's met nieuwe vragen en gedachten waarop ik zelf nooit zou zijn gekomen."

Betrek inhoudelijke en technische experts

Het bewust bij elkaar brengen van verschillende experts in een team is een belangrijke succesfactor in het gehele proces. Uit diverse trajecten blijkt dat deskundigen helpen om stappen voorwaarts te zetten. In de eerste plaats om het kennisniveau (zowel inhoudelijk als op het gebied van Data Science) vlot te trekken. Daarnaast zijn inhoudelijke experts ook belangrijk voor het begrijpen van de eerste dataresultaten en het formuleren van de juiste vraagstelling. Verder hangt de duiding van de resultaten sterk af van de inhoudelijke kennis die vaak op uitvoeringsniveau aanwezig is.

Ga zelf aan de slag

De vraag die steeds weer in vele varianten terugkomt, is: 'Wat doen we zelf en wat laten we uitvoeren door inkoop of inhuur'? Niet elke gemeente kan zelf een datalab inrichten of een Data Scientist in dienst te nemen (PDF). Maar elke gemeente moet uiteindelijk met datagedreven sturen aan de slag gaan. Het gaat er niet om welke keuze wordt gemaakt. Het gaat erom dat er een keuze wordt gemaakt. In ieder geval liggen er mooie kansen in de samenwerking tussen gemeenten om samen een experiment te starten. Daarnaast is het verstandig om na te denken over de manier waarop kennisinstellingen en marktpartijen worden betrokken. En dat de leercurve van de gemeentemedewerkers omhoog gaat. Daarvoor is kennisdeling en het aanbieden van training en opleiding nodig. Neem ook eens een kijkje in de government Data Science Sandbox van het Verenigd Koninkrijk, een data-speeltuin voor de overheid.  

De bemensing van de keuken

Allereerst moeten de deelnemende organisatie de voordelen van een datagedreven aanpak zien en gemeenten voor Data Science openstaan. Daarnaast moet de governance gericht zijn op vertrouwen, ruimte geven, losweken van structuren en processen met de moed om risico's te nemen om het experiment te bespreken.

"Wij hebben de vrijheid gekregen om met data te stoeien, maar missen de aansluiting vanuit de organisatie om uitkomsten te laten landen."

Organiseer een passend datateam

Data Science daagt gemeenten uit om de juiste personen te vinden en een passend team te formeren. Van oudsher is er een grote kloof tussen in ICT geïnteresseerde mensen en personen die een meer sociaal-maatschappelijke richting kiezen. Er is vaak weinig overlap. Hierdoor ontstaat in de maatschappij een kloof tussen experts op het gebied van sociaal-maatschappelijk beleid en technische experts. Data Science vereist dat deze disciplines samenwerken. Er is inzet en inzicht van verschillende expertises nodig en ICT-afdelingen, onderzoekers en beleidsmakers moeten daarom samenwerken.

Diagram

Korte lijnen

Een organisatie met minder personeel kan een voordeel zijn bij het inrichten van een relevant datateam. Hoe korter de lijnen (ook in een grote gemeente) des te sneller de besluitvorming en stappen die worden gezet. Hierdoor vind je ook gemakkelijker de juiste ambassadeurs om het nut van Data Science uit te dragen. De lijnen met gegevensbeheer en ICT worden sneller uitgelegd en u hoeft slechts één tot twee personen te overtuigen om bepaalde werkzaamheden te doen.

Richt governance in

Het is erg belangrijk om de governance rond Data Science goed in te richten. In de beproeving kwam een aantal noodzakelijke stappen naar voren, die van invloed zijn op de governance.

De randvoorwaardelijke stappen zijn:

Verschillende gemeenten spreken de ambitie uit om "datagedreven" te gaan werken. Deze ambitie betekent niet alleen een andere mindset voor gemeenteambtenaren, maar ook het bestuur en de gemeenteraad. Met concrete pilots kun je collega's overtuigen en de meerwaarde laten zien. Diverse vragen moeten worden beantwoord om politiek en bestuurlijk draagvlak te genereren:

In het magazine Verkenning Sturingsinformatie worden bestuurlijke vraagstukken op het gebied van sturingsinformatie belicht.