‘Medisch handelen specialisten loopt tot 17 jaar achter op inzichten wetenschap’

Vandaag wordt er een heel interessant boek gepubliceerd: Het nieuwe brein van de dokter. Arts en ondernemer Erik-Jan Vlieger neemt zijn lezers mee in zijn zoektocht naar hoe we in Nederland de beste zorg voor patiënten kunnen bereiken. Hij ontdekte dat het handelen van artsen tot 17 jaar achterloopt op de wetenschap. Wat een geweldig onderwerp!

Data en analytics gedreven gaan werken, verandert fundamenteel de rol van de kenniswerker. Of dat nu een arts, een belastinginspecteur, rechercheur of marketeer is. Daarom spreekt onderwerp van het boek van Erik-Jan Vlieger mij zo aan. “Door nieuwe technologie en slim gebruik van data gaat het beroep van arts veranderen, wordt de zorg goedkoper en de kans op medische fouten gereduceerd. Dit vraagt om verandering in denken van artsen, opleiders, beslissers, beleidsmakers en de politiek.”

Dit sluit prachtig aan op waar ik afgelopen jaren mee bezig ben geweest binnen de muren van een groot academisch ziekenhuis. Er is volgens mij geen ander domein waar zo veel research wordt gedaan en dagelijks zoveel kennis wordt geproduceerd. Maar hoe zorg je dat deze kennis door artsen op het juiste moment gebruikt gaat worden? Hoe implementeer je kennis op grote schaal? Het tussenresultaat van deze zoektocht, is het framework waar in mijn vorige blog mee afsloot. In die blog ging ik in op de problematiek waar je tegenaan loopt, als je als organisatie wilt overgaan van pionieren met data en analytics naar een datagedreven organisatie. De complexiteit waar je in kunt vastlopen. Het mooie is, dat dit framework veel breder toepasbaar is dan alleen de medische sector. Elk bedrijfsproces, waar de input (data) of de hoeveelheid regels en kennis (algoritmen) groter is dan dat je met je menselijk brein kunt verwerken binnen de tijd die je hebt om een beslissing te nemen, is een kandidaat om data gedreven te gaan worden

Een van de grootste uitdagingen bij het implementeren van kennis, is dat het multidiciplinaire professionals vereist. Zonder mensen die multidisciplinair kunnen denken, kom je snel in of een technology push of een onrealistische verwachting vanuit de business. Ik ben het dan ook helemaal eens met Vlieger dat er een verandering van denken nodig is om een generatie artsen op te leiden die data-savvy is. Ik zou zelfs nog wel een stapje verder willen gaan, we hebben niet alleen data-savvy artsen nodig, maar ook data savvy bedrijfskundigen, organisatiewetenschappers, fiscalisten, marketeers, ingenieurs. Of business georiënteerde data scientists, in deze categorie schaar ik mezelf. Want deze mensen kunnen een cruciale rol spelen in de transformatie naar data gedreven organisaties. Ze kunnen namelijk herkennen en communiceren waar data gedrevenheid een meerwaarde gaat bieden. Ze zien de mogelijkheden. In mijn model noem ik dit ‘opportunity development’. In the early days van Data Mining en Advanced Analytics, toen ik nog bij een grote IT multinational werkte, wilden we graag analytics projecten verkopen. Dat bleek best een stuk lastiger dan gedacht. We waren nog niet zo bedreven in het kunnen herkennen en communiceren waar in je processen je winst kunt behalen door data gedreven te gaan werken. Gartner noemt deze mensen process engineers. Mensen die bedrijfsprocessen kunnen doorgronden, bottlenecks kunnen identificeren en in een taal die iedereen begrijpt kunnen uitleggen wat het verbeterpotentieel is als je data en analytics gedreven gaat werken. Waar je in applicatie ontwikkeling de business analist hebt, heb je een process engineer nodig bij het ontwikkelen van analytische modellen.

Data gedreven gaan werken is niet alleen maar leuk voor de mensen die het betreft. Elke verandering betekent ook weerstand. Aan de process engineer de taak om je publiek mee te nemen in 3 stappen: Explain, enlighten, engage.


Het startpunt van de process engineer is je narrative, je verhaal. Het verhaal van hoe een bepaald bedrijfsproces verloopt. Breng in kaart hoe het huidige proces eruit ziet, en ondersteun dit met data waarbij je de bottlenecks illustreert. Dit lijkt wellicht veel werk, maar het is zo nodig om je oplossing straks in een context te kunnen zetten. Vervolgens ga je inzicht geven in hoe het anders kan. Met visualisaties laat je zien hoe je output of kwaliteit kunt verhogen. Daarna ga je weer terug naar je verhaal. Je enthousiasmeert mensen om mee te gaan in de transitie naar data gedreven werken. Afhankelijk van je publiek, switch je tussen operationeel, tactisch of strategische focus van je verhaal.

