Duurzame datacultuur (3/4)

Met een serie van vier blogs levert Deloitte graag een inhoudelijke bijdrage aan het vraagstuk over verantwoord datagebruik bij de overheid. In het eerste deel is het dilemma globaal uiteengezet. In het tweede deel gingen we dieper in op de dataketen als onderdeel van overheidsbesluitvorming. In dit blog geven we antwoord op de vraag hoe tot verantwoord datagebruik te komen. In het laatste deel van de blogserie maken we de handelingsopties concreter voor respectievelijk grote uitvoeringsorganisaties en gemeenten waar de datacomponent een uitdaging vormt.

Deze blogserie maakt Deloitte in samenwerking met Kees Verhoeven, eigenaar van Bureau Digitale Zaken en voormalig Tweede Kamerlid.
 

Doordacht databeleid vergt tijd en collectief eigenaarschap

Om als overheid verantwoord beleid te maken met data als middel is een by-design¹ aanpak nodig. Daarbij moeten beleidsmakers de tijd nemen om voorgenomen data-oplossingen te toetsen op kwaliteit, integriteit en mogelijke consequenties. De nieuwe taken en bevoegdheden in het datatijdperk vergen zorgvuldigheid en de juiste expertise. Verschillende scenario’s moeten structureel in kaart worden gebracht zodat weloverwogen en transparante keuzes kunnen worden gemaakt.

Het is belangrijk om uitvoerende instanties van meet af aan te betrekken bij oplossingsrichtingen. Voorbeeld: als je één minuut voor sluitingstijd nog een bestelling doet, kan je de kok daarmee in een lastig parket brengen. Hoewel alle ingrediënten en keukengerei aanwezig zijn, heeft de kok er al 8 uur opzitten. Tevens moet het restaurant zich aan de sluitingstijd houden. De vraag is dan: Hoe kom je tot een passende oplossing voor alle partijen?

Door uitvoeringsorganisaties vroegtijdig te betrekken bij het oplossen van de (politieke) uitdaging ontstaat inzicht in de complexiteit en mogelijkheden van een datagedreven oplossing. Dit kan door aan de voorkant voldoende ruimte te maken voor de uitvoeringstoets. Zo kunnen gevolgen van keuzes beter worden overzien en ontstaat er meer draagvlak voor de oplossingen in de gehele keten.

Datagedreven organisaties vragen een integrale aanpak

Om met technologie betere diensten te kunnen leveren, is het nodig om onderdelen zoals data en AI te verankeren in de organisatie (zie: “Becoming an Insight Driven Organisation (IDO)”). Ook overheidsorganisaties zullen moeten transformeren naar een IDO. In plaats van losse projecten, vergt dit een samenhangende manier van denken en werken, door de hele organisatie heen. Deze transformatie kent een vijftal pijlers: strategie, mensen, processen, data en technologie.

• Strategie: doelstellingen zorgvuldig definiëren en steun van belanghebbenden verkrijgen.
• Mensen: werken in gemengde teams met kennis van de technologie, ontwerp- en communicatievaardigheden en politiek-bestuurlijke sensitiviteit.
• Processen: eerlijk en legitiem data verzamelen en ontsluiten en data omzetten in informatie én actie door samenwerken en effectieve feedbackmechanismen.
• Data: oog hebben voor de data-behoefte en data-kwaliteit, naleving van regelgeving en ethische implicaties van het gebruik van interne en externe databronnen.
• Technologie: een IT-omgeving/architectuur vormgeven met overheidsorganisaties en externe technologiepartners om ambities te ondersteunen.

De vijf bovengenoemde pijlers zijn essentieel om tastbare voordelen te halen uit data. Behalve een integrale en gezamenlijke aanpak intern (als overheidsorganisatie), is “van buiten naar binnen denken” cruciaal. Ook dit is een onderdeel van de cultuuromslag die nodig is bij elke individuele data-oplossing. Het is van belang om binnen ontwerpprocessen na te denken over de impact op alle betrokkenen en de omgeving waarbinnen de data-oplossing wordt toegepast. Hoewel data-oplossingen technische expertise vereisen, is er ook het sociale en ethische bewustzijn nodig om te voorkomen dat de “data-bril” vertekend waardoor waarden in het geding kunnen komen.

Met name de snelheid, schaal en grenzeloosheid van data-oplossingen wordt nog te vaak onderschat en moet beter worden afgewogen. Zo kan de inzet van gezichtsherkenning voor authenticatie of identificatie op vliegvelden de doorstroming versnellen. Tegelijkertijd is gebleken dat deze technologie niet evengoed werkt voor alle huidskleuren en gelaatskenmerken. Om ervoor te zorgen dat de gedeelde waarden, zoals non-discriminatie, sociale rechtvaardigheid en privacy, leidend blijven bij de inzet van data-oplossingen, moeten nagestreefde doelen en ingezette middelen kritisch vanuit verschillende perspectieven blijvend worden getoetst. Een – in meerdere opzichten – divers team, een organisatiecultuur waarbinnen zich men kan uitspreken en het betrekken van externe experts voorkomt tunnelvisie en vooringenomenheid.

