Data-onderzoek onmisbaar voor toekomst sociaal domein, ‘maar nooit als doel op zich’
Data onderzoek schijnt licht op huidige en nog nooit ontdekte patronen van problemen binnen ons sociaal domein. Dat zetten we in om zorg en hulp die mensen krijgen beter, passender te maken. Revolutionair! Maar er is ook een belangrijke waarschuwing: ‘Data zonder praktijk, maakt onbedoeld slecht beleid.’
Wat is voor jou de belangrijkste data ontdekking?
Marjolein: ‘Voor mij springt eruit dat we ‘giftige cocktails’ ontdekten. Een giftige cocktail is een combinatie van bepaalde problemen. Zo ontdekten we bijvoorbeeld de cocktail 1) psychische problemen, 2) schulden en 3) woonproblematiek zoals dreigende uithuiszetting, geen eigen woning, et cetera. Dit zorgt voor uitsluiting; een huishouden of individu komt vast te zitten in het zorgaanbod van de gemeente doordat de combinatie van deze problemen aanwezig is. Het stempel dat multi-problematiek heeft is dat het gaat om een huishouden met wel honderd problemen. Met die bril op kun je zomaar denken dat dit het aan het individuele gezin ligt. Maar de giftige cocktails laten zien dat het al om twee of drie problemen kan gaan die vaak voorkomen. Het hoeft niet zo te zijn dat één casus op zichzelf staat. Door de giftige cocktails kun je zien dat bepaalde geclusterde problemen of combinatie van problemen vaker voorkomt bij meerdere casussen. Dat spiegelt en laat ons de eerlijke vraag stellen: ligt het wel aan dit individuele gezin?’
Iris: ‘Dan denk ik direct aan ‘de fuik’. We zijn gaan inzoomen op woonproblematiek. We volgen het hele verloop van casussen waar deze problematiek speelt, wanneer mensen op straat komen te staan en het proces wat eraan voorafgaat. We zien dan een duidelijk pad ontstaan in hoe de casus verloopt; van eerste woonprobleem tot (dreigende) dakloosheid. Wat blijkt? Veel casussen volgen hetzelfde pad. Dit geeft ons inzicht in hoe en hoe snel het dreigt mis te gaan. En geeft ons ook informatie voor een oplossing, zodat mensen niet in die fuik richting dakloosheid terechtkomen.
“Giftige cocktails spiegelen, laten ons de vraag stellen: ligt het wel aan dit individuele gezin?”
Eerder ontdekten we in deze dataset bijvoorbeeld ook een domino-effect. Specifiek de groep die niet in de maatschappelijke opvang zit en ook niet bij familie of vrienden op de bank slaapt, maar echt op straat leeft. Uit de data blijkt dat het aantal systeemknelpunten bij deze groep afneemt naarmate er meer persoonlijke problemen spelen. Dus: hoe meer persoonlijke problemen de dakloze heeft, zoals schulden of verslaving, hoe minder knelpunten er geregistreerd worden. Als deze groep dus ‘slechts’ twee of drie problemen heeft, lopen ze tegen meer concrete systeemknelpunten aan dan als ze zeven of acht problemen bij elkaar hebben. Als dakloze heb je bijvoorbeeld geen last van het te langzaam gaan van het regelen van je uitkering, als je door het gebrek aan een postadres die hele aanvraag niet kunt doen. Ze raken uitgesloten van hulp.’
Welk advies geven jullie aan gemeenten als het gaat om data verzamelen?
Marjolein: ‘Het valt me op dat – waar het over data verzamelen gaat - weinig de vraag wordt gesteld: waarom en voor wie doen we het? Wat willen we eigenlijk weten? Of: welke data hebben we níet om deze vraag te beantwoorden? Als je bijvoorbeeld wilt onderzoeken hoeveel psychische problemen of uithuisplaatsing door schulden ontstaan, heb je hier data over nodig – maar die is er niet.
Soms wordt data verzamelen het doel an sich. Maar dat resulteert vaak in een data-woestijn. Een data-woestijn ontstaat wanneer er veel data is, maar er groepen van de populatie ondervertegenwoordigd zijn in deze data. Er gebeurt nu veel omtrent data en er worden ideeën en initiatieven ontwikkeld om iedereen die vastloopt in de verzorgingsstaat van Nederland beter te kunnen helpen. Maar als je voor iedereen iets wilt ontwikkelen, heb je ook data nodig waarin iedereen vertegenwoordigd is. Zo kunnen eventueel ethische risico’s voorkomen worden. Maar juist de groepen mensen die vastlopen, zien wij terug in onze data en zijn ondervertegenwoordigd in de gebruikelijke systeemdata. Bijvoorbeeld: kinderen die veel zorg nodig hebben en nu thuis zitten omdat er geen passend onderwijs voor hen is, uithuisplaatsingen vanwege schulden bij ouders of omdat er geen woning beschikbaar is.
