Data & Informatiemanagement, dat was de ondertitel bij mijn functie adviseur van ZONH. Een expertisegebied dat zich heeft ontwikkeld in de periode dat ik bij ZONH werkzaam was. Ik zat dicht op deze ontwikkeling en zag dat data booming en sexy werd. Maar ik ervoer ook een ‘bumpy-ride’. Ik heb, al doende, veel geleerd: met name dat data niet leidend is maar ondersteunend en dat het op juiste manier moet worden ingezet. 

Epidemiologie en data

Toen ik in 2009 solliciteerde bij ZONH was ik nog bezig met mijn opleiding epidemiologie. Bij het arbeidsvoorwaardengesprek was dit één van de onderhandelingen: het overnemen van de kosten voor de opleiding. Deze onderhandeling ‘won’ ik niet: “Epidemiologie? Wat moet ZONH daar nu mee?”. ZONH nam niet de kosten over, maar kwam me wel tegemoet: ik kreeg tijd voor de opleiding.

Grappig was dat een paar jaar later, ik was inmiddels klaar met de opleiding, Ella Vogelaar, minister voor Wonen, Wijken en Integratie in het kabinet-Balkenende IV voor de Partij van de Arbeid, werd rondgeleid bij ons op kantoor en ik vol trots aan haar werd voorgesteld als de epidemioloog van ZONH!!!

Epidemiologie houdt zich bezig met patronen in de populatie, meestal op basis van data. Ik had affiniteit met onderzoek en data en werd daarom binnen ZONH de adviseur met expertisegebied Data en Informatiemanagement.

Start regiobeelden

In 2009 werd bij ZONH nog niet gesproken over data-gedreven werken. Vaak was ‘onderbuik-gevoel’ leidend om een project te starten. En als iedereen tevreden was, was het resultaat bereikt. In de loop van de jaren kwam het woord ‘data’ steeds vaker om de hoek kijken. We moesten er wat mee. Maar wat is data-gedreven?

In die tijd startten we enthousiast met regiobeelden: we haalden data van allerlei websites en maakten daarvan een objectief beeld. We maakten dikke rapporten o.a. over ouderenzorg met heel veel cijfers. Ik kwam erachter dat objectief niet betekent dat je een volledig beeld hebt. Daarnaast was er soms zoveel data dat je door de bomen het bos niet meer zag. Het bleek een kunst om de juiste selectie van data te maken (niet te veel en niet te weinig) en te duiden.

Op basis van het ‘objectieve’ beeld werden vervolgens de problemen geïdentificeerd. Maar wat is precies het probleem? Want als blijkt dat er in een wijk te veel overgewicht bij de jeugd is? Welke conclusies verbinden we daaraan en welke interventies laten we op dit probleem los? Sport-programma’s voor de jeugd? Ik kwam erachter dat een objectief beeld niet voldoende is, maar dat de geïdentificeerde problemen een grondige probleemanalyse nodig hadden om de oorzaken van het probleem te achterhalen. Want is te weinig sporten nu de oorzaak van het overgewicht? Of heeft het ook te maken met het cafetaria om de hoek bij de school? Of liggen de oorzaken nog dieper?

Voor een grondige probleemanalyse is kwantitatieve data dus niet voldoende, maar is het gesprek met betrokkenen essentieel: zowel met de doelgroep als met de professionals. Data alleen is niet het antwoord maar met elkaar een beeld vormen van problemen en oorzaken op basis van kwantitatieve en kwalitatieve data. Kwantitatieve data is een hulpmiddel: niet meer en niet minder.

Monitoring & Evaluatie

Met regiobeelden kregen we het probleem in beeld, met een grondige probleemanalyse kregen we de oorzaken van het probleem in het snotje en met de interventies konden de oorzaken worden aangepakt om zo het probleem op te lossen. Monitoring & Evaluatie was vervolgens nodig om te volgen of het probleem daadwerkelijk werd opgelost. Monitoring & Evaluatie, uiteraard weer met kwantitatieve data.
Daarnaast; effecten meten van je interventie: wordt je probleem opgelost tegen een acceptabele prijs en tijdsinvestering? Want we kunnen toch alles meten? Dat bleek te simpel gedacht: de benodigde data werd vaak niet geregistreerd of dit vroeg om extra registratielast. Openbare data was niet actueel genoeg om tijdig de effecten te zien. Data mocht niet zomaar worden gecombineerd met andere data (AVG). Veel data was niet beschikbaar voor je specifieke doelgroep waarbinnen je je interventie uitvoerde of de aantallen binnen je interventie bleven beperkt waardoor het lastig te zeggen was of er daadwerkelijk verandering optrad.

Er zitten dus best wat haken en ogen aan gebruik van (kwantitatieve) data in ons werk. Maar is het dan zinloos om data in te zetten? Nee, data is waardevol en moet worden gebruikt. Data geeft echter niet alle antwoorden en we moeten de rol van data relativeren. Data is niet leidend maar ondersteunend. Ik pleit er daarom voor de term data-gestuurd in te wisselen voor data-ondersteund.