Datakwaliteit het succes van datagedreven werken

Voorkom misvattingen in jouw analyses. Lees meer hierover in Échte inzichten met verzuimcijfers >>>

Datagedreven werken, waar let je op als arbodienst of werkgever?

Als je datagedreven wilt werken, betekent dit feitelijk dat je op basis van historische data je keuzes maakt in het nu. De menselijke onderbuik is erg goed in het herkennen van historische patronen en het aansturen van onze hersenen om hier onze keuzes op te baseren. Eigenlijk ga je dus - in ruwe vorm - al datagedreven werken als je ervaren krachten aan het werk zet. Alleen heeft dit ‘individuele leren’ een paar nadelen:

• Iedereen maakt eerst (dezelfde) fouten, omdat de ervaring nog ontbreekt;
• Iedereen leert nét wat andere aandachtspunten, dus voor je klanten is er niet één werkwijze en ook niet één kwaliteitsniveau;
• Zodra een medewerker weggaat en wordt vervangen door iemand anders, daalt je kwaliteitsniveau.

Datagedreven werken als groep

Om meer als groep te leren - om deze nadelen tegen te gaan - wil je dus werkwijzen optimaliseren op basis van de groepservaring. Omdat er dan niet meer één persoon alle relevante historische gebeurtenissen heeft meegemaakt, wordt het van belang data te verzamelen en te proberen hiervan te leren. Je kunt hier dan vaste werkwijzen en aandachtspunten uit afleiden en je hebt een steeds beter wordend kwaliteitsniveau als organisatie. 

Kijk bijvoorbeeld naar een huisartsenpraktijk. Meerdere huisartsen werken hier samen en door data goed te verzamelen kunnen ze processen efficiënter inrichten, praktijkondersteuners een deel van hun taken laten uitvoeren et cetera. Hetzelfde kun je doen bij een arbodienst. Ook hier kunnen hoger datagebruik en datakwaliteit zorgen voor taakdelegatie. Handig nu er een tekort aan bedrijfsartsen is!

Een belangrijk aandachtspunt bij datagedreven werken als groep is dat de persoon die de historische ervaringen analyseert dat op basis van iets meer abstracte data doet dan ‘eigen ervaringen’. En dat brengt risico’s met zich mee.

De ‘selection bias’

Een groot gevaar bij datagedreven werken is de ‘selection bias’: je baseert je op data waar al een bepaalt effect ‘in verwerkt’ zit. 

Een bekend voorbeeld is het team dat tijdens de Tweede Wereldoorlog in Engeland verantwoordelijk was voor het verbeteren van de bommenwerpers die boven Europa vlogen. Binnen het team had iemand bedacht dat het slim zou zijn om bommenwerpers die terugkwamen te analyseren op ‘plekken waar ze het meest werden geraakt’. Dit zodat je op die plekken de vliegtuigen dan zou kunnen verstevigen.

Afbeelding 1:  Voorbeeld selection bias: verstevigen van bommenwerpers

Gelukkig was er een nog iéts slimmer persoon in het team, die doorhad dat deze verzamelde data een verkeerd beeld gaven. Dit waren immers vliegtuigen die succesvol teruggevlogen waren naar Engeland. Zijn analyse was dat ze juist de plekken die níet waren geraakt, moesten verstevigen. Immers: de plekken die bij de ‘overlevers’ veel waren geraakt, zijn blijkbaar niet zo vitaal dat je ze nodig hebt om mee naar huis te vliegen. De andere plekken zijn blijkbaar zo vitaal dat geen van de vliegtuigen die daar geraakt was, nog succesvol naar huis heeft kunnen vliegen. Dit fenomeen noem je in de statistiek ‘selection bias’.

Ook binnen de arbodienstverlening is het een groot gevaar. Je zet arbodienstverlening immers niet in bij gezonde medewerkers of een griepje, maar alleen bij moeilijke of langdurige ziektegevallen. Doe je hier data-analyse die bijvoorbeeld met interventies te maken heeft, realiseer je dan dat je al een voorselectie gedaan hebt. Kijken of een interventie goed werkt en vervolgens mensen vergelijken die die interventie wel en niet krijgen? Het presteren van bedrijfsartsen beoordelen op hersteldata? Dat is opletten geblazen!

