Gemeente Huizen krijgt grip op sociaal domein

Vrijwel alle gemeenten lopen tegen uitdagingen aan in het sociaal domein. De wachtlijsten voor jeugdhulp, gezinsondersteuning, ggz en ouderenzorg lopen op. Het lukt maar niet om mensen met een afstand tot de arbeidsmarkt duurzaam in te zetten. En met de gierende inflatie doen steeds meer mensen een beroep op budgetondersteuning. Hoe weet je als gemeente welke inwoners de grootste kans hebben tussen wal en schip te vallen? Hoe bepaal je welke zorg je inkoopt voor welke doelgroepen? Teamleider Bedrijfsvoering Sociaal Domein Koen Buikema riep hiervoor de expertise van SAS in.

Uitdaging: inzicht in welke huishoudens welk type zorg en ondersteuning nodig hebben

De gemeente Huizen, waar ook Blaricum, Eemnes en Laren onder vallen, telt circa 70.000 inwoners. In de zomer van 2020 vroeg de gemeenteraad om meer grip op het sociaal domein en daarmee meer inzicht in de doelgroepen die het sociaal domein bedient. Geven we ons budget uit aan de mensen die het hardst zorg nodig hebben? Koen Buikema ging met zijn team aan de slag met PowerBI, maar daarmee liepen we al snel tegen belemmeringen aan.

Oplossing: SAS Startup programma

Buikema deed een beroep op het Startup Programma van SAS. “Dat is een laagdrempelige manier om ervaring op te doen met datagedreven werken”, zegt hij. “Direct in het eerste kennismakingsgesprek ging er al een wereld voor ons open. SAS heeft zoveel kennis en expertise op dit terrein.”
Het is een mooie bonus dat SAS zelf in Huizen gevestigd is en collega’s op deze klus heeft gezet die inwoner zijn van de gemeente Huizen. “Zij zijn enorm gepassioneerd om dit tot een succes te maken. Zij hebben dezelfde drive als wij om te voorkomen dat er mensen in onze gemeente zijn die erdoor zakken. Ons gezamenlijke doel is: zo snel mogelijk identificeren welke huishoudens welke ondersteuningsvraag hebben, zodat we gericht ons budget kunnen inzetten op die doelgroepen die het hardst hulp nodig hebben.”

Samen identificeerden de gemeente Huizen en SAS vier use cases om te ontdekken op welke manier datagedreven werken kan helpen bij het aanpakken van de problemen in het sociaal domein. Al snel liepen ze tegen de eerste uitdagingen aan, vertelt Buikema. “De software van SAS beschikt over ingebouwde tools waarmee je je datakwaliteit inzichtelijk maakt. We kregen continu errors die aangaven: je datakwaliteit is niet op orde.” Dat is dan ook een belangrijke reden dat twee van de vier use cases nog niet het gewenste resultaat hebben opgeleverd. “Maar daarmee zijn ze niet meteen waardeloos. Sterker, die cases zijn juist heel waardevol omdat ze haarfijn laten zien op welke vlakken we stappen moeten zetten om echt waarde te gaan halen uit data.”

Resultaat: inzicht in wat er komt kijken bij datagedreven werken

Een use case die wél direct resultaat opleverde, was die rond tekstanalyse. “We halen enerzijds onze plannen en anderzijds alle documenten rond mensen met een hulpvraag door een door SAS ontwikkelde tekstanalysetool om te ontdekken of datgene wat we leveren wel aansluit bij de vraag. Zo kwamen we erachter dat een groot deel van de inwoners lichte financiële ondersteuning nodig heeft, en eigenlijk maar een klein zetje nodig heeft om het daarna volledig zelf op te pakken. Eerst huurden we hooggeschoolde financiële experts voor dit soort vraagstukken in. Nu maken we gebruik van het lokale begeleidingsteam in samenspraak met ons voorveld. Zo houden we geld over dat we op andere plekken kunnen inzetten”, vertelt Buikema.
Ook ontdekte het team op deze manier dat er veel hulpvragen voor begeleiding zijn vanuit gezinnen met hoogbegaafde en/of autistische kinderen. Buikema: “Daar kun je geen reguliere begeleiding op zetten, dat vraagt echt om een aangepaste begeleidingsmethodiek. We kwamen erachter dat we reguliere begeleiding aanboden aan gezinnen die specialistische begeleiding nodig hadden en vice versa.”

Het belangrijkste resultaat van dit Startup traject is echter inzicht in wat er nodig is om datagedreven te gaan werken. Buikema: “SAS heeft ons getriggerd om op een hoger niveau na te denken over wat je met data kunt doen. En ze hebben duidelijk gemaakt wat er komt kijken bij datagedreven werken: welke eisen stelt het aan je datakwaliteit? Hoe organiseer je de government? Wat komt er kijken bij het ontwikkelen van analytische modellen? En vervolgens bij het beheren ervan?”
Waar je zou verwachten dat Buikema vooral blij is met het resultaat die twee succesvolle cases opleverden, roemt hij vooral de lessen die hij leerde van twee minder succesvolle projecten. “Want juist als dingen niet lukken, zie je veel duidelijker wat er nog ontbreekt om organisatiebreed datagedreven te gaan werken. We werken volgens het principe van ‘fail fast, learn fast’. We weten nu welke zwakke plekken we moeten aanpakken om op veel meer terreinen waarde te gaan halen uit data.”