Het handige Wmo voorspelmodel: snel kunnen bijsturen

door: Koen Enneking

Begin 2022 is door de VNG het Wmo voorspelmodel landelijk beschikbaar gesteld. (1) Dit model, dat door de gemeente Den Haag is ontwikkeld, voorspelt op gemeente- en wijkniveau het gebruik van de Wmo. Wat was de aanleiding voor de ontwikkeling van het Wmo voorspelmodel? Hoe werkt het precies? En wat zijn de gevaren van dergelijke vormen van van datagestuurd werken? Een gesprek met projectmanager Michiel Deerenberg.

Gemiddelde leesduur: 10 minuten

Michiel Deerenberg was als projectmanager bij de gemeente Den Haag verantwoordelijk voor de realisatie van het Wmo voorspelmodel. Met de geleerde lessen uit dat project heeft hij vervolgens voor dezelfde gemeente het Jeugdzorg voorspelmodel gelanceerd. Deerenberg is daarnaast Senior Manager Data & Analytics bij DXA – Data & Analytics.

Kun je in het kort uitleggen wat het Wmo voorspelmodel precies inhoudt? 'Het Wmo voorspelmodel voorspelt voor een gemeente en haar wijken voor de komende vijf jaar de ontwikkeling van het Wmo-gebruik. Dit is onderverdeeld in vier grove hoofdproductgroepen: Huishoudelijke hulp, Begeleiding en dagbesteding, Vervoers-, Woon- en Rolstoelvoorzieningen en Totaal Wmo gebruik. Voor deze productgroepen voorspellen we vijf jaar vooruit en kun je in de trends zien wat er gaat gebeuren en hoeveel vraag er in de stad is. Dat is zeer waardevol, omdat je daarmee grip krijgt op het vraagstuk: is de Wmo over vijf jaar nog wel te betalen en hoe kunnen we de beschikbare middelen het beste benutten? Als de begroting niet in overeenstemming is met de vraag, dan klopt dat niet meer. Daarnaast biedt het model inzicht op wijkniveau. Dat stelt de gemeente in staat om zich zo te organiseren dat er een optimale aansluiting van middelen en mensen op de vraag ontstaat. Stel dat in een bepaald stadsdeel de vraag naar Wmo-voorzieningen afneemt, maar in een ander stadsdeel toeneemt. Dan is het logisch om bijvoorbeeld Wmo-consulenten op andere plekken in de stad in te zetten.'

