Data en AI voor sociale ondernemingen: zo doe je het

·

Je hoort het overal: data is het nieuwe goud. Maar wat doe je daarmee als je een sociale onderneming runt met mensen die extra begeleiding nodig hebben, een krappe marge en een subsidieaanvraag die vorige week al af had moeten zijn? Ik ga je laten zien wat er in de praktijk werkt, zonder de buzzwords.

Wat data eigenlijk voor je kan doen

De meeste sociale ondernemers die ik spreek, hebben data. Ze hebben urenstaten, verzuimcijfers, productieaantallen, begeleidingsuren. Maar die data zit in drie verschillende Excel-bestanden, een ouderwets boekhoudpakket en de agenda van de begeleider. Dat is geen datagedreven organisatie, dat is een archief.

Datagedreven werken begint niet met een duur systeem. Het begint met de vraag: wat wil ik eigenlijk weten? Voor mij was dat heel concreet. Ik wilde weten welke begeleiding het meeste effect had op de uitstroom naar regulier werk. Niet omdat dat een mooi verhaal oplevert, maar omdat ik er mijn budget op wil afstemmen.

Zodra je die vraag scherp hebt, kun je terugwerken naar welke gegevens je daarvoor nodig hebt. En dan blijkt vaak dat je die gegevens al hebt, alleen nog niet gecombineerd. Een eenvoudige koppeling tussen je urenadministratie en je uitstroomregistratie kan al genoeg zijn om patronen te zien.

Hoe AI concreet helpt bij begeleiding en planning

AI klinkt als iets voor grote bedrijven met een IT-afdeling. Maar de toepassingen die voor sociale ondernemingen interessant zijn, zijn juist de kleine, praktische dingen. Denk aan automatische roostering op basis van beschikbaarheid en belastbaarheid van medewerkers. Of een systeem dat signaleert wanneer iemand meer verzuim heeft dan gebruikelijk, zodat de begeleider eerder in gesprek gaat.

Wij gebruiken zelf een eenvoudig dashboard waarop we per medewerker bijhouden hoe de uren zich verhouden tot de afgesproken doelen. Dat klinkt niet spannend, maar het scheelt me elke week minstens een uur aan zoekwerk en handmatig optellen. En de begeleiders zien in één oogopslag waar aandacht nodig is.

Er zijn ook bredere toepassingen. Organisaties die werken met data & ai consultancy laten zien dat voorspellende modellen kunnen helpen bij het inschatten van uitval of de behoefte aan extra ondersteuning. Dat soort modellen zijn niet voorbehouden aan grote corporates. Je hebt er minder data voor nodig dan je denkt, als je maar weet welke variabelen ertoe doen.

Een ander concreet voorbeeld: natural language processing voor het samenvatten van begeleidingsverslagen. Begeleiders schrijven vaak uitgebreide rapportages. Als je die automatisch kunt laten samenvatten en categoriseren, houd je meer tijd over voor het echte werk.

Impactmeting zonder onzin

Impactmeting is een van de dingen waar ik het meest moeite mee heb. Niet omdat ik het niet wil meten, maar omdat ik te vaak zie hoe het wordt gebruikt om een goed gevoel te verkopen in plaats van iets te leren. Mooie grafieken, vage indicatoren, en niemand die vraagt wat het nu echt betekent.

Goede impactmeting is lastig, maar het begint met eerlijkheid over wat je wel en niet kunt aantonen. Als ik zeg dat vijftien mensen dit jaar zijn uitgestroomd naar regulier werk, dan wil ik ook eerlijk zijn over hoeveel van hen dat zonder onze begeleiding ook hadden gehaald. Dat is het counterfactual probleem, en het is echt moeilijk op te lossen zonder een controlegroep.

Wat data en AI hier kunnen doen, is helpen om betere vergelijkingen te maken. Je kunt kijken naar mensen met vergelijkbare profielen die andere trajecten hebben gevolgd. Je kunt trends in kaart brengen over langere periodes. Je kunt bijhouden welke interventies statistisch samenhangen met betere uitkomsten. Dat is geen bewijs van causaliteit, maar het is veel beter dan niks.

