Waarom laten we niet alle beslissingen nemen door data?

Tegenwoordig horen wij steeds vaak hippe termen als Artificial Intelligence en Data Science en veel mensen vragen zich af of ze daar iets mee moeten. Door middel deze technologie is het mogelijk om automatisch beslissingen te nemen op basis van data. Het klinkt natuurlijk heel mooi om alleen maar objectieve beslissingen te nemen op basis van data, maar er zijn ook veel valkuilen.

Om een goed antwoord te geven is het nodig om iets breder te kijken naar de rol die data heeft (of misschien wel juist niet) bij met maken van een beslissing.

Hoe gebruik je data bij het maken van een beslissing?

Bij het maken van beslissingen kan data een grote rol spelen. Maar niet alleen de data zelf, vooral ook de manier waarop je deze data gebruikt. De manier waarop je de data gebruikt heeft namelijk een grote impact op de manier waarop je je beslissing neemt.

Een optie is om te kiezen om helemaal geen data te gebruiken. Dan heb je niet zoveel informatie en heb je ook misschien minder een beeld van wat er daadwerkelijk speelt. Als je zo’n beslissing neemt vertrouw je eigenlijk volledig op jouw eigen inzicht, op jouw eigen beeld, op jouw eigen conclusies.

Dat kan best lastig zijn. Want als jouw beeld niet klopt, klopt ook vaak de beslissing niet. De belangrijke vraag als je een beslissing neemt zonder gebruik van data is: Hoe weet jij zeker dat jouw beeld, jouw aannames en jouw conclusies kloppen?

Beslissingen op basis van algoritmen.

Een andere manier om een beslissing te nemen is door voor de volledige 100% te vertrouwen op data. Als je een beslissing neemt op deze manier wordt er een algoritme ontwikkeld waar je de data in stopt. Het algoritme bepaalt vervolgens de uitkomst op basis van de data die je er zelf hebt ingestopt. Maar eigenlijk speelt ook hier hetzelfde probleem als wanneer dus een beslissing neemt zonder data: Hoe weet jij zeker dat de data die je gebruikt kloppen?

Als je hier echt op wilt vertrouwen is het dus van belang dat je ook echt kunt vertrouwen in het algoritme. Om zo’n algoritme te ontwikkelen is vaak een grote investering, en daarmee dus ook vaak niet een goede optie voor kleinere beslissingen.

Maar ook voor de grote beslissingen zijn er risico’s verbonden aan het gebruik van algoritmen voor geautomatiseerde beslissingen. Zelfs als er heel veel onderzoek is gedaan is er nog steeds risico dat er foute beslissingen worden genomen. Dit kan komen doordat de data niet juist is, of er een fout in het algoritme zit, of dat het algoritme zo strak de regels hanteerd dat er geen ruimte is om af te wijken van de standaard.

Denk maar eens aan de manier waarop de Belastingdienst toeslagen controleerde. De Belastingdienst heeft een algoritme geschreven die, aan de hand van de informatie die mensen indienen, bepaalt of die mensen wel of niet rechtmatig toeslag hebben gekregen. En dat klinkt misschien heel mooi omdat we dus op een objectieve manier kijken naar de toeslagen.

Maar of het daadwerkelijk betrouwbaar is staat of valt bij de manier waarop het algoritme geschreven is. Want dat is de manier waarop het algoritme bepaalt of iemand rechtmatige toeslag heeft ontvangen ja of nee. En dit is natuurlijk erg afhankelijk van de data die je erin stopt.

Daarbij komt nog dat als iemand per ongeluk een keer iets fout invult het algoritme daar vaak niet naar kijkt. Het algoritme geeft wel een uitkomst en snapt vaak niet of de achterliggende data wel of niet betrouwbaar is.

Als je een beetje het nieuws hebt gevolgd, heb je ook gezien dat dit grote problemen heeft opgeleverd. Er zijn talloze gedupeerden die door het algoritme benadeeld zijn en die,doordat er zoveel werd vertrouwd op de beslissing die genomen is, ook geen mogelijkheid hadden om het aan te vechten of om ervoor te zorgen dat het beter gecontroleerd. Wat in dit geval absoluut miste is de menselijke maat.

Hoe gebruik je data effectief voor alle beslissingen?

Geautomatiseerde beslissingen hebben absoluut een plek als je op een geavanceerde manier met data omgaat. Juist ook voor een groot deel van de beslissingen is het van belang om zelf na te blijven denken. Dat we zelf kritisch zijn op het beeld dat we hebben. En dat we zelf naar data durven te kijken met een open blik en die ons laat zien dat het echte beeld anders is dan dat wij voor ogen hebben.

Wij geloven dat juist op dit punt data een veel grotere rol kunnen hebben binnen organisaties. Je kunt data gebruiken als objectieve deelnemer tijdens ‘het gesprek’. Data is in staat om de wereld om ons heen data uit te drukken in feiten en cijfers. Door jouw eigen beeld aan te vullen met dit beeld ontstaat er beter inzicht op de huidige situatie.

Daarom is het van belang dat personen die de beslissingen maken ook goed naar data kunnen kijken. Dat degene die de beslissing maken grafieken kunnen interpreteren om te lezen wat de situatie nu eigenlijk is.

Het lastige daarin is dat ook data nooit een compleet beeld geven van de werkelijkheid. De echte wereld is vaak heel erg complex en spelen heel veel zaken in mee. Ook data zal eigenlijk nooit die complexe wereld een op 100% goed kunnen laten zien. En daarom is het van belang dat we ook met een kritische blik naar de data kijken we moeten eigenlijk een beetje met de data in gesprek gaan om te kijken wat de data verteld en wat de datum wil laten zien en of dat waar is of niet.

