Kort antwoord: op systematische wijze data verzamelen, vastleggen, en analyseren om op basis hiervan beslissingen te nemen en te sturen in de organisatie.

Datagedreven werken. Je kunt er tegenwoordig niet meer omheen: data is hot.  Met datagedreven werken bedoelen we het op systematische wijze verzamelen, vastleggen, combineren en analyseren van data, om op basis hiervan beslissingen te nemen en te sturen in de organisatie. Dit is een continu proces, waarbij gekeken wordt of de gewenste beslissingen tot het gewenste resultaat hebben geleid en hoe  dit verder verbeterd kan worden Dit kan gaan over data vanuit bedrijfsvoering of over zorgdata, bijvoorbeeld uit het ECD of zorgsensoren afgeleid.  

Kort antwoord: alle zorgorganisaties werken al met data, maar er is tegenwoordig veel meer mogelijk dan de meeste organisaties nu doen.

We krijgen vaak de vraag: ‘Wat is er nieuw aan datagedreven werken, we werken toch al met informatiesystemen?’ En dat klopt voor een deel. Iedere zorgorganisatie verzamelt enorm veel zorgdata. Iedere zorgorganisatie werkt ook al met een management informatie systeem (MIS) om te meten en sturen in de organisatie. Wat is dan het verschil met het huidige datagedreven werken?

De zorg wordt digitaler. Daardoor worden er ook steeds meer én betere data vastgelegd. Er is dus meer data om te analyseren. Daarnaast zijn de tools om te analyseren verbeterd en is er meer rekenkracht. Er is daardoor veel meer mogelijk. Data uit verschillende bronnen kunnen makkelijker en realtime gecombineerd worden, om beter en sneller inzicht te krijgen. We kunnen zelfs met data voorspellende modellen maken en artificial intelligence (AI) toepassen.

Het verschil tussen een traditioneel managementinformatiesysteem en moderne vormen van datagedreven werken, is uit te leggen met een data-volwassenheidsmodel. Deze modellen gaan uit van verschillende niveaus van datagedreven werken. ActiZ gebruikt het volwassenheidsmodel van BMC:

• Het eerste niveau is weten wat er gebeurt. Hiervoor worden vaak periodieke rapportages gemaakt waarmee wordt terug gekeken.
• Het tweede niveau is begrijpen. Hiervoor worden gegevens uit verschillende systemen met elkaar gecombineerd om verbanden te zien en (meer) realtime weergegeven.
• Het derde niveau is voorspellen. Door data door te rekenen kan een voorspelling voor de toekomst worden gegeven.
• Het vierde niveau is bepalen. Met behulp van algoritmes worden beslissingen genomen.

Per niveau neemt de complexiteit en benodigde expertise toe en neemt het belang van draagvlak en competenties in de hele organisatie toe. Niet elke vraag heeft het laatste niveau nodig. Kijk naar wat je nodig hebt als organisatie. Wat is jouw visie op de toekomst: wat wil je bereiken in je organisatie en hoe kan datagedreven werken je daarbij helpen?

Lees hier meer over het volwassenheidsmodel en tips hoe hierin verder te komen. Vul voor jouw organisatie de volwassenheidsscan in.

Kort antwoord: om zo efficiënt mogelijk kwalitatief hoogwaardige zorg te kunnen blijven bieden.

Er is steeds meer zorg nodig, met minder mensen om deze zorg uit te voeren. Datagedreven werken geeft mogelijkheden om goede zorg te kunnen blijven bieden met minder mensen. Door bijvoorbeeld de inzet van sensoren bij valpreventie of in slimme matrassen. Maar ook door betere informatie te kunnen bieden aan zorgverleners en hulp bij beslissingen. Al deze toepassingen helpen om betere zorg, met minder uren inzet te kunnen verlenen.

Daarnaast helpt datagedreven werken bij kwaliteits- en managementinformatie. Data uit verschillende bronnen kunnen makkelijker en realtime gecombineerd worden, om beter en sneller inzicht te krijgen. Hierdoor kan er veel eerder en beter worden gestuurd op de gewenste resultaten.

