Data en AI voor sociale ondernemers: werkt het?

·

Data en AI voor sociale ondernemers: werkt het?

Je hoort het overal: data en kunstmatige intelligentie gaan alles veranderen. Maar wat betekent dat nou voor een ondernemer die mensen met een afstand tot de arbeidsmarkt aan het werk helpt? Ik ben benieuwd of het echt iets oplevert, of dat het weer zo’n hype is die langs je heen waait.

Wat data eigenlijk doet in een sociaal bedrijf

Laten we beginnen met wat data in de praktijk betekent. Niet de grote verhalen over algoritmes en neurale netwerken, maar gewoon: weten wat er in je organisatie gebeurt op basis van feiten in plaats van gevoel.

In mijn eigen boekhouding zie ik bijvoorbeeld dat bepaalde begeleiders structureel meer uren schrijven op specifieke medewerkers. Dat is een datapunt. Als ik dat koppel aan uitstroomcijfers, begint er een patroon te ontstaan. Misschien is die extra begeleiding juist de reden dat iemand na negen maanden doorstroomt naar een reguliere baan. Of misschien is het een signaal dat de match niet goed was van het begin.

Datagedreven werken betekent niet dat je een duur systeem nodig hebt. Het begint met bijhouden wat je doet, consequent en in een formaat dat je later kunt vergelijken. Een simpele spreadsheet kan al heel ver komen, mits je dezelfde kolommen aanhoudt over de jaren heen.

Impactmeting zonder mooie woorden

Hier word ik altijd een beetje opstandig van: de term “impactmeting” wordt te pas en te onpas gebruikt, maar wat meet je dan precies? Ik hoor regelmatig dat een organisatie “impact heeft gemeten” en dan volgt er een verhaal over tevredenheidsscores. Dat is geen impact, dat is klanttevredenheid.

Echte impactmeting vraagt om een nulmeting, een vergelijkingsgroep of op zijn minst een redenering waarom de verandering aan jouw interventie te danken is. Dat is lastig. En AI kan daarbij helpen, maar dan wel op een specifieke manier.

Er zijn inmiddels tools die grote hoeveelheden begeleidingsdata kunnen analyseren en patronen herkennen die een mens zou missen. Denk aan: welk type begeleiding werkt het beste bij welk profiel van medewerker? Dat soort inzichten kun je vervolgens gebruiken om je aanpak bij te stellen. Niet als vervanging van het menselijk oordeel, maar als aanvulling. Als je wilt weten welke tools er beschikbaar zijn op het snijvlak van data en AI, bekijk het aanbod dat er tegenwoordig al bestaat voor dit soort toepassingen.

Loonkostensubsidies en data: een onderschat verband

Dit is een onderwerp waar ik zelf veel mee bezig ben. Loonkostensubsidies zijn complex. De regels verschillen per gemeente, de aanvraagprocedures zijn arbeidsintensief en de administratieve druk is hoog. Veel sociale ondernemers laten geld liggen omdat ze de subsidies niet tijdig aanvragen of de juiste onderbouwing missen.

Data helpt hier op een heel concrete manier. Als je bijhoudt wanneer iemand in dienst is gekomen, wat zijn of haar loonwaarde is, en wanneer een herkeuring plaatsvindt, kun je dat proces automatiseren. Niet volledig, want er blijft altijd menselijk oordeel nodig, maar de signalering kan je systeem doen.

Ik gebruik zelf een eenvoudig dashboard dat me een melding geeft als een subsidieaanvraag binnen drie maanden verloopt. Dat klinkt simpel, maar het scheelt me jaarlijks duizenden euro’s die anders gewoon niet aangevraagd zouden worden. Geautomatiseerde signalering is misschien wel de meest onderschatte toepassing van technologie in sociale ondernemingen.

Waar AI echt het verschil maakt

Nu wil ik het hebben over de gevallen waar AI meer doet dan een slimme spreadsheet. Want er is een verschil tussen data bijhouden en daadwerkelijk leren van data.

