Webinar 'Verantwoord datagedreven werken'

Het gebruik van data voor beleid en maatschappelijke opgaven biedt grote kansen. De Interbestuurlijke Datastrategie onderstreept het belang van data, maar ook van het verantwoord gebruik ervan. Transparantie en eigenaarschap zijn nodig, bijvoorbeeld om uitleg te geven over hoe data en algoritmes worden gebruikt op de werkvloer.

Dit webinar, gehouden op 21 maart 2022, gaat concreet in op hoe verantwoord datagedreven werken er in de praktijk uitziet. Zowel voor de organisatie als voor de individuele medewerker. De sprekers Rebecca Moody en Christian Verhagen combineren de laatste inzichten uit de wetenschap met ontwikkelingen uit de praktijk en gaan in gesprek met de deelnemers aan het webinar.

Welkom allemaal bij het webinar van radio over verantwoord
dada gedreven werken.
En waar doen ze hem nog met z'n tweetjes?
Ik zal mezelf eerst even voorstellen.
Uhm, en daarna zal Andre dat zich voorstellen.
Mijn naam is gewekt.
Moeder. Ik ben werkzaam aan de Erasmus Universiteit
en ik ben onderzoeker op het snijvlak tussen ICT.
Uhm en publiek beleid.
En in die hoedanigheid zit ik hier met jullie te kijken naar wat data
dat bedrijven werken, verantwoord data, gedegen werk is
en hoe we dat kunnen bewerkstelligen.
En mijn partner in crime Christiaan.
Kan ik dat zakelijk zelf het beste voorstellen?
Dus ze laat.
Komen. Dank je het BK.
Mijn naam is uh Christiaan vragen.
Ik ben een adviseur dankzij Ben adviseur op het gebied van data.
Ik werk bij het OM closer en sous yards.
Uh en het deze geef ik samen met Rebecca les aan de Erasmus Akademie.
Uh, en ik ga je samen de wekker meenemen het komend uur en het vraagstuk van hoe
gaan we no data op een goeie verantwoorde manier inzetten.
Uh en hadden gelijk ook met de aanleiding.
Want waarom zit we hier nou samen met dit geval
en ook samen met jullie dan wel thuis?
O of ergens anders.
Dat zien we tot een gebruik van daten afgelopen.
Nou, afgelopen jaren eigenlijk al behoorlijk aan trein is gewonnen.
Overheden zetten massaal in op het gebruik van data.
De kansen nemen toe, de technologie neemt toe
en tegelijkertijd ook de vraag en de opgaven die we zien.
Als t gaat over, hoe gaan we die data op groeiende inzetten?
Nou, direct aanleiding Elis hier op het scherm ook een quote uit.
De Kamerbrief die je hoort bij de in de beslissende raad strategie is
dat we enerzijds zien dat die data enorme potentie biedt en biedt kansen.
Sterker nog, zonder die data vader we in de mist h zoals ook hier staat.
Dus gaat ook de corona uh pandemie.
Uh, aan de andere kant ja, het gebruik van data levert ook zonder risico's op
en zorgt ook voor dat we voor nu graag komen staan.
En hoe ga je daar nou op een goeie manier mee om?
Nou, ik doe nou net iets kort over de enterprise gedaan strategie,
wat een van de aanleiding ook is geweest voor uh dit webinar.
Uhm, want daar lezen we in terug.
Ja, dit is wel een grote uh opgave.
We zien aan de ene kant dat we graag data willen gebruiken,
aan de andere kant is het soms nog spannend, soms ook lastig.
Het leidt ook tot wat we dan noemen bepaalde handelingen. Gelegenheid.
Uh, wat niet lo logisch is, ook gezien de ervaringen die we hebben.
Wat houdt in in een in hoe toeslagen affaire?
Zo wordt er soms ook wel terughoudend zijn als t gaat om gebruik van data.
Niet alles kan zomaar, maar zijn we daar niet?
Uh, te terughoudend in.
Nou, de in het bestuur betaald strategie die zegt daarover we moeten
daar ook wat gesprek aan voeren en kijken hoe kunnen helpen groeien.
Verantwoorde manier daad inzetten, zowel langs de lijn tot het mag dat.
Het kan ook dat het gewenst is. Maar hoe doe je dat nou?
Dan gaat het ooit terug en weer het bekken.
Dank je wel en en ik wil iedereen vragen die meekijkt.
Uhm, hebt u een vraag?
Stel hem vooral in de chat. Dan komt die bij ons.
En dan kunnen we meteen beantwoorden zoals is niet duidelijk is
of als aan graag verduidelijking wel wat meer informatie. Een leuk voorbeeld.
Laat het vooral horen en dan kunnen wij dat meteen leveren aan m ook met uh,
als het goed laten ze hebben.
Na Christian zien we eigenlijk wat er in de data strategie staat.
A die dat staat hier.
Die hebt natuurlijk niet alleen Meylandt zien met meerdere landen
en als dat wetenschappelijk duidde kunnen wat doen
aan de hand van twee verschillende type logica's.
En dan noemen we de logica of khans, de goyens en de logic
of op Europa Rihanna's.
Nou, wat betekent dat nou aan die Logic of Khan sequence?
Dat betekent eigenlijk het moet kunnen,
dus je moet dadelijk al even willen werken als het kan en kunnen betekent.
Technisch kunnen dus je moet de data hebben, je moet de infrastructuur hebben
en maar moet ook betekenen hij moet kunnen als en dat moet werken.
Dus je moet er iets zinnigs mee kunnen doen.
Je moet er iets aan hebben.
Dus alleen maar data gedreven willen werken
omdat er nou eenmaal hip is of omdat dat leuk is of omdat het hoort.
Dat is niet de bedoeling. We moeten wel bijdragen aan iets.
En het geval van een publieke sector is het uiteraard de publieke zaak.
Dat is trots. Of. We hebben ook nog de Logic of Proper Janes.
En dat betekent dat het moet mogen.
En ook dat is een heel breed begrip.
Ons vermogen betekent hier rem.
Niet alleen mag het volgens de wet,
dus mag je data op een bepaalde manier inzamelen, mag je data
op een bepaalde manier gebruiken en heb je vaak te maken met de AVG.
Maar dan gaat het ook over andere,
misschien bovenwettelijke ethische overwegingen.
Dus ze moet passen.
Hij past hem bij de dingen die wij correct vinden,
die wij normatief goed vinden en die wij willen in onze samenleving.
En dat is niet n twee drie die beantwoorden.
En dat is een discussie die ook kan veranderen met de tijd.
