BOLDcast #1: Datagedreven re-integratie in Rotterdam, zo werkt dat

boldcast-logo
Illustratie: Margriet Osinga

Voor Leiden-Delft-Erasmus Centre for BOLD Cities maak ik een nieuwe podcastserie: BOLDcast. Hierin kijk ik welke rol (open en big) data kan spelen bij maatschappelijke vraagstukken – en welke gevaren daarbij komen kijken.

In de eerste editie: re-integratie op de arbeidsmarkt is een notoir lastig vraagstuk. Data kan daarbij helpen, maar mag dat ook altijd? En welke gevaren liggen daarbij op de loer? Liesbet van Zoonen (wetenschappelijk directeur van het Centre for BOLD Cities) en Maarten van Kooij (strategisch adviseur Werk & Inkomen bij de gemeente Rotterdam) vertellen over hun ervaringen. “Veranderingen gaan gewoon niet zo snel als iedereen denkt.”

BOLDcast #1: Datagedreven re-integratie in Rotterdam, zo werkt dat

Re-integratie op de arbeidsmarkt is een notoir lastig vraagstuk. Data kan daarbij helpen, maar mag dat ook altijd? En welke gevaren liggen daarbij op de loer? Liesbet van Zoonen (wetenschappelijk directeur van het Centre for BOLD Cities) en Maarten van Kooij (strategisch adviseur Werk & Inkomen bij de gemeente Rotterdam) vertellen over hun ervaringen in de eerste aflevering van BOLDcast. “Veranderingen gaan gewoon niet zo snel als iedereen denkt.”

BOLDcast is de podcast van het Leiden-Delft-Erasmus Centre for BOLD Cities. Dit onderzoekscentrum, een samenwerking van de Universiteit Leiden, TU Delft en Erasmus Universiteit Rotterdam, doet onderzoek naar de mogelijke inzet van data voor stedelijke vraagstukken, en de vragen en ethische kwesties die daarmee gepaard gaan. In BOLDcast bespreekt journalist Inge Janse deze vraagstukken en de rol die data daarbij kan spelen met BOLD Cities-onderzoekers en hun samenwerkingspartners.

De podcast is ook te beluisteren op Spotify of Apple Podcasts, of te downloaden via je gebruikelijke podcast-app. Liever lezen dan luisteren? De podcastaflevering is hieronder t vinden in geschreven vorm

Denk je aan het gebruik van data in het sociale domein, dan denk je bij Rotterdam direct aan SyRI, kort voor Systeem Risico Indicatie. Begin dit jaar werd gebruik van dit datagedreven anti-fraudesysteem stopgezet door de rechter. Wat gebeurde daar precies?

Maarten van Kooij: SyRI koppelt heel veel verschillende data over burgers die bij de overheid bekend zijn, zoals van het UWV, de SVB, de gemeente, noem maar op. Het idee was om daarmee risico-inventarisaties te maken. Komt jouw data op zo’n manier voor dat het vragen oproept, dan vormt dat aanleiding om gecontroleerd te worden. Als gemeente Rotterdam deden we mee aan een pilot, het systeem zelf is een initiatief van het Ministerie van Sociale Zaken. Maar burgemeester Aboutaleb zei al in 2019: hier stoppen we mee, dit vinden we disproportioneel. Er werd namelijk wél veel data gekoppeld, maar er kwam vrijwel niks bruikbaars uit. De burgemeester vond daarom de impact op de samenleving te groot in verhouding tot de noodzaak. Hij had daarmee een goed punt. Werkt iets onvoldoende, dan moet je ermee stoppen.

Liesbet van Zoonen: SyRi is een onderdeel van een fenomeen dat wij in veel bredere zin zien gebeuren. Veel gemeenten denken: we willen iets met die datarevolutie. Aan de ene kant hebben we zelf veel data, aan de andere kant hebben we een probleem, bijvoorbeeld met kosten in het sociaal domein. Leggen we die data tegen elkaar, dan kunnen we misschien de kosten beheersen. Gemeenten zitten daarbij vooral op de controle, zoals het voorspellen van wie fraude pleegt. Als onderzoekscentrum zeggen wij: het is ook interessant om data te koppelen en zo je dienstverlening aan mensen met een uitkering te verbeteren.

Hoe gaat dat in zijn werk?