Kort antwoord: Bij datagedreven werken wordt data gecombineerd en geanalyseerd om vooraf gestelde vragen te beantwoorden. Hiervoor zijn goede data en techniek nodig, maar vooral strategie en duidelijke (werk)processen die worden gevolgd door iedereen in de organisatie. 

Datagedreven werken is een breed begrip waar veel onder valt. Je kunt je voorstellen dat er veel verschillende aanpakken zijn. We vertellen je hier in een notendop enkele basiselementen van datagedreven werken.

Stap 1: De vraag

Data op zich is niet veel. Data is pas interessant als het je informatie geeft over iets dat je wilt weten. Ofwel: als het een vraag beantwoord. Datagedreven werken begint daarom altijd met de vragen die je wilt beantwoorden. Dit kunnen KPI’s zijn die je permanent of tijdelijk wilt monitoren. Of het kan een eenmalige onderzoeksvraag zijn. Deze vragen kunnen zowel komen vanuit het management over bedrijfsmatige KPI’s, of juist van de werkvloer om werkprocessen te verbeteren of beslissingen over zorg te ondersteunen.

Stap 2: Combineren van data uit applicaties

Om antwoord te krijgen op de gestelde vragen, is data nodig. Data worden geregistreerd in diverse applicaties in de organisatie. Soms is er data uit maar één applicatie nodig, maar vaak is het combineren van informatie uit meerdere applicaties nodig. Om bijvoorbeeld verbanden te kunnen ontdekken. Het is dus zaak om de data úit de diverse applicaties te halen, op een manier dat ze met elkaar vergeleken en gecombineerd kunnen worden. Dit kan op vele manieren, meestal heb je hiervoor specifieke software nodig.

Stap 3: Data selecteren en programmeren

Vervolgens worden deze data verwerkt om de gestelde vraag te beantwoorden. Ofwel: er wordt bepaald welke data meegenomen wordt voor welke vraag. En op welke manier deze worden gecombineerd en geanalyseerd. De data worden bewerkt zodat deze bruikbaar zijn en er is controle op de data-kwaliteit. Er wordt ook gekeken naar hoe vaak dit moet gebeuren: is dit een keer per kwartaal, maand of week? Of verandert de data snel en moet dit ook realtime worden aangepast? Dit alles wordt geprogrammeerd in de software en systemen die jouw organisatie hiervoor gebruikt.

Stap 4: Data presenteren

Ten slotte moet de data zo worden gepresenteerd dat de resultaten voor de relevante mensen inzichtelijk zijn. Hiervoor wordt een dashboard gemaakt. De mensen die de informatie nodig hebben kunnen daarop zelf zien wat de resultaten zijn, of zelf verder analyses maken. De informatie voor het antwoord op de gestelde vraag staat op dat dashboard. Ook voor dit dashboard is specifieke software nodig.

Stap 5: Datagedreven werken is meer dan techniek alleen

Tot nu toe vertellen we je de beschrijving van het technische proces en wat je met data doet. Maar datagedreven werken is geen technisch project. Het is een manier van werken in de hele organisatie. Het gaat over strategie, mensen en processen.

• Strategie: welke vragen beantwoord je en welke knelpunten los je op en voor wie en waarom?
• Mensen: kunnen en willen zij met de resultaten werken? En zien zij er het nut van in om de applicaties goed in te vullen zodat je ook bruikbare data hebt?
• Processen: is data op het goede moment beschikbaar, kunnen de juiste mensen bij de informatie, en worden de goede dingen gedaan met de informatie?

Bekijk hier de samenhang van alle elementen op het datavolwassenheidsmodel, wat nodig is voor datagedreven werken.

Kort antwoord: In de basis is er geen verschil. Maar je moet wel beide apart inrichten in je systemen.

