Datagedreven werken ondersteunt mensen in hun autonomie en professionaliteit

Interview met Johan Groenen en Maarten Geraets, mede-oprichters TiltShift

Johan Groenen en Maarten Geraets stonden in 2015 samen met Joris Boeren aan de wieg van Datalab Amsterdam. Gedrieën richtten zij TiltShift op, een software design bureau voor probleemgedreven innovatie in de publieke sector. Na een reactie op de Toolbox Datagedreven werken spreken we Johan en Maarten over hun werk en de do’s en don’ts van datagedreven werken. Hoe moet datagedreven werken wèl en niét worden ingezet?

Hoe kwamen jullie bij de Toolbox Datagedreven werken terecht?

Johan: Ik zag een bericht voorbij komen van het Leer- en Expertisepunt Datagedreven werken (LED) over de Toolbox Datagedreven werken. Ik dacht meteen “daar zou onze Fixxx-methode ook wel tussen passen.” In Amsterdam werken we er namelijk al een aantal jaren met succes aan om data in werkprocessen te krijgen met deze methode. Daarom reageerde ik op jullie toolbox. Onze ervaringen van TiltShift zijn wat ons betreft een goede aanvulling zijn op de toolbox, omdat de link met de praktijk nu nog wat ontbreekt.

Waar houdt Tiltshift zich mee bezig?

Maarten: Tiltshift is een public tech bedrijf, maar wij framen het als good public tech. Wij streven naar toepassingen die echt goed in elkaar zitten en die de mens centraal stellen. We werken daarvoor nauw samen met de mensen op de werkvloer voor wie we de toepassingen maken. Daarin zijn we anders dan traditionele softwaremakers. Zij maken eerst een toepassing om deze vervolgens bij een publieke instantie aan te bieden.

Waaruit bestaat deze Fixxx-methode?

Maarten: Vijf jaar geleden gingen we van start met een datalab in Amsterdam. Dit werd al gauw een plek waar de gemeente verschillende nieuwe innovaties op het gebied van data kon laten plaatsvinden. Deze innovaties moesten bijdragen aan een breed gedragen data-ontsluiting in Amsterdam. Dat klinkt misschien heel abstract en daar hebben we juist daarom een concrete invulling aan gegeven. We hebben het datalab vormgegeven als programma, waar we vervolgens projecten in uitvoerden.

Die projecten waren allemaal innovatieprojecten. De methode die we hiervoor bedachten hebben we de Fixxx-methode genoemd, wat staat voor Fast Innovation Amsterdam. Inmiddels is de methode ook buiten Amsterdam in gebruik, maar de naam is blijven hangen.

“We willen samen de problemen in bijvoorbeeld werkprocessen opsporen.”

We vinden het heel belangrijk om dingen samen te ontwikkelen. We willen samen de problemen in bijvoorbeeld werkprocessen opsporen. Daar willen we vervolgens ideeën voor bedenken om ook samen tot een oplossing te komen. Een Fixxx-project beslaat een periode van drie maanden waarin we bekijken of we een tastbaar probleem kunnen oplossen:

De eerste twee weken (Discovery) lopen we mee op de werkvloer, zodat we het probleem beter begrijpen. Dit doen we met het hele team, zowel designers als programmeurs. Is er bijvoorbeeld een probleem in het vuilniscollectieproces, dan rijden we in die twee weken ook mee op de vuilniswagens.

In de twee weken daarna (Ideation) gaan we samen met alle betrokkenen aan de slag met het gestructureerd ontwerpen van een groot aantal mogelijke oplossingsconcepten.

Uit de oplossingen die we gedurende die twee weken bedenken kiezen we er één uit die we in de derde fase (Development) van acht weken opbouwen tot een werkende applicatie. Deze implementeren we vanaf de eerste week in het proces. Op die manier krijgen we niet alleen wekelijks te horen wat de volgende stap moet zijn, maar zien we ook hoe de organisatie reageert op de nieuwe manier van werken. Daar kunnen we dan met de techniek op inspelen.

Hoe gebruiken jullie data in dit proces?

Johan: De link met datagedreven werken is dat veel mensen wel het idee hebben dat ze met data aan slag willen, maar dat het ze aan ‘iets’ ontbreekt om in actie te komen. Ze missen duidelijke tools om iets met data te kunnen doen.

Managers willen bijvoorbeeld, om bij het eerder genoemde voorbeeld van de vuilniscollectie te blijven, stuurinformatie om de routes en frequenties van vuilniswagens te optimaliseren. De data die zij daarvoor nodig hebben moet gegenereerd worden door de vuilnismannen. Die krijgen een scanner in de hand gedrukt waarin zij handmatig moeten aangeven welke bak zij hebben geleegd en hoe vol een bak ongeveer is. Dit moeten zij doen zonder dat zij echt weten waarom, terwijl het wel hun taken bemoeilijkt. Met als gevolg dat zij soms voor het gemak kiezen en dus altijd op de bovenste knop drukken (vuilnisbak vol). Dit zorgt voor onbetrouwbare data, waarop je beter geen beslissingen kunt nemen.