Wat we vandaag ook vinden vinden we over twee jaar misschien niet ok.
Ook afhankelijk van technologische mogelijkheden,
maar kan ook verschillen per veld.
Want het ene veld harstikke acceptabel is, is dat misschien
in een ander veld helemaal niet.
Dus dat zijn eigenlijk de belangrijke vragen die vooraf gesteld moeten worden.
Kanhet. Dus is het mogelijk.
Er draagt ergens aan bij en mag het zowel in de wettelijke zin
als ook een ethische zin van we passen bij de casus.
Nou, als dat allemaal zo is, dan komen eigenlijk op.
Wat is nou verantwoord data gedreven werken?
En dan is dat dus een set aan handelingen.
Dus dat de integrale afweging die je maakt van alle mogelijke consequenties
die dat data gedreven werk met zich mee neemt,
zowel positief als negatief h dus.
Een goeie dingen zijn er ook risico's aan verbonden zijn
en wat die betekenen voor publieke waarden?
H Want we zijn natuurlijk alsnog bezig met publieke zaak,
dus moet iets bijdragen aan kwieke waarden.
Doet het dat, dan is dat mooi.
Doet het dat niet, dan moet je gaan heroverwegen.
En dat is dan wat wij noemen verantwoord data gedreven werken op moment
dat we weten wat wij daarmee bedoelen.
Uh vandaag kom natuurlijk de volgende vraag
en dat is hoe gaan we dat dan doen?
Hoe kom je dan tot data gedreven werken op een verantwoorde manier?
En wat willen jullie? Da's aan een hele hoop.
Een hele hoop zaken daaraan bijdragen.
Maar wat wil jullie graag meenemen in de komende x minuten?
En naar drie dingen die eigenlijk cruciaal zijn
om dit op een verantwoorde manier te kunnen doen.
Uh, de allereerste van die drie is wat we noemen.
Transparantie en transparantie
wordt voor heel veel verschillende concepten gebruikt.
Hij we zien vaak dat het gebruikt wordt als synoniem voor openheid.
Dan gaat het om communiceren van beleid met die burger,
dat die burger weet waar we mee bezig zijn,
wat we doen in afwijkingen aan m.
Maar dat is niet wat er hier bedoelen.
Maar we hier bedoelen gaan om transparantie van het beleids veld zelf.
Op moment dus binnen het vraagstuk.
En op een moment dat we bezig zijn kunnen we in wetenschappelijke termen
die transparantie onderverdelen in drie zaken,
namelijk internationele transparantie, analytische transparantie
en interpretatieve transparantie.
En wat die inhouden vertel ik zo.
Wat belangrijk is om daarbij te weten is dat die drie in elkaar overlopen.
Dus je begint met informatie naar de transparantie
en naarmate je daar meer van krijgt, ontwikkel je analytische transparantie
en hoe meer analytische transparantie je krijgt.
En anders ga je steeds stapje verder.
Dan krijg je uiteindelijk integratie van transparantie en pure integratie.
Van transparantie is een droombeeld dus niet heel realistisch
dat je dat op korte termijn gaat bereiken.
Maar dat is ook niet erg. Het is iets wat we nastreven
en we zien ook dat eigenlijk elke data oplossing streeft
naar een zo hoog mogelijke vorm van transparantie.
Dus uiteindelijk die integratie?
Nou, wat betekent dat nou?
Internationele transparantie betekent eigenlijk dat je informatie hebt
over je eigen vraagstuk, dus jouw vraagstuk is voor jezelf.
Als beleidsmaker transparant en Christine komt eindelijk
een groot voorbeeld, wat ook met blijdschap duidelijk te maken heeft.
Ik zal even komen met een wat simpele voorbeeld,
zodat iedereen weet wat we bedoelen met t echt.
Nou, internationaal betekent dus dat je weet waar het over gaat.
Stel je nou voor, je zou het willen hebben op. Voor het klimaat.
Dan zou je kunnen zeggen nou, het is vandaag 16 graden
en toen ik naar buiten liep, toen voelde ik wel dat wel 16 graden.
De soms komt dat wel en dat is information dan transparantie.
Als ik dan ook nog de windkracht zou eten, dat is twee am,
dan heb ik nog meer informatie naar de transparantie.
Dan weet ik dus al een hele hoop over het weer van vandaag.
Dat is kleiner dan het klimaat, maar dat weet ik al.
Ik weet ook dat niet. Dreigend, dat weet ik al drie dingen,
dus heb ik steeds meer informatiepanelen.
Transparantie. Wat wil dit zeggen?
Dat ik mijn veld, mijn domein waar ik nu mee bezig ben,
dus het wereld heb tomaat kan beschrijven hoe meer ik daar over weet,
hoe analytisch dat ik transparantie bracht.
Dat betekent dat er meer dingen bijkomen die belangrijk zijn,
waardoor ik het probleem klimaatprobleem van verschillende kanten kan bekijken.
Ik wil dus bijvoorbeeld niet alleen weten wat voor werd vandaag is,
maar ook welk weer het gisteren was en welk we er volgend jaar los.
En wat de temperatuur tien jaar geleden was of twintig jaar geleden
of honderd jaar geleden, of misschien wel 200 jaar geleden.
En dat wil ik niet alleen weten op deze locatie,
maar dat wil ik ook weten.
In Londen, in Parijs, in Tokio.
En ik krijg dus steeds meer informatie over dat klimaat.
En dan ben ik analytisch transparant, want dan kan ik vergelijkingen maken.
Vergelijkingen, de tijd, vergelijkingen, locatie.
Dan kun je dus dat probleem op klimaat
of warm weer van verschillende kanten gaan bekijken.
En dat is wat we analytische transparantie noemen.
We zijn dus niet alleen maar aan het beschrijven.
We zijn dan ook aan het vergelijken.
Stap verder is die interactieve transparantie.
En dat betekent dat je dan nog meer data bijhoudt
die niet meteen te maken heeft met het vraagstuk zelf.
Want als we over klimaat praten, praat natuurlijk
niet alleen maar over het weer.
We praten dan bijvoorbeeld ook over aan uitstoot.
We praten ook over luchtkwaliteit.
Met al die verschillende zaken nemen we mee
om een hele totaalplaatje te krijgen van de situatie.
Klimaat dus.
Je neemt dan mee hoeveel uitstoot?
Dat heeft ook te maken met hoe.
Wat is de bebouwing?
Wat is het autobezit?
Hoeveel wegen zijn er?
Welke fabrieken staat er?
Wat stoten die uit?
Hoe schoon zijn die, enzoverder.
