Modelleren doen wij iteratief, transparant en in co-creatie met de klant

Wij geloven erin dat de beste dataproducten in co-creatie met de klant tot stand komen.

Wij ontwikkelen dataproducten iteratief, transparant en in co-creatie met de klant. Zo benutten we de kennis die al in de organisatie aanwezig is en bouwen we stap voor stap toe naar een eindproduct dat werkt in de praktijk. Op deze pagina laten we zien hoe dat proces eruitziet en welke afwegingen helpen bij het kiezen van het juiste type model.

Verkennen, ontwikkelen en communiceren

In de verkennende fase voeren we enkele interviews en een documentstudie uit om tot een projectplan te komen. In het projectplan wordt de aanpak en de planning van de mijlpalen beschreven, waaronder het verzamelen en klaarmaken van data, het aanleveren van het eerst model, de gevoeligheidsanalyse, de aanpassingen aan het model en het opleveren van de (digitale) rapportage en eventuele code. Om vast te stellen welke relaties kwantitatief gemeten moeten worden helpt het vaak om in de beginfase een beleidstheorie op te stellen. Zo’n theorie beschrijft oorzaak-gevolg relaties tussen inputs, activiteiten, outputs, en korte- en langetermijn effecten.

Na de verkennende fase start de ontwikkelfase, waarbij we een eerste model ontwikkelen en die we daarna steeds verder uitbouwen. Ook dit doen we in co-creatie met de klant. Doorgaans spreken we tweewekelijks met een werkgroep af om modelkeuzes en uitkomsten te bespreken. Zo komen we iteratief, klantgericht en transparant tot het eindproduct.

We communiceren de resultaten van de data-analyse in een rapportage, presentatie en/of dashboard. Hierbij vertalen we de uitkomsten naar besluitklare inzichten voor beleid, management en bestuur. Onze adviseurs op het gebied van organisatie inrichting en veranderkunde kunnen bovendien helpen om met data-inzichten zoveel mogelijk impact te behalen, zie link.

Modelkeuze hangt af van beschikbaarheid en behoeften

Bij het kiezen van een model houden we rekening met:

• Databeschikbaarheid en -kwaliteit: Zijn er voldoende gegevens beschikbaar? En als data ontbreken, kunnen we dan leunen op expertkennis of plausibele aannames? Sommige modellen vragen gedetailleerde en actuele data, andere kunnen robuust functioneren met minder precieze input.
• Mate van onzekerheid: Willen we onzekerheden – zoals over trends in demografie, arbeidsmarkt en gedrag – expliciet zichtbaar maken in het model? Soms helpt een scenario-aanpak of (stochastische) simulatie om de mate van onzekerheid in kaart te brengen.
• Uitlegbaarheid: Het model moet niet alleen rekenkundig kloppen, maar ook uitlegbaar zijn voor beleidsmakers, bestuurders en uitvoerders. Een eenvoudiger model kan meer zeggingskracht hebben dan een geavanceerd model dat moeilijker te interpreteren is. Wij zoeken het eenvoudigste model dat al je vragen beantwoordt.
• Menselijke maat & ethiek: Is een model rechtvaardig voor verschillende groepen of zijn er risico’s op bias of (onbedoelde) discriminatie? We zetten modellen niet in voor geautomatiseerde besluitvorming zonder menselijke controle. Waar relevant voeren we passende privacy– en mensenrechtentoetsen uit.
• Gebruiksvriendelijkheid: Wordt het model eenmalig ingezet of moet het herbruikbaar zijn en door eigen medewerkers aangepast kunnen worden? De mate van herbruikbaarheid bepaalt welke software we gebruiken, welke gegevens we gebruiken, hoe we rapporteren en hoe we kennis overdragen.

De code die we ontwikkelen voldoet aan professionele standaarden, is door vier ogen gecontroleerd en kan overgedragen worden aan uw organisatie. Verschillende versies van de code houden we bij in een versiebeheersysteem, zodat we eerdere deelresultaten eenvoudig kunnen reproduceren.

Kunnen wij jouw organisatie ook helpen met een data-analyse? Neem dan gerust contact met ons op.