Als je echt impact wilt maken, moet je weliswaar klein beginnen maar al snel opschalen, verduidelijkt Hasaart. “Dat betekent dat je ervoor moet zorgen dat slimme toepassing van data een onderdeel wordt van je bedrijfsstrategie. Dat betekent in de praktijk dat je niet alleen data scientists nodig hebt, maar ook collega’s met andere competenties.”
Modellen in de praktijk gebruiken
Data scientists maken weliswaar de algoritmes en modellen die je nodig hebt, maar daar blijft het niet bij. “Om te beginnen moet je nadenken hoe die modellen in de praktijk gebruikt gaan worden. Kunnen ze beschikbaar worden gemaakt binnen de juiste systemen en zijn deze in real time beschikbaar? Dat moet je echt regelen voordat je aan de slag kunt.”
Nog belangrijker is het dat er uiteindelijk iets met de uitkomsten wordt gedaan. “Dat doe je in nauw contact met de direct betrokkenen. Een voorbeeld: we hebben lang gewerkt aan een algoritme om machtigingsaanvragen geautomatiseerd goed te keuren. We bleken dat in 95 procent van de gevallen goed te kunnen voorspellen. Met andere woorden: 5 procent van de machtigingen werd ten onrechte verleend.”
Acceptabele foutmarge
Fleur Hasaart ging daar samen met haar team met de verantwoordelijke lijnmager over in gesprek. “Welke foutmarge was acceptabel? Dat was de kernvraag. We kwamen erop uit dat 5 procent acceptabel was, mits het risico alleen maar bij CZ lag. Met andere woorden: die 5 procent waren allemaal machtigingen die ten onrechte waren goedgekeurd. Het mocht niet voorkomen dat een machtiging ten onrechte werd geweigerd.”
In gesprek
In de zorg zijn de cijfers natuurlijk anders dan in de verzekeringswereld, maar het principe is hetzelfde. “Je moet met elkaar in gesprek over de voordelen van de inzet van data science, en hoe die voordelen opwegen tegen de nadelen. Dan kom je samen tot een conclusie die je kunt je gaan uitwerken.”
Reëel
Je moet daarbij wel reëel zijn. “Ook in de huidige praktijk worden fouten gemaakt. Het enige is dat fouten van een machine minder snel worden geaccepteerd. Een ongeluk veroorzaakt door een zelfrijdende auto veroorzaakt veel publiciteit, terwijl er dagelijks wereldwijd talloze slachtoffers vallen in het verkeer. Maar dat is nu eenmaal nog het sentiment en dat moet je ook honoreren.”
Afweging
Uiteindelijk gaat het om een business case: wat kost een model gebaseerd op algoritmen, en wat levert het op? “In het geval van de machtigingen was 5 procent acceptabel omdat we voldoende bespaarden, ook op de wachttijden. In de zorg moet je die afweging ook maken.”
Opschalen
Er leven wat dat betreft veel vragen, van praktische aard maar ook: hoe schaal je op een verantwoorde manier op? “Dat laatste vraagt echt een cultuurverandering. Dat betekent veel kennisdeling. We hebben bijvoorbeeld een eigen opleidingstraject en een online leermodule. Ook bij de introductie van nieuwe medewerkers is data een belangrijk thema.”
Fouten maken
Verder bestaat er binnen CZ een eigen netwerk waarin wordt besproken wat er goed is gegaan en idealiter ook wat er fout is gegaan. “Dat laatste blijkt nogal eens gevoelig te liggen, dus ik geef graag een voorbeeld van een vergissing van onszelf. Een huisartsenpost was op zoek naar een algoritme om te voorspellen hoeveel patiënten zich zouden aandienen. Dan konden zij hun personeelsplanning daarop aanpassen. Wij gingen aan het werk en maakten een mooi dashboard. Maar bij onze presentatie was meteen al duidelijk dat we opnieuw konden beginnen. Wij hadden uitgerekend hoeveel patiënten er per dag zouden komen, terwijl zij het aantal per uur wilden weten. Daar hebben we veel van geleerd. Dat je heel goed moet doorvragen: wat is precies het probleem? Pas dan kan je echt aan de slag. Heel leerzaam dus. Uiteindelijk leer je toch het meeste van de fouten die je maakt.”
27 en 28 november: Masterclass Organisatie van data analytics
Tijdens de tweedaagse masterclass ‘Organisatie van data analytics’ vertelt Fleur Hasaart welke bouwstenen essentieel zijn voor een future-proof datastrategie.
Bekijk het volledige programma hier.