En dan hebben we eigenlijk een compleet plaatje over.
Het klimaat is natuurlijk heel moeilijk te bereiken,
want bij elk beleid veld kun je natuurlijk steeds verder uitwaaieren
met allerlei dingen die relevant zouden kunnen zijn.
Maar dat is wel vaak het doel van de meeste data oplossingen van
later nou zo veel mogelijk aspecten in zo'n data oplossing gooien,
zodat we transparantie hebben over het hele probleem.
En dat zijn dus drie vormen van transparantie.
Christian heeft een heel mooi voorbeeld voor jullie,
dus ik geef graag het woord terug aan jou.
Ja, dank je wel. Uh, want werd het over het klimaat?
Ga ik jullie meenemen in de leefbaarheid?
Hebben afgelopen week verkiezingen had.
T Is een deelgemeente gaan over de leefbaarheid in de gemeente.
Maar wat is het nou eigenlijk?
En we hebben afgelopen jaar heb ik zo een bijdrage mogen leveren
voor de gemeente Den Haag.
Geprobeerd om dat inzicht eens te creren en exact als Becca aangeeft is
dat een samenspel van heel veel indicatoren.
Uh, ik nodig die graag uit om.
Uh, dit gaat naar de leefbaarheid cq.
Als een uh als je eigen bubbel beweeg je vanzelf
en de gemeente Den Haag liever de nu overigens.
Maar uh na afloop van het webinar,
dan vind je een mooie visualisatie van niet heel veel indicatoren terug
die gaan over de veiligheid in een bepaalde wijk.
Die gaan over sociale cohesie, je gaan over het voorzieningenniveau.
Die gaan ook over uh, de bewoners.
Wie wonen dat eigenlijk in de wijk? En dat de samen?
Dat vormt een beeld van wat we aan de leefbaarheid noemen.
Maar om daar te komen hebben we keuzes moeten maken.
Keuzes moeten maken die gaan over welke indicatoren nemen mee
en welke nemen we niet mee?
Uhm, hoe definiëren we die indicatoren?
Bijvoorbeeld als we kijken naar de samenstelling van uh t aantal bewoners
in de wijk en kijk naar t onderscheid tussen westers en niet westers.
Op basis van de CBS definitie.
Uhm, dan zien we
dat daar, uh ja soms lastige vraagstukken uit naar voren komen.
Hoe gaan we daarmee om? Ze derde is ook het meest belangrijk.
Hoe gaan we om basis van de data die we bij elkaar gebracht?
Opstal was er integraal vraagt, zegt Noemen.
We realiseren ons tot het eigenlijk niet kan wat er BACnet terecht zegt.
Je kunt niet alle aspecten tezamen uh, altijd terugbrengen tot harde data.
Maar hoe ga je bijvoorbeeld uit die data die juist inzicht te halen?
En hoe kom ik tot die is t ook juist of echt niet juist actie?
Nou, op het scherm zie jullie een een voorbeeld een plaatje.
En dan is een uh grafiek die komt uit de lucht barometer en als een product.
Binnenlandse zaken, onder andere waarin periodiek wordt onderzocht hoeft
hangt nauw met leefbaarheid in Nederland, in in wijken en steden.
Uhm en daar wordt onderzoek gedaan.
Kijk naar welke data hebben eigenlijk voor handen
en hoe verhoudt zich dat tot wat we dan leefbaarheid noemen?
H babbelt quotes.
Als je kijkt naar de data, dan dan uh.
Naar wat mij dan opvalt en ik ga, dan ga ik naar de oud leiders.
Want wat valt me daar op?
En dan zie ik aantal uh rode uitschieters daarin.
Dan zou je al heel snel kunnen concluderen tot.
Uhm uh.
In dit geval wijken waar met name niet waar zich veel migranten wonen,
dat daar een lagere leefbaarheid is.
En uh, vanuit die conclusie heel snel de stap trekken naar OK.
Dan gaan we daar beleid op maken, terwijl
je eigenlijk in dit geval eigenlijk niet zo eenvoudig voor elkaar had,
namelijk correlatie causaliteit.
Het feit dat in dit geval veel migranten wonen in deze wijk
waar de leefbaarheid net laag is.
Betekent niet dat de twee met elkaar te maken hebben,
maar het vraagt wel iets van de in dit geval van de gemeente
en van de ambtenaar die met die daar aan de slag is.
Dus t gaat niet alleen over, ook data brengen bij elkaar.
En hoe definieert Dodie maar hoe ga je daar vervolgens ook
op een goeie manier beleid van maken?
Hoe kom je nou dat wijd data gedreven beleid?
En wat we zien is hoe dat een belangrijk samenspel moet zijn
om enerzijds wat er aan dit moment en lelijk wordt,
de business, de mens die eigenlijk inhoudelijk heel dicht bij de blijft
zijn betrokken zijn en anderzijds de mensen die ook goed kunnen duiden.
Wat betekent die data nou?
Wat betekent het nou?
Uh, als deze definitie hier staat westers of niet westers?
Die twee bij elkaar brengen.
Dat is cruciaal om het uit te komen tot een integrale afweging over.
Gaan we die data gebruiken en hoe gaan we dat nou doen?
Daar mag het niet weggeven van jouw bekken.
Over het samenbrengen van die twee werelden.
Precies dankuwel aan.
En dat brengt ons ook meteen tot het tweede punt dat we willen maken.
We hebben net gezegd we hebben drie dingen.
Die heb je nodig om verantwoord daten,
gedreven te werken aan jouw erts en zus om een goeie transparantie te hebben.
Je moet weten waar je probleem overgaat,
niet alleen je beleids probleem of je beleid zelf beschrijven,
maar ook daar een een een complete set van informatie over hebben.
Om ons gaat het niet lukken en zal je onverantwoorde keuzes maken.
Tweede wat je daar voor nodig hebt is
wat we binnen het wetenschappelijke ICT element noemen. Wat is dat nou?
En om dat uit te kunnen leggen aan M moet je denken aan een arena,
een arena waarin gevochten wordt maar ook gespeeld kan worden.
Nou, traditioneel heb je twee van die arena's.
Denk de arena van de Ice Day en de datum en de arena van het beleid,
dus de inhoud. Wat gebeurt er nou in zo'n arena
en maakt niet uit welke dat gebeurt in alle arena's?
Er zijn verschillende personen in zo'n arena.
Die hebben verschillende ideeën.
Verschillende belangen aan verschillende problemen ook
en ook misschien verschillende oplossingen voor die problemen.
En in die arena wisselen al die mensen die al zitten die
met u informatie met elkaar uit aan.
