Vertrouwen

Vertrouwen. Het is een woord dat in ons vak vaak valt, en dat snel weer onder de tafel verdwijnt.

In bijna elk gesprek over BI komt het ergens langs. “Ja, we moeten zorgen dat mensen de cijfers vertrouwen.” Iedereen knikt. Maar, dat is lastig. Want, vertrouwen, wat is dat eigenlijk? En hoe zorg je dat mensen vertrouwen in de data krijgen? In de praktijk zal men dan ook nog even doorfilosoferen over hoe het dashboard misschien anders moet, of “we moeten ze gaan vragen waarom ze het dashboard niet gebruiken!” Iedereen knikt weer instemmend. En vervolgens gaat het binnen een minuut weer over wat het systeem aankan, welk rapport er nog gebouwd moet worden, hoe de koppeling met die nieuwe applicatie eruit gaat zien. Vertrouwen is genoemd, vinkje gezet, door naar de techniek.

En dat is jammer. Want een rapportage die niemand gelooft, doet niks. Een dashboard waar mensen omheen werken, helpt niemand. Een cijfer waar twijfel over bestaat, leidt niet tot een beslissing, maar tot een discussie.

Vertrouwen verdient daarom een serieuzer gesprek dan het meestal krijgt. En ik denk dat het, in de kern, gaat over wat een BI-afdeling eigenlijk oplevert. Niet de dashboards, niet de rapportages. Maar het vertrouwen dat als er een cijfer op tafel ligt, dat cijfer iets zegt over de werkelijkheid.

Vandaag de dag is dat om twee redenen extra actueel. Allereerst omdat de meeste organisaties hun vertrouwensvraag al heel lang in dat hoekje hebben staan waar wel naar geknikt wordt, maar waarvan de uitwerking niet écht is opgepakt. En daarnaast omdat AI nieuwe lagen toevoegt, terwijl het oude gesprek nog niet eens af was.

Welkom bij Data met impact. De podcast over de zin en onzin van data, mensen en techniek. Ik ben Jeroen Buisman, en met InfoReports help ik organisaties in het maatschappelijk domein om grip te krijgen op hun informatie.

Vandaag gaat het over vertrouwen. Wat het is, waar mensen het op baseren, en wat er verandert nu er een nieuwe speler aan tafel zit.

Vertrouwen is iets wat in beeld komt waar zekerheid ontbreekt. Als ik zeker weet dat iets klopt, hoef ik er niet op te vertrouwen. Dan weet ik het gewoon. Vertrouwen heb ik pas nodig op het moment dat ik er niet helemaal achter kan komen. Op het moment dat ik me moet verlaten op iets of iemand anders.

En dat is precies waar wij in BI ons werk doen. Elk cijfer is een beschrijving van de werkelijkheid, maar niet de werkelijkheid zelf. Er gaan keuzes aan vooraf. Er zit een definitie onder. Er is een bron die wel of niet volledig is. Een afdeling die wel of niet consistent registreert. Wie met cijfers werkt, werkt per definitie in een gebied waar absolute zekerheid niet bestaat. En dus komt vertrouwen aan de orde.

En vertrouwen heeft een tweede kant die we vaak vergeten. Het is namelijk niet alleen geloven dat iets klopt. Het is ook bereid zijn om je erop te verlaten, met het risico dat als het mis is, jij degene bent die de gevolgen draagt. Wie een cijfer vertrouwt en het in een vergadering op tafel legt, neemt een risico. Als blijkt dat het cijfer niet klopt, sta je daar. De data was misschien de oorzaak, maar de beslissing was van jou.

Dat is waarom vertrouwen geen vrijblijvend woord is. Er staat iets op het spel.

Even concreet maken waarom dat zekerheidsvraagstuk in ons vak zo speelt. Stel, je hebt een rapportage over het aantal operaties van de afgelopen maand. Wanneer zou je daar absolute zekerheid over hebben? Eigenlijk alleen als je zelf bij elke operatie aanwezig was geweest, met een turflijstje. Iedere keer een streepje, aan het eind van de maand optellen. Dan weet je het zeker. Geen vertrouwen nodig, want je was erbij.

Maar dat is natuurlijk volkomen onpraktisch. Niemand kan op die manier elk cijfer in zijn werk ophalen. Dus moet er vertrouwen zijn. Anders loopt alles vast. Je vertrouwt erop dat de systemen registreren wat ze zeggen te registreren. Je vertrouwt erop dat de collega die de query schreef, de juiste definitie gebruikte. Je vertrouwt erop dat het cijfer dat op tafel ligt, de werkelijkheid beschrijft.

