Publicaties

De 5 stappen om waarde uit je data te halen

Technologie maakt een steeds groter onderdeel uit van het onderwijs. Het onderwijs digitaliseert in hoog tempo, waardoor we steeds meer informatie digitaal opslaan. Denk bijvoorbeeld aan: welke studenten present zijn, monitoring van resultaten (zie onze vorige blog), het aantal studenten dat zich heeft aangemeld voor een opleiding en ga zo maar door. Al deze informatie kan erg waardevol zijn voor een onderwijsinstelling, maar is de informatie die je nu verzamelt wel écht zo waardevol?

De waarde van informatie voor het onderwijs

De informatie die je als school verzamelt kun je gebruiken als basis voor solide analyses, controles en voorspellingen. Allemaal leuk en aardig, maar wat betekent dit nou echt? Je kunt de informatie gebruiken om gerichter studenten te werven, onderwijsmethodes te verbeteren, maar ook om uitval te voorkomen. Maar om dergelijke analyses en voorspellingen te doen moet je er eerst voor zorgen dat je over kwalitatief goede informatie beschikt.

Wat is informatie?

Om over kwalitatief goede informatie te beschikken is het allereerst belangrijk om te weten wat informatie is. Informatie is een verzameling van gegevens dat een betekenis, praktisch nut of relevante nieuwswaarde heeft voor de ontvanger. Deze gegevens worden ook wel data genoemd; feiten, cijfers en symbolen zonder betekenis. Op het moment dat je de juiste informatie wilt destilleren is het dus van belang om ervoor te zorgen dat je data op orde is.

Hoe kom je tot waardevolle informatie?

Vaak ontdekken we pas dat onze data niet op orde is als er fouten ontdekt worden of er informatie mist. Dit kan erin resulteren dat er verkeerde aannames worden gedaan of verkeerde keuzes worden gemaakt. Om dergelijke situaties te voorkomen is het van belang om van te voren goed na te denken over welke informatie je op wilt halen. Waar wil je graag inzicht in hebben? En waar wil je op sturen? Als je dit weet kun je ervoor zorgen dat de data die je verzamelt van een goede kwaliteit is. Dit doe je door te voldoen aan de 5 aandachtsgebieden.

De 5 aandachtsgebieden om waarde uit je data te halen

In deze blog neem ik je mee naar de 5 aandachtsgebieden van data waarmee je gestructureerd data kunt inzetten om het realiseren van je doelen te ondersteunen. Ik gebruik als voorbeeld Leven Lang Ontwikkelen (LLO), omdat het kiezen van een afgebakend onderwerp helpt om klein en overzichtelijk te beginnen met het inrichten van data. Op deze manier kun je ervaring op doen en op basis van de successen bepalen hoe je verder gaat.

Onderstaand beschrijf ik één voor één de 5 aandachtsgebieden om waarde uit je data te halen.

Data strategie

Een data strategie helpt je te bepalen welke gegevens je wilt bewaren en hergebruiken. Om een data strategie te vormen heb je eerst een visie op je organisatie nodig, met bijbehorende strategie. Een helder visie en strategie zorgen voor duidelijkheid over waar je naartoe wilt en maken het mogelijk om bij te sturen als je van die koers af dreigt te wijken. Dit laatste is een veel voorkomend probleem bij projecten en wordt ook wel ‘scope-creep’ genoemd. Het steeds groter worden van de oorspronkelijke opdracht omdat veel thema’s wel interessant zijn. Scope-creep komt ook voor bij data strategieën, dit uit zich in het opslaan en bewaren van data die niet bijdraagt aan het behalen van organisatie doelstellingen.

Focus houden op wat echt belangrijk is speelt een grote rol in het behalen van strategische doelstellingen. Deze focus is ook nodig als richtlijn voor keuzes over welke data te bewaren, zodat de investering in het vastleggen en bewaren van data in verhouding staat tot de meerwaarde.

Je kunt bijvoorbeeld bij LLO in eerste instantie kiezen om je te richten op de doelstellingen voor de student en de data die daar bij hoort. En van daaruit te inventariseren welke data je voor, tijdens en na de opleiding nodig hebt gezien de sturing die je wilt geven.

Data governance

Data governance, beleid dat bepaalt hoe met data om te gaan, is vandaag de dag zowel moreel als wettelijk verplicht om in te richten. Wie mogen er bij de data? Welke personen zijn bevoegd voor het aanmaken, inzien, actualiseren of verwijderen van data? Dit richt je in aan de hand van wetgeving, maar ook door te kijken naar het proces waarin de data benodigd is en welke rollen er gedefinieerd zijn binnen de organisatie. Afhankelijk van deze aspecten wordt er een authorisatiematrix opgezet.

Voor LLO gaat data governance bijvoorbeeld over wie welke studentgegevens mag inzien, op welk moment. Wie mag de persoonsgegevens zien van aankomend studenten of bedrijven? Het antwoord op dergelijke vragen is van belang, omdat het verkeerd gebruiken van privacygevoelige informatie kan leiden tot een slechte naam of misschien wel een boete.