Die bemoeien zich met elkaar.
Die proberen hun oplossing naar voren te duwen
en die proberen het zo goed mogelijk te doen voor hun achterban.
Hoe Word wordt bezit in die twee arena's?
Dus je hebt er eind voor de iets twee en eind voor beleidsterreinen.
In de Ice-T Arena wordt eigenlijk de data oplossing ontwikkelt.
Dus daar is eigenlijk het begin van al t data gedreven werken staan ontwikkelen daar een oplossing.
Dus vragen als welke data gaan we precies gebruiken?
Op welke manier gaan we die data aan elkaar koppelen
en hoe gaan we dat wegen?
Hoe gaan we dat visualiseren?
Zo we dat straks ook uit kunnen leggen aan de mensen, aan de inhoud.
En al dat soort keuzes worden in zo'n arena gemaakt.
En d'r zijn allerlei afwegingen.
En je zou kunnen zeggen van nou, sommige data gebruiken we niet,
want die is bijvoorbeeld kwalitatief niet goed.
Aan sommige data gebruiken we uh wel.
Die lijkt misschien niet belangrijk,
maar dan kunnen we misschien toch wat mee,
want we hebben nou eenmaal een leuke dataset.
Dus al die keuzes wonen in die.
Is het arena gemaakt in die beleidsterreinen,
dan zien we wat anders.
En daar zie je dat keuzes gemaakt worden met betrekking tot beleid.
Dus maar dat ik d'r even werken zie dat die informatie
die voortvloeit uit die data in de beleidsterreinen terechtkomt.
En daar wordt dus keuzes gemaakt.
Nou en wat moeten we hiermee wel?
Welke informatie ga ik gebruiken?
Hoe ga ik die gebruiken
en hoe resulteert dat vervolgens in een nieuw beleid?
Of hoe evalueer ik beleid daarmee?
Of hoe agent Dirk een beleidskeuze.
Dat is de klassieke situatie, dus je hebt een arena,
wat gaat over de iets te inderdaad keuzes en een arena waar
op basis van die informatie mensen naar elkaar gaan kijken van hoe houding
en gebruiken voor beleid na die twee.
En dat hier komt het altijd met, want die moeten in elkaar versmelten.
En op het moment dat dat niet gebeurt gaat het over het algemeen gewoon
helemaal mis.
Op een moment dat die twee gescheiden zijn van elkaar
en die mensen in die ene arena niet communiceren met die mensen.
In die andere arena ga je een hele hoop verschillende risico's lopen
en ik denk dat iedereen het verhaal wel herkent,
ongeacht in welke arena je zelf misschien zit.
En je ziet wel eens dat er iets door IS.
Deed dacht wordt wat bij de inhoud mensen denken van ja,
wat hebben we daar nou aan?
Dit hebben wij eigenlijk helemaal niet nodig,
met als gevolg dat iets gewoon niet gebruikt wordt.
Dat kan een prachtige oplossing zijn,
maar als mensen denken we hebben niet nodig is er gewoon geen vraag naar
en wordt het niet gebruikt.
De stad is al een risico risico op niet gebruiken.
En een ander risico is een voorbeeld dat mensen bij die ziet denken
Nou, we hebben alles mooi daar en laten we die dan ook maar in fietsen
en er komen hele mooi uit.
Komt ze uit aan en tot de mensen aan de inhoud.
Kant eigenlijk niet precies begrijpen wat er nou gebeurd is met die data
en dat zij de informatie daaruit voortvloeit.
Verkeerd interpreteren.
Dat gaat natuurlijk ook mis,
want dan gebruik je de informatie voor je beleid niet op de goeie manier.
Het zou ook kunnen en dat gebeurt ook relatief vaak.
Excuses dat uhm.
Dat dingen in standaard en oplossen gezet worden.
En dan kom ik trunk. Die las ik af voor prinses Mabel.
We vinden dat dat eigenlijk misschien niet zou moeten kunnen
en er zijn situaties denkbaar en ook gebeurd waar achteraf gezegd werd.
Nou, deze zaken hadden daar eigenlijk niet in mogen komen.
H op t moment dat je ziet op bijvoorbeeld afkomst
en die staat of nationaliteit een voorspeller wordt en vinden we dat
vaak in sommige gevallen als samenleving helemaal niet correct.
Maar als die mensen aan de kant van de inhoud niet weten
dat dergelijke data in de iets der op ons in gestopt zijn,
kunnen ze daar ook niet tegen ageren.
Dus wat je ziet is op het moment
dat die twee arena's gescheiden blijven gaat het fout.
Het gaat ook vaak de andere kant fout op
dat je ziet dat de inhoud mensen eigenlijk niet zo goed weten
welke vraag ze moeten stellen aan de ik ste of de data mensen.
Dus tot eigenlijk ook een gewenste oplossing er gewoon niet komt.
En die twee arena's, die moeten dus een soort van samensmelten op moment
dat die in elkaar overlopen en men met elkaar die discussie aan kan gaan.
Vanaf het begin zie je dus eigenlijk dat het veel beter loopt om data gedreven
en ook een verantwoorde manier in data gedreven te gaan merken wat je ziet,
dan dat het mogelijk wordt om al dit soort ethische vraagstukken,
maar ook inhoud vraagstukken te gaan beantwoorden.
En ook dat de mensen aan de kant van Ice-T beter weten wat er gevraagd wordt,
wat de bedoeling is en ook wat er van hen verwacht is
en actief bij kunnen dragen met nieuwe oplossingen
voor inhoudelijke beleidsvorming.
En dat is eigenlijk wat langer betekent en dat moet dan ook dus lukken.
En het is belangrijk om dat van begin af aan te doen.
Dus zowel in het ontwikkelen van die data oplossing,
want dan kan meegedacht worden.
Over welke data moet erin welke data moet
en niet in een op het moment dat beleid gemaakt wordt?
Hoe kunnen wij dit goed gebruiken om beleid te maken?
Hoe kunnen we uitkomsten op de correcte manier interpreteren?
Hoe kunnen we dat ook legitimeren?
Hoe kunnen we dat aan de burger laten zien?
Maar ook bij het evalueren dus dus belangrijk dat die mensen samensmelten
en dat er samen naast m inzit.
Hij oplossing gaat ook hier.
Want jullie hebben waarschijnlijk wel door hoe het ingedeeld hebben.
Gestructureerd ook hier in Kazan. Mooi voorbeeld dus.
Ik geef jou zover terug. Ja, dank je wel.
Uh, ga k je meenemen want nou lijmen het samensmelten van die twee arena's.