En hier zit ook een hint die later in deze aflevering nog terugkomt. Want dat turflijstje in mijn voorbeeld, dat is precies wat mensen in de praktijk gaan doen op het moment dat ze het vertrouwen verliezen. Ze gaan zelf turven. Niet omdat ze dat nou zo leuk vinden, maar omdat ze grijpen naar de enige vorm van zekerheid die ze nog wel kunnen organiseren: zelf erbij zijn, zelf tellen.

En dat brengt ons bij de vraag: hoe ontstaat vertrouwen in een cijfer dan eigenlijk? Want we weten dat absolute zekerheid niet bestaat, de zekerheid die komt uit dat je overal altijd zelf bij bent geweest. Toch moeten mensen op de een of andere manier kunnen besluiten dat ze een cijfer geloven, en bereid zijn om er hun beslissing op te baseren.

Wat ik in de praktijk zie, is dat mensen daarvoor drie invalshoeken hanteren. Aanwijzingen waarop ze hun overtuiging kunnen baseren, omdat ze het cijfer niet kunnen verifiëren. Drie invalshoeken komen steeds terug.

De eerste: kunnen ze het cijfer relateren aan de werkelijkheid die ze kennen? Snappen ze waar het vandaan komt, en waarom het is zoals het is?

De tweede: is er iemand verantwoordelijk? Iemand die ze kunnen aanspreken als er iets schuurt, die het oppakt in plaats van zich verschuilt achter het systeem?

De derde: hebben ze de ervaring dat eerdere cijfers ook bleken te kloppen? Want vertrouwen wordt opgebouwd, niet gegeven. Wie een paar keer is teleurgesteld, gaat de volgende keer twijfelen.

Drie invalshoeken, en geen ervan gaat over het cijfer zelf. Ze gaan over het proces eromheen, over de mensen erachter, en over de geschiedenis ervoor. Ik wil ze één voor één langs gaan, want ze laten allemaal iets anders zien over hoe vertrouwen werkt, en hoe het kapot kan.

De eerste invalshoek gaat over de relatie tussen het cijfer en de werkelijkheid die de gebruiker zelf kent. Want een cijfer staat nooit op zichzelf. Iemand die het ziet, vergelijkt het bewust of onbewust met zijn eigen beeld van wat er gebeurt op de werkvloer. En als dat beeld klopt met het cijfer, gaat het vanzelf. Maar als er een gat zit tussen het cijfer en zijn werkelijkheid, dan ontstaat de twijfel.

Een voorbeeld. Stel, op een dashboard staat: tien operaties. En jij weet dat er afgelopen periode honderd operaties zijn gedaan, ik noem maar wat. Dan klopt er iets niet, denk je. Tenzij je weet waarom het verschil er is. Misschien gaat dit cijfer over één dag in plaats van een week. Misschien gaat het over een specifiek soort operatie. Misschien zit er een filter onder dat je niet ziet. Op het moment dat je dat weet, klopt het beeld weer. Tien operaties op die dag, van dat type, dat past bij honderd in de hele periode. Vertrouwen hersteld.

Maar als dat cijfer er plompverloren staat, zonder uitleg, en je kunt de link niet leggen van honderd naar tien, dan is het vertrouwen weg. En komt het niet meer terug zolang er niemand uitlegt waar het verschil vandaan komt.

Dat is waarom definities zo belangrijk zijn, en ook het documenteren er van. Wat is er geteld, en wat juist niet? Welke afdeling, welke periode, welk type? Zonder die afspraken kan een gebruiker zijn beeld niet rijmen met het cijfer.

Je kan ook spreken van de verwachtingen achter een woord. Wat verwacht iemand te zien als hij dit woord hoort? Welke beelden zitten er in zijn hoofd? Want twee mensen kunnen het over een opname hebben en daar een ander getal bij verwachten. De een denkt aan elke patiënt die ergens een nachtje blijft. De ander denkt alleen aan klinische opnames met een specifieke DBC. Dezelfde vraag, andere definitie, ander cijfer.

Pas als je die verwachtingen, of noem het: aannames, boven tafel krijgt, weet je waar je het samen over hebt. En pas dan kun je een cijfer opleveren waar mensen zich in herkennen. Wie de moeite neemt om dat te doen, levert iets op wat mensen kunnen plaatsen. Wie die fase overslaat, levert iets op wat technisch klopt en toch ongemakkelijk voelt voor de ontvanger. Hij weet niet waarom het cijfer is wat het is. En dan kan hij er ook geen vertrouwen aan ophangen.

