Gemeenteraad dankzij analytics terug aan het roer

Share this post:

Jaap Vink – IBM

Big brother, black box: het beeld dat bij lokale overheden bestaat over analytics, is niet mals. Ten onrechte, want juist moderne analytics kunnen veel meer met de al aanwezige data dan de huidige methodiek van het aan elkaar knopen van bestanden – zónder daarmee bewust de privacywetgeving te omzeilen. Het aantal toepassingen is groot: van fraudedetectie tot het bestrijden van schooluitval. Beginnen kan bovendien in kleine stappen. Maar dan moet de politiek wel aan het roer zitten en keuzes maken.

Het is een heet hangijzer bij gemeenten, zeker in de discussie over ten onrechte uitgekeerde bedragen: in pogingen om fraude te bestrijden, zijn in de afgelopen jaren vele bestanden aan elkaar gekoppeld, maar in de uitvoering lopen gemeenten voortdurend tegen obstakels op. De privacywetgeving speelt daar – terecht – een grote rol in, maar in plaats van daaraan te gehoorzamen, worden er allerlei omwegen bedacht om die te omzeilen. Zo worden de gekoppelde bestanden in een afgesloten computersysteem gezet en krijgen de mensen die ermee werken een beperkte hoeveelheid informatie te zien: er komt bijvoorbeeld een lijstje uit van burgers met wie misschien iets aan de hand is, maar om privacyoverwegingen mogen de medewerkers niet zien wat er aan de hand is. Dát moeten ze zelf maar uitzoeken.

Computer says no?

Moderne analytics zouden een uitweg voor dit dilemma kunnen zijn, maar helaas bestaat daarover bij sommige lokale overheden nog het beeld van een black box: een doos waar je gegevens in stopt en die vervolgens beslissingen neemt waar je geen vat op hebt. Dat is een misvatting, want deze nieuwe cognitieve technologie doet in feite hetzelfde wat de mens doet: op basis van patronen herkennen wat er aan de hand is. De mens is vanouds sterk in het herkennen van patronen, maar kent toch ook enkele tekortkomingen. Deels zitten die in onze hersenstructuur ingebakken – lees daarvoor bijvoorbeeld het werk over beslissingsheuristiek van de Nobelprijswinnende econoom Daniel Kahneman, maar denk ook aan het feit dat ons werkgeheugen nu eenmaal beperkt is. Voor een ander deel worden onze beslissingen onbewust beïnvloed door allerlei dagelijkse omstandigheden: als we trek hebben of in het zonnetje zitten, kunnen we opeens anders tegen de wereld aankijken.

Menselijke tekortkomingen

Met analytics kun je die tekortkomingen opheffen. Ten eerste kun je veel meer data tegelijk gebruiken om patronen te herkennen, ten tweede kom je tot een oordeel zonder daarin je eigen voorkeuren, vooroordelen of gemoedstoestand te laten meewegen. Cognitieve technologie emuleert als het ware het menselijk denken, maar dan zonder de tekortkomingen. Dat is van belang omdat de Wet gelijke behandeling van overheden vraagt dat de regels consequent worden toegepast, ongeacht de personen op wie ze betrekking hebben.

Maar blijft het beeld van een onmenselijke computer daarmee toch niet een beetje in stand? Nee, want het blijft een computer: die voert uit wat mensen hebben bedacht. Je werkt per definitie met subjectieve inputfactoren, ook al omdat je óók bij analytics rekening moet houden met wet- en regelgeving, zoals de antidiscriminatieregels, die zeggen dat je geen onderscheid mag maken op leeftijd, geslacht, geaardheid of overtuiging. Het normenkader waarbinnen je werkt, is kortom bepalend, en dat kader wordt geschapen door politieke keuzes.

Politieke keuzes aan de basis

Net zo subjectief – en bovendien veel belangrijker – is de vraag met welk doel je analytics wilt inzetten. Ook dat is een politieke keuze. Dat is goed te illustreren aan de hand van het voorbeeld van fraudedetectie. Met analytics kun je heel goed frauduleuze aanvragen herkennen, maar het omgekeerde geldt dan natuurlijk ook: ook niet-frauduleuze aanvragen kun je herkennen. Dat maakt het mogelijk om fraudedetectie op een positieve manier op te pakken, namelijk door de goedwillende aanvragers – de ruime meerderheid – veel sneller te behandelen. Zo kun je je een servicegerichte overheid tonen. Ook bij het bepalen van je fraudestrategie moet je keuzes maken. Gemeenten hebben beperkte middelen, dus wat wil je bereiken? Wil je zo veel mogelijk fraudeurs ontdekken? Wil je zo veel mogelijk geld terughalen? Of wil je je richten op alleen de grote fraudeurs? Zo wordt duidelijk dat analytics allesbehalve een black box is, maar dat politieke keuzes en beleidsdoelstellingen altijd aan de basis staan.