Wat is daar nou voor nodig?
Nou naar het lange antwoord.
Daar is eigenlijk meer voor nodig dan wij kunnen vertellen in een en uur.
We hebben alle tijd zo.
Kijk ons eventjes tot er wat te doen met het de gouverneur.
Hoe ga je nou zorgen tot die vraagstukken
die net terecht geadresseerd worden als t gaat over ja,
die vertaling maken h dus je vertaling.
Enerzijds vanuit de inhoud.
Wat wil ik nou eigenlijk weten?
Welke data hebben of nodig, welke indicatoren nemen wel mee,
welke niet waar is.
Dus wat hebben we beschikbaar?
Dat we die goed samenbrengen dus leidend gaat in die zin
over het samenbrengen van data en de gebruiker als zou ik tussen beleid
en dus uitvoering en hoe gaan we dat maar doen?
Nou, ik zei al wanneer jullie mij nu in één onderdeel,
namelijk de governance.
Uh, hoe zorgen ervoor dat de juiste rollen op het juiste uh
moment actief worden zodat je die data ook beschikbaar krijgt?
Dat ik die zaken ook op een goeie manier kunt gaan gebruiken.
Nou, data gedreven of verantwoord data gedreven werken.
Dat gaat over het maken van keuzes.
Het gaat ook over het maken van een integrale afweging op basis van
die vragen, de consequenties, de koop je dus, het kunnen, het mogen.
Maar de belangrijke vraag is ook wie maakt uiteindelijk die beslissing?
Wie is het eigenlijk ook verantwoordelijk?
Want we hebben een heel scala aan allerlei handvatten beschikbaar als t
gaat over bijvoorbeeld data ethiek die gaan over normen die gaan
over hoe we uh kijken naar ontwerpers algoritmes.
Maar de hamvraag is altijd wie is uiteindelijk de verantwoordelijke
binnen organisatie die op de rooie knop kan drukken die de boel op kan zetten?
En dat is vaak nogal eens een moeilijke vraag.
Uh, ook omdat de vraag daarmee samenhangt.
Wie is dan vervolgens eigenaar van die data?
Uh, of wie gaat uiteindelijk ook of wil de organisatie?
Daarom we zeggen we nou d'r zijn uit twee rollen op komen.
Dat is data eigenaren omdat we niet echt op komen.
T Is goed die rol, die wordt eigenlijk al lang vervuld.
Die rol wordt steeds belangrijker.
En anderzijds iets wat hier staat een S-Video.
Maar die temmer ontdekt in vrijheid ook
maar betreft maar iemand die wel op managementniveau ook de lijnen uitzet
en die bepaalt hoe gaan wij nou de organisatie
om met met data en de data blijkt bijvoorbeeld hoe heet
en die heb je nodig ook om afweging te kunnen maken over verandert.
Datagebruik op afweging maken heeft geen zin
als er niemand is die uiteindelijk ook de knoop doorhakt.
De tweede is. Wat Rebecca dus juist ook aangeeft is ja.
Je moet ook zorgen dat je goed de lijnen hebt tussen de vraag en aanbod.
Uh, en daar zien we het belang van bijvoorbeeld een data analist
of zoals jullie besluit zien een data vertaling die slaagt overigens.
Die komt uit een enquête die we vorig jaar gedaan hebben.
Ook in het kader van de in de besloeg gedateerd strategie,
maar dan zien vallen op een enorme behoefte zit
aan goeie vertalers of analisten.
Mensen die in staat zijn om de de vragen die er zijn te vertalen aan data,
maar ook kunnen uitleggen.
En wat zijn nou de risico's die aan de open data?
Want zijn de mogelijkheden daarvan?
En die zijn cruciaal?
Uiteindelijk ook hoe die verbinding te leggen samen met wat hier staat
onder de Stuart en de data Stuart die samen de data eigenaar.
Degene die ook de redelijkheid draagt voor het beheer van data
als die zorgt bijvoorbeeld dat de definities goed op orde zijn
tot we weten wat er inderdaad aan zit.
Wandaad er zijn altijd bevooroordeeld, data zijn
a nooit rede objectief, net zoals mensen dat zijn.
Uhm er hangen bepaalde uh waarden aan bijvoorbeeld een definitie
die we toekennen aan de data en t is belangrijk.
Of we dus weten wat zijn de definities
dat we ook onderling tot een gezamenlijk touw kunnen komen?
De derde is dat we ook zien dat er uh soms vraagstukken zijn
waar ook de data eigenaar en of organisatie zoons van heeft.
Ja, we zien dat nou wel.
En uh, we vinden er het van en soms mag het ook wel.
En. Maar we twijfelde of we twijfelen over of dat het wel verantwoord is
of tot geaccepteerd wordt.
We twijfelen over of dat t uh wel of niet kan, toch?
Omdat we te maken hebben met vaak conflicterende wetgeving
of conflicterende waarden.
De derde vanuit de K overschreden.
Dit is dat het ook verstandig is om dan na te denken over uh
een aantal adviseurs die misschien wat meer op afstand staan.
Uh, uiteraard engelen als een puist
of zij die tuurlijk ook binnen organisaties actief is, betrekt u dan
in een vroeg stadium hier te maken met dit soort data vraagstukken?
En wat later in het proces wellicht ook op zich
ook al eerder zelfs een ethische commissie
of een groep buitenstaanders die ook een vraag als een klankbord van OK,
heb je een vraagstuk?
We twijfelen over het gebruik van deze data.
We weten het zelf niet goed.
Ga daarover in gesprek.
H dus het gesprek aangaan.
Dat is cruciaal, niet alleen binnen de organisatie, maar ook naar buiten toe.
Nou, door deze rol op deze manier in te vullen
en een groot deel van die rol, die zijn al feitelijk vaak ingevuld,
krijgt in ieder geval een klein beetje grip op die data
en op de vraagstukken die samenhangen met het vraagstuk leidend het samenbrengen van die twee werelden.
Uhm, ga ik me teruggeven.
Jaar ben kan gaan hebben over de voet in de aarde.
Ja, dag heel de voeten in de aarde.
Uhm, we hebben net gehad over al lang.
H Dat is noodzakelijk om goed en verantwoord water drijvend te werken.
E Derde ding wat we nodig hebben is de mensen die iets weten over inhoud.
We horen eigenlijk al sinds de jaren tachtig.
Uhm dat het inhoud mens wegbezuinigd zou worden, h
en t jaren tachtigduizend alle mensen vervangen werden door computers.
En ja, daarvoor hadden we uiteraard die misschien.