Klopt mijn data wel?

Wat je moet bedenken is dat alle data natuurlijk ergens vandaan komt. Data komt uit registratiesystemen. Of data wordt ergens vandaan download. Data wordt altijd ergens gegenereerd op een bepaalde manier. De manier waarop het gegenereerd wordt is heeft een grote impact op de betrouwbaarheid van deze data.

Stel je voor dat je een thermometer in je huis hebt liggen zodat je weet hoe warm het is binnen. De thermometer meet continu de temperatuur binnen je huis en omdat het een digitale smart-thermometer is wordt de temperatuur elke minuut geregistreerd en opgeslagen in een database. Als je veel vertrouwen hebt in de thermometer (en als het een goede thermometer is heb je dat), dan zul je de data snel vertrouwen.

Maar stel nu, we maken een analyse. Je vrouw heeft het elke ochtend koud en je wil met de data objectief aan tonen of het nu wel of niet koud is in huis. We zien dat elke keer ‘s ochtends tussen negen en tien de temperatuur 5, 6 misschien wel 8 graden hoger is dan gedurende de rest van de dag. Dus het is onzin dat je vrouw het koud heeft!

Als je met de naïeve blik naar deze data kijkt is dit inderdaad de conclusie die je trekt. Maar een andere manier om daarna te kijken is om je te bedenken dat de thermometer misschien wel op een plek ligt waar wij die ‘s ochtends tussen 9 en 10 in de zon ligt. En als je dat weet kijk je eens op een hele andere manier naar deze data.

Dat betekent dat het heel lastig is om echt betrouwbaar te bepalen wat de temperatuur in je huis is. Want als die het ene moment in de zon ligt en andere moment in de schaduw heb je geen idee wat eigenlijk nu de echte temperatuur is. En stel dat je geautomatiseerd de verwarming hebt gekoppeld aan deze thermometer, dan gaat de verwarming uit. Geen wonder dat je vrouw het koud heeft!

Vertrouwen in de beslissing is vertrouwen op de data

Wat je natuurlijk kunt doen is de thermometer verplaatsen. Verplaatsen naar een plek zodat deze altijd in de schaduw ligt, zodat je veel beter de temperatuur kunt meten.

We zien dat de manier waarop data verzameld is een grote impact heeft op de betrouwbaarheid. Stel, je doet een klanttevredenheidsonderzoek en alleen de klanten die daadwerkelijk tevreden zijn invullen dat onderzoek in. De hoge score die je dan behaalt zegt dan eigenlijk niet zoveel. Ja het is leuk marketingmateriaal en je kan het leuk schreeuwen dat je een score 9 hebt, maar als je organisatie echt wil verbeteren heb je hier helemaal niets aan. Hoeveel mensen vullen eigenlijk het onderzoek in?

Hoe meer je geautomatiseerd belissingen neemt, hoe meer je moet vertrouwen op de data. En weet jij eigenlijk hoe betrouwbaar jouw data is? Als je een voorspelling algoritme gebruikt, als je een beslissing algoritme gebruikt moet je er 100% zeker van zijn dat de data die erin stopt ook betrouwbaar is.

En juist dat is een grote uitdaging. Want eigenlijk is niet alle data 100% betrouwbaar. Zeker niet wanneer we het hebben over mensen.

Zelf beslissingen nemen

Het mooie van zelf beslissingen nemen op basis van data is dat je de data gebruikt om het ‘waarom’ van je beslissing te onderbouwen. Je kunt jouw beslissing beter uitleggen aan de hand van de grafieken. Je hebt sneller door wanneer data niet lijkt te kloppen en kan hier op bijsturen en controleren wat er precies aan de hand is.

Als je erover nadenkt van data een hele mooie manier zijn om een extra inzicht te geven over waar je staat bent om een extra beeld te geven over de huidige situatie. Te doen over hoe het er uitziet als je alleen maar naar de data kijkt over een jaar over 2 jaar bent.

Maar het is gewoon heel erg belangrijk dat we met zijn allen na blijven denken. Het is belangrijk dat we weten waarom we bepaalde beslissing nemen waarom neemt een algoritme een bepaalde beslissing. Waarom neem jij een bepaalde beslissing?

Staar niet blind op de data en wees altijd (positief) kritisch op wat je ziet. Maar gebruik de data ook om kritisch te zijn naar jezelf. Door verschillende factoren af te wegen, naast elkaar te leggen en te overleggen met elkaar krijg je een veel beter beeld. Op basis van dit beeld kunnen we bepalen wat je nu echt wil gaan doen.

Hoeveel vertrouwen leg jij in de data? Hoe maak jij eigen beslissingen?

Kunnen jullie met zijn allen het gesprek aan gaan als je kijkt naar een interactief dashboard? Worden rapporten al onderbouwd met informatie, zodat de reden van een beslissing duidelijk is? Hoelang duurt het bij jullie voordat je weet hoe het er eigenlijk voor staat?

Data kan enorm helpen bij het maken van de juiste beslissing, maar moeten vooral zelf na blijven denken.

Elke twee weken een cadeautje in je mailbox?

Onze nieuwsbrief helpt je om beter met data om te gaan, door tips de geven die je direct kunt inzetten. Precies op de manier zoals je dat van ons geweld bent. Simpel, effectief en met een vleugje humor.