Datasystemen vereisen doelgerichte procedures

Hoewel de focus doorgaans ligt op het bedenken van nieuw beleid, is het uitvoeren van bestaand beleid en een goed beheer van de benodigde informatie ter ondersteuning van de primaire processen vaak belangrijker. Het is cruciaal dat data op robuuste wijze worden ontsloten, bewaarden benut. Hierbij moeten de datakwaliteit en het data-eigenaarschap goed geborgd zijn voor een betrouwbare en effectieve dataketen. Bovendien spelen bij de verwerking van persoonsgegevens continu privacy- en securityvraagstukken een rol, zoals doelbinding, dataminimalisatie en goed identity en access management. Hierbij is het belangrijk om te kijken naar zowel technische als organisatorische maatregelen, zoals ook in de AVG wordt voorgeschreven.

Vaak gaat de aandacht vooral uit naar technische componenten zoals afgeschermde omgevingen en anonimisering, maar de gedragscomponent is minstens zo belangrijk. Voorbeeld: haast bij ieder datalek blijkt dat menselijke missers zoals te brede toegang tot vertrouwelijke gegevens of het ongecontroleerd delen en kopiëren van bestanden de oorzaak is. Net zoals met echte hygiëne is ook datahygiëne een kwestie van ervaring en opvoeding.

Hierbij is de inzet van procedures nodig, waarbij het succes valt of staat met een aantal randvoorwaarden. Allereerst moet de leiding van de organisatie het goede voorbeeld geven en de juiste prioriteiten stellen. Bij veel publieke instanties is nog veel winst te behalen door meer bestuurlijke betrokkenheid bij goed databeheer, zoals de Onderzoeksraad voor Veiligheid (OVV) in 2021 vaststelde in hun rapport over het Citrix-lek bij de overheid². Op de tweede plaats moet een by design-aanpak actief worden geïmplementeerd. Met goede tooling en werkwijze, robuuste en tijdige data-ontsluiting en goed ingerichte processen voor data-deling kan de aandacht voor verantwoord datagebruik worden geïntegreerd in ontwikkelprocessen. Ten derde is het zaak dat procedures tot stand komen in nauw overleg met de professionals voor wie ze bedoeld zijn en in een taal die voor hen begrijpelijk is; zodat de doelgroep erin gelooft en procedures niet enkel worden opgevolgd uit angst voor de consequenties of nagelaten vanuit gemakzucht.

Data-uitkomsten behoeven zorgvuldige interpretatie

Een bepaalde data-uitkomst vraagt om een gedegen menselijk oordeel. Om inzichten uit data zorgvuldig weer te geven en te interpreteren, moeten gebruikers inzichten uit data op waarde leren schatten. Het is zoeken naar de juiste balans tussen enerzijds kernbeginselen als onschuldpresumptie , het legaliteitsbeginsel (doelbinding) en proportionaliteit (dataminimalisatie) en anderzijds een model dat voldoende recht doet aan maatschappelijke complexiteit.

Hierbij is het nodig om in de dataketen de achtereenvolgende stappen (van input tot output) zorgvuldig -conform statistische regels- te doorlopen. De gang door de keten begint met het op juiste wijze verzamelen van data en het bijeenbrengen van een zuivere dataset. Dit vereist onder meer alertheid bij het kopiëren en inzetten van databestanden: de gebruikte data moeten compleet en actueel zijn en de datasets moeten evenwichtig worden samengesteld om bias by data te voorkomen.

Vervolgens moeten de algoritmen van goede kwaliteit zijn. Concreet betekent dit dat alle data het juiste gewicht krijgt toegewezen door de rekenregels. Dit is cruciaal om te voorkomen dat aan goede datacomponenten het foute gewicht wordt gegeven, met bias by code als problematisch gevolg. Om daadwerkelijk te komen tot goede rekenregels zijn transparantie over waardeoordelen en vervolgens een breed gedragen belangenafweging nodig. Algoritmes worden beter naarmate procedures hiervoor worden ingericht en de ontwerpteams meer divers zijn zodat er getest en getoetst kan worden vanuit verschillende perspectieven.

Tot slot dienen de uitkomsten geïnterpreteerd en gevalideerd te worden. Hierbij moeten organisaties actief waken voor vooringenomenheid en de zogeheten research bias waarbij onderzoekers hun hypothese te graag bevestigd zien door de data. Een open, nieuwsgierige en integere cultuur helpt hierbij. Aan het einde van de dataketen moet een evenwichtige weergave gemaakt worden om de data op juiste wijze te vertalen naar inzichten (via grafieken, dashboards en rapportages). Ook hierbij moeten wiskundige (verkeerde assenstelsels) en psychologische valkuilen (beeldvorming, framing) vermeden worden.

