data sociaal domein

Huisjesmelkers en huurfraude opsporen, vroegtijdig schoolverlaters identificeren en zorgbehoeften voorspellen in de wijk. Wie dacht dat data-analyse alleen in het fysieke domein wordt toegepast heeft het mis. Ook in het sociale domein kan men informatiegestuurd werken.

Het meten van vervoer- en verkeersstromen, bewegingen van mensen en goederen, luchtkwaliteit en de staat van het wegdek. Het zijn de bekende voorbeelden waarin data-analyse wordt toegepast om steden en met name het beleid in steden effectiever en efficiënter te maken. Vanuit het sociale domein blijft het vaak stil, op de negatieve berichtgeving over slecht functionerende wijkteams en de onduidelijkheden rondom WMO-taken bij gemeenten na. Dat er behoefte is aan meer inzicht is duidelijk.

Van een bak data naar informatie

Wouter van de Bij is projectmanager bij de Utrechtse startup Ynformed, een spin-off van adviesbureau Hiemstra en De Vries. Met een combinatie van bestuurs- en bedrijfskundigen, sociologen en datascientists helpen ze de publieke sector om ‘informatiegestuurd’ te werken’, onder andere in het sociale domein. Ze verzamelen, koppelen en analyseren data en maken daar slimme oplossingen van die in iedere gemeente toepasbaar zijn. Zelf heeft van der Bij een achtergrond in sociologie. ‘Data is geen informatie. Je kunt wel van alles gaan meten, maar hoe haal je uit die bak met data de juiste informatie? Om data te begrijpen heb je kennis nodig van de inhoud. Ik sla als het ware de brug tussen onze datascientists en die inhoud.’

Voorspellen van zorgbehoefte

Die inhoud heeft vooral betrekking op het publieke domein en voor van der Bij het sociale domein in het bijzonder. ‘Publieke instanties hebben de beschikking over heel veel data. Door koppelen van verschillende datasets ontstaan nieuwe inzichten die gebruikt kunnen worden om beleid op aan te passen. Omdat het gaat om privacygevoelige informatie gaan we hier zorgvuldig mee om. Momenteel werken we aan de het anoniem combineren van zorgtypen en -kosten op huishoudensniveau en de kenmerken van deze huishoudens. Daardoor ontstaat inzicht in stapeling van kosten en kan een prognose worden gemaakt van de zorgbehoefte op bepaalde plekken. Daarnaast kan deze analyse gebruikt worden als basis voor een integrale aanpak van eventuele problemen.’

Data-analyse bespaart geld

Een dergelijke prognose is juist nu, een jaar na de invoering van de WMO, heel waardevol, legt van der Bij uit. Het kan bijvoorbeeld worden gebruikt om sociale wijkteams aan te sturen, om financiën te controleren en te bepalen op welke plekken goedkoper gewerkt kan worden. Het kan als onderbouwing dienen om financiële middelen tussen de wijkteams te differentiëren. Het budget in een wijk met hoge kosten mag hoger liggen dan dat in een wijk met relatief lage zorgkosten.

Voorspelling voortijdig schoolverlaters: 80 procent juist

Andere inzichten die door data-analyse kunnen worden verkregen zijn het voorspellen van voortijdig schoolverlaters. Jongeren die hun opleiding niet af maken belanden vaak langdurig in de (jeugd)werkloosheid wat op termijn kan leiden tot criminaliteit. De risicojongeren kunnen met een voorspellingsmodel goed worden herkend aan de hand van data over bijvoorbeeld hun schoolloopbaan. Het model is self-learning: hoe vaker het wordt gebruikt, des te meer feedback het model krijgt wat uiteindelijk resulteert in een steeds accuratere voorspelling van of een jongere zijn opleiding wel of niet zal afmaken. Het model voorspelt inmiddels in 80 procent van de gevallen juist. Dit kan als preventiemiddel worden ingezet, door de risicogevallen gericht extra hulp te bieden of in de gaten te houden.

Spoor huisjesmelkers op

Ook huisjesmelkers laten zich beter opsporen door data-analyse. ‘Voor de gemeente Utrecht hebben we een analyse- en visualisatietool gemaakt waarin kenmerken over verblijfsobjecten, geanonimiseerde huiseigenaren en bewoners worden gecombineerd. Door dit te combineren met informatie over illegale praktijken als prostitutie, witwassen en drugshandel kan er een voorspelling worden gemaakt voor situaties van potentiele woon- en verhuurfraude.’ De gemeente Utrecht is momenteel bezig met de implementatie en doorontwikkeling van de tool.

Datagestuurd werken heeft acceptatie van professional nodig

Inzicht is één, implementatie twee. Hoe vertaal je deze en andere inzicht naar de dagelijkse praktijk van de publieke professional? Van der Bij geeft toe: dat is alles behalve eenvoudig. ‘Het is een acceptatieproces en dat is soms best ingewikkeld. Vooral in de zorgsector hadden de professionals veel voor het te zeggen. Dat verandert nu. Door de decentralisatie is er meer ruimte voor de stem van bewoners gekomen. Data-analyse gaat nog verder. Ze moeten de computer laten meekijken.’ Van der Bij benadrukt om die reden ook dat de oplossingen als hulpmiddel functioneren op basis waarvan de professionals betere beslissingen kunnen nemen. De computers nemen het werk dus (nog) niet over.

Voor gemeenten die zelf aan de slag willen met data-analysemethoden is het zaak om eerst de ambities duidelijk te hebben. ‘Wat wil je bereiken. Waar wil je op sturen? Die ambities afstemmen is al een taak op zich. Vervolgens kun je gaan kijken welke informatie en databronnen je kunnen helpen met het bereiken van die ambities.’