In de dynamische wereld van de zorgsector is snel toegang tot betrouwbare informatie cruciaal. Terwijl de IT/BI-afdeling (doorgaans) overloopt van ad hoc datavragen, een ellelange backlog afwerkt en een veelvoud aan prioriteiten moet afwegen komen zij slechts beperkt toe aan het creëren van nieuwe inzichten om aan de informatiebehoefte vanuit de organisatie te voldoen. Mede als gevolg hiervan zwerven er meerdere losse – handmatige – Excels rond in de organisatie, hanteert men hun persoonlijke definities en ontstaan er meerdere waarheden. Dat leidt tot onder meer frustratie en risico’s op het gebied van dataveiligheid. Self-service BI kan dit helpen voorkomen en is de volgende stap om te groeien als datagedreven organisatie. Maar hoe zorg je voor een goede implementatie van self-service BI?
In het kort: self-service BI stelt niet-technische gebruikers in staat om zonder tussenkomst van BI-specialisten data te analyseren en rapporten te genereren. Het geeft zorgprofessionals directe toegang tot gegevens, waardoor ze zelf(standig) inzichten kunnen verwerven om daarop te acteren. In de praktijk zie je verschillende vormen:
De waarde van BI ontstaat wanneer dit leidt tot actie. In traditionele BI is dat vaak een tijdrovend en complex proces. Vaak wordt er veelvuldig heen-en-weer-gemaild om te komen tot de juiste datavelden, -definities en -analyse. Dat komt omdat er een relatief groot gat zit tussen de centrale IT/BI-afdeling en het (decentrale) primaire proces. Terwijl je kennis over de data en inhoud juist gebundeld nodig hebt om een impactvolle analyse te doen.
Self-service BI draagt bij aan de zogenoemde datademocratie: data is van iedereen. Het bevordert een cultuur van doen en denken met data in de organisatie. Daar komt natuurlijk wel bij: niet iedereen heeft evenveel affiniteit met of interesse in data. Door de juiste data op de juiste manier aan te bieden is er voor iedereen een werkbare vorm voor self-service BI.
Een bijvangst is dat het BI-team niet meer compleet overvraagd wordt en met meer focus kan werken aan waardevolle inzichten die bijdragen aan de strategische doelen van de organisatie.
.png)
Het inrichten van de techniek kan veel tijd kosten, vooral als het nieuw is voor het team. Het is verleidend om daarom eerst op de techniek te focussen om te voorkomen dat er te veel verwachtingen ontstaan in de organisatie. Dat is echter een grote valkuil: ook al bij de inrichting is het verstandig om de beoogde gebruikers te laten mee-ontwerpen en meebeslissen. Self-service BI-oplossingen kunnen namelijk flink de plank misslaan. Technisch ingewikkeld, niet vanzelfsprekend, onduidelijkheid welke datavelden te gebruiken of hoe deze te interpreteren of anderszins veel vragen oproepen. Dat leidt juist tot méér (data)vragen aan de BI-afdeling in plaats van minder.
Self-service BI maakt het mogelijk voor gebruikers, domeinexperts, om zelf te grasduinen in de data en slimme vragen te stellen. Door dat te faciliteren door middel van aanbieden van een rijke dataset komen zij tot out-of-the-box-ideeën en inzichten, die je van tevoren niet had kunnen bedenken of voorspellen. Wat is bijvoorbeeld de relatie tussen zorgproductie/productiviteit en verzuim? Patiënttevredenheid ten opzichte van de omvang of inzet van een team? Het aanbieden van een rijke dataset maakt dus creatieve oplossingen mogelijk. Maar bied niet alle data tegelijk aan. Er zijn simpelweg te veel data. Dat maakt het onbeheer(s)baar en zorgt ervoor dat gebruikers afhaken omdat zij door de bomen het databos niet meer zien.
Als gebruikers zelf aan de slag gaan met data moeten ze daarop kunnen vertrouwen. Het kost veel werk om vertrouwen te creëren maar je bent het zo weer kwijt als het tegenzit. Een goede data governance moet bijdragen aan duidelijke beheerprocessen op datakwaliteit en heldere datadefinities. Maar het vraagt ook van gebruikers om te durven vertrouwen op de data. Dat is deels gedrag, maar het moet wel goed gefaciliteerd worden. Bijvoorbeeld door duidelijke keuzes te maken én te documenteren over datadefinities, rekenregels en eventuele uitzonderingen. Iedereen heeft nét andere datawensen (hoeveel definities voor het berekenen van verzuimpercentage ken jij?). Geef je daar gehoor aan, dan groeit een dataset voor je het weet ‘organisch’ tot een onbruikbaar geheel. Maak scherpe keuzes, communiceer deze duidelijk, creëer draagvlak en begrip en verleid zo gebruikers om de aangereikte middelen te gebruiken.
Denk zoals gebruikers. Een professional met passie voor de zorg, maar niet automatisch ook passie voor data. Er zullen data-enthousiastelingen zijn aan de ene kant van het spectrum en data-achterblijvers aan de andere kant. Verschillende gebruikers behoeven een ander niveau van self-service analyse. Soms is een enkele filterknop al voldoende; anderen willen zelf diep de data in duiken. Faciliteer beide opties; er is geen one-size-fits-all. Zo bereik je de meeste impact.
In een echte datagedreven zorgorganisatie gebruiken medewerkers data om hun werk vorm te geven. Data is niet alleen belegd bij de centrale IT- of BI-afdeling. Self-service BI is een aanpak om te komen tot een datademocratie: data voor iedereen. Een krachtig middel om tot waardevolle inzichten en snellere besluitvorming te komen. Implementatie van self-service BI hoeft niet groots en complex te zijn, maar houd oog voor valkuilen die leiden tot averechts effect.
In de online lunchsessie ‘Data gedreven werken in het sociaal domein’ gingen wij in gesprek over datagedreven werken in het sociaal domein. Wij geven vier praktische tips om van datagedreven werken een succes te maken.
Lees verderDe hoeveelheid data op aarde groeit explosief, en die groei stopt voorlopig niet [1]. Die enorme hoeveelheid beschikbare data vraagt om goed beheer, zodat het ook bruikbaar blijft. Om dat mogelijk te maken is de FAIR opgesteld. Deze bestaat uit een reeks principes en richtlijnen om data te beheren, uit te wisselen en (her) te gebruiken. FAIR is in 2016 specifiek opgesteld voor wetenschappelijke data, maar de principes worden tegenwoordig ook in domeinen buiten de wetenschap gebruikt als richtlijn. Naast dat adequaat beheer nodig is voor de groeiende hoeveelheid beschikbare data, vraagt de groeiende hoeveelheid ook om duurzaam databeheer. Het opslaan en beschikbaar stellen van data kost namelijk veel grondstoffen en energie [2]. Kijk maar naar de datacenters die de laatste jaren zijn gebouwd en de energie die nodig is om de datacenters te laten draaien.
In hoeverre draagt FAIR bij aan duurzaam databeheer? En kan het beheren en gebruiken van data nóg duurzamer dan enkel het toepassen van de FAIR-principes? In dit artikel zoeken we dat uit aan de hand van de circulariteitsladder, een veelgebruikte tool in de duurzaamheidssector.