Een valkuil is dat organisaties het overzicht kwijtraken en verdwalen in het woud aan checklists en impact assessments. Deze valkuil kan vermeden worden door middel van op maat gemaakte, leesbare handleidingen, praktische werkwijzen, een geïntegreerde ‘by-design’ aanpak en goede begeleiding op de datawerkvloer. Zo kan een datakwaliteitsraamwerk dat (data)definities en regels controleert en signalen afgeeft, behulpzaam zijn.

Correcte data-conclusies verdienen een juiste beleidsinzet

Hoewel data-oplossingen technisch van aard zijn, hebben ze uiteindelijk tot doel om het leven van echte mensen en bedrijven te verbeteren. Dit gaat niet vanzelf goed en vraagt naast bijsturing tijdens het beleidsproces ook om zorgvuldige weging aan het einde ervan. Om te zorgen dat correcte conclusies ook correct gebruikt worden, zijn maatschappelijke antennes, goed functionerende checks and balances en betekenisvolle menselijke tussenkomst nodig. De geschiedenis heeft uitgewezen dat computers op basis van datasets en algoritmes ‘nee’ kunnen zeggen tegen een toelage of vergunningsaanvraag terwijl de praktijksituatie een menselijk 'ja’ rechtvaardigt. Daarom moeten we mensen laten beslissen over mensen en daarom moeten we het zo organiseren dat we de computer waar nodig kunnen terugfluiten.

Om dit te bereiken is zowel een maatschappelijke antenne (proactief) als een sterke rechtsstaat (reactief) nodig. Het eerste vraagt om een overheid die met haar beleid, wetten en regels goed aansluit op het doenvermogen³ en de zelfredzaamheid van burgers, die ervoor waakt kwetsbare groepen niet te hard te straffen en die kiest voor oplossingen die niet erger zijn dan de kwaal. Om een goed gevoel voor de doelgroep van beleid te krijgen kunnen burgercontacten, focusgroepen en ambtenaren, die getraind zijn om signalen tijdig op te pikken, helpen.

Steeds vaker worden klantsignalen integraal geanalyseerd door meerdere databronnen te combineren. Door inzichten over de ‘reis’ van burger bij elkaar te brengen, kunnen ook verbeteringen in hun ervaringen worden gerealiseerd die passen bij hun leefwereld . Publieke organisaties kunnen effectiever worden door dit zogenaamde klantsignaalmanagement te combineren met een helder(e) methodiek/stappenplan om vanuit klantsignalen tot verbetering in de dienstverlening te komen.

Om genoeg interne tegenkracht te organiseren, moet een uitvoeringsorganisatie opgedane ervaringen en inzichten effectief kunnen terugkoppelen aan het ministerie waar het beleid vandaan komt. Een data-liaison-officer kan hierbij voor korte lijnen zorgen; een hiertoe aangewezen functionaris of bevoegde afdeling moet vervolgens bepaalde besluiten kunnen controleren, heroverwegen en terugdraaien.

Als deze interne lijn het probleem niet kan voorkomen, dan moet het probleem worden rechtgezet door middel van rechtsbescherming. Een kernaspect hiervan is dat klachten van burgers leiden tot correcties door toezichthouders en inspecties, door organisaties als de Nationale Ombudsman en de Algemene Rekenkamer en in het uiterste geval door rechters. In een land waarin overheden hun beleid moeten uitleggen en burgers hun recht kunnen halen, is de kans op grote (data)incidenten significant kleiner. Een overheid met een lerend vermogen en de bereidheid om beleid aan te passen, is hierbij van grote meerwaarde. Net als het faciliteren van monitoring en evaluatie zonder het gelijk vergaand te juridiseren. Ook voor routes om problemen echt te zetten, zijn een robuuste dataketen en informatieoverdracht onmisbaar (zie figuur).

Learning by doing en best practices

Wanneer het beleid in theorie goed is, kan het in de praktijk verkeerd gaan door een verkeerde uitvoering. Om dit te voorkomen moeten data-intensieve organisaties de juiste prioriteiten stellen en voldoende middelen vrijmaken. Richtlijnen en procedures, net als cursussen en trainingen, roepen een gevoel van bureaucratie op maar helpen om daadwerkelijk beter met data te werken. Maar hoe belangrijk een goede voorbereiding ook is, werken met data is learning by doing. Een duurzame- en ethische datacultuur komt tot stand door klein te beginnen, bewuste stappen te zetten en consequenties van keuzes in de praktijk te monitoren. Naast leren van elkaar, kunnen gezamenlijke leergangen en accreditaties binnen de overheid een stimulans bieden om tot good practices te komen.

Deze serie is mede tot stand gekomen door Roos de Jong.

¹  In de basis borgt de by-design aanpak dat niet-functionele eisen actief worden meegenomen in ontwerp- en bedrijfsprocessen, en in specifieke nieuwe data gedreven technologieën of diensten. Door digitale ethiek, privacy, en veiligheid vanaf het begin en als integraal onderdeel mee te nemen, wordt creativiteit aangezwengeld om tot oplossingen te komen die de samenleving als geheel ten goede komen.

² Doenvermogen | Adviesprojecten | WRR