Voorzichtig beginnen met analytics

Wat is de huidige stand van zaken op lokaal overheidsniveau? Enkele gemeenten hebben inmiddels een bemoedigend begin gemaakt. Deze koplopers zijn op een positieve manier bezig met de aanvullende bijstand: zij kijken niet alleen naar wie er geen recht op heeft, maar ook naar wie er wél recht op heeft maar nog niet krijgt. Het rechtmatigheidsbeginsel is voor een betrouwbare overheid immers een groot goed, en dat is op deze manier efficiënter in te vullen. De meeste gemeenten zijn echter nog op de oude manier bezig. Zij laten mensen patronen in hun bestanden ontdekken of koppelen bestanden op een ouderwetse manier aan elkaar. Juist die data-matching – ten onrechte nog weleens gelijk gesteld aan analytics – werkt de black box in de hand. Bovendien missen deze gemeenten een boel, want ze laten nog veel gegevens liggen die ze wél mogen gebruiken.

Stapsgewijs ervaring opdoen

Beginnen hoeft niet moeilijk te zijn. Door prioriteitstelling kunnen enkele kleine projecten worden aangewezen die in de bestaande IT-oplossingen kunnen worden ingepast. Zo hoeven gemeenten bestaande IT-investeringen niet ongedaan te maken. Sterker nog, ze kunnen zo zelfs meer rendement opleveren. Die stapsgewijze aanpak is ook noodzakelijk om de organisatie te laten kennismaken met de nieuwe manier van denken. Tijdens die eerste projecten kun je ervaring opdoen en ontdekken wat er in de organisatie nog moet worden aangepast om effectief met grotere analytics-projecten aan de slag te gaan.

Vele toepassingen, duidelijke business case

Het aantal gemeentelijke toepassingen voor analytics is intussen legio: van het identificeren van risicojongeren tot het bestrijden van schooluitval, van het analyseren van verkeersstromen om een lagere CO2-uitstoot te bereiken tot het voorkomen van onnodig preventief onderhoud aan wegen, bruggen en riolering. Maar ook voor de ambtelijke organisatie zelf zijn toepassingen te bedenken, bijvoorbeeld in de personeelssfeer: wie gaan er misschien weg? Hoe kunnen we nieuwe medewerkers binnenhalen? Wat is de volgende stap in hun carrière? Natuurlijk is fraudedetectie de toepassing met de duidelijkste business case, omdat die rechtstreeks terugleidt naar de begroting.

Denk daarbij niet alleen aan uitkerings- of belastingfraude, maar ook aan fraude van medewerkers of leveranciers. De return on investment van analytics-projecten loopt sterk uiteen, maar een terugverdientijd van een jaar is heel realistisch. Er zijn in de fraudesfeer zelfs voorbeelden van duizenden procenten rendement in de eerste drie maanden. Zo financieren deze oplossingen zichzelf. Toch is niet alle winst meteen in geld uit te drukken – een streven dat ook niet bij een overheid zou passen. Maar de economische lange termijn winst voor Nederland is wel degelijk groot als schooluitval met succes wordt teruggedrongen, de misdaad effectiever wordt bestreden of herintreders vanuit de bijstand weer aan het werk worden geholpen.

‘Big brother’ ontstaat niet door technologie

Analytics kan op al deze gebieden een nuttige bijdrage leveren. De technologie kan immers patronen herkennen zónder databestanden aan elkaar te koppelen. Omzeilen van de privacywetgeving is daarmee niet langer nodig. Bovendien gebruiken gemeenten in hun beslissingsproces nog maar een klein percentage van de gegevens die je wél mag gebruiken; ook daar liggen grote kansen. De vraag of deze nieuwe technologie ‘big brother’ in de hand werkt, is eigenlijk de verkeerde vraag. ‘Big brother’ ontstaat niet door technologie maar is een politieke keuze. Met andere woorden, computersystemen mogen steeds slimmer worden, de mens moet aan het roer blijven staan. Met analytics kan dat juist beter dan ooit.

_____________________________________________________________________

Jaap Vink is Global Predictive Analytics Leader Public Sector & Healthcare at IBM. He has been working with advanced analytics since 1985. He holds a Masters degree in Political Science with specialty Data Analysis & Methodology in Research. 

Jaap can be reached on: @jgavink