Liesbet: Ik leg het nut van datakoppelingen vaak uit met een heel simpel voorbeeld. Als je bij Bol.com een Ajax-shirt koopt, dan raadt Bol.com je de volgende keer geen Feyenoord-dekbed aan. Zoiets kan ook met uitkeringen. Stel, mevrouw X met kenmerk Y uit wijk Z kreeg hulpmiddel A en is nu aan het werk. Lijkt iemand erg op mevrouw X, dan kun je daar hetzelfde mee doen. Dat is mogelijk door data te koppelen, zoals van het CBS en de gemeente. Ons systeem verschilt op twee manieren van SyRi en andere datagedreven anti-fraudesystemen. Ten eerste zoeken naar een verbetering in dienstverlening, en ten tweede hebben we aan uitkeringsgerechtigden gevraagd wat zij ervan vinden dat hun data zo gebruikt wordt.

Wat was voor de gemeente Rotterdam aanleiding om hieraan mee te doen? Ik kan me voorstellen dat jullie vanwege de ervaringen met SyRi huiverig zijn.

Maarten: Dat zou je denken, maar data kan ook heel veel opleveren. En onze dienstverlening verbeteren voor mensen in de bijstand is een heel actueel vraagstuk. We doen het al heel aardig om mensen te laten uitstromen van uitkering naar werk, maar het kan altijd beter. Dat geldt vooral voor mensen die al langer in de bijstand zitten. Daar is vaak zoveel mee aan de hand, dat je niet met goed fatsoen kan verlangen dat ze gelijk weer aan het werk gaan. Door data op een verantwoorde manier te koppelen, kunnen we al die problemen beter in beeld krijgen. Ook kunnen we hiermee werkconsulenten vertellen hoe ze op een goede manier met de aanpak hiervan om kunnen gaan. Zo vergroot je de kans dat deze mensen stapje voor stapje dichterbij maatschappelijke participatie uitkomen – en als hoogste doel regulier betaald werk vinden.

Wat moet ik me voorstellen bij ‘data koppelen op een verantwoorde manier’?

Liesbet: Het is een ingewikkeld vraagstuk, maar simpel gezegd heeft het CBS daar regels voor die we volgen. Zo pseudonimiseren we data op zo’n manier dat die nooit te herleiden is naar een persoon. Ook hebben we regels voor wie er bij de data mag en hoe. Mensen adviseerden ons bijvoorbeeld om ook social-mediagegevens te gebruiken. Nee, want die data is erg onbetrouwbaar én erg privacygevoelig.

Waar moet je nog meer rekening mee houden als je met data aan de slag wilt?

Liesbet: Waar wij tegenaan liepen, net zoals veel gemeenten, is dat je op gemeentelijk niveau vaak niet de gegevens hebt die je wilt gebruiken. Soms is de kwaliteit niet goed genoeg. Een mooi voorbeeld daarvan is de zelfredzaamheidsmatrix, een hulpmiddel voor de gemeenten om te bepalen wat iemand zelf nog kan en waar hulp nodig is. Die wordt alleen door elke casemanager op zijn of haar eigen manier ingevuld, zodat de data niet bruikbaar is als onderzoeksmiddel. Die onbetrouwbaarheid geldt voor heel veel data. In ons geval heeft het minstens een jaar geduurd voordat we samen met de gemeente de data van de zelfredzaamheidsmatrix betrouwbaar en valide hadden gemaakt.

Maarten: Ik liep precies tegen hetzelfde aan, alleen dan vanuit een ander perspectief. De verwachtingen voor de datarevolutie zijn enorm hoog gespannen, vooral bij bestuurders en directeuren. Veel commerciële partijen spelen daarop in. Zij zeggen: geef mij uw data en ik zeg u wat u moet doen. Maar wij leggen als gemeente data niet vast met de bedoeling om verantwoord wetenschappelijk onderzoek te doen. Wij moesten een jaar de tijd nemen om grip te krijgen op die data. Die werkwijze verhoudt zich alleen niet goed tot het gemeentelijke wereldbeeld. De wethouder wil dat er gewoon dingen direct geregeld worden. Bovendien werd ondertussen de Algemene Verordening Gegevensbescherming ingevoerd. Privacy en gegevensbescherming zijn natuurlijk hartstikke belangrijk, maar niemand weet precies hoe je die AVG moet toepassen. Dat leidt bij veel mensen tot koudwatervrees om met data te werken. Dat is jammer, want er liggen veel kansen.

Wat zit er nu voor data in het systeem?