Er zit een gedeelde verantwoordelijkheid in. Voor de meeste mensen is werken met informatie geen primaire taak. Ze hebben informatie nodig om te kunnen sturen, maar het is niet hun werk. Een lange discussie over wat een cijfer betekent, voelt voor hen soms als detailwerk dat hun tijd niet waard is. Wij kunnen helpen om die fase kort en bruikbaar te maken. Niet alle randgevallen tot op de bodem uitpluizen, maar wel die paar plekken waar je weet dat het later zal schuren. En de manager kan zich realiseren dat tien minuten nu een uur frustratie volgende maand bespaart.

Zo bouw je iets op waar je samen op kunt sturen. En zo geef je de eerste invalshoek stevigheid.

De tweede invalshoek gaat niet over wat er onder het cijfer zit, maar over wie er achter het cijfer staat. Is er iemand die de verantwoordelijkheid neemt? Iemand die je kunt aanspreken als het niet klopt?

Want dat is wat mensen voelen: of er een eigenaar is, of dat ze tegen een muur praten. Een eigenaar is iemand die zegt: dit cijfer is mijn verantwoordelijkheid. Als het niet klopt, zoek ik het uit. Als de definitie moet veranderen, pak ik dat op. Dat geeft houvast. Dat geeft duidelijkheid, dat geeft: vertrouwen.

En hier zit ook een andere kant: de bereidheid om eerlijk te zijn over wat je niet weet. Een verantwoordelijke die altijd zegt dat alles klopt, is op den duur niet geloofwaardig. Een verantwoordelijke die zegt dat dit cijfer klopt, deze is twijfelachtig en deze weet ik niet zeker, dat is iemand met wie je kunt sturen. Eigenaarschap is niet alleen claimen dat het klopt. Het is ook durven zeggen wanneer het niet klopt, of wanneer je het niet zeker weet.

In de praktijk is dat toch vaak lastig. Want we voelen vaak een druk om iets af te leveren wat compleet en zeker oogt. Een rapportage met een sterretje “let op, deze cijfers zijn onder voorbehoud” voelt als zwakte. Een dashboard met een grijs hoekje omdat de bron niet bijgewerkt is, voelt als onaf werk.

Maar het is precies andersom. De rapportage zonder voorbehoud verbergt iets wat er wel is. Het dashboard zonder grijze hoekjes geeft een schijnzekerheid die later een probleem vormt. Eerlijk zijn over wat je niet weet, is geen gebrek aan kwaliteit. Het is wat eigenaarschap concreet maakt.

En hier raakt de tweede invalshoek aan iets wat er de laatste jaren bij is gekomen. Want er is iets veranderd in ons vak. AI doet steeds meer mee. Code wordt door AI geschreven. Documentatie wordt door AI gegenereerd. Aanbevelingen die in dashboards verschijnen, zijn door AI bedacht. Soms staat dat erbij, soms niet.

En dat raakt nou precies dit punt. Want: is er iemand verantwoordelijk? Nou, bij een mens is dat redelijk helder. De BI-er die de query bouwde, kan zijn keuzes verdedigen. De analist die de definitie maakte, kan uitleggen wat hij heeft afgewogen.

Bij AI ligt het anders. En dat is niet omdat je een AI niet kunt doorvragen, dat kun je wel. Je kunt aan een AI vragen waarom hij dit antwoord gaf, en je krijgt een reactie. Maar het probleem is dat we dat in de praktijk niet doen. We hebben AI juist ingezet om saaie of lastige klussen uit handen te nemen. En om de output echt te controleren, zouden we dat saaie of lastige werk alsnog zelf moeten doen. Dus blijft het heel vaak bij: “het zal wel goed zijn.” En daarmee is de verantwoordelijkheid in feite verdwenen. Niet juridisch, maar wel in de praktijk. Want wie staat er nog voor het cijfer als er iets niet klopt?

En dat kun je oplossen, maar dan moet je het echt anders organiseren. Tijd inruimen voor controle. Processen en richtlijnen opstellen voor hoe je AI inzet. Skills uitschrijven, guardrails inbouwen. Dat is een vak apart. Dat doe je niet “ff”.

Want zonder die zorgvuldigheid wordt AI een black box. En een black box ondermijnt de tweede invalshoek. Er is wel iemand die het heeft opgeleverd, maar die heeft niet meer in detail gekeken naar wat de AI heeft gedaan. De verantwoordelijkheid is technisch nog wel ergens belegd, maar inhoudelijk is hij vervaagd. En dat is een probleem.

Wat ik daarbij ook vaak zie: AI maakt het zo makkelijk om er steeds nog een laagje bij te doen. Een extra geval afvangen. Een uitzondering toevoegen. Een berekening net iets eleganter maken. Het kost niets meer, dus waarom niet. Maar elke laag maakt het geheel net iets minder na te vertellen. Op een gegeven moment hebben we iets opgeleverd waar niemand meer doorheen komt, ook wijzelf niet. En daarmee is de verantwoordelijkheid in feite vervlogen.