“Wees je bewust van wat je niet weet.”
Het risico van data-woestijnen is dat data verkeerd gebruikt wordt of niet goed kan worden geïnterpreteerd. Of dat er uiteindelijk niks mee gedaan wordt. Je hebt dan geen zicht meer op de kwaliteit of betrouwbaarheid van de data. Net als de hulpverlening zelf, wil je dat data zoveel mogelijk aansluit op de leefwereld van gezinnen. Mijn advies is altijd: houd de praktijk en het dataonderzoek in nauw contact.’
Iris: ‘Wees je bewust wat je data is, maar ook wat het níet is. Soms hoor ik dat er beleid wordt gemaakt bijna uitsluitend op basis van cijfers. Bijvoorbeeld: uit CBS data blijkt dat sinds 2019 het aantal mensen dat op straat slaapt omlaag gaat. Dat gaat in tegen wat je zou verwachten, doordat veel mensen in de afgelopen twee jaar in financiële problemen zijn geraakt door COVID. Klopt het dan echt dat er minder mensen op straat slapen, of is de data die we hebben niet toereikend, meten we minder effectief, of vallen er bepaalde (in aantal groeiende) groepen structureel buiten de meetmethode? Als je die niet meerekent, kun je onbedoeld slecht beleid maken. Wees je dus bewust van wat je niet weet.’
“Cijfers worden al snel geïnterpreteerd als harde waarheid. Maar je moet goed blijven kijken naar de praktijk.”
Marjolein: ‘Data is geen waarheid, maar een manier om te kijken naar de waarheid. Cijfers worden al snel geïnterpreteerd als de harde waarheid. Dan kan er verkeerd beleid worden gemaakt. Je moet ook goed kijken naar de praktijk, de professionals die vertellen over hoe de gezinnen en hun situaties er in de praktijk uitzien.’
Wat is de toekomst van data in het sociaal domein?
Iris: ‘We leren steeds meer over praktijkdata. Ik hoop dat die inzichten een leidraad voor nieuw beleid en nieuwe oplossingen kunnen zijn. Dat door data-onderzoeken we systeemknelpunten identificeren, zoals bijvoorbeeld over uithuisplaatsingen, en op die manier concreet zoeken naar oplossingen. Dan kunnen we data als instrument gebruiken om de zorg, hulp en ondersteuning die mensen krijgen beter, passender te maken.
Zelf zou ik me in de toekomst willen richten op woonproblematiek. Dat is één van de grootste problemen waarvan we weten dat het bestaanszekerheid in gevaar brengt. Maar wanneer er bijvoorbeeld iemand uit Maatschappelijke Opvang moet of gaat, wordt diegene niet gevolgd. Er wordt niks bijgehouden. Terwijl dat juist waardevolle inzichten zou op kunnen leveren. We zijn ons niet bewust van hoeveel mensen een huurschuld hebben, we weten niet wie bijna uit zijn huis wordt gezet, welke huizen niet passend zijn voor het aantal mensen dat er woont, et cetera. Ik kom tot de conclusie dat er eigenlijk geen data of cijfers over woonproblematiek zijn. Tegelijk komt het wel in de grote meerderheid van de giftige cocktails die we identificeren voor. Woonproblematiek vormt in een casus bijna altijd het issue met de meeste urgentie. Het is een gevaarlijk probleem wat heel snel, heel groot wordt. Dat feit, met dat we er te weinig over weten, maakt dat ik erin wil duiken.’
“Woonproblematiek is een gevaarlijk probleem wat heel snel, heel groot wordt. En we weten er te weinig over.”
Marjolein: ‘Ik heb veel hoop voor de toekomst met wat we nu aan het doen zijn. We kunnen een revolutie starten. We kunnen signalen uit de praktijk met onze data gaan toetsen. Of andersom: uit de data patronen ontdekken die weer een andere kijk op de praktijk geven. Groepen en problemen die professionals in de praktijk tegenkomen, maar ondervertegenwoordigd zijn in de systeemdata, kunnen we zo beter in kaart brengen. Op die manier laten we de urgentie zien en kunnen we structurele oplossingen ontwikkelen. Data-onderzoek is dan een communicatiemiddel, in plaats van een doel op zich.
Data bij de Doorbraakmethode is gepseudonimiseerd en er worden enkel op geaggregeerd (anoniem) niveau analyes gemaakt.
