Data science

In deze 9 stappen kun je als gemeente datagericht werken

14 Juli 2021 - 5 minuten leestijd
Artikel door Frank De Nijs

De opkomst van data science biedt enorm veel mogelijkheden om problemen binnen je gemeente in kaart te brengen én op te lossen. Maar hoe ga je aan de slag met al die data? Frank de Nijs, Enterprise Innovator bij Centric, legt uit hoe je als gemeente in negen stappen een succesvolle start met data science maakt.

1 Maak de uitdagingen inzichtelijk

“De eerste stap die een gemeente moet nemen om datagericht te gaan werken, is helder krijgen waar de uitdagingen of problemen liggen. Daarbij is het zaak om de dieper liggende achtergrond in beeld te hebben. Stel, de gemeente wil het proces van de afhandeling van WOZ-bezwaren beter stroomlijnen. De gemeente krijgt bijvoorbeeld veel bezwaarschriften over de aanslag WOZ, mede van bureaus die deze voor inwoners op basis van no cure no pay indienen. Hoe concreter het probleem in beeld komt, hoe waardevoller uiteindelijk de rol van data science.”

2 Definieer de zakelijke kansen

“Wanneer je het probleem in kaart hebt gebracht, ga je de zakelijke gevolgen van dat probleem bekijken. In het geval van de bezwaarschriften kost het de gemeente veel tijd en geld om deze af te handelen. Er ligt dus winst als dit slimmer gedaan kan worden. Op die manier maak je duidelijk wat de zakelijke gevolgen zijn van je probleem, en hoe je er als organisatie op vooruitgaat door dit probleem op te lossen.”

3 Zoek naar de relevante data

“Voordat je aan een oplossing kunt werken, ga je op zoek naar data om te kunnen analyseren. Dat is een grote stap: je gaat namelijk bedenken welke factoren allemaal meespelen. Over het WOZ-proces is veel data beschikbaar. Data scientists van ons onderzoeken samen met analisten van de belastingdienst hoe deze processen lopen en waar de knelpunten zitten. Wanneer de data niet meteen voorhanden is, vraag je jezelf af: hoe kunnen we daar aan komen?”

Insights-update

Ontvang nieuwe Insights maandelijks in je inbox.

Schrijf je in.

4 Vind causale verbanden in je data

“Vanaf deze stap gaat de daadwerkelijke data science een rol spelen, zeker bij grote hoeveelheden data. Je hebt allerlei gegevens verzameld en nu is het zaak om causale verbanden te ontdekken. Hoe je dat doet, hangt af van de hoeveelheid informatie die je hebt verzameld. Gaat het om 25 aanvragen, dan kun je daar gewoon zelf statistiek op loslaten. Heb je veel externe contextuele databronnen en zijn het er 1.500, dan wordt het een ingewikkelder verhaal.

Data science biedt allerlei technieken om enorme hoeveelheden data te analyseren. Je hebt bijvoorbeeld de Random Forest-methode, waarbij algoritmen zelf op zoek gaan naar verbanden. Dat doe je door het model eerst te trainen via een dataset en het vervolgens te verifiëren met een andere set. Tijdens die analyse kan een data scientist allerlei verbanden vinden.”

5 Evalueer de zakelijke waarde van deze verbanden

“Stel dat je in stap 4 een causaal verband ontdekt waarmee je kunt zien waar de knelpunten in het WOZ-proces zitten. Dan kun je dat gebruiken om het proces te verbeteren. Vervolgens beoordeel je in deze stap de toegevoegde waarde van het model. De betrouwbaarheid van het model is vaak het eerste aandachtspunt, want 100 procent betrouwbaarheid is een utopie.

Daarbij is het ook belangrijk om er rekening mee te houden dat het onderhouden van je analysemodel tijd en geld kost. Hiermee ga je dus terug naar de allereerste stappen, waarin je het probleem in kaart bracht. Je maakt de afweging: wegen de baten van mijn oplossing op tegen de kosten? Het kan de gemeente veel opleveren als je weet dat het gaat om gemiddeld duizenden bezwaarschriften per jaar en dat met dit soort verbetertrajecten gemiddeld 20 procent wordt bespaard.”

6 Breng je model in de praktijk

“Tot nu toe ben je bezig geweest om een model samen te stellen. In de vijfde stap heb je een afweging gemaakt: biedt mijn model een waardevolle oplossing voor het probleem? Zo ja, dan ga je in deze fase over tot actie. Het model ontgroeit de laboratoriumfase en wordt na instemming van de stakeholders in de praktijk toegepast. Je koppelt het analysemodel aan je operationele systemen. Dit zal stapsgewijs en onder begeleiding gebeuren, afhankelijk van de impact op de bedrijfsvoering en techniek, en van de ervaring met voorgaande implementaties. Zo is een DevOps-benadering ook voor data science een zeer voor de hand liggende werkwijze.”

7 Laat de gebruikers zelf ervaren wat het model doet

“Het model is gekoppeld aan, of geïmplementeerd in, de operationele systemen. Dit kan leiden tot nieuwe beslissingen, met hopelijk een beter resultaat als gevolg. In het onderzoek naar de afhandeling van de WOZ-bezwaren kan het dus zijn dat je data hebt gekregen over aanvraag waarin een knelpunt naar voren komt. Het model laat de aanleiding tot deze diagnose zien en geeft opties om deze situatie te verbeteren.”

8 Leg de nieuwe activiteiten vast en meet hun zakelijke gevolgen

“Belangrijk is nu ook data te verzamelen over de daadwerkelijk invloed van het analysemodel en de effecten daarvan. De praktijk is immers weerbarstiger dan de theorie en zonder meetgegevens over de effecten van je oplossing komt je niet tot verdere inzichten. Je gaat monitoren hoe het model en de organisatie zich vanaf nu manifesteert.”

9 Analyseer je data voor verdere stappen

“In deze laatste stap analyseer je de effecten van de oplossing die je hebt bedacht: is het probleem nu opgelost? Misschien merk je dat de signalering en adviezen vanuit het analysemodel dankzij een bepaalde ingreep nóg meer effect kunnen hebben en start je daarom een volgende verbeterslag. Bijvoorbeeld vanuit stap 3. Het kan ook zijn dat je juist op nieuwe problemen stuit en denkt: hier moeten we ook eens naar kijken (stap 1). Via zo’n methodische aanpak leidt datagericht werken tot nieuwe, diepere inzichten die een businessuitdaging behapbaar maken, in welke branche je ook zit.”

Trendrapport

Verschillende redenen om data science in te zetten

Download hier

Trendrapport ontvangen?

Voor het trendrapport data science vroegen we partijen in verschillende markten naar hun redenen om data science in te zetten: welke toepassingen zien zij? Waar zit de winst? Maar ook: welke uitdagingen zijn er te overwinnen voordat je succesvol met data science aan de slag kunt?

Meer weten? Download het trendrapport.

Trendrapport

Verschillende redenen om data science in te zetten

Download hier
Ontdek hoe Centric je hiermee kan helpen
Onze oplossing
Gerelateerde artikelen
Waarom data science verder gaat dan Business Intelligence, maar niet zonder kan
Data science
Business Intelligence-analisten zijn al jaren met data in de weer. Sinds de opkomst van Data Science kunn ...
Kosten jeugdzorg voorspelbaar dankzij data science
Data science Public
Door middel van Data Science helpt ICT-adviseur Kees van den Tempel gemeenten meer inzicht te krijgen in ...