Dit is geen pleidooi tegen AI. Ik gebruik het zelf, dagelijks, en het maakt veel werk beter. Maar het is wel een pleidooi voor zorgvuldigheid. Want de tweede invalshoek, of er iemand verantwoordelijk is, verdwijnt niet door AI. Hij wordt alleen ingewikkelder.

De derde invalshoek gaat over wat mensen al meegemaakt hebben. Klopte het cijfer eerder ook? Werd er eerlijk gereageerd toen het een keer mis was? Hoe is het gesprek toen verlopen?

Want vertrouwen is geen statische eigenschap. Het is het resultaat van een geschiedenis. En die geschiedenis wordt elke week verder geschreven.

En hier wil ik even terugkomen op wat ik in de inleiding noemde. Het turflijstje.

Eigen registratie is van alle tijden. Een planner die zijn eigen overzichtje bijhoudt voor de week. Een teamleider die op vrijdag drie cijfers in een mailtje zet. Een afdelingshoofd dat zijn eigen telling doet voor het wekelijks overleg. Dat is vaak gewoon praktisch. Iemand wil snel iets bij de hand hebben, en bouwt zelf iets eenvoudigs.

Tot zover niets aan de hand. Maar het wordt interessant op het moment dat zo’n schaduwlijstje een eigen leven gaat leiden. Wanneer mensen dáárnaar gaan kijken in plaats van naar het centrale systeem. Wanneer de cijfers afwijken, en het lijstje wint, omdat het meer voelt als de werkelijkheid van die afdeling.

Op dat moment vertelt het lijstje iets. En je kunt dat op meerdere manieren bekijken. Je zou kunnen zeggen: dit hoort bij de eerste invalshoek, want het lijstje is er omdat mensen het centrale cijfer niet kunnen relateren aan hun eigen werkelijkheid. Dat kan ook. Maar ik denk dat het eigenlijk meer over de derde invalshoek gaat. Want het lijstje is meestal het resultaat van een geschiedenis. Ergens in het verleden klopte een cijfer een keer niet. Of bleek het iets anders te betekenen dan iemand dacht. En in plaats van dat het gesprek werd opgepakt, kwam er een mailtje met de gecorrigeerde versie. Of bleek het de uitleg van de afdeling weg te poetsen onder het centrale verhaal. En het lijstje was geboren.

Schaduwlijstjes zijn dus zelden iets spontaans. Ze zijn het sediment van eerdere teleurstellingen, om het maar even poëtisch te zeggen. En zolang die teleurstellingen niet besproken worden, blijven de lijstjes bestaan. Hoe mooi de dashboards ook worden.

Wat eruit moet volgen is niet de neiging om het lijstje te verbieden. Wat eruit moet volgen is een gesprek. Welk cijfer staat er centraal, en welk cijfer staat erin? Waar zit het verschil? Welke verwachtingen zitten er onder beide getallen? Soms blijkt dat het centrale cijfer goed is en het lijstje een verkeerde aanname bevat. Soms blijkt het andersom. Vaker blijkt dat ze allebei iets goeds laten zien, alleen vanuit een ander perspectief.

Maar de echte winst zit dieper. Want elk gesprek dat zo wordt gevoerd, schrijft een stukje nieuwe geschiedenis. Niet de geschiedenis van “het werd weggepoetst”, maar van “het werd uitgezocht”. Dat is hoe je de derde invalshoek weer gaat versterken.

En daar zit ook waar cultuur een rol speelt. Want of zo’n gesprek mogelijk is, hangt af van hoe een organisatie reageert op twijfel. Een organisatie waar twijfel wordt weggewuifd, blijft schaduwlijstjes opbouwen. Een organisatie waar het mag schuren, bouwt een betere geschiedenis op. En dan niet omdat er minder fouten worden gemaakt, maar omdat de fouten besproken worden in plaats van weggewerkt.

Een manager die durft te zeggen “ik vertrouw dit cijfer niet” doet zijn werk goed. Een organisatie die ruimte geeft om zoiets uit te spreken, bouwt aan iets waardevols.

Drie invalshoeken. Waar het cijfer vandaan komt. Of er iemand verantwoordelijk is. En wat de geschiedenis is. Geen ervan staat los van de andere. Wie de verwachtingen achter een cijfer ophaalt, helpt de eerste invalshoek, maar bouwt ook aan zijn geloofwaardigheid voor de toekomst, en dat raakt de derde. Wie eerlijk is over wat hