Overheid en analytics: een complexe puzzel

Bij het toepassen van analytics en AI-modellen heeft de overheid te maken met andere uitdagingen dan de private sector. Optimaal gebruik van data en analytics levert burgers en de samenleving echter een bijzonder grote meerwaarde op.

Er zijn drie belangrijke factoren die de inzet van analytics en AI binnen de overheid bijzonder uitdagend maken.

De complexiteit van de overheid

De politiek-economische-sociale context bij de overheid werkt complicerend. Een combinatie van wetgeving, reguleringen en beleidsdocumenten wordt beïnvloed en gestuurd door politieke, economische en sociale druk. Om een AI-model te bouwen en te evalueren, hebben algoritmen een definitie nodig van de ‘beste’ of ‘juiste’ beslissing. De uitdaging binnen overheidsvraagstukken is vaak om te bepalen wie die beslissingen neemt en hoe de modellen op de juiste manier worden beheerd.

Meerdere doelstellingen

Particuliere organisaties hebben doorgaans een primair mandaat om waarde te genereren voor hun aandeelhouders. Het meten van de waarde van een besluit wordt hiermee objectiever en gemakkelijker te definiëren. Overheidsprogramma’s daarentegen balanceren doorgaans tussen meerdere doelstellingen: bijvoorbeeld betere dienstverlening, het beschermen van levens en tegelijkertijd de kosten voor de belastingbetaler beheersen. Dit vereist consensus over wat belangrijk is voor een specifiek programma.

De impact van besluitvorming

Wanneer een winkelier een aanbieding doet voor een product waar je net niet naar op zoek bent, geeft dat in het ergste geval waarschijnlijk een gevoel van ongemak of ergernis. Beslissingen over het wel of niet in aanmerking komen voor sociale diensten, het bepalen van wie nader te onderzoeken op fraude of welke medische interventies moeten worden aanbevolen, vereisen een veel hogere nauwkeurigheid, transparantie of controle. Het heeft een grote impact op de persoonlijke levens van de mensen.

Wat is de oplossing?

Hoe kun je binnen deze context optimaal gebruikmaken van data en analytics? Op deze vraag is geen eenduidig ​​of eenvoudig antwoord. Wel zijn er richtlijnen, die overheden kunnen gebruiken om hun inzet van analytics en AI te optimaliseren. Dit zijn de belangrijkste pijlers die aandacht verdienen om deze uitdagingen aan te gaan.

• Ontwerp specifiek voor het besluit. Overheden die analytics en AI succesvol implementeren, zijn gefocust op het oplossen van een zeer specifiek probleem en beperken die focus tot beslissingen die de meeste waarde opleveren. Nog te vaak zijn AI-initiatieven bij de overheid ofwel te breed van opzet, ofwel gericht op de technologie, niet op de beslissing. Deze inspanningen gaan zelden verder dan de proeffase.
• Betrek alle belanghebbenden. Vaak worden AI-programma's in handen gegeven van technologie- en data science-professionals. Dit is een vergissing. Wanneer van het begin af aan de beoogde business-eigenaar van de te ontwikkelen oplossing actief betrokken wordt, neemt de kans op daadwerkelijk gebruik toe. Met deze DevOps- of ModelOps-ontwikkelmethode blijf je dicht bij de functionele behoefte en kan het resultaat tijdens de bouw actief bijgestuurd worden. Deze methodes zijn ontwikkeld om de kans op succes te vergroten. Overheidsorganisaties die senior leiderschap, programma-eigenaren, eerstelijnsmedewerkers en een verscheidenheid aan materiedeskundigen betrekken bij de ontwikkeling, implementeren veel vaker hun oplossing en zien daar ook de meerwaarde van terug in de bedrijfsvoering.
• Stel de mens centraal. Gezien de reële impact van overheidsbeslissingen, is volledig geautomatiseerde besluitvorming alleen voorbehouden aan besluiten met een zeer laag risico en een hoog volume. Voor complexe situaties zoals het identificeren van fraude of het inschatten van het risico bij de kwetsbare bevolking, dient de technologie als ondersteuning voor de experts bij het nemen van snellere en nauwkeurigere beslissingen.