Wat was de aanleiding voor de ontwikkeling van het Wmo voorspelmodel? 'Aan de basis van dit project stond de onderliggende wens bij de beleidsafdeling (beleidsmedewerkers en directeur) van de gemeente Den Haag om met big data – ‘het nieuwe goud’ – de Wmo te verbeteren. Dat was de intentie. Bij de gemeente werken allemaal mensen die zo goed mogelijk werk willen doen, en op een zo goed mogelijke manier. Wat kan big data voor ons betekenen? Vrij snel na de decentralisaties in 2015 werd er binnen de gemeente Den Haag direct gekeken naar manieren om de uitvoering van de Wmo te innoveren. Er werden meerdere projecten gestart, maar die leverden uiteindelijk niet zoveel op. Omdat ik van huis uit project- en programmamanager in de datahoek ben, zei ik: ‘laat mij maar zo’n project doen, want ik denk dat ik het wel snap.’ Dat project heb ik eind 2017 in mijn handen gekregen en vanaf begin 2018 was ik verantwoordelijk voor het uiteindelijke Wmo-project. Maar tijdens dat project – medio 2018 – ontstonden er door de Wmo-kosten enorme tekorten op de begroting van de gemeente Den Haag. Dat ging echt om tientallen miljoenen per jaar. Naast het innoveren van de Wmo, ging het toen ineens ook over hoe we deze voorziening over vijf jaar nog konden blijven betalen. Eenmalig een tekort van zestien miljoen valt nog te overzien, maar hoe gaat dat over vijf jaar? Als die lijn was doorgezet, dan zou het onbetaalbaar zijn geworden. De eerste onderzoeksvraag die daaruit volgde was: kunnen we voorspellen hoeveel middelen we nodig hebben om ook over vijf jaar de Wmo te kunnen betalen? Daar zijn we toen mee aan de slag gegaan, en let wel: de jaren 2017/2018 was de experimentele fase. Het was toen nog niet de bedoeling om een operationeel, werkend voorspelmodel te maken. Het was vooral bedoeld om te leren van elkaar: wat doe je met zo’n project? Wat voor waarde kan het toevoegen? Wat voor data en technologie hebben we daarvoor nodig? Hoe werkt dat eigenlijk? Dat was het idee. In deze fase kwamen we er al heel snel achter dat we met de dataverzamelingen behoorlijk accuraat voorspellingen voor andere gemeenten in het hele land konden doen. Hierdoor ontstond al snel het idee om het project op te schalen en er echt een groot programma van te maken. Eind 2018 zijn we naar de VNG gegaan met de boodschap: ‘volgens mij hebben wij iets wat jullie zouden moeten opschalen. Willen jullie meedoen?’ Zij reageerden enthousiast en hebben uiteindelijk de resources en hun netwerk ingeschakeld. Vanaf toen hebben wij vanuit de gemeente Den Haag het model gerealiseerd, maar wel met de bedoeling om het model eind 2020 over te dragen aan de VNG. Vervolgens werd het model door de VNG doorontwikkeld en beschikbaar gesteld aan de rest van Nederland. En dat is gelukt.' Wat maakt het Wmo voorspelmodel zo succesvol? 'In de eerste jaren van mijn carrière was ik vooral betrokken bij Business intelligence. Dat is ouderwets reporting: data ophalen, een lijst en dashboard maken, een scorekaart opleveren, en weer door naar de volgende klus. Maar het probleem is: daar kun je lastig een business case voor maken, want hoe reken je uit wat een HR-dashboard je nou precies oplevert? Met voorspelmodellen is dat anders. Daarmee kan worden uitgerekend hoeveel miljoenen het meer of minder gaat kosten wanneer er niet wordt bijgestuurd. En dat is heel interessant voor bestuurders. De gemeente Den Haag geeft in een coalitieperiode van vier jaar ruim 1 miljard euro uit aan de Wmo. Als er bij de coalitieonderhandelingen 6 procent naast wordt begroot, dan heeft het college van burgemeester en wethouders aan het einde van de rit een tekort van 60 miljoen euro. Daar zit dus de business case. Als gemeente wil je je inwoners zo goed mogelijk helpen en de beschikbare middelen zo effectief mogelijk inzetten en dan is het fijn als je grip krijgt. En omdat we die haalbaarheidsstudie zo scherp hadden – en omdat de gemeente Den Haag miljoenen per jaar tekortkwam – hadden wij ook de ruimte om het project heel goed neer te zetten.'

"Zie het als een weerbericht: als je ziet dat het vanmiddag gaat regenen, kun je daar niets aan doen. Maar je kunt er wel op voorbereid zijn dat het gaat regenen"