Wat ik zelf doe: ik rapporteer altijd met drie cijfers. Het ruwe getal, de context (hoe verhoudt dit zich tot vorig jaar of tot vergelijkbare organisaties), en de onzekerheid (wat weten we niet). Dat is minder aantrekkelijk voor een subsidieaanvraag, maar het is eerlijker. En eerlijk gezegd: subsidieverstrekkers waarderen het steeds vaker als je transparant bent over wat je niet weet.

Praktische stappen om te beginnen

Hieronder een overzicht van stappen die voor sociale ondernemingen realistisch zijn, zonder grote investeringen vooraf:

  • Begin met één vraag. Kies één ding dat je wilt begrijpen of verbeteren. Niet vijf dingen tegelijk.
  • Inventariseer je huidige data. Welke gegevens heb je al? Waar staan ze? Zijn ze betrouwbaar?
  • Maak data toegankelijk. Breng je gegevens samen op één plek, ook al is dat in eerste instantie gewoon een gedeelde spreadsheet.
  • Kies een eenvoudig dashboard. Tools als Google Looker Studio of Power BI zijn gratis of goedkoop en geschikt voor kleine organisaties.
  • Train je team. Niet iedereen hoeft data-analist te worden, maar iedereen moet begrijpen wat de cijfers betekenen en hoe ze worden bijgehouden.
  • Evalueer regelmatig. Zet elke zes weken een moment in de agenda om te kijken wat de data je vertelt en of je vraagstelling nog klopt.
  • Wees eerlijk over de grenzen. Data geeft richting, geen garanties. Combineer het altijd met de kennis van je begeleiders en medewerkers.

De grootste fout die ik zie, is dat organisaties beginnen met het systeem in plaats van met de vraag. Ze schaffen een duur platform aan, stoppen er data in en wachten dan op inzichten. Zo werkt het niet. Je moet weten wat je zoekt voordat je het kunt vinden.

Een tweede veelgemaakte fout is dat data alleen wordt gebruikt voor verantwoording naar buiten. Naar subsidieverstrekkers, naar de gemeente, naar je raad van toezicht. Dat is begrijpelijk, maar als je data alleen gebruikt om te rapporteren en niet om te leren, mis je de helft van de waarde.

De echte winst zit in intern gebruik. Begeleiders die zien hoe hun aanpak uitpakt. Planners die roosters maken op basis van belastbaarheidsdata. Managers die op tijd zien dat een team overbelast raakt. Dat zijn de toepassingen die het verschil maken in de dagelijkse praktijk.

Veelgestelde vragen over data en AI in sociale ondernemingen

Moet ik een IT-specialist inhuren om hiermee te beginnen?

Niet per se. Voor de eerste stappen heb je geen IT-specialist nodig. Een goede spreadsheet, discipline in het bijhouden van gegevens en een gratis dashboardtool zijn al genoeg om te beginnen. Pas als je verder wilt, bijvoorbeeld met voorspellende modellen of automatische koppelingen tussen systemen, heeft het zin om iemand met technische kennis in te schakelen. Begin klein en bouw van daaruit verder.

Hoe ga ik om met privacy bij het verzamelen van data over medewerkers?

Dit is een serieuze vraag en geen formaliteit. De AVG stelt duidelijke eisen aan wat je mag registreren en hoe je dat moet beveiligen. Zorg dat je een verwerkersovereenkomst hebt met je softwareleveranciers, leg vast welke gegevens je bijhoudt en waarom, en informeer je medewerkers transparant over wat er met hun gegevens gebeurt. Laat dit niet over aan een juridische afdeling die je niet hebt, maar bespreek het gewoon met je team. Vertrouwen is hier de basis.

Wat kost dit allemaal, en is het haalbaar voor kleine organisaties?

De kosten hangen sterk af van hoe ver je wilt gaan. Voor basale dataregistratie en eenvoudige dashboards kun je toe met gratis tools. Een gedeelde Google Sheet, Looker Studio voor visualisatie, en discipline in het bijhouden van gegevens kosten je niks behalve tijd. Wil je meer, zoals automatische koppelingen of AI-toepassingen, dan zijn er betaalbare SaaS-oplossingen die ook voor kleine organisaties toegankelijk zijn. Reken op een paar honderd euro per maand voor een fatsoenlijk pakket. Dat is te rechtvaardigen als het je begeleiders structureel tijd bespaart of je subsidieaanvragen sterker maakt met onderbouwde cijfers.

Meer om te lezen