In het sociaal domein, zoals de jeugdhulp en de WMO, wordt data-gestuurd werken steeds vaker als aanpak gezien om complexe vraagstukken beter te beheersen. Monitoring en data-analyse zijn krachtige hulpmiddelen, die kunnen bijdragen aan meer inzicht, betere besluitvorming en effectievere interventies. Echter, het succes van deze benaderingen hangt niet maar deels samen met het verzamelen van data. Succes hangt vooral af van de wijze waarop inzichten worden vertaald naar strategie en visie. In deze blog verkennen we de vereisten voor effectief datagebruik in complexe omgevingen, zoals het sociaal domein, en reflecteren we kritisch op veelgemaakte aannames over monitoring en sturing.
Van Data naar Strategie: Het Belang van een Heldere Visie
Een van de belangrijkste inzichten uit onderzoek naar data-gedreven organisaties is dat data alleen waarde heeft als deze wordt ingezet binnen een duidelijke, strategische visie. Volgens McKinsey’s artikel "Three keys to building a data-driven strategy" is een heldere strategie essentieel om ervoor te zorgen dat data-analyse daadwerkelijk tot betere beslissingen leidt. Dit betekent dat organisaties in het sociaal domein niet kunnen volstaan met het verzamelen van data, maar deze vooral moeten koppelen aan langetermijnambities en gekwantificeerde verwachtingen en doelstellingen.
Het is belangrijk dat een visie wordt gekwantificeerd. Een effectieve manier om dit te doen is door het ontwikkelen van scenario's. Scenario-denken helpt om verschillende mogelijke toekomstige ontwikkelingen te verkennen en biedt flexibiliteit om te anticiperen op onzekerheden en onverwachte wendingen. De tegenhanger van scenario-denken is het (starre) budget- of KPI-denken, waarin doelen vastomlijnd worden vastgezet. Dit vloeit voort uit het maakbaarheid- en beheersbaarheid-uitgangspunt. In een complex adaptief systeem, zoals de jeugdhulp, is het immers onmogelijk om de toekomst nauwkeurig te voorspellen. Scenario’s maken het mogelijk om voorbereid te zijn op verschillende uitkomsten en om flexibeler te reageren wanneer zich onverwachte gebeurtenissen voordoen. complexe vraagstukken.
Voorspellingsmodellen in complex adaptieve omgevingen
Besluitvormers in het sociaal domein verwachten dat datamodellen kunnen helpen om exacte voorspellingen te doen over de toekomst. In complex adaptieve systemen is dat a prio niet haalbaar. Het is belangrijk te begrijpen dat de werkelijke kracht van modellen in deze context niet ligt in het doen van exacte voorspellingen, maar in het identificeren van patronen en emergente ontwikkelingen.
Onderzoek naar complexiteit en adaptieve systemen benadrukt dat er meer waarde kan worden gehaald uit het begrijpen van trends en afwijkingen dan uit het nastreven van precieze voorspellingen (MIT Sloan Management Review, "Analytics in Complex Systems," 2012). Dit betekent dat organisaties in het sociaal domein modellen bij voorkeur gebruiken om inzichten te verkrijgen in de dynamiek van het systeem, niet om exacte voorspellingen te doen. Dit vereist een verschuiving van een focus op korte termijn naar het omarmen van onzekerheid en het gebruik van data om op de lange termijn meer veerkracht op te bouwen.
Het nut van KPI’s
KPI’s (Kritische Prestatie Indicatoren) worden vaak gezien als dé indicatoren om prestaties te meten en zichtbaar te maken. Hoewel ze nuttig zijn, kunnen KPI's onbedoeld de focus verleggen naar korte-termijnresultaten. Dit fenomeen wordt door onderzoekers zoals Dominic Barton van McKinsey benadrukt in "Making advanced analytics work for you". Wanneer KPI’s worden gezien als het einddoel, kunnen ze leiden tot een verkeerde focus met name als afwijkingen van de gewenste waarden worden gezien als gebrek aan sturing en succes en er onvoldoende begrip is voor het impliciete onvoorspelbare karakter van complex adaptieve systemen.
Het risico is dat organisaties zich gaan richten op het behalen van specifieke KPI’s, zoals kostenbesparingen of het verkorten van doorlooptijden, zonder rekening te houden met de bredere, strategische doelen en dynamieken van het stelsel. Dit kan ertoe leiden dat belangrijke factoren, zoals de kwaliteit van zorg of (dynamische) samenwerking tussen actoren, worden verwaarloosd. KPI’s moeten bij sturingsvraagstukken in complexe omgevingen in dienst staan van de bredere visie en niet in de plaats komen van de voortdurende monitoring van trends en ontwikkelingen.
Lerende organisaties en monitoring
In een complex systeem zoals het sociaal domein is het essentieel om een lerende aanpak te hanteren. MIT Sloan wijst in hun artikel "Continuous Learning and Adaptation in Data-Driven Environments" erop dat het belangrijkste voordeel van data-gedreven werken ligt in de mogelijkheid om continu te leren en aan te passen. Dit betekent dat monitoring niet moet worden gezien als een eindstation, maar als een onderdeel van een proces van continue bijsturing op basis van nieuwe inzichten.
De beste datagedreven organisaties hebben cyclische processen opgezet waarin waarnemen, analyseren, handelen en leren centraal staan. Dit lerende karakter helpt hen om niet alleen beter in te spelen op veranderingen, maar ook om nieuwe patronen te ontdekken die voorheen niet bestonden of (nog) onzichtbaar waren. Dit vraagt om een flexibele houding ten aanzien van data-analyse en besluitvorming, en om het vermogen om aanpassingen te maken op basis van nieuwe ontwikkelingen in het systeem.
Conclusie: Data en inzicht als ondersteuning voor veerkracht en sturing
Data-gestuurd werken kan een belangrijke bijdrage leveren aan de effectiviteit van sturing in het sociaal domein. McKinsey beschrijft het belang van een "insights value chain", waarin data-analyse niet het einddoel is, maar een proces dat continu wordt doorlopen en afgestemd op de bredere strategie. Alleen door data-analyse te integreren met domeinkennis en adaptief vermogen, kunnen organisaties extra waarde creëren.
Het werken met scenario’s en het begrijpen van patronen biedt meer waarde dan het proberen te doen van precieze voorspellingen in een complexe omgeving en daarna uitleggen waarom het anders is gelopen. Het succes van monitoring ligt meer in het leren en het vermogen om aan te reageren, en veel minder in 'starre' KPI's en het streven naar voorspelbaarheid.
Voor organisaties in het sociaal domein betekent dit dat het belangrijk is om te investeren in visieontwikkeling, scenario-denken en een lerende cultuur waarin data-analyse wordt gebruikt om afwijkingen te signaleren en op basis daarvan continu te verbeteren en flexibeler in te spelen op veranderingen.