Preventie: geen visie, maar een methode

door: Marsha Groters

Preventie in het sociaal domein is de afgelopen jaren steeds meer op de voorgrond getreden. Er zijn veel nationale en lokale programma’s binnen dit kader, maar echte bruikbare resultaten blijven vaak uit. Veel professionals zijn nog steeds zoekende. Door meer gebruik te maken van data-analyse kunnen we veel meer resultaten boeken, ook op het gebied van preventie.

Gemiddelde leesduur: 3 minuten

Preventie is een breed begrip. Met behulp van data-analyse kunnen we deze term niet alleen scherper maken, maar ook aantonen dat preventie daadwerkelijk werkt. Ik heb echter gemerkt dat onderzoek met data in de praktijk wel een aantal uitdagingen heeft. In Nederland zijn veel unieke data beschikbaar. Ten behoeve van individuele en publieke gezondheid worden onder meer via administratieve bronnen veel gegevens verzameld. Deze data bevatten kostbare informatie, waarmee het gezondheidsbeleid in Nederland efficiënter en doelmatiger kan worden ingericht. Maar er is één probleem: we doen hier nog te weinig mee. Dit komt doordat deze data op verschillende plekken en in diverse systemen zijn opgeslagen. Ze zijn verspreid over meerdere organisaties, met als gevolg dat deze data niet beschikbaar zijn. Het onbenut laten van deze data is een gemiste kans. Organisaties verschuilen zich geregeld achter de vermeende starheid van de Algemene verordening gegevensbescherming (AVG). Dat is onterecht, aangezien er op dit terrein (nog steeds) heel veel mogelijk is. Waar een wil is, is een weg. Dat neemt niet weg dat er maatschappelijke, ethische en technische barrières bestaan. Het verschil in taal en het definiëren van processen op uiteenlopende systemen maakt het bijna onmogelijk om gegevens te koppelen en uit te nutten. Een actueel voorbeeld: eenzaamheid. In de praktijk vinden we het al lastig om hier mee om te gaan. Laat staan in de wereld van data, waar iedereen de naïeve verwachting koestert dat het daarmee alleen eenvoudiger wordt.

‘Organisaties verschuilen zich geregeld achter de vermeende starheid van de AVG’

Maar dat neemt niet weg dat we er niks mee kunnen. Het probleem wordt hierdoor wel duidelijker, en daar zie ik als data-analiste juist de uitdaging. Er liggen kansen in het scherp definiëren van het fenomeen of proces, het stellen van de juiste vragen, het vastleggen van de juiste kritieke prestatie-indicatoren (KPI’s) en eindresultaten. Maar de belangrijkste vraag is eigenlijk: hoe kan het toch dat we de data-analyse onvoldoende gebruiken voor zoiets als preventie? ‘Hoe kun je iets meten dat niet is gebeurd?’, hoor je vaak. In deze veronderstelling schuilt een onjuiste aanname: dat datagedreven werken iets anders is dan de werkelijkheid. Datagedreven werken is niet een andere werkelijkheid, maar het differentiëren van die werkelijkheid. Als je het niet in data kunt vastleggen, heb je simpelweg het proces niet scherp. Er wordt ten behoeve van preventie beleid ontwikkeld, maar er wordt niet vastgesteld wat die ontwikkeling doet en moet opleveren. Alleen een interventie implementeren is niet genoeg. Visie is dan veelal het verhullende begrip, waarin de grijze leegte van onwetendheid wordt opgevuld met holistische beeldspraak. Ook op het gebied van het positioneren van de data-analist is een wereld te winnen. Terwijl gemeenten gewend zijn om deze functie te koppelen aan de lokale rekenkamer, ben ik zelf als data-analist momenteel gekoppeld aan het team van beleidsadviseurs. Het nut van de data-analist komt pas écht tot zijn recht wanneer hij of zij tussen beleid en praktijk staat. Met kennis van de praktijk kan de data-analist namelijk een vertaling maken naar beleid. Als beleidsmakers en consulenten in het sociaal domein de koppen bij elkaar steken om de meest cruciale problemen binnen een wijk te bepalen, komen ze gezamenlijk snel tot eenzelfde conclusie. Dát is de kwaliteit van de professional, waarbij de mens en praktijk het uitgangspunt zijn. Als data-analist zet ik daar geen andere realiteit naast: ik kan het middels data verscherpen en bevestigen. De praktijkwerkers moeten definiëren wat preventie moet opleveren. Daar zit niet altijd een binaire logica in, maar met datagerichte ondersteuning zijn data-analisten wel in staat om dat proces in te richten, te monitoren en de resultaten daarop te beoordelen. Programma’s als Eén tegen eenzaamheid, Positieve Gezondheid en De Juiste Zorg op de Juiste Plek blijven relevant, maar zijn nog te veel losse intenties. Geef ze een kop en een staart. Zorg ervoor dat elk preventieteam wordt ondersteund door een data-analist. Natuurlijk moeten professionals in het sociaal domein de ruimte krijgen om nieuwe initiatieven te nemen, maar monitor het proces op data en resultaten. Haal data-gerichte werkers weg achter hun bureaus en plaats ze direct naast het centrale proces van preventie. Dat levert op termijn meer op dan alleen goede bedoelingen.

Marsha Groters is data-analist binnen het team van beleidsadviseurs bij Factum.