In de basis is er geen verschil tussen datagedreven werken gericht op bedrijfsvoering of gericht op het zorgproces. Wat wel wordt onderschat, is dat je niet zomaar snel een nieuwe informatievraag hebt beantwoord of hiervoor een dashboard hebt ingericht. In de vorige vraag kun je lezen hoe datagedreven werken stap voor stap werkt. De vraag bepaalt hoe je infrastructuur eruit moet komen te zien. Ofwel: welke data haal je uit welke applicaties op welke wijze. Je kunt dus niet zomaar de al gebouwde paden gebruiken voor een heel andere vraag. Wil je bijvoorbeeld een dashboard die zorgmedewerkers kunnen gebruiken voor het multidisciplinair overleg? Dan vraagt dat om andere data, opgeslagen in andere applicaties, op een andere manier ontsloten naar een dashboard, met andere eisen aan de kwaliteit van de data en privacy, dan wanneer het gaat om bedrijfsvoeringsdata. De kans is dus groot dat bij een andere vraag, deze data op andere plaatsen moet worden opgehaald en op andere manieren wordt gecombineerd.  Vergelijk het met een wegennet dat is gebouwd in Frankrijk. Over dat wegennet kun je niet zomaar naar de Rotterdamse haven rijden, je moet dan een stukje wegennet bij bouwen. Zo is het ook met data: je kunt een gemaakte infrastructuur niet altijd direct gebruiken voor andere data-vragen. Soms vraagt het om een kleinere aanpassing. Soms om een geheel nieuw ‘wegennet’.

Bij datagedreven werken kom je de begrippen Business Intelligence, Data Science, en Artificial Intelligence regelmatig tegen en naast en door elkaar gebruikt worden. Wat wordt nu bedoeld met deze begrippen en wat is het verschil?

Business Intelligence (BI)

Business Intelligence is de discipline die data verzamelt en omzet naar bruikbare informatie om terug te kijken, bijvoorbeeld in dashboards. Het gaat daarbij om een cyclisch proces van data verzamelen, analyseren, beslissingen nemen op basis van deze informatie, terugkijken en monitoren van de beslissingen, en weer bijstellen. Dit cyclische proces richt zich op afgesproken KPI’s of informatievragen.

Data science

Data science is de discipline die data verzamelt en analyseert, met wiskundige modellen en algoritmes, voor onderzoeksvragen die vooruit kijken. Ofwel: voorspellingen doen voor de toekomst, op basis van beschikbare data. Dit is minder een cyclisch proces, en meer uitgaande van een onderzoeksvraag.

Artificial Intelligence (AI)

Artificial Intelligence, in het Nederlands ook kunstmatige intelligentie genoemd, is het vermogen van een systeem om externe gegevens te interpreteren, om te leren van deze gegevens en zichzelf daarmee te verbeteren. Dit klinkt futuristisch, maar zit al in allerlei applicaties die je regelmatig gebruikt. Denk aan Spotify en YouTube die AI gebruiken om muziek of video’s aan te bevelen die bij jou past. In de zorg wordt AI gebruikt in sensoren en bijvoorbeeld sociale robots zoals Tessa. Wil je hier meer over weten, volg dan ook kosteloos de e-learning AI in de zorg.

Machine learning

Machine learning is een aanpak die zich bezighoudt met de ontwikkeling van algoritmes en technieken waarmee computers kunnen leren. Machine learning gebruikt wiskundige modellen om met bestaande data nieuwe voorspellingen te kunnen doen. Data science, machine learning en artificial intelligence ligt allemaal dicht bij elkaar en worden ook wel door elkaar heen gebruikt. Het gaat in basis om dezelfde aanpak: er is een grote hoeveelheid data. Met algoritmes (gebaseerd op wiskundige modellen) worden voorspellingen gedaan voor de toekomst. Door die voorspellingen te toetsen en nieuwe data toe te voegen, verbetert het model zichzelf. Ofwel: de machine leert bij en verbetert zichzelf.

Datagedreven werken is nog een redelijk nieuwe discipline in de VVT. We zijn samen aan het ontdekken hoe we dit goed kunnen toepassen. Er zijn ook nog wel misverstanden over datagedreven werken. Hieronder enkele voorbeelden van regelmatig gehoorde misverstanden.

Management tegen data analist: ‘Je hebt nu toegang tot onze data. Wat kun je ons voor interessants vertellen?’

Helaas kun je niet zomaar interessante patronen zien in een grote bak met data.  Het begint altijd eerst met een vraag vanuit de organisatie. Dat kan een vraag zijn vanuit het management of vanuit de primaire zorg. Maar er is altijd eerst een vraag om informatie nodig, voordat een data-specialist aan de slag kan gaan om deze informatie te gaan zoeken.