Hoe ging die opzet precies in z’n werk? 'Wat misschien wel goed is om te zeggen: het model voorspelt dus niet: persoon A heeft over drie jaar wel/niet een traplift nodig. Het model doet, kortom, geen voorspelling op individueel niveau, want dat is herleidbaar en dat mag ook helemaal niet vanuit de AVG-wetgeving. Wat het model wél doet, is het voorspellen van ontwikkelingen van trends in de vier Wmo voorziening groepen op wijkniveau. Daarbij is het natuurlijk wel van belang dat de populatie groot genoeg is. Stel dat er bijvoorbeeld maar drie rolstoelgebruikers zijn in een bepaald stadsdeel, dan weten de bewoners dat één daarvan waarschijnlijk ome Arie is die altijd bij de Albert Heijn even een bakkie koffie zit te drinken. Het onderliggende risico op onthulling is dan te groot. Vandaar dat we daar altijd de CBS-norm van N=10 hanteren. Allereerst hebben we met een brede vertegenwoordiging nagedacht over wat we gaan onderzoeken. Dat deden we in sessies met domeinexperts die informatie bij elkaar brengen. Die data zijn we gaan verzamelen en daar hebben we een model op getraind. Het was in die fase vooral veel testen. Werkte het niet? Dan pasten we het algoritme aan. Daarna hebben we het aantal parameters zo veel mogelijk teruggeschroefd. Mensen denken bij big data en data science vaak aan vliegtuigcockpits met heel veel knopjes, maar daar kan natuurlijk geen beleidsmedewerker mee werken. Zodoende hebben we alle variabelen die maar 0,1 procent effect hadden overboord gegooid. Zo heeft de kleur van dakpannen natuurlijk echt geen invloed op het Wmo-verbruik. Op die manier hielden we een dataset over die er echt toedoet, met belangrijke informatie over: hoeveel arbeidsongeschikte mensen wonen er in een wijk? Wat voor type woningen staan daar? Hoeveel 65-plussers wonen er in een buurt? En hoeveel van wie hun partner is overleden? Dat is allemaal geen rocket science, maar dat bij elkaar brengen, dat was op dat moment nog wel een beetje rocket science.' Op welke data is het Wmo voorspelmodel gebaseerd? 'Het is een combinatie van interne en externe data. Externe data gaan vooral over de landelijke trends. Bij het voorspellen wordt rekening gehouden met zowel landelijke als lokale trends. Den Haag heeft toegang tot een CBS-microdataomgeving. Via deze omgeving konden wij landelijke details geanonimiseerd en gepseudonimiseerd opvragen en gebruiken. De op wijkniveau geaggregeerde uitkomst konden wij meenemen in onze modellen om mee te trainen. In die microdataomgeving hebben wij heel veel werk gedaan. Gemeenten leveren natuurlijk maar een paar keer per jaar aan het CBS, maar intern weten wij voor onszelf natuurlijk wel precies hoe de ontwikkeling van de Wmo gaat. Dus je combineert werkelijke uitputting met landelijke statistische gegevens om trends te extrapoleren. Het CBS biedt binnen de zogenoemde Urban Data Centers zeer afgeschermde gereguleerde onderzoeksomgevingen voor onderzoekers binnen gemeenten. Daarin kun je heel specifiek met doelbinding deelsets van de CBS-omgeving aanvragen. Zodra je daarin gewerkt hebt, moet je door de output controle. Hier controleert het CBS of datgene wat je hebt onderzocht, ook daadwerkelijk overeenkomt met de opdracht die je had. Op het moment dat je daaraan voldoet, kun je de geaggregeerde gegevens die absoluut niet te herleiden zijn gebruiken. Bij de CBS-omgeving kun je bijvoorbeeld posities ten aanzien van woningbezit, schuldontwikkeling en autobezit ophalen. Allemaal op wijkniveau. Dan kun je interessante verbanden signaleren: zien we dat wanneer in een wijk het autobezit daalt, daar ook meer taxibusjes nodig zijn?'

"Ik verwacht niet dat iedere gemeente de instrumentaria heeft om het ook zo consciëntieus te doen."

Wat is de grote meerwaarde van het Wmo voorspelmodel? 'Het heeft allereerst een efficiency verhogend effect: het zo efficiënt mogelijk inzetten van beschikbare middelen. Daarnaast is het een instrument dat goed gebruikt kan worden bij aanbestedingen. Op het moment dat een gemeente bijvoorbeeld een nieuwe partij voor het bijzonder vervoer contracteert, dan is het wel handig als je een beeld hebt van wat je logischerwijs de komende jaren mag verwachten. Maar bovenal kun je je als gemeente strategisch goed organiseren. Je kunt precies zien of je op de juiste plekken de juiste capaciteiten hebt. Bijvoorbeeld: het gebruik van scootmobiels in een dichtbebouwde wijk neemt toe. In plaats van iedereen een scootmobiel geven, zou je er dan ook voor kunnen kiezen om daar een scootmobielpool te installeren. Dan kan iedereen die deze voorziening nodig heeft er gebruik van maken. Je kunt heel scherp met dat Wmo voorspelmodel en met de historie kijken naar het effect van het aanscherpen van je intake procedures. Want het toekennen van Wmo is over het algemeen handwerk door een consulent. Doet iedere consulent dat op dezelfde manier? Er zijn stadsdelen waar iedereen gewoon een taxibus krijgt, en er zijn stadsdelen waar dat niet zo is. Wat kun je benchmarken om je gedrag te bekijken? Kun je daar dan maatregelen op nemen? Kun je beleid maken? Kun je toetsen of je in staat bent om die trend te doorbreken? Het inzicht in hoe je je goed kunt organiseren is enorm waardevol. Als je ziet dat het over vijf jaar uit de hand loopt, dan kun je nu interventies toetsen of je het kunt terugdringen. Je kunt kijken of je je beter kunt organiseren. Maar de realiteit is: mensen worden ouder, daar kun je niets aan doen. Je kunt ze moeilijk de stad uitjagen. En mensen worden arbeidsongeschikt, daar kun je ook niet echt veel aan doen. Maar als je weet dat het gaat gebeuren, overkomt het je niet en kun je je er op voorbereiden. Zie het als een weerbericht: als je ziet dat het vanmiddag gaat regenen, kun je daar niets aan doen. Maar je kunt er wel op voorbereid zijn dat het gaat regenen.'

