Van ruwe data naar bruikbare intelligence in vier stappen

De overheid is een beleidsmachine. De roep om meer datagestuurd beleid te ontwikkelen klinkt steeds vaker. Enerzijds omdat de mogelijkheden er zijn (technologie) en anderzijds omdat de belofte er is dat de kwaliteit (lees: effectiviteit) van het beleid er beter van wordt. Om datagestuurd beleid te kunnen maken is een goed begrip van uw data cruciaal. In de wereld van handhaving, veiligheid en openbare orde spreekt men vaak van informatiepositie of intelligence: het verzamelen, analyseren en gericht kunnen toepassen van kennis en inzicht ten behoeve van preventie en handhaving. Dat klinkt allemaal prachtig, maar de praktijk is altijd weerbarstiger. Hoe ontsluit je de databronnen en hoe weet je of de kennis die je hebt volledig en actueel is? Vragen die nooit helemaal sluitend te beantwoorden zijn.

Correlatie vs. causaliteit

Het klassieke voorbeeld is het onderscheid tussen correlatie (de statistische samenhang tussen twee grootheden) en causaliteit (het een is een gevolg van het ander). Want hier gaat het nog steeds vaak mis. Ter illustratie het onderstaande voorbeeld waarin een correlatie wordt weergegeven tussen films met Nicholas Cage en het aantal mensen dat overleden is door in een zwembad te vallen.

Afbeelding: onzinnige correlatie. Bron: http://www.tylervigen.com/spurious-correlations

Het voorbeeld toont aan dat je in data overal verbanden kan laten zien. In dit geval is het verband zo belachelijk dat iedereen de onzin snapt. Maar wat als dat nu minder voor de hand ligt? Hoe ga je om met de valkuil om verkeerde conclusies te trekken op basis van ogenschijnlijke en misleidende verbanden?

Van data naar intelligence

Om een goed begrip te krijgen is het van belang om de samenhang tussen (data)objecten inzichtelijk te krijgen. Dat gaat trapsgewijs van data naar informatie naar kennis naar inzicht naar intelligence.

  • Data: Ontsluit de juiste databronnen zodat de dataspecialisten hun werk kunnen doen. Het fundament van iedere vorm van datagestuurd werken.
  • Informatie: Door de data goed te classificeren en te annoteren ontstaat er informatie.
  • Kennis: Met het bundelen van informatie wordt kennis gecreëerd. Met kennis wordt de onderlinge samenhang tussen afzonderlijke informatiepunten duidelijk.
  • Inzicht: Door slim te kijken naar vergaarde kennis kan inzicht ontstaan. Typisch komt dit tot uitdrukking in de vorm van dashboards, rapporten of kaarten.
  • Intelligence: Met netwerkanalyses en het doorrekenen van scenario’s kan je inzicht verheffen tot intelligence, of ‘wisdom’ in de illustratie hieronder. Je begrip overstijgt dan individuele casussen en de onderlinge samenhang wordt duidelijk. Dit geeft je de mogelijkheden om gericht beleid te maken of processen in te richten ter bevordering van de gewenste uitkomst (of preventie van ongewenste uitkomst).

Afbeelding: van data naar begrip. Bron: David Somerville, gebaseerd op Hugh McLeod.

Voorbeeld uit de praktijk

Laten we een voorbeeld nemen ter illustratie

  • Data: Een belangrijke bron binnen een gemeentelijke organisatie is het zaaksysteem. Het goed ontsluiten van deze data (zoals zaken) is in veel casussen van datagedreven werken belangrijk.
  • Informatie: Een zaak uit het zaaksysteem krijgt betekenis door het op de juiste manier te classificeren. Zo is een zaak bijvoorbeeld een vergunningaanvraag wat de mogelijkheid geeft om de zaak door te sturen naar de afdeling vergunningen. Deze informatie is cruciaal voor de afhandeling.
  • Kennis: Met het slim verbinden van informatie kunnen we bijvoorbeeld inzichtelijk krijgen dat deze aanvraag van meneer Janssenis en dat het inmiddels de vierde keer is dat meneer Janssen deze aanvraag gedaan heeft. Bovendien heeft hij al 5 keer gebeldnaar het KCC en is hij 1 x langs gekomen bij de balie om te vragen waarom zijn eerdere vergunningsaanvraag niet geaccepteerd is. Dit geeft de afdeling vergunningverlening de mogelijkheid om te onderzoeken waarom het eerder niet toegekend is en hebben ze betere kennis om de heer Janssen inhoudelijk te woord te staan.
  • Inzicht: Het stapelen van kennis biedt inzicht. We zien bijvoorbeeld dat op de locatie van de vergunningsaanvraag afgelopen jaren verhoudingsgewijs veel activiteiten hebben plaats hebben gevonden, zoals inschrijvingen, uitschrijvingen, starten onderneming, stoppen onderneming, etc. Dat betreft niet alleen de heer Janssen, maar meerdere personen en bedrijven. Als een ‘spies’ worden de verschillende bronnen, informatie en kennis aan elkaar geregen om inzicht te krijgen.
  • Intelligence: De verschillende inzichten kunnen slim gecombineerd worden in een netwerk om een goed begrip te krijgen van de situatie. Zou zouden we kunnen constateren dat de heer Janssen in de afgelopen vijf jaar, 2 keer verhuisd is naar een huis waarvan mevrouw Visscher de eigenaar is, waarvan in drie andere panden recentelijk een hennepkwekerij gevonden is. Ook zijn er op dat adres meerdere personen ingeschreven die op de radar staan bij politie. Bovendien blijken op dat adres meerdere glazenwassers ingeschreven te staan die ogenschijnlijk geen enkele omzet draaien. Een van de personen is een ‘spin in het web’ die met veel relaties tot andere verdachte personen extra in de gaten gehouden wordt. Reden genoeg om op basis hiervan nader onderzoek te doen en mogelijk een ter plaatse onderzoek. Mogelijk sprake van een vorm van ondermijning? 

Community Structure Analysis (CSA)

Het bovenstaande fictieve voorbeeld illustreert hoe je van data stapsgewijs kunt groeien naar intelligence. Een van de methodes die wij hanteren is Community Structure Analysis (CSA) om deelgroepen – of clusters – binnen een gegeven netwerk aan objecten te vinden. In het voorbeeld hieronder is een lijst met (gepseudonimiseerde) individuen inzichtelijk gemaakt met hun onderlinge relaties. Uit de analyse ontstaat een begrip over de structuren, hun onderlinge samenhang en geeft inzicht in welke schakels het meest interessant zijn om te beïnvloeden. Dit is slechts één van de vele analyses die wij op dit moment aan het ontwikkelen zijn in samenwerking met de gemeente Zaanstad en de Technische Universiteit Eindhoven ter bestrijding van ondermijnende criminaliteit en criminele samenwerkingsverbanden.

Afbeelding: voorbeeld van intelligence uit Community Structure Analyse (CSA) – uit de ondermijning applicatie

Geïnteresseerd in onze aanpak?

Meer weten over hoe we netwerkanalyse inzetten bij onze oplossingen? Kijk eens bij de casebeschrijvingen voor Ondermijning of Woonoverlast.  Of neem gewoon contact met ons op!

Relevante links

Whitepapers

Nieuws

Blogs

Webinars

Praktijkcases

Productinformatie

Research