'We gaan datagedreven werken, dat is toch data uit de applicaties halen en deze analyseren? Dat kunnen de ICT’er en/of de business analist er wel bij doen'

We zien mensen vanuit allerlei disciplines bezig met datagedreven werken. Dat is heel positief, omdat het altijd start met ‘wat wil je weten’? Die vraag komt vanuit de werkvloer of management. Het technisch regelen kost echter behoorlijk wat tijd.  Denk aan het ontsluiten van de data uit de applicaties, het bouwen van een dashboard en de data regelmatig updaten. Daarnaast vraagt het om inhoudelijke kennis van zaken: je moet goed weten welke informatie je nodig hebt en op welke wijze je die gaat combineren. En is je data daarvoor geschikt? Ten slotte en niet minder belangrijk gaat het over het zorgen voor een goede datakwaliteit, afspraken maken in de hele organisatie over definities van data en ervoor zorgen dat alles voldoet aan privacyregels.  

'We maken voor elk team een eigen dashboard, dat leidt vervolgens tot verbeteringen en betere zorg.'

In principe een goed idee. Er zijn ook al verschillende voorbeelden van organisaties waar dit goed werkt. Daarbij zijn ook lessons learned naar boven gekomen. Zo is ‘meten is weten’ een valkuil. Als je met elkaar de vraag stelt wat je allemaal wilt weten, komt er wellicht een overvloed aan vragen op. Een te uitgebreid dashboard is niet wat je wilt. Kijk met elkaar wat de belangrijkste informatie is waarop je wilt sturen en richt je daarop. Daarnaast blijkt dat lang niet alle data van voldoende kwaliteit is en dus betrouwbaar. Het vraagt om goede afspraken over invullen van bijvoorbeeld het ECD of andere systemen en dat ook iedereen zich daaraan houdt. Dit vraagt om digivaardigheid, goede werkprocessen, en draagvlak bij alle collega’s. En ten slotte: Een dashboard maken wil niet zeggen dat je er goed mee kunt werken. Inhoudelijke kennis is nodig om de informatie te kunnen interpreteren en wat je er vervolgens mee kunt doen.

Denk daarom goed na over wat je wilt bereiken en wie en wat je daarvoor nodig hebt. Stel bijvoorbeeld eerst een kwartiermaker aan die in kaart brengt wat er zoal moet gebeuren, welke competenties daarvoor nodig zijn en hoeveel tijd dit gaat kosten Start bijvoorbeeld met een klein project. Hiermee kun je de toegevoegde waarde zien van datagedreven werken in de organisatie.  

Kort antwoord: ActiZ faciliteert netwerken, geeft informatie en zorgt voor branchedata.

Kijk op Data

ActiZ zorgt met Kijk op Data voor feiten en cijfers van de sector in één oogopslag. Je vindt hier actuele cijfers en branchebeelden die je kunt gebruiken voor sturing in je eigen organisatie of regio. Bijvoorbeeld de covid-cijfers in de VVT en cijfers over personeelssamenstelling of arbeidsmarkt.

Netwerken voor leden

Daarnaast faciliteert ActiZ netwerken die zich richten op datagedreven werken in je eigen organisatie. Er is een ActiZ online netwerk over datagedreven organisatie. Dit netwerk is voor alle ActiZ leden die in het onderwerp geïnteresseerd zijn. Daarnaast faciliteert ActiZ een netwerk specifiek voor BI’ers en data-analisten in de VVT. Dit netwerk is bedoeld voor de mensen bij VVT-instellingen die zich bezighouden met de data-analyses en data-infrastructuur. Wil je  meer weten over deze netwerken? Mail dan naar Margriet Snellen m.snellen@actiz.nl.

Landelijke aanpak

ActiZ werkt samen met regionale werkgeversorganisaties en Vilans aan een landelijke aanpak voor datagedreven werken. In de zomer 2022 is een nulmeting uitgezet. Vanaf 2023 faciliteren we gezamenlijk met deze partijen het datagedreven werken. Lees hier meer over de samenwerking.

Volg de laatste ontwikkelingen

ActiZ volgt de ontwikkelingen voor data-uitwisseling, datagedreven werken en onderzoek tussen organisaties op de voet. We onderhouden contacten met relevante andere partijen. En verspreiden informatie via onze website en netwerken.