Datagedreven werken met een verzuimsysteem

Voorkom misvattingen in jouw analyses. Lees meer hierover in Échte inzichten met verzuimcijfers >>>

Tip 1: zorg voor GOEDE vastlegging van gegevens

Data is pas écht waardevol als het een goed beeld geeft van de werkelijkheid. Goede dataverzameling is het fundament van datagedreven werken. En nou denk je misschien: daar heb ik toch juist het systeem voor? Maar je systeem creëert zelf geen data. Het faciliteert het bundelen en beschikbaar stellen van data waardoor informatie ontstaat. 

Het is dus belangrijk dat je je systeem voedt met data. Doe je dit niet goed en consequent? Dan geeft je analyse een vertekend beeld en is de kans dat je (preventieve) acties het gewenste effect hebben minder groot. 

Stel jezelf bijvoorbeeld eens vragen als: hoe gaat het registreren van verzuim en herstel bij ons op dit moment? Bij wie ligt deze verantwoordelijkheid? En weet ik wel zeker dat afspraken over vastlegging ook echt worden nageleefd? Dit is wat er kan gebeuren als je de vastlegging bijvoorbeeld niet goed gebeurt. 

Voorbeeld niet goed vastleggen van verzuimgegevens
Uit veelvuldig landelijk onderzoek naar verzuim blijkt bijvoorbeeld dat frequent (kort) verzuimende medewerkers een aanzienlijk hogere kans hebben op langdurig verzuim in de jaren daarna. Maar stel dat een aantal leidinggevenden kort verzuim niet of niet goed registreert. Dan kan je systeem niet goed voorspellen wie er een verhoogd risico heeft op langdurig verzuim. 

De eerste stap naar waardevolle informatie is dus het goed vastleggen van data. Dit stimuleer je door enerzijds te faciliteren dat de verantwoordelijken dit goed kunnen registreren (dit behoort natuurlijk ook tot de kernfuncties van een verzuimsysteem). Moderne systemen zijn hierop ingericht en maken drempels voor zowel de medewerker als de leidinggevende zo laag mogelijk. Denk aan slimme digitale triages en automatische sms’jes/mailtjes waardoor de kans op het verkrijgen van belangrijke stuurdata groter wordt. 

Anderzijds stimuleer je dit door na te leven op het uiteindelijke gedrag en eventueel weerstand van de verantwoordelijken en door de data zelf te analyseren op ‘datakwaliteit’. Puur door het analyseren van de vastgelegde gegevens, is vaak al vast te stellen of de kwaliteit hoog of laag is. Doe dit dus ook voor je de data gebruikt in je analyses.

Tip 2: Stel doelen op en maak een programma voor het vastleggen van data.

Net als een huis, een business case of een ontdekkingsreis, begint datagedreven werken met een plan. Een uitgewerkt idee dat vertelt wat je wilt doen en hoe je dat wilt doen. Een doel en een programma dus. Dit is een belangrijke stap om op een zinvolle (en AVG-compliant) manier datagedreven te werken. 

Je programma begint met een doel. Analyseer je welke interventies en acties tot betere duurzame resultaten leiden bij de inzetbaarheid van medewerkers? Of analyseer je welke variabelen uiteindelijk leiden tot (langdurige) uitval van medewerkers? Of ben je vooral bezig met identificeren welke verzuimgevallen ook daadwerkelijk ‘beïnvloedbaar’ zijn, zodat je daar meer aandacht aan kan geven? 

In al deze gevallen is de te verzamelen (gestructureerde) data verschillend. En dit vergt wat van het werkproces dat je inricht: worden interventies netjes gestructureerd aangevraagd en goedgekeurd? Wordt hierbij vastgelegd wat het resultaat was? Zo niet: hoe richten we het proces zo in dat dit wel gebeurt?

Allemaal onderdelen van je programma. Uiteraard is dit een proces wat continu verbeterd wordt op basis van nieuwe inzichten. Registreer je eerst alleen de interventies en het uiteindelijke moment van herstel? Dan wil je wellicht toch ook verwacht resterend verzuim vastleggen voordat de interventie ingezet wordt. Alles van tevoren bedenken is hierbij niet nodig (en wellicht zelfs onnodig vertragend). Begin en blijf verbeteren!

