Tijdens het afgelopen college van de leergang Digitale Transformatie presenteerde ik mijn visie op de toekomst van de HAN: van een diplomafabriek naar een levend, regeneratief ecosysteem. Hierover meer in een volgende blog. Maar hoe vertaal je zo’n ambitie naar de dagelijkse praktijk? Marco Derksen nam ons mee in het onderwerp datagedreven werken—niet als doel op zich, maar als middel om écht klantgericht (of beter: mensgericht) te worden. Wat betekent datagedreven werken echt, en hoe we het kunnen inzetten zonder in de valkuilen van ‘koude’ cijfers en silo’s te trappen.
1. Waarom datagedreven werken? (Maar begin met de ‘waarom’) Marco’s definitie: systematisch verzamelen, analyseren en gebruiken van data om besluitvorming te verbeteren, processen te optimaliseren en strategische keuzes te maken. Klinkt logisch, maar de echte vraag is: welk probleem los je op? Of: welke kans grijp je? Te vaak verzamelen we data omdat we denken dat we het moeten doen, of omdat we in silo’s werken. Maar zoals Geert Teisman (TNO) al aantoonde: complexe problemen—zoals die van ‘probleemgezinnen’—vragen om een systeemblik, niet om losse datasets.
Voorbeeld: Stel, we meten het studie-succes van studenten. Maar als we alleen kijken naar cijfers en niet naar de context (bijv. mentale gezondheid, financiële stress), missen we de echte inzichten. Data moet ons helpen om relaties te begrijpen, niet alleen om processen te optimaliseren.
Boekentip: In The Moon and the Ghetto (Richard R. Nelson, 1977) wordt het verschil tussen ‘gecompliceerd’ en ‘complex’ helder: een raket naar de maan is gecompliceerd, maar voorspelbaar. Een ecosysteem is complex—en vraagt om een andere aanpak.
2. Wat meten we? (En wat meten we níét?) Het Gartner Analytic Ascendancy Model laat zien hoe we van beschrijvende (‘wat is er gebeurd?’) naar voorschrijvende analyse (‘wat moeten we doen?’) kunnen groeien. Maar elke stap brengt ethische vragen met zich mee. Denk aan Clearview AI, dat gezichten scant zonder toestemming, of de toeslagenaffaire, waar regels en data menselijkheid verdrongen.
Nora Bateson’s ‘warme data’ is hier cruciaal: niet alles wat meetbaar is, is waardevol. Soms gaat het om de relatie—zoals tussen een moeder en kind—waar geen dataset recht aan doet. Bij de HAN betekent dit: data moet dienen, niet sturen.
Vraag voor het onderwijs: Als we studenten volgen met data (learning analytics), hoe voorkomen we dat we ze reduceren tot nummers?
3. Hoe doen we het? (Met digitale soevereiniteit en geletterdheid) Alexander van Deursen’s onderzoek naar digitale vaardigheden toont: niet iedereen kan even goed omgaan met data. Dus voordat we ‘datagedreven’ roepen, moeten we investeren in digitale geletterdheid—voor docenten, studenten, en medewerkers. En: wat doen we zelf, en wat besteden we uit? Digitale soevereiniteit is niet alleen een technisch vraagstuk, maar een moreel kompas.
Bij de HAN hebben we een aantal jaren geleden de ontwikkeling van digi- en datavaardigheid (incl. AI geletterdheid) bij studenten en medewerkers als strategisch doel gesteld (DDV). We werken hieraan door een studentprofiel DDV, waarmee onze opleidingen nieuw onderwijs ontwikkelen en een medewerkersprofiel DDV waarvoor we passende professionalisering aanbieden.
Concrete stap: Begin met een Data Gedreven Innovatie Canvas (Tom Pots):
- Waarom? (Bijv.: ‘We willen studenten beter ondersteunen’)
- Wat? (Bijv.: ‘We meten betrokkenheid, niet alleen cijfers’)
- Hoe? (Bijv.: ‘Met transparante algoritmes en menselijke checks’)
Call to action: Wat is jouw ervaring met datagedreven werken? Waar zie jij kansen—of valkuilen? Deel het in de comments!
Leave a Reply