![Big Data](https://www.breinstein.nl/wp-content/uploads/2021/03/photo-1431605695381-f4a9c3cdd150.jpg)
Een onderwerp waar ik veel potentie in zie is Big Data. Op dit moment ben ik werkzaam op een afdeling informatiemanagement die het sociaal domein ondersteunt. In deze blog wil ik een uitleg geven waarom ik dit een interessant fenomeen vind en welke mogelijkheden er zijn met Big Data.
Vanuit dat perspectief kijk ik naar de mogelijkheden van Big Data. Echter heb ik het niet altijd vanuit dat perspectief gekeken. Ik heb een achtergrond in de detailhandel, deze branche is met grote online spelers (Bol.com, Coolblue, Wehkamp) een voorloper geweest op het gebied van Big Data. De online spelers verzamelen al langer data om klantprofielen samen te stellen. Hierin worden niet enkel NAW gegevens opgevraagd, maar ook metadata als: klikgedrag, zoekgedrag en muisbewegingen. Op deze manier kunnen unieke profielen en groepen gemaakt worden die op een specifieke manier aangesproken kunnen worden.
Big Data en het sociaal domein
Ik ben uit deze wereld vertrokken omdat ik de commerciële toepassing van de Big Data niet prettig vond. Toen ik hoorde van een organisatie die met 96% zekerheid kan bepalen wanneer ik vatbaar ben voor BMW campagnes (en dat zijn Nederlandse bedrijven) heb ik deze wereld achter me gelaten. Dit vind ik namelijk onverantwoord, want niet iedereen is in staat deze prikkel te onderdrukken. Echter is mijn visie hierop veranderd sinds ik in het sociaal domein werk. Het kan daar in mijn ogen namelijk ingezet worden om maatwerk te bieden.
Problemen
Op dit moment wordt er nog veel gebruik gemaakt van generalisaties en kwantificering van doelgroepen, problemen en oplossingen. De problemen waar we tegenaan lopen in het sociaal domein zijn vaak taai en daarom lastig op te lossen. De problemen hangen samen en de acties die ingezet worden hebben altijd gevolgen, zowel voor- als nadelig. Het is daarom van belang dat een oplossing weloverwogen is en aansluit bij het probleem van de burger. De medewerkers doen er alles aan om de burger zo goed mogelijk te helpen, maar je kunt niet alles door middel van gesprekken of interventies analyseren en oplossen.
Mens en machine
Een uitdaging waar ik bij betrokken ben is het vraagstuk of het loont om te kiezen voor een minimumloonsituatie. Dit vraagstuk is complex en bestaat uit enorm veel factoren. Denk aan leeftijd, woonsituatie, opleiding, huwelijkse staat, kinderen, opvoeding, omgeving, etc. Door het grote aantal factoren is het lastig voor medewerkers om te bepalen wat de ‘juiste’ oplossing is. Om de medewerker bij te staan wordt deze in dit proces ondersteund door systemen. Dit geeft echter niet altijd een beter resultaat.
Nadelen
Systemen generaliseren vaak en laten daardoor geen ruimte voor maatwerk. Daarnaast zijn de systemen niet allemaal gekoppeld. Hierdoor blijft de informatie beperkt tot één of enkele systemen. De combinatie mens en machine is dus gewenst en belangrijk. In de meest ideale situatie zou een burger die bijvoorbeeld een uitkering aan komt vragen een maatwerk traject krijgen. Dit kan voor de één een hogere financiële beloning zijn. Terwijl voor een ander een training/opleiding of het uitzicht op meer sociale contacten kan werken. Een maatwerk oplossing kan dan een uitkomst bieden.
Maatwerkoplossing
Een maatwerkoplossing is vaak duur en kost veel tijd. Echter kan dit door middel van Big Data dichterbij komen. Immers verzamelen wij veel informatie van bijvoorbeeld burgers, maar daar blijft het niet bij. Het is namelijk gebleken dat mensen keuzes maken die gebaseerd zijn op hun omgeving. Het grootste deel komt voort uit ons netwerk, onze omgeving. Een combinatie van data over de burger in combinatie met bijvoorbeeld data over uitkeringen, criminaliteit, schoolverlaters, etc. een verklaring kunnen geven voor het gedrag. Ook zou dit mogelijke goed werkende oplossing presenteren voor een specifiek persoon of een groep mensen.
Patronen
Dit maakt Big Data zo waardevol, het laat patronen zien die een mens normaal niet of moeilijk kan onderscheiden. Het is vreemd dat veel organisaties mensen nog steeds volgens relatief ouderwetse patronen indelen. Denk aan een sociaaleconomische indeling, demografische indeling, een indeling op opleidingsachtergrond of politieke basis. Dit hoeft ook helemaal niet meer. Toch willen organisaties mensen in ‘hokjes’ duwen om hen op een juiste manier te kunnen benaderen. Voorbeelden van de toepassing van Big Data in de publieke sector zijn er al genoeg: terugdringen van CO2, vereenzaming tegengaan door ouderen, criminaliteit beperken, etc.
Criminaliteit en Big Data
Specifiek in het sociaal domein zijn er al concrete voorbeelden te vinden. Zo is de Gemeente Zaandam bezig met het verbeteren van een dashboard dat inzicht geeft in huiselijk geweld op wijkniveau. Het project van de Gemeente Zaandam bleek in een eerste fase niet voldoende te werken. Dit had te maken met de beschikbaarheid van de data. Dit laat zien dat het cruciaal is om de juiste data te vinden, maar ook om deze te prepareren om het te kunnen gebruiken. Een kleine afwijking kan de verkeerde data presenteren en daardoor mogelijk leiden tot een verkeerde oplossing.
Eigen ervaring
Terug naar mijn eigen ervaring: stel dat je een burger van een bijstandssituatie naar een minimuminkomenssituatie wilt begeleiden. Hoe pak je dat aan? Geef je ze allemaal een sollicitatietraining, een werkervaringsplaats en dreig je met een korting op de uitkering als ze dit niet doen? Bij hoeveel mensen zou dit werken en bij hoeveel niet? Een gestandaardiseerde aanpak werkt wel, maar de resultaten zijn niet goed genoeg.
Procesoptimalisatie
Ik ben er van overtuigd dat een aanpak gebaseerd op Big Data kan bijdragen aan een maatwerkbenadering voor de burger. Een bijkomend voordeel is dat we de informatie ook kunnen gebruiken om ook naar onze eigen processen te kijken. We kunnen bepalen waar de meeste vertraging in een proces voorkomt of welke methodes wel of niet werken. Big Data gaat nog veel groter worden en door het op een juiste manier in te zetten kunnen we efficiënter werken en mensen beter van dienst zijn.
Steven