Maar dan moest daadwerkelijk nog iemand op diepe armoede.
En we denken steeds meer voornamelijk
aan duidelijk dataverkeer blijven werken.
Daar hebben we heel veel later andere lessen voor nodig.
Dat is waar, maar dat betekent niet
dat de persoon die gaat op de inhoud niet meer belangrijk is.
We zien eigenlijk in toenemende mate zowel in binnen en buitenland,
dat die persoon steeds belangrijker wordt.
En dan heb ik het vaak echt over de Street Labor Board kraats,
dus de personen met de voeten in de aarde staat
en weet waar je het over heeft.
Het punt is namelijk die persoon.
Die kan de risico's beter inschatten dan de mensen
die verstand hebben van de data.
Want die persoon heeft een overzicht over het netwerk
en overzicht over het probleem, heeft ervaring en heeft intuïtie.
Vanuit die ervaring
en die kan dus van alles die persoon hij b veel beter in de gaten
wat de risico's zijn van bepaalde oplossingen en de rest van de mensen.
En die kan ook heel goed de waarde inschatten.
H heeft om dat dan even oplossing eigenlijk wel waarde?
Is het wel nuttig ergens voor of is het misschien eigenlijk helemaal niet nodig
en zijn we alleen maar geld houden geven aan zaken die niet belangrijk zijn?
Dus je kunt eigenlijk zonder die persoon niks doen
aan waarvan je zeker weet dat publieke waarde heeft.
En dat staat er uiteraard zoals we op begonnen zijn
over de integrale afweging van consequenties, positief
en negatief voor de publieke waarde.
En om dat te kunnen illustreren wil ik een paar voorbeelden geven,
maar korte voorbeelden.
En we zien bijvoorbeeld dat in gemeenten land de gemeentes
tegenwoordig verantwoordelijk voor de en wij m al dat in gemeenten land.
Uhm er gekeken wordt naar nou, hoe gaan we nou om met dat geld?
En want wij hebben ook al stuk heel veel geld
en hoe gaan we ook onze burgers helpen die dat nodig hebben?
En als je dat puur op daden zou doen
zou jij waarschijnlijk een hele rare conclusie krijgen,
want ik kom je er achter.
De mensen komen bij je binnen met een aanvraag voor wijn al.
Nou kijk ook heel wat kunnen die mensen niet.
Nou goed, dan geven ze hulp vanuit die bij hem al.
Met andere woorden daar geef je geld aan uit en een jaar later ga je kijken.
En denk je nou, ik heb meer geld dan uit te geven.
Wat heeft me dat opgeleverd?
En de kans is relatief groot dat je dan moet zeggen nou,
dat heeft eigenlijk helemaal niks opgeleverd, want die mensen die zijn
in plaats van bij dag eigenlijk gewoon zieker geworden.
Dan zou je als Jefferson van de inhoud kunnen concluderen van nou,
we hebben al het geld uitgegeven en de situatie is eindelijk verslechterd.
Uhm, dit gaat niet goed.
We moeten misschien stoppen met die hele wij maal.
Ja, voor we dat doen is het anders handelen om
iemand van de inhoud erbij te halen.
En die persoon zal je vertellen van nou ja, deze persoon van 84 jaar,
die kreeg huishoudelijke hulp en dat ging allemaal goed.
Die persoon is tien jaar later
inmiddels vierennegentig jaar, tien jaar later dus.
Uhm ja, die is het er natuurlijk niet jongere op geworden.
Dus het is logisch dat iemand steeds meer nodig gaat hebben van die wij.
Maar hoe? Omdat die persoon ook simpelweg ouder wordt.
Waarmee dus dat zien van.
Nou, misschien is het helemaal niet zo'n slecht idee om dit te doen.
Ander voorbeeld. We doen onderzoek naar efficiënter ophalen van afval.
En misschien hoef je niet elke keer met die van ons waren dat rondje te rijden.
Nou goed, dan zou je dus een optimaal met data een optimaal efficiënte route kunnen bedenken die zou moeten rijden
met een vuilniswagen om dat afval efficiënt op te halen aan kan.
Dan kom je daar alleen een tijdje
achter dat je toch best wel veel zwerfafval hebt. Hoe komt dat dan?
Vraag de gemiddelde chauffeur van de vrachtwagen en die gaat je vertellen
dat je in de meivakantie op andere plekken afval moet gaan ophalen.
Dan niet in de meivakantie,
want er zijn bepaalde locaties waar schoolgaande kinderen heel veel zijn.
Was dus een hele hoop spullen in een afvalbak gooien
en er zijn plekken waar de kinderen in de vakantie vaker zijn.
Ze moeten hem daarop gaan halen.
Daar houdt zo'n systeem geen rekening mee.
Maar iemand die jaar in jaar uit wat afval op gaat halen,
die weet dit dus wel.
Dus je ziet dat in aan ik al die voorbeelden dat de persoon
met de voeten in de aarde eigenlijk heel goed weet wat iets over heeft.
En die persoon heb je gewoon nooit,
die heb je nodig om de data oplossing te bedenken.
Die heb je nodig om de risico's in te schatten.
Die heb je nodig om de waarde in te schatten,
maar die heb je ook nodig om later alle informatie
die voortvloeit uit die data goed te kunnen duiden.
Nou dus Chris, hij benoem het net ook.
Dus ook heel belangrijk dat je die persoon aan trekt
en dat je die ook hoort.
En dat we vaak zien is dat die persoon vaak niet gehoord wordt.
Er zit wel vaak zo'n data vertaler rem,
maar dat gaat vaak in de hogere lagen van de organisatie.
En daaronder blijkt t Blijft het stil.
En wat je ziet is tot een aantal risico's, zeker de ethische risico's.
Echt besproken moeten worden met de mensen die echt iets weten van de inhoud
is dus heel belangrijk dat die mensen een aanspreekpunt hebben op moment
dat zij zich zorgen maken.
En ze zeggen van luister, we gaan beginnen met data oplossing,
maar ik ben bang dat de doelgroep waar ik mee werkt daardoor
negatief beïnvloed zal kunnen worden.
En je ziet het zeker in de sociale vraagstukken,
dat ze zeggen van ja, misschien gaat de media d'r dadelijk bovenop zitten
en dan demoniseren we misschien een groep die al heel kwetsbaar is.
En dus het is heel belangrijk dat er een aanspreekpunt is voor zorgen
over aids, dilemma's, voor zorgen over risico's
en en alle zaken die dus met het werkveld te maken hebben.