Data architectuur

Bij de meeste organisaties staan de data verspreid over losse systemen en databases. Hoe zorg je ervoor dat deze data waarde aan je organisatie toevoegt en geen onoverzichtelijke berg nullen en enen wordt? Data-architectuur helpt je daarbij. Data-architectuur beschrijft hoe gegevens in verschillende systemen zijn vastgelegd. Hiermee ontstaat inzicht in samenhang tussen data, systemen en processen. Deze samenhang is randvoorwaardelijk om in de organisatie goed geïnformeerde besluiten nemen.

Processen zijn een goed begin om een data architectuur op te bouwen. Je kunt per processtap het gebruikte systeem benoemen en vaststellen welke data je wilt vastleggen en bewaren. Door deze werkwijze steeds uit te breiden naar andere processen ontstaat een steeds breder inzicht in de samenhang vanuit processen naar systemen en data.

In het voorbeeld van LLO kun je bijvoorbeeld de processen er bij pakken die starten bij de werving van een student tot het moment dat de student de opleiding heeft afgerond.
Later kun je ook uitbreiden naar de tactische en strategische processen die gaan over planning van de opleidingstrajecten en inrichting van het onderwijs. Dat is het moment dat alleen het verzamelen van data rond de student niet meer voldoende is; je zult dan bijvoorbeeld ook data over ontwikkelingen in de markt en concrete verwachtingen van werkgevers willen verzamelen.

Data kwaliteit

‘Garbage in is garbage out’. Ook al beschikt jouw organisatie over de meest geavanceerde systemen en methodieken, het resultaat zal altijd afhangen van de kwaliteit van de data die gebruikt wordt. Het op orde hebben van de datakwaliteit is essentieel om verkeerde keuzes te voorkomen en data optimaal te benutten.

Data kwaliteit wordt vaak gedefinieerd als tijdigheid, volledigheid, accuraatheid en consistentie van data, maar je moet verder kijken. Is bijvoorbeeld de invoer en controle van de data in de processen geborgd? Is geborgd dat data maar in één bron wordt opgeslagen (‘one version of the truth’)? Daarnaast is data kwaliteit ook een zaak van de organisatie. Is er iemand verantwoordelijk voor data kwaliteit? Wordt er over gerapporteerd? Zijn definities helder? Zijn medewerkers voldoende op de hoogte van wat slechte data voor impact heeft? Weten afdelingen van een ander waarvoor zij de data nodig hebben?

Dit betekent in ons voorbeeld van LLO dat je niet alleen afspraken maakt over processen en systemen, maar ook over de manier waarop data wordt ingevoerd. Stel je voor dat je in je data strategie heb je bepaald dat je wilt sturen op uitval. Dan is het belangrijk dat elke student die uitvalt op tijd en met de juiste gegevens geregistreerd wordt. Daarnaast is het in het kader van accuraatheid en consistentie ook belangrijk dat iedereen dat op dezelfde manier doet. Op die manier borg je dat data een integraal onderdeel wordt van je inrichting in plaats van het sluitstuk (dat net te snel wordt afgeraffeld).

Data analyse

In de eerste 4 aandachtsgebieden zijn de punten beschreven om data in te richten en te verzamelen. Om waarde uit de data te halen moet je er natuurlijk iets mee doen: analyseren.

Data analyses komen in vele vormen en maten. Zo kan het worden gebruikt om de voortgang van resultaten te monitoren, verbanden te leggen die nooit eerder waren gezien, kunnen er voorspellende modellen gemaakt worden en kunnen ‘bottlenecks’ in een specifiek proces gezocht worden. De correcte vorm van data analyse voor de vraagstukken van jouw organisatie zorgen ervoor dat er betere beslissingen genomen worden om zo een stap voor te kunnen zijn op de competitie.

Analyse biedt ook de mogelijkheid om te testen. Voor LLO is het interessant om te zien of werving met proces A of proces B beter werkt voor de nieuwe doelgroep. Reageren potentiële studenten positiever op bericht A of bericht B? Zijn er verschillen tussen de leeftijdscategorieën en is het dus beter om op basis van leeftijdscategorie de student anders te benaderen?

 

Start klein met multidisciplinaire teams

Het analyseren van data is dus onlosmakelijk verbonden met het organiseren, monitoren en bijsturen van organisatie doelstellingen in het algemeen en LLO in het bijzonder. Er zijn praktische handvatten op basis van 5 aandachtsgebieden om er mee aan de slag te gaan en je kunt er op een kleinschalige manier mee beginnen. Ons advies is dit onderwerp vanaf de start multidisciplinair op te pakken. Dus een samenwerking waarbij medewerkers en management uit het onderwijs, de administratie en de ICT betrokken zijn. Op die manier kun je er ervaring mee op doen en de meerwaarde ontdekken. Daarmee ontstaat kennis en overtuigingskracht om het verder uit te breiden op een manier die past bij jouw organisatie en jouw doelen.

 

Is de informatie die je nu verzamelt wel écht zo waardevol?

Binnen 5 minuten weet je het én krijg je direct handige tips. Wacht niet langer en doe de test.

Doe de test

Tweeten
Delen

Gerelateerd

Implementatie van een Student Informatie Systeem
Klantcase

Kennispunt mbo Leven lang ontwikkelen

Aanjagen, stimuleren en ondersteunen van leven lang ontwikkelen in het mbo De arbeidsmarkt is volop in beweging als gevolg van een veranderende wereld en samenleving.