Tip 3: Gebruik analysemodellen op basis van jouw belangrijkste variabelen

Een derde tip die je helpt om datagedreven te werken, is het maken van modellen. Een model is niks anders dan een afkadering van oorzaken en het gevolg. Het helpt je om inzichtelijk te krijgen welke variabelen leiden tot een bepaalde uitkomst. En ook welke variabelen niet of indirect bijdragen.

Blind de data volgen kan tot rare (foute) conclusies leiden. Een bekend voorbeeld uit Australië was de sterke samenhang in de maanden juni tot september in het aantal aanvallen van haaien op mensen aan de kusten de verkoop van het aantal ijsje in hetzelfde gebied.

Afbeelding 1: frequentie van aanvallen van haaien vs. ijsverkoop

Maar er bleek natuurlijk geen verband tussen deze twee variabelen. Er lag een belangrijk factor ten grondslag aan beiden: de verhoogde temperatuur in die maanden. Dit geeft dus aan dat je goed moet kijken naar de variabelen die een rol kunnen spelen, voordat je conclusies trekt. Een correlatie is namelijk totaal iets anders dan een causaal verband. 

Bepaal dus de cijfers die jij wilt meten en bepaal vooral hoe je ze meet. Want je wilt niet meten om het meten, je wilt meten om je begeleiding en interventies te optimaliseren. En dus is het belangrijk om te weten wat klopt en niet klopt. Een model geeft je hierbij de nodige houvast. Niet alleen voor je analyse, maar ook voor je rapportages. 

Afbeelding 2: voorbeeld analysemodel verzuim/preventie

Hierbij hoef je overigens niet zelf het wiel uit te vinden. De meeste standaard verzuimcijfers zijn bekend en ook welke variabelen hieraan ten grondslag liggen. Denk bijvoorbeeld aan de meldingsfrequentie en de verzuimduur, onderverdeeld naar afdeling, leeftijd of geslacht.  

Meer mogelijkheden betekent natuurlijk nog niet dat elke vorm van dataverzameling en data-analyse ook nuttig is. Gelukkig zorgt data driven werken er in de meeste gevallen wèl voor dat je vele malen efficiënter gaat werken dan je concurrenten. 

Tip 4: gebruik business intelligence (bi) tools

Datagedreven werken wil eigenlijk zeggen dat je handelt op basis van feitelijke informatie. Zoals de tips hierboven aangeven is het hiervoor belangrijk dat je dataverzameling goed is en dat je snapt welke variabelen elkaar beïnvloeden. Vaak kun je hier al de nodige informatie uithalen, waarmee je bijvoorbeeld kunt zien waardoor het komt dat je medewerkers van de ene afdeling vaker verzuimen dan medewerkers van de andere afdeling.  

Om écht te kunnen sturen heb je niet alleen modellen nodig, maar ook tools die deze modellen voor jou vertalen in actuele informatie. Dit noemen we Business Intelligence, afgekort BI. Het woord zegt het al, intelligent omgaan met je bedrijf. Data kan hier enorm bij helpen. BI-tools zetten jouw data om in tabellen en grafieken, zodat jij snel kunt zien hoe variabelen elkaar beïnvloeden. 

Bekende tools die jouw data gebruiksvriendelijk verwerken in rapportages zijn Qlik en PowerBI. Deze tools stellen je in staat om rapportages te maken, maar ook om deze rapportages te bundelen in dashboards. Zo kun je al je gegevens bij elkaar brengen tot één duidelijk overzicht. Je ziet zo sneller onnodige verspillingen in je verzuimbegeleiding of kansen om frequent kort verzuim te vinden en langdurig verzuim te voorkomen. 

Toch is BI niet per se gekoppeld aan data. Het is niks anders dan intelligent omgaan met dat wat je meet en weet. Denk dus goed na over de informatie die jij nodig hebt om acties en processen te verbeteren.