Datagestuurd werken in het sociaal domein; als je hierop googelt, krijg je een grote hoeveelheid leveranciers te zien die dit als dienst bieden, aangevuld met opleidingen hierover. Dat is logisch, omdat je met data ongelofelijk veel kunt doen en iedereen daar een graantje van wil meepikken. Door kunstmatige intelligentie (AI), machine learning en het combineren van diverse datasets krijgt de gemeente informatie om van te smullen: sturen met getallen is aantrekkelijk, zeker als het gaat om taken die geld kosten. Juist door de hoeveelheid commerciële aanbieders, die lang niet altijd doordesemd zijn met publieke waarden, waaronder grondrechten van burgers (privacy!), dreigen gemeenten mogelijk de nadelen uit het oog te verliezen.
Een voorbeeld uit de ‘systeemwereld’ (tegengestelde van de leefwereld van de burger) kwam ik tegen in een ronkend artikel: “Ook oneigenlijk gebruik van de Wmo werd in een gemeente opgespoord na het analyseren van data van Wmo-gebruikers. ‘Eenzaamheid blijkt een reden om een huishoudelijke hulp aan te vragen. Dat is oneigenlijk gebruik van de Wmo. Deze mensen moeten worden verwezen naar het voorliggend veld en zo besparen we kosten op de Wmo.’(1)” Een dergelijke ‘onmenselijk aandoende’ conclusie lijkt mij niet alleen wat simpel gedacht, maar gaat mogelijk ook nog eens de grenzen van de AVG te buiten gaan. In deze bijdrage ga ik in op enkele vragen.
Data zijn gegevens, niet meer en niet minder. Soms zijn ze ‘Big’, en dan bedoelen we een grote hoeveelheid gegevens, doorgaans van cijfermatige aard. Deze zijn vooral nuttig bij het afleggen van financiële en andere in cijfers uit te drukken verantwoording en dito voorspellingen. Hiermee kan de organisatie beleidskeuzes maken. Maar data zijn ook andere gegevens, zoals NAW-gegevens, gezondheidsgegevens en gegevens over iemands woon- en leefsituatie: persoonsgegevens dus. Ook deze kunnen worden gebruikt voor datagestuurd werken, wat in de kern niet meer is dan werken met behulp van data. Data resulteren in allerlei soorten output: van kaarten met hotspots, statistieken, grafieken tot websites met benchmarks. (2) Deze kunnen heel bruikbare informatie geven en het is interessant erop te kijken. Zeker omdat de websites – voor zover ik heb kunnen beoordelen aan de voorkant – geen persoonsgegevens weergeven, is er op het eerste gezicht niets aan de hand.
Maar wat als gemeenten mensen in het sociaal domein gaan beoordelen op basis van zulke informatie? In welke wijk wonen ze? Hoe is die wijk qua achtergrond (opleiding, afkomst) samengesteld – iets dat wel uit deze statistische data kan worden achterhaald? Krijgen mensen door hun postcode al een ‘vinkje’ of wordt er extra streng ‘maatwerk’ geleverd? Hoe gerechtvaardigd is een dergelijke datagestuurde aanpak, wetend dat zelfs goede data nog steeds een geaggregeerd, cijfermatig beeld opleveren dat niet de werkelijkheid zelf is of weergeeft? En hoe schadelijk kan het zijn als in data en een ingebakken bias zit: een vooringenomenheid die weliswaar doorgaans niet is bedoeld, maar die wel doorwerkt. De antwoorden op deze vragen vindt u terug in het gratis online magazine over datagedreven werken in het sociaal domein.