Liesbet: Wij hebben de data van 32 duizend Rotterdammers met een uitkering kunnen analyseren. Dat zijn ze allemaal tussen 2015 en 2018. Wat je dus over deze mensen zegt, is niet gebaseerd op een steekproef, maar gaat echt over iedereen. Daar komen de gegevens bij die bekend zijn bij de casemanagers, zoals dat een heel grote groep chronisch ziek is. En niet met één ziekte, maar met meerdere. Dat geeft meteen een ander beeld over hoe je deze groep moet benaderen. Heb je meervoudige aandoeningen, dan is een strategie voor volledige opname in de arbeidsmarkt niet zo handig of realistisch.

Vervolgens keken we wat we konden voorspellen en dus wat we konden meegeven aan de ambtenaren die de uitkeringsgerechtigden begeleiden. Daaruit blijkt dat als je twijfelt tussen iemand direct naar de arbeidsmarkt bewegen of eerst nog aanvullende maatregelen geven zoals een training, dat eerste bijna altijd beter werkt. Dus onze aanbeveling luidt: stuur mensen bij twijfel direct naar het zogeheten matchingsprogramma, en niet naar pre-matching. Het interessante is dat dit advies werkt voor mensen van alle verschillende achtergronden, zoals geslacht of leeftijd. Dat is een stevige uitkomst met directe consequenties voor wat ambtenaren in de uitvoering kunnen doen, dus daar ben ik heel blij mee.

Maarten: Wat ook aardig is aan dit onderzoek, is dat er veel aandacht besteed is aan hoe de burger zelf, de eigenaar van de data, hier tegenaan kijkt. We organiseerden bijvoorbeeld datadialogen met die mensen. Zij zeiden: wij zijn an sich niet tegen het gebruik van data, mits de dienstverlening voor ons daarmee verbetert. Ze vroegen wel aan de gemeente om aan hen uit te leggen wat zij precies met die data doet. Dat laatste is best ingewikkeld en vereist professionaliteit van de casemanager.

Hoe pak je dat aan, het gebruik van extreem veel cijfers en algoritmes uitleggen aan iemand die in de bijstand zit?

Maarten: Dat is heel ingewikkeld. Daarom deden we parallel aan dit project onderzoek naar de professionalisering van de consulenten. Een interessant fenomeen daarbij is dat er geen landelijke standaard is voor consulenten in het domein van Werk & Inkomen. Of je nou van handhaving en controle bent, of meer van de zorg, of vooral een matchmaker, je kunt het allemaal op je eigen manier doen. In de praktijk sorteert dat zich wel uit, maar het gebeurt eerder per ongeluk dan bewust. Terwijl je zou willen dat er een normatieve uitspraak is over wat een consulent in dit domein moet kunnen en weten.

Liesbet: Het mooie van dit onderzoek is dat we via die datadialogen met uitkeringsgerechtigden een veel breder beeld kregen van wat er aan de hand is met de uitvoering. Tot onze verbazing zeiden mensen: de gemeente weet toch al alles van ons, dus die privacy kan ons niet zoveel schelen. Zij waren vooral geïnteresseerd in waarom ze hun verhaal drie keer moeten vertellen, terwijl dat ook al in een systeem staat. Een casemanager vraagt het misschien uit goede wil, maar als het een pijnlijk verhaal is, dan is zo’n vraag niet sympathiek. Door die datadialogen krijg je dus een veel rijker beeld van de beschikbare data.

Hoe weerbarstig is de realiteit als je inzichten uit data wilt vertalen naar beleid?

Maarten: Dat lukt vrij aardig, zeker in een grote organisatie als die van Rotterdam, omdat daar voldoende mensen werken die dat kunnen. In een kleinere gemeente is dat ingewikkelder. Wat je in ieder geval ziet, is dat het sociale domein van zichzelf heel ingewikkeld is georganiseerd. WMO, Jeugdzorg, bijstand: er zijn heel veel verschillende wetten die het leven van één individu kunnen raken, ook vanwege de decentralisatie. In een gemeente is het niet vanzelfsprekend dat verschillende afdelingen met elkaar communiceren over hoe ze die wetten uitvoeren. Niemand bij de gemeente Rotterdam staat op met de gedachte: wie ga ik vandaag eens dwarszitten? Maar beleid uitvoeren is gewoon heel complex. De omgang met die complexiteit is misschien wel het moeilijkste wat er is voor zo’n uitvoerende organisatie.

In hoeverre hebben privacyaspecten problemen veroorzaakt bij het onderzoek?