"Met een paar ton is de transitie naar datagedreven werken onmogelijk. Wat je wel kunt doen, is starten met het goed gaan gebruiken van de beschikbare informatie die er al is, echt gaan sturen. Dat is een goede start om draagvlak te krijgen voor een grotere transitie."

Het grote voordeel van datagestuurd werken is dus dat je er efficiënter door gaat werken als publieke sector. Maar zijn er wat jou betreft de nadelen aan deze manier van werken? Waar moet je voor oppassen? 'Binnen het Wmo voorspelmodel hebben we heel zorgvuldig nagedacht over ethiek. We hebben een Privacy Impact Assessment (PIA) uitgevoerd en een ethisch assessment gedaan aan de hand van de Ethische Data Assistent (DEDA) van de Utrecht Data School. Daarnaast zijn er zeven ethische richtlijnen opgenomen in het project: het ethisch kader voor dit project. Gedurende de twee jaar dat het project liep was er een Privacy Officer (PO) bij betrokken, die bij alles naging of het wel in lijn is met de Algemene verordening gegevensbescherming (AVG). Deze professional hield constant rekening met belangrijke vragen, zoals: kunnen jullie hier een doelbinding vinden? En willen jullie dat wel? Als je het zo zorgvuldig doet, dan denk ik dat je weinig risico’s loopt. Maar ik moet hier wel een aantal voorwaardes aan toevoegen. Allereerst realiseer ik me ook wel dat een grote gemeente als Den Haag zich in de luxepositie bevindt. Het is een zege om dit soort projecten voor hele grote gemeenten te doen, want zij hebben al heel veel data en datapunten. De kans dat wij een werkend, betrouwbaar, revolutionair en statistisch relevant model konden bouwen is velen malen groter dan wanneer je dat voor een gemeente met 3.000 inwoners doet. Het is bovendien een gemeente met veel geld, en zodoende in staat om dat zorgvuldig te kunnen opzetten. Ik verwacht niet dat iedere gemeente de instrumentaria heeft om het ook zo consciëntieus te doen. Zelf woon ik een dorpje, daar werkt zo’n model ook minder goed dan voor een grote stad. Ten tweede is het van belang dat je als beleidsmedewerker weet waar je naar kijkt. Bij de implementatie van het Wmo voorspelmodel hebben we, in lijn met de Data Steward, ook een Model Steward gecreëerd. Als een soort vraagbaak sluit deze expert aan bij de sessies waarin de eindgebruikers de modellen gebruiken en bespreken. Hier gaat het echt om het duiden van de informatie. Bijvoorbeeld: wanneer de lijn van een grafiek omhoog gaat, kan de Model Steward uitleggen wat de eindgebruikers precies zien en hoe ze dat moeten interpreteren. Ook al is het een hele simpele statistiek: het blijft in de praktijk voor heel veel mensen lastig om bepaalde resultaten te verklaren. Dat hebben we dus opgelost door die Model Steward in te zetten. Tot slot is het van cruciaal belang dat een model geen geautomatiseerde zelfstandige besluiten neemt. Bij het Wmo voorspelmodel blijven mensen achter de knoppen zitten. Dit zijn allemaal voorwaarden die er niet alleen voor hebben gezorgd dat het Wmo voorspelmodel een succes is geworden, maar ook veilig is. Als de zojuist genoemde zaken niet goed zijn geregeld of niet op orde zijn, dan is datagedreven werken per definitie risicovol. En daar zit meteen ook de crux. Als je als een kleine of middelgrote gemeente een transitie naar datagedreven werken wilt maken, dan zit het allergrootste knelpunt niet zozeer in het maken van het rapport waarmee je datagedreven kunt werken: het zit hoofdzakelijk in governance, eigenaarschap, definities, datakwaliteit, wijzigingsbeleid. En dat je duidelijk voor ogen hebt hoe je het gaat toepassen. Dat gaat gepaard met grote bedragen. Met een paar ton is de transitie naar datagedreven werken onmogelijk. Wat je wel kunt doen, is starten met het goed gaan gebruiken van de beschikbare informatie die er al is, echt gaan sturen. Dat is een goede start om draagvlak te krijgen voor een grotere transitie.' Na Den Haag hebben in 2021 meer dan dertig andere gemeenten gebruik gemaakt van het Wmo voorspelmodel. Zij hebben dit verder ontwikkeld, zodat het vervolgens begin 2022 landelijk kon worden uitgerold. In de zomer van 2022 wordt het model geëvalueerd, waarbij er gekeken gaat worden naar de structurele voortzetting en eventuele aanpassingen aan het model. (2)