Ik heb gemerkt dat in organisaties, er erg veel discussie kan ontstaan waar dergelijke activiteiten horen te liggen. Bij business of bij IT? Een logisch gevolg van data gedreven procesverbetering, is dat je als organisatie je gat moet gaan verkleinen tussen de ‘business’ en je ‘IT’ afdeling. Om te blijven bij het boek van de Vlieger, nieuwe technologie en slim gebruik van data gaan niet alleen het beroep van arts veranderen, maar ook de manier waarop er in organisaties wordt samengewerkt. Daarover meer in een volgende blog!

Van pionieren met data en analytics naar een intelligente organisatie

Je hebt in jouw organisatie gepionierd op het gebied van data en analytics. Misschien heb je een data lab neergezet, waar je leuke modellen hebt gemaakt die je bedrijfsprocessen drastisch zouden kunnen verbeteren. Of misschien heb je vanuit je business intelligence club de slag gemaakt naar interactieve dashboards. Nu is (haast) iedereen overtuigd van de meerwaarde van het intensief gebruiken van data en analytics om beter te functioneren als organisatie.

Hoe maak je als organisatie de stap van pionieren met data science naar een intelligente organisatie?

De analytische modellen gaan een voor een in productie. Prachtig, eindelijk echt toegevoegde waarde voor de eindgebruiker en de organisatie! Maar langzamerhand loop je vast op een ijsberg. Voorheen kon je je werkveld overzien – je lab, handje vol scientists, je data lake. Er waren korte lijnen en de spirit was ondernemend en positief. 

Nu moet je het complete veld van data en analytics bevatten. En het is zo complex! Bovendien lijkt er elke week een term of technologie bij te komen die heel erg veelbelovend is. Daarnaast is data enorm multidisciplinair. Je hebt domeinkennis nodig en moet je eigen processen kennen, om te analyseren waar de opportunities liggen. Vervolgens moet je kennis hebben van data science, niet alleen van de technieken maar ook van onderzoeksmethodologie, want voor je het weet vergelijk je appels met peren. Je model had zo’n hoge betrouwbaarheidsfactor, maar het werkt in praktijk niet. Hoe kan dat? Daarna kom je er achter, dat de output van jouw legertje data scientists achterblijft. Het blijkt dat iedereen voortdurend het wiel opnieuw uitvindt, en dat georganiseerd kennismanagement een uitdaging is. En dat er weinig tijd overblijft voor innovatie, nu ontwikkelde modellen ook beheerd moeten worden. Omdat ze zo enorm complex zijn, worden je beste mensen steeds maar weer benaderd om productie issues op te lossen.

De business begint te klagen over de tijdigheid en betrouwbaarheid van de gegevens in de modellen. Leuk dashboard, maar hij klopt niet? De gegevens die ik gister heb ingevoerd zijn niet meegenomen? Welke datadefinities gebruik je eigenlijk, want mijn eigen analist komt op hele andere waarden uit. Ineens begrijp je waarom die mensen bij IT zo lang doen over het toevoegen van een kolommetje aan een tabel in het EDW. Want een nette datavault of stermodel, vraagt behoorlijk wat denkwerk.

Ook de Functionaris Gegevensbescherming meldt zich. Oh die GDPR/AVG, je hebt er slapeloze nachten van. Want wat, als blijkt dat je persoonsgegevens hebt verwerkt, voor een ander doel dan verzameld? En je kunt niet laten zien, welke verwerkingen je allemaal hebt lopen? En is anoniem nog wel anoniem, als je data verrijkt? Je data lake is misschien toch niet zo privacy-by-design...

En last but not least, de CFO dacht dat je met het budget voor je innovatielab voor de komende jaren goed zat. Maar nu blijkt, dat onder de zichtbare resultaten, een ijsberg schuilt aan data management en data en analytics infrastructuur, wat flink in de papieren gaat lopen. Dit wordt een lastig verhaal. Je moet terug naar de tekentafel, voor een nieuwe business case.

Herken je op het punt te zijn, van pionieren naar rubuuste data -en analytics gedreven organisatie? Zou je het fijn vinden om af en toe te reflecteren op je koers, of te sparren?  Ik vind het leuk om met je mee te denken. Als zelfstandig business en informatie architect hou ik 1 dag in de week vrij voor ad-hoc klussen en kennisontwikkeling. Op basis van mijn eigen kennis en ervaring heb ik een framework ontwikkeld, voor de transitie naar een data gedreven organisatie. In onderstaande figuur zie je deze op hoofdlijnen staan.


Ik heb gemerkt, dat het overgaan van data pionieren naar datagedreven organisatie, nog best wel zoeken, euh, pionieren is. Daarom zal ik komende weken van mijn vrije vrijdagen gebruik maken om te bloggen over de verschillende blokjes in mijn framework. Voorkeur voor een onderwerp? Laat het weten in de comments op LinkedIn!