Liesbet: Wij hebben met drie kaders te maken: de wettelijke richtlijnen van het CBS, de privacyrichtlijnen van de gemeente Rotterdam en de ethische commissies van de academische gemeenschap. Ik zeg niet dat het daarom niet verkeerd kón gaan, maar het zijn wel meer controles dan in andere situaties vaak het geval is. Bovendien vroegen we aan de uitkeringsgerechtigden hoe zij vonden dat wij met hun data omgaan. Toen halverwege de AVG werd ingevoerd, hadden we daar geen last van, omdat we al rekening hadden gehouden met al deze kaders.

Ondanks jullie enthousiasme schreef Liesbet ook een zeer kritisch stuk over dit onderwerp: ‘Opnieuw fatale remedies – Een kritische reflectie op datatransities in het sociaal domein’. Hoe zit dat?

Liesbet: Dat artikel is vooral een waarschuwing om de enorme verwachtingen te temperen over wat data voor je kan doen. Dat vind ik mijn verantwoordelijkheid als wetenschapper. Bovendien stel ik de vraag of data altijd de oplossing is. Uit bijvoorbeeld onze datadialogen blijkt dat voor veel mensen persoonlijke aandacht veel beter werkt. Dat blijkt ook uit allerlei ander onderzoek op dit gebied: geef je mensen veel persoonlijke aandacht, dan komen ze sneller op de arbeidsmarkt. Vraag je dus af: waar stop ik mijn geld in? In weer een nieuw big data-project met een mooi dashboard? Een lekker setje predictive analytics waardoor je kan zeggen: iedereen in deze hele wijk is fraudegevoelig? Of in verbetering van de uitvoering van je programma door professionalisering van de casemanagers?

Hoe je inzichten uit data in beleid vertaalt, is bovendien een politieke kwestie van heb-ik-jou-daar. Oftewel: met data alleen los je je probleem niet op. Denk je dat wél, dan kom je in een hele hoop ellende terecht, zoals in de Verenigde Staten, waar door een datafout twee miljoen mensen in één klap hun uitkering verloren. We moeten heel voorzichtig omgaan met data. Daarom heb ik zo’n kritisch stuk geschreven.

Wat raden jullie andere gemeenten aan die met data aan de slag willen in het sociaal domein?

Maarten: Om het op deze manier aan te pakken. Want als iets goed werkt, dan moet je dat ook kunnen zeggen. Het lastige is dat we eerst de big-data-hype moesten debunken. Je kunt niet zomaar alles aan elkaar koppelen en je moet je data op orde hebben. Het is daarom goed als gemeenten zich daar eerst op beraden. Anders moet je net als wij eerst een jaar sleutelen om grip te krijgen op je data.

Wat zijn de vervolgstappen voor de gemeente Rotterdam met dit project?

Maarten: De onderzoekers van BOLD gaan kijken naar andere variabelen die de moeite waard zijn voor het sociaal domein. Dan gaat het om de schuldenproblematiek van mensen, of hoe je hun gezondheid kunt verbeteren als ze aan het werk gaan. Daar is wel budget en commitment voor nodig van de gemeente, dus daarover praten we binnenkort.

Liesbet: We hebben daarnaast de belofte gedaan dat als dit werkt in Rotterdam, we ook kijken of we dezelfde methode kunnen gebruiken voor Amsterdam, Den Haag en Utrecht. Dat gesprek gaan we voeren, inclusief de kritische noot of big data wel echt de oplossing geeft die je nodig hebt of dat een andere aanpak beter is.
Stel dat we elkaar over vijf jaar weer spreken, hoe staat het er dan voor met het gebruik van data door de gemeente?

Maarten: Aan de ene kant dat data-analyse gebruikt wordt om het functioneren van professionals te verbeteren zodat de dienstverlening voor de burger een hoger niveau bereikt. En aan de andere kant dat dit over de volle breedte van het sociaal domein gebeurt, dus ook voor de WMO en de Jeugdzorg.

Liesbet: Over vijf jaar zien we dat een aantal grote gemeenten een paar stappen heeft gezet met de toepassing van data. Maar de problematiek van het sociaal domein is zo gigantisch groot, dat die binnen vijf jaar nog niet is opgelost. Vijf jaar geleden, vlak na de decentralisatie, was iedereen daar ook heel hoopvol over, en nu zien we dat dit nu pas begint haar vruchten af te werpen. Veranderingen gaan gewoon niet zo snel als iedereen denkt, dus daar moeten we een beetje geduld mee hebben.

Geef een reactie

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *