De gemeente Utrecht werkt binnen de energietransitie onder andere aan energiebesparing en het aardgasvrij maken van de stad. Dit zijn twee van de drie sporen binnen het programma om over te stappen op schone energie. De gemeente wil in 2050 30% energie besparen in gebouwen en heeft de uitdaging om 130.000 gebouwen van het aardgas af te halen. Een wijkgerichte aanpak is een van de manieren om dit te bereiken. Mede met behulp van data zoekt de gemeente een juiste volgorde, en wil ze focus bepalen en zicht houden op de voortgang van de aanpakken. De gemeente heeft een Design Sprint gedaan om in vijf dagen een datagedreven prototype te ontwerpen en te toetsen op de waarde daarvan.

De gemeente heeft al veel gedaan met data, maar komende jaren gaat de omvang van de opgave enorm groeien. Op basis van verdere data-analyse wil de gemeente de aanpak verder vormgeven en analyses doen. Waar in de stad is het besparingspotentieel het grootst? Waar gaat de grond sowieso al open? Hoe kunnen we bewoners activeren en interesseren voor gezamenlijke inkoop? Welke data zijn nodig om een goed beeld te krijgen van de buurten die als eerste aardgasvrij worden?

Voor deze operationalisering worden beleidsmedewerkers vaak gevraagd om informatie en analyses over het thema energietransitie en dat levert de data-analist van de afdeling veel werk op. Omdat het werk komende tijd toeneemt, wilde de gemeente een instrument ontwikkelen. Dit instrument moet de aanpak voor en monitoring van de energietransitie ondersteunen en de vele vragen makkelijk en snel kunnen helpen beantwoorden.

Figuur 1: Analyse op pand- en gebiedsniveau en cluster analyse

Van maatschappelijke opgave naar datagedreven prototype

Om te komen tot het gewenste instrument besloot de  gemeente Utrecht om onder begeleiding van Shintō Labs een Design Sprint te doen. Deze aanpak is ontwikkeld om van een ‘nadenk-stand’ in de ‘actie-stand’ te komen. In vijf dagen hebben we samen met de beleids- en projectmedewerkers en de data-analist een prototype ontworpen van een ‘datatool’ waarmee makkelijk en snel analyses kunnen worden gedaan om vragen te beantwoorden. En nog belangrijker, het is vervolgens getoetst op de waarde voor de beoogde eindgebruikers.

figuur 2: Analyse besparingspotentieel panden

Van gebiedsanalyse tot clusteranalyse

Het prototype bevat meerdere analysemogelijkheden zowel op gebieds-, pand- en adresniveau. Met filters kan een selectie worden gemaakt en deze kan op een kaart of in een lijst worden geprojecteerd. Zo kun je van een wijk of buurt visualiseren waar de woningen met veel en met weinig besparingspotentieel zitten. Ook kun je laten zien waar in de stad, wijk of buurt panden zijn op basis van bouwjaar of energielabel. Daarnaast is er de mogelijkheid om een clusteranalyse te doen. Met een clusteranalyse worden de panden in de stad onderverdeeld in clusters op basis van de kenmerken uit de gebruikte datasets. Zo kom je tot groepen die zich bijvoorbeeld niets aantrekken van buurt- of wijkgrenzen maar wel vergelijkbare kenmerken hebben en daarmee interessant zijn voor de ontwikkeling van scenario’s.

Figuur 3: cluster analyse

Monitoring en trends

Naast het doen van analyses om scenario’s te bepalen voor energiebesparing en aardgasvrij, is het ook mogelijk om trends inzichtelijk te maken. Op basis daarvan kunnen we zien hoe de trends zijn als het gaat om gasverbruik, gasaansluitingen en elektriciteitsverbruik. Daarnaast kunnen we de concrete voortgang inzichtelijk maken per buurt. Hoe ver zijn we met de energiebesparende maatregelen en liggen we op koers met aardgasvrij? Tenslotte is er de mogelijkheid om standaardrapportages te genereren en een index weer te geven. Deze geeft in 1 oogopslag aan hoe de gemeente ervoor staat met de overstap naar aardgasvrij.

Figuur 4: Voortgang energietransitie op buurtniveau

Meer informatie of een demo?

Wil je meer weten over onze Design Sprint aanpak of wil je het prototype een keer zien? Neem dan contact met ons op!

Relevante links

Whitepapers

• Whitepaper ‘Van maatschappelijke opgave naar datagedreven toepassing’

Blogs

• Hoe maak je een goede data story?
• Storytelling met data: een goed verhaal zegt meer dan duizend taartdiagrammen
• Design Sprint energietransitie en duurzaamheid met Regio Alkmaar
• Onze 10 data science trends voor 2021
• Design Sprints in tijden van Corona
• 32 tips voor Design Sprints
• Waarom de Design Sprint dé oplossing is voor datagestuurd werken
• Van datagestuurd naar waardegestuurd werken
• Vijf redenen waarom je datagedreven werken als gemeente samen moet doen

Testimonials

• Interview Tom Pots van de gemeente Zaanstad
• Interview Gaby Rasters van de gemeente Eindhoven
• Interview Gooitske Marsman van de gemeente Helmond

Masterclasses

• Masterclass: Opsporen van verdachte netwerken in gemeentelijke data
• Masterclass: Hoe voorkom je bias in algoritmes
• Masterclass: Innovatietheorie voor de overheid
• Masterclass: Text Analytics en Machine Learning voor de overheid

Foto credits: Sven de Koe op Unsplash