En die persoon, die moet dus ook bevragen,
is heel belangrijk om alle lagen van de organisatie
te betrekken bij het vinden van een goeie data oplossing.
Aan Chris u aan een uitgebreider voorbeeld.
Ja, dan vind. Ik het wel.
Dat dan wel weer.
Uh ontvangt tot rooie draad.
Hopelijk ook voor degenen thuis,
namelijk het bij elkaar brengen van mensen
binnen de organisatie als fundament als basis ook voor verantwoorde had.
Waar en hoe doe je dat nou outdoor concreet te maken?
Inderdaad, het betrekken aan de mensen van de werkvloer.
Vraag uh in de praktijk wat de uitwerkingen zijn
wanneer je de zaken op die manier gaat toepassen.
Want die kunnen inderdaad exact vertellen wat je daaruit moet leren.
Het concreet maken hoe krijgt maken
van we gaan iets met laten doen naar een concreet project.
Dat helpt enorm om meer zicht te krijgen op wat zijn
naar de consequenties van zaak gebruik.
Wat we vaak zien is tot het huidige abstract blijft h,
dus vaak blijft het nog hangen in de sfeer van we gaan niet doen met data,
we gaan leuke dingen doen,
maar echt goed gedocumenteerd Groninger projectvoorstel.
Het hoeft niet moeilijk te zijn, dat gebeurt, maar heel beperkt is.
Leg het ook gewoon wordt hoe je met die data omgaat.
En ja, kom eigenlijk die twee aspecten van zojuist ook weer terug.
N is zorg hoe de juiste vraag.
Ja, door ook in het mensen in gesprek gaan met medewerkers op de werkvloer.
Alsook het hebben van de juiste data.
H daar komt die Covenant om de hoek.
Hoe zorgen ervoor dat we niet alleen een vraag hebben,
maar dat we ook het aanbod kant de juiste daad kunnen leveren
op een goede manier die dat bij elkaar kan brengen met zicht.
Ook op de beperkingen van de data daalt dat.
Het zijn altijd maar h.
Datamodel is per definitie een abstractie van de werkelijkheid.
Ze moeten ook heel goed weten wat zit er in het model en wat zit er niet in?
En hoe duidt op dat je die twee bij elkaar brengt?
Dan ben je eigenlijk al enorm ver of gaat over het UH.
Verandert de uitgelicht werken, wat moet er dan nog meer voordoen?
Heel concreet aan de voorkant dus voordat je dat project gaat.
Uh starten. Goed gaan nadenken over waar we zegt moet begonnen zijn.
Die consequenties en de kopietjes kan het wel, mag het wel?
Betrek daar niet in in de weg voor mij.
B Betrek de eigenlijk
zoveel mogelijk mensen bij direct betrokkenen bij het project.
Betrek ook de privacy of rop.
Hoe vroeger manier, hoe vragen kunnen beantwoorden.
Is het iets wat we mogen?
Niet als we kunnen betrek?
Of dat moet een ethische commissie of andere vanuit de organisatie
om vooral goed zicht te krijgen op hoe raakt dit nou bijvoorbeeld de burger?
Hoe raakt dit ondernemen?
Hoe raakt het onszelf?
Doe dat vooral aan de voorkant.
Stel je vraag niet later in het proces en stel die vraag
als het kan zo vroeg mogelijk.
En dat kun je alleen maar doen
door heel concreet te maken wat je precies gaat doen.
Ik kon ook alleen maar aan de voorkant dat moment afwegen
of dat het voldoende maatschappelijk relevant is eigenlijk.
Het is de maatschappelijke businesscase
als we deze data op deze manier gaan inzitten.
Wat levert het ons op en wat kost het ons allemaal?
Vraag die aan de voorkant en jezelf kunt moet stellen
om uiteindelijk dat veranderde het gebruik mogelijk te maken.
Dan ben je er nog niet, want dan gaan we aan de slag
en daar gaan we die data bij elkaar brengen.
Dan gaan we. Mooie dingen doen.
Soms kan dat een goeie nieuwe nieuwe inzichten tot het nieuwe dashboard show
van en of een versterking van de informatiepositie
tot data gericht beleid.
En het kan allemaal zijn vruchten afwerpen.
Het kan allemaal volledig gerechtvaardigd zijn
en ook verantwoord zijn.
Maar uiteindelijk gaat het ook om hoe de wereld de buit.
Hoe betrek je de burger?
Hoe betrek je het mensen om de organisatie heen?
Want je moet het ook uitleggen en moet ons realiseren tot burgers.
Maar ik denk we allemaal ook wel skeptisch zijn geworden afgelopen jaren.
Tuurlijk, ook als je kijkt naar alles wat er fout gegaan is.
Ha, zo erg moeten we ook zijn als het fout gegaan was
over het gebruik van data en het vertrouwen wat daarmee is geschonden.
En dat moet ook weer terugkomen.
En dat kun je ook alleen maar doen door na een aantal dingen te organiseren.
Zoals Rebecca de aangaf zorg dat
er een loket is waar mensen kunnen aankloppen met weten wat er speelt.
Dat betekent ook dat je begroeiing meer moet kunnen uitleggen
wat je aan doen met en hoe doe je dat nou naar?
Is hij zo transparant,
nauwelijks in en niet transparant in de zin buiten zetten ook.
We hadden inzicht krijgen in t vraagstuk,
maar vooral naar buiten toe laat zien waar je mee bezig bent.
En dat kan zo ver gaan dat je publiceert
hoe je algoritmes draait je in een algoritme register
of dat je het letterlijk de code op quitte publiceert.
Maar nog eenvoudiger
nadat is misschien wel het stel jezelf de vraag kan ik het uitleggen?
Of misschien moet je het zelfs gaan doen en durf ik op uh zaterdag
op de zeepkist te gaan staan op de Haagse Markt
en durf ik te vertellen wat ik aan het doen bent met data.
Maar als je dat durft, dat kunt en misschien ook wel zelfs doet, ja,
dan kun je denk ik met redelijke zekerheid stellen
dat je in ieder geval de goeie vragen gesteld hebt.
Die gaan over, verandert dadelijk werk
en sta jezelf in die zin ook met voeten in de aarde.
Dan gaan we het hebben over de opleiding.
Dat kan even werken, want dat is iets waar we toch al heel kort mee uh.
Begonnen zijn.
Uhm, het verhaal dat we nu uh jullie vertellen hebben over het heel benieuwd
of den vraag op zijn of opmerkingen stelt die geruststellen.
Denderbekken zegt ook aangeven.
Dat kan gewoon in de in de chat.