Maarten: Om tot een goede oplossing te komen, moet je weten wat er speelt. Zo bleek bijvoorbeeld ook dat de vuilniswagens soms in elkaars wijken reden. Dit had als effect dat men met de grote vuilniswagen door de nauwe stad manoeuvreerde, om uiteindelijk bij een bak uit te komen die al door een collega geleegd was. Dit leverde veel frustratie op. Als je een tool kunt geven waarop ze dat kunnen zien, dan heeft het voor medewerkers ook echt zin en levert het je direct ook waardevolle managementinformatie op.

Johan: Het wordt vaak omgedraaid. Mensen denken bij datagedreven werken vaak aan management-data en daarmee managementsturing. Managementsturing is een grote, langzame feedbackloop. Met datagedreven werken kun je echter veel kleinere feedbackloops maken, die veel zinvoller zijn voor de mensen in de uitvoering zelf. Daarom maken wij juist praktische apps voor in de uitvoering, die vervolgens data genereren voor de aansturing: ze kunnen iets met die gegenereerde gaan data doen. En ook dat levert weer data op. Zo krijg je voet tussen de deur om de datagedreven werkwijze langzaam op te bouwen.

Welke lessen hebben jullie uit eigen datagedreven werkervaring opgedaan?

Johan: Organisaties komen vaak met een managementwens, terwijl ze eigenlijk een operationeel probleem hebben. Het is vaak beter om dat operationele probleem op te lossen met data in het achterhoofd, dan om de managementwens te vervullen met data en het operationele probleem in het achterhoofd. Als je de echte problemen zo oplost, komt de data vanzelf.

Daarnaast is de acceptatie op de werkvloer belangrijk. Als je mensen niet vanaf het begin in het proces betrekt, kun je ze ook niet enthousiast maken voor de mogelijkheden die een datagedreven aanpak met zich mee brengt. Medewerkers moeten er wat aan hebben en daarvoor moet je weten wat er speelt.

“Als je mensen niet vanaf het begin in het proces betrekt, kun je ze ook niet enthousiast maken voor de mogelijkheden die een datagedreven aanpak met zich mee brengt.”

Maarten: Je kunt het probleem daarbij het beste zo klein en concreet mogelijk maken en een oplossing ontwerpen die snel te implementeren is en waarde oplevert op de werkvloer. Data is daar in deze tijd bijna altijd een onderdeel van. Maar data is geen doel op zich.

Johan: Daarnaast is het organisatorische vraagstuk minstens zo belangrijk. Als er niemand is die commitment wil geven, dan kan de innovatie nergens landen en zakt het net zo snel weer in elkaar.

Maarten: Vaak wordt het geïntroduceerd als enkel een pilot. Dan wordt er iets tijdelijk geprobeerd en nooit doorgezet. Dat is eigenlijk zonde van het geld.

In hoeverre helpt het het aanstellen van een Chief Data Officer?

Maarten: Als ik iemand zou mogen aanstellen binnen een publieke organisatie, dan zou dit niet een Chief Data Officer zijn.

Je zou iemand op CIO (Chief Information Officer) niveau willen hebben, die veel verstand heeft van digitale transformaties. Iemand die weet hoe de geboden diensten omgevormd kunnen worden naar digitale diensten. En hoe je digitale tools (en de data die daar doorheen stroomt) inzet voor betere processen en diensten.

Johan: Je moet dus eigenlijk een Chief Digital Services Officer hebben. Of een Chief Digitization Officer of een Chief Digital Transformation Officer. Het aanstellen van een Chief Data Officer komt voort uit de vraag “we hebben de organisatie zoals die is en opeens komt daar data bij – wat nu?” Ik denk niet dat dat het geval is. De data komt erbij omdat de organisatie zelf aan het veranderen is. Je kunt beter iemand benoemen om die verandering in goede banen te leiden, dan een Chief Data Officer positie creëren.

Wat zou een foute ontwikkeling zijn in de toekomst van het datagedreven werken?

Johan: We moeten mensen niet tot robots maken die van bovenaf door data worden gestuurd. Datagedreven werken dient uitvoerende mensen juist te steunen in hun autonomie en professionaliteit. Datagedreven werken moet niet worden gezien als een micro-management tool, maar juist als het tegenovergestelde.

“We moeten mensen niet tot robots maken die van bovenaf door data worden gestuurd.”

Maarten: Je kan datagedreven werken op twee manieren inzetten. Als mensen denken over datagestuurd werken, denken ze “ik wil die handhaver op de best mogelijke plek hebben.” Waar wij bang voor zijn is dat de computer precies gaat bepalen wat zij gaan doen: op welke straathoek de handhaver op welk tijdstip moet staan om de meeste boetes te kunnen uitschrijven. Als je het fingerspitzengefuhl bij de handhaver wegneemt, dan ben je het werk aan het optimaliseren op een manier die het werk van elk menselijk aspect onttrekt.

Wij denken dat het precies de andere kant op moet: een datagedreven aanpak dient de professionaliteit van een uitvoerder te ondersteunen. Daardoor krijg je betere diensten. Je moet niet de data laten nadenken, maar mensen laten nadenken met data.

Johan: De handhaver moet zelf de mogelijkheid hebben om grijze gebieden in te vullen, anders wordt hij of zij een robot. Dat is voor niemand goed.