Een voorbeeld: stel je hebt twintig medewerkers met verschillende profielen, achtergronden en begeleidingsbehoeften. Elk jaar stroomt een deel door naar regulier werk, een deel blijft bij je en een deel valt uit. Als je dat over drie jaar bijhoudt, heb je een dataset. Een AI-model kan daarin patronen herkennen die jij zelf niet ziet, simpelweg omdat je als mens niet twintig variabelen tegelijk kunt overzien.

Dat noemen we voorspellende analyses, en ze zijn steeds toegankelijker. Je hoeft geen data-scientist in dienst te nemen. Er zijn platforms die je door het proces heen leiden met gewone taal. Je laadt je data in, stelt een vraag, en het systeem geeft je een antwoord met een betrouwbaarheidsscore.

Maar pas op: AI is zo goed als de data die je erin stopt. Als je drie jaar lang inconsistent hebt bijgehouden, krijg je ruis terug. Garbage in, garbage out, zoals ze zeggen. Investeren in goede datahygiëne is dan ook geen luxe, maar een voorwaarde.

Wat dit betekent voor social return bij aanbestedingen

Social return is voor veel sociale ondernemers een kans en een last tegelijk. De kans: opdrachtgevers zijn verplicht een percentage van de opdracht te besteden aan mensen met afstand tot de arbeidsmarkt. De last: je moet aantonen dat je dat ook echt doet, en dat kost administratieve tijd.

Hier kan technologie je leven een stuk makkelijker maken. Als je je uren, je medewerkerprofielen en je opdrachtgevers goed bijhoudt in een systeem, kun je met een druk op de knop een rapportage genereren die voldoet aan de eisen van de aanbesteder. Dat is geen rocket science, maar het vereist wel dat je van tevoren nadenkt over hoe je je data structureert.

  • Houd bij welke medewerker op welke opdracht werkt, inclusief hun doelgroepindicatie
  • Registreer uren op projectniveau, niet alleen op medewerkersniveau
  • Koppel je personeelsdossier aan je projectadministratie, zodat rapportages automatisch kloppen
  • Gebruik gestandaardiseerde profielcategorieën die aansluiten bij de terminologie van aanbesteders
  • Bewaar bewijsstukken digitaal en gekoppeld aan het dossier, niet in een la

Als je dit goed inricht, bespaar je jezelf elk kwartaal een dag aan administratie. En die dag kun je beter gebruiken.

Veelgestelde vragen over data en AI bij sociale ondernemingen

Is AI alleen weggelegd voor grote organisaties?

Nee, en dat is misschien wel het grootste misverstand. Veel AI-tools zijn tegenwoordig beschikbaar als abonnementsdienst, zonder dat je een eigen IT-afdeling nodig hebt. De instapdrempel is de afgelopen jaren flink gedaald. Als je twintig medewerkers hebt en een redelijk bijgehouden administratie, kun je al starten met eenvoudige analyses. Het gaat er niet om hoe groot je bent, maar hoe consistent je je data bijhoudt.

Hoe zorg ik dat data over medewerkers privacyveilig blijft?

Dit is een terechte zorg. De AVG stelt eisen aan hoe je persoonsgegevens opslaat en verwerkt. Voor sociale ondernemers betekent dat concreet: werk met gepseudonimiseerde data zodra je analyseert op groepsniveau, sla gevoelige informatie alleen op als dat noodzakelijk is, en zorg voor een verwerkersovereenkomst met elk systeem dat je gebruikt. Het is niet ingewikkelder dan dat, maar je moet het wel bewust inrichten. Een korte check met een privacyjurist kost je een paar honderd euro en geeft je rust.

Wat is het verschil tussen rapporteren en leren van data?

Rapporteren is terugkijken: wat is er gebeurd? Leren van data is vooruitkijken: wat gaat er waarschijnlijk gebeuren, en wat kun je nu doen om dat te beïnvloeden? Veel sociale ondernemers doen het eerste, maar niet het tweede. Dat is begrijpelijk, want het tweede vraagt meer tijd en een andere manier van denken. Maar als je eenmaal gewend bent om je data als spiegel te gebruiken, wil je niet meer anders. Het maakt je beslissingen minder afhankelijk van onderbuikgevoel en meer van wat er echt werkt.

Meer om te lezen