We krijgen die vraag hier binnen en dan gaan we graag ook met jullie,
ondanks dat we op afstand zitten.
Graag misschien in gesprek.
Uh, als je zegt je eigenlijk uh, wil ik toch al meer weten over de houdgreep?
Beleidsvorming? Uh of meer weten over kun je?
Hoe ga ik dat nou in de praktijk concreet toepassen?
Dan is daar een opleiding voor de opleiding data gegeven.
Uh beleid opleiding. Die kun je volgen.
Uh aan de Erasmus Academy.
Uh, en daar gaan we diep in op die vraagstukken over.
Uh data geletterdheid aan de ene kant h de kennis competenties
die je nodig hebt, ook als medewerker en als organisatie om het te halen
data gedreven beleid verantwoord uitgegeven werk mogelijk te maken.
Als ook aan de kant.
Hoe ga je dat organiseren binnen de organisatie? H Dus de COV.
Uh opleiding starten we mee in mei.
Ik schat zo in dat er dadelijk via een link je nicht natie te vinden is
over de opleiding God ik zeer wegge klik, klik in Wou Hoek. Uhm.
Mocht u daar geïnteresseerd zijn, ga dan voor ons een keer nakijken.
Er ben nog aanvulling op.
Een n nou weinig.
Uhm. H. Uh.
We hebben net drie zaken behandeld die belangrijk zijn om veranderd
dat achter het werken aan in die opleiding gaan we daar verder op in?
Welke zaken zijn nog meer belangrijk en hoe doe je dat dan?
En we willen dat dus ook theorie koppelen aan praktijk.
Dus veel praktijkvoorbeelden, maar ook theorie.
Voorbeelden uit binnenland
en buitenland soms hebben natuurlijk een hele hoop onderzoek gedaan.
Uh, en onder hen we ook een hele hoop onderzoek gedaan
maar heel veel uit kunnen leren.
En we doen het graag volgens methode van te kijken naar best practices,
want dat is natuurlijk leuk om zien hoe iets is gelukt.
Maar ook vooral het kijken naar eb.
Ik Feliers, want je leert vaak meer van dingen die van ik op mislukken.
En die zijn ook altijd wel stiekem een beetje leuk om te vertellen.
Uhm, dus dat gaan we dan ook behandelen.
Dus iedereen die geïnteresseerd zou zijn.
Uh, aan het einde a vinden jullie een linkje waar je aan welke klikken
en kijken naar die opleiding?
En verder is er ook nog een heel leuk initiatief.
Uh wat jij beter uit kan leggen want t is van jou.
En als je toch bezig bent en er zelf niet helemaal uitkomt met je data
is daar even oplossing en je daar wat gedreven werken.
Uhm wat moet je dan doen?
Ja, nou is t niet helemaal van mij,
maar dan kun je gaan naar de de pagina, het adviesfunctie.
Vooral de datagebruik gebruiken dat en dat moest je toch ook een plek geven?
Want kom je na nou zelf niet uit?
Ook niet naar het hebben optie Ordina.
De opleiding heb je dan project waar je zelf mee bezig bent binnen je eigen organisatie mag tot daar.
Uh de Gert twijfels hebt ook uit gaat dat nou verantwoord?
H dat zit je. Probeer het eens op dialogic g.
Hoe gaan we nou op een goeie manier de vragen beantwoorden of het mag?
Of het kan en dat is uh, niet eenvoudig.
H Dat is geen sinecure.
Het vraagt echt wel dat je ook gaat
afwegen tot een goeie integrale belangenafweging komt.
Soms mogen dingen niet en wil je het wel of andersom
en kan het volledig gerechtvaardigd zijn vanuit allerlei maatschappelijk opgaven.
Uh, en loopt daar nou toch op was.
Nou dan kun je gaan naar die uh buik.
Adviesfunctie, verantwoord datagebruik met linkjes.
Jullie ook hier in. Uh de sluit.
Uh en dat is een uh een een opvolging of een uitvloeisel
vanuit die uh in de behoorlijke data strategie en die adviesfunctie.
Die heeft echt tot doel om, uh concreet ook vanuit de uh
de daad strategie concreet ondersteuning te bieden
in de vorm van advies waarbij gewoon meegekeken wordt van OK.
Hoe kunnen we zorgen dat we op een goede manier h dus op een goede manier
de afweging gaan maken samen met jullie uh kijken op de site.
Uh de zijde van digitale overheid,
daar weet je nog veel meer informatie ook over de criteria.
Waar moet het project aan voldoen?
En mocht je nou zoiets in je achterhoofd hebben?
Ja, we hebben toch een project binnen onze organisatie.
We vinden het lastig.
We lopen, we komen niet helemaal uit of wil daar toch
een keertje naar te kijken.
Uh ik, ik zou aanmelden bij dit uh dit traject.
En dan tot slot am hou bek
tot we iedereen iets hebben mij kunnen geven
over verantwoord dat toch nog even werken aan
dat heb ik er bijdragen aan.
Discussie.
Ik zie dat er verder geen vragen zijn aan aan één kant.
Mooi, want dat is alles duidelijk.
Uhm, ik hoop dat dat het werkt tot iedereen goed gaat nadenken
over de consequenties voor publieke waarde.
Uhm bij keuzes.
Vandaar dat ik al even werken
en dat we op deze manier goed kunnen kijken naar onze eigen organisatie
en op die manier op een verantwoorde manier en met data om kunnen gaan.
En dus iedereen bedankt voor je tijd en uw aandacht.
Ah, en dan mag ik bij deze denk ik afsluiten toch?
Kijk om ook. Dank je wel.

Sprekers

Dr. Rebecca Moody is assistant professor aan de Erasmus Universiteit met als onderzoeksfocus de link tussen technologie en data enerzijds en openbaar bestuur en beleid anderzijds. Hoe beïnvloeden zij elkaar in termen van de inhoud, het proces en de uitkomst van het overheidsbeleid. Rebecca doet onderzoek naar informatiesystemen, GIS, web 2.0 technologie, visualisatie, cybersecurity en big data, op lokaal, nationaal en internationaal niveau.

Christian Verhagen is senior adviseur binnen de overheid op het vlak van data en kunstmatige intelligentie (AI). Hij is werkzaam voor Verdonck, Klooster & Associates en daarnaast verbonden aan The Data Management Association (DAMA). Christian heeft een achtergrond in de bestuurskunde en helpt overheden in de praktijk met datagedreven werken en het inrichten van de data-organisatie, rekening houdend met (wettelijke) kaders, zoals privacy, informatiebeveiliging en data-ethiek.