Datagedreven beleidsvorming

In het openbaar bestuur mag het concept van datagedreven beleid op warme belangstelling rekenen. En terecht, de gedachte dat gemeenschapsmiddelen mogelijk veel gerichter en daarmee doelmatiger ingezet kunnen worden, zou iedere bestuurder aan moeten spreken.

De belofte is deels gebaseerd op ervaringen uit de private sector, waar met name rond advertentiebestedingen grote doelmatigheids- en doeltreffendheidswinsten worden beweerd. In marketingland was er ooit de gevleugelde uitspraak “80 procent van de advertentie-uitgaven is weggegooid geld, we weten alleen niet welke 80 procent”. Op sommige beleidsterreinen zouden soortgelijke generalisaties losgelaten kunnen worden, dus waarom niet soortgelijke technieken inzetten om dat te optimaliseren?

Wat blijkt? De werkelijkheid van diezelfde advertentiewereld, waar niet zelden naar gekeken wordt voor inspiratie voor technieken voor datagedreven beleid, is weerbarstiger dan gedacht. Meten blijkt niet altijd weten. Een online verkoop blijkt goed te relateren te zijn aan een online klik op een advertentie. Maar had die verkoop niet ook plaatsgevonden zonder de advertentie, maar dan op basis van een ‘organisch’ zoekresultaat? Analoog toegepast op bijvoorbeeld subsidiebeleid kan de vraag gesteld worden of het gewenste gedrag niet zonder de subsidie vertoond zou zijn door burgers en bedrijven en of de subsidie. En hoeveel datagedreven beleid lijkt niet pijnlijk veel op de metafoor van de nachtelijke dronkeman die op zoek is naar zijn huissleutels rondom een lantaarnpaal, want dat is de enige plek waar hij ze zou kunnen zien liggen?

Begrijp mij goed, dit is geen categorische afwijzing van datagedreven beleidsvorming. Een van de klassieke voorbeelden van hoe heilzaam het kan zijn om data in ogenschouw te nemen is de casus waarin de data over Londense verkeersongelukken, waar fietsers bij betrokken waren, op een kaart geprojecteerd werd. Waarbij in één oogopslag duidelijk werd dat op een beperkt aantal plaatsen met weinig middelen veel leed voorkomen kon worden. Ongevalsdata en geodata zijn over het algemeen vrij ondubbelzinnig. Anders wordt het bij data over de factor mens.

Om wat voorbeelden uit het sociaal domein te geven: betekent een toename van aanvragen van trapliften dat er meer behoefte is, of is er een handige trapliftenfabrikant die potentiële klanten helpt bij de aanvragen? Is een afname van het aantal aanvragen van bijzondere bijstand een teken dat het beter gaat met de financiële weerbaarheid van de bevolking, of is de bekendheid met en de toegankelijkheid van deze voorziening zo gebrekkig dat er minder beroep op wordt gedaan? Daarbij kan op veel beleidsterreinen ook een sterke wisselwerking tussen het meetproces en het voorwerp van meting worden verwacht. Want wie naar bijvoorbeeld openbare veiligheid vraagt, vraagt vooral naar een belevingsfactor die mede wordt bepaald over hoe er over wordt gecommuniceerd.

Dit is dan ook vooral een pleidooi om bij datagedreven beleidsvorming nadrukkelijk de kwaliteit van de gebruikte data én de toetsing van de gebruikte modellen in ogenschouw te nemen. En kritisch te zijn op beloften uit big data-land dat modellen wel uit data kunnen ontstaan. De wetenschapsfilosofie is na eeuwen aanmodderen niet voor niets op de empirische cyclus en falsifieerbare theorieën gekomen. Bij miskleunen lopen we niet alleen het risico van ondoelmatig en ondoeltreffend beleid, we lopen ook het risico dat het vertrouwen van de burger in het openbaar bestuur geschaad wordt. Dit geldt eens te meer als er data gebruikt worden die in vertrouwen door burgers gedeeld is. Bijvoorbeeld in een afhankelijke zorgrelatie. Vanuit een ethisch, juridisch én beleidseffectiviteitsperspectief kan dit zeer bezwaarlijk zijn. Het is niet voor niets dat we in Europese wetgeving hebben vast laten leggen dat doelbinding bij verwerking van persoonsgegevens een basisprincipe is. En ja, dat betekent dat er misschien verboden vruchten in de eigen organisatie aanwezig zijn die pas geconsumeerd mogen worden ná voorafgaande toestemming van de betrokken burgers.

Een paar standaardvragen bij de initiatie van datagedreven besluitvormingstrajecten:

• Gebruiken we de data die we al hebben omdat die de beste indicatie geeft voor antwoorden op onze vragen of eenvoudigweg omdat die al voorhanden is?
• Is het voor de betrokken burgers logisch en voorzienbaar dat de gegevens voor deze beleidsvorming gebruikt worden?
• Hebben we een empirisch toetsbaar én falsifieerbaar model of gaan we dat onderweg uitvinden?
• Is de dataset representatief of is er sprake van zelfselectie?
• Hoe verhouden de kwaliteitseisen die gehanteerd zijn bij de initiële dataverzameling zich tot die uit de beleidsvragen voortvloeien?
• Wat is de impact van de dataverzameling én -verwerking op de persoonlijke levenssfeer van betrokken burgers?

Walter van Holst is adviseur bij PBLQ met een focus op gegevensbescherming, privacy, open standaarden en open source in de publieke sector.