Ook een cardiologieafdeling van een Nederlands ziekenhuis kan hierover meepraten. Zij werd ervan beschuldigd meer sterfgevallen te hebben dan andere cardiologieafdelingen in het land. Ze verdedigden zichzelf terecht met het argument dat hun afdeling zich in een specialistisch ziekenhuis bevindt. Ze krijgen dus vooral de moeilijke gevallen, waardoor vergelijken met ‘normale’ cardiologieafdelingen geen goed beeld geeft. 

 Wil jij meer uit jouw data halen? Lees meer over hoe je   periodiek veilig data uit Xpert Suite kunt halen met Datastreams   om het vervolgens te gebruiken voor je eigen analyse. 

Gevolgen van foutieve dataverzameling

Het mag duidelijk zijn: wees je ervan bewust naar welke data je kijkt! De selection bias is een belangrijke oorzaak van slechte datakwaliteit, maar zeker niet de enige. En redenen waarom een slechte datakwaliteit erg is als je datagedreven werkt? Die zijn er nog veel meer. 

• Je neemt de verkeerde besluiten in geautomatiseerde processen. Heb je als arbodienst of werkgever bijvoorbeeld leeftijdsgebonden begeleiding bedacht, maar kloppen de leeftijden van werknemers stelselmatig niet? Dan kun je dat beleid niet goed uitvoeren;
• Je trekt de verkeerde conclusies uit data-analyses en kiest dus de verkeerde werkprocessen; 
• Je stuurt verkeerde berichten of haalt bepaalde termijnen niet. Misschien roep je een medewerker op die al een tijd niet meer ziek is, of een medewerker die wél ziek is, hoort juist niets. Dit alles zorgt voor een slecht beeld van jou als begeleider én verhoogt bovendien het risico op boetes en sancties.

4 tips voor het verhogen van je datakwaliteit

Genoeg reden dus om de datakwaliteit te verhogen als arbodienst of werkgever. Maar hoe zorg je er nou voor dat je data van goede kwaliteit verzamelt? De belangrijkste manieren zijn:

1. Bepaal welke data nodig zijn in de verzameling en hoe je deze kunt structureren

2. Neem data rechtstreeks af bij een betrouwbare bron

3. Monitor regelmatig actief of de dataregistraties nog kloppen en grijp in indien nodig

4. Zorg ervoor dat er ‘gevolgen’ zijn als data niet correct zijn

1. Bepaal welke data je wilt verzamelen

Voor een goede verzuimanalyse is het van belang dat je die data hebt die je helpen bij het maken van keuzes. Uiteraard mag je volgens de AVG niet zomaar gegevens verzamelen. Als je verantwoordelijk bent voor het ondersteunen van een medewerker bij re-integratie, dan is het verzamelen van data die daarbij helpen echter zeker mogelijk. Mits het proces zorgvuldig is beoordeeld en er voldoende maatregelen omheen zijn genomen. 

Als je deze data dan verzamelt, is het ook verstandig te proberen ze te structureren. Leg dus niet in een open tekstvak een ‘beoordeling verwachte verzuimduur’ vast, maar kies voor een gestructureerd veld, zoals ‘Optie 1: minder dan 1 week; optie 2: tussen de 1 en 6 weken, optie 3: meer dan 6 weken’. Dit zorgt ervoor dat je beter kunt analyseren hoe vaak je beoordeling nou klopt, en ook dat je vervolgacties kunt automatiseren (onder andere) gebaseerd op dit gegeven. Bij vrije tekst is dit veel lastiger en onbetrouwbaarder. 

Privacytechnisch geeft het gestructureerd vastleggen nog het voordeel dat je zeker weet dat er niet stiekem méér informatie wordt vastgelegd door een gebruiker (die niet is toegestaan).

2. Gebruik een betrouwbare bron

Een belangrijk deel van de te verzamelen verzuimdata is het medewerkersbestand (anoniem of niet) en de verzuimhistorie. De belangrijkste tip voor arbodiensten is rechtstreeks op dit medewerkersbestand aan te sluiten en ervoor te zorgen dat je met een koppeling data uit het HR-systeem ontvangt. Omdat een foutje in deze data direct gevolgen heeft voor de verloning of aanwezigheidsregistratie van iemand, valt dit snel op. De kans dat deze data correct zijn, is dus erg groot. 

Als je een koppeling hebt, is het wel van belang te monitoren of deze ‘goed loopt’. Zijn er logverslagen of is er een dashboard met uitval? Volg deze dan altijd op. Anders wordt het langzaam maar zeker een steeds onbetrouwbaardere dataset.

3. Monitor actief

Datakwaliteit kan ook gemonitord worden, zeker in gevallen waar ‘gevolgen’ moeilijk in te regelen zijn. Zo is bijvoorbeeld de registratie van kort verzuim vaak niet goed per geval te signaleren. Wel is het mogelijk om in de opgetelde cijfers te zien dat er ‘opvallend weinig kort verzuim is’. Je kunt hier dus - via verzuimrapportages of dashboards - actief op signaleren en deze info gebruiken om na te gaan of het meldingsproces voor kort verzuim nog wel goed loopt. 

Op lange termijn is het actief monitoren van kort verzuim bijzonder interessant, omdat frequent kort verzuim een goede voorspeller is voor langdurig verzuim.

4. Zorg voor ‘gevolgen’

Als registraties niet correct zijn en niemand (die weet wat wel correct is) wordt daarmee geconfronteerd, zal er ook geen trigger zijn om de fout te corrigeren. Zorg er dus voor dat dit wél gebeurt. Denk hierbij aan signalen naar leidinggevenden of medewerkers zelf, waarin wordt gemeld dat ze ‘volgens de administratie nu al zoveel weken ziek zijn’. Dan krijg je over het algemeen vanzelf bericht terug dat iemand al lang weer hersteld is. 

Ook voor dienstverbandomvang kun je hier bijvoorbeeld zorgen dat abonnementsfacturen gebaseerd worden op werknemerregistraties in jouw administratie. Kloppen die niet, dan krijg je na elke facturatieronde een signaal en kan het gecorrigeerd worden.
 

Data op orde = volop voordelen

Of je nu arbodienstverlener bent voor wie verzuim core business is of werkgever die op basis van data besluiten neemt of wil gaan nemen: datagedreven werken valt of staat met je datakwaliteit . Kwalitatief goede data en rapportages geven inzicht, waardoor je zowel je dienstverlening als je bedrijfsvoering efficiënter kunt maken.

Als je goed bedenkt welke (gestructureerde) data je vastlegt en de datakwaliteit beheerst, vergroot je de mogelijkheden om de kwaliteit van je verzuimbegeleiding constanter en vaster te maken en dus als goede arbodienst of werkgever ‘te leren’. Dit kan aan de ene kant doordat je met dataonderzoek de juiste conclusies kunt trekken, en ook voldoende analysemogelijkheden hebt. Aan de andere kant geeft het je de mogelijkheid tot het automatiseren van de vervolgacties. Wil je in een situatie met hoog risico eigenlijk altijd al veel sneller een bedrijfsarts inschakelen? Als je dat automatiseert en niet afhankelijk maakt van het ‘klikken op een set knoppen’ door een gebruiker, heb je meer zekerheid over de uitvoering.

Ook zorgt datagedreven werken - met goede data! - ervoor dat arbodienstverleners en werkgevers minder tijd kwijt zijn met het ‘klikken op de knoppen’ en het administratieve werk. Zij krijgen meer tijd voor het geven van aandacht aan de medewerkers die ze begeleiden. En we weten allemaal: hoe meer aandacht, hoe groter het geluksgevoel en hoe lager het verzuim. 

Hulp nodig?

Heb je hulp nodig om datagedreven te gaan werken? Neem dan contact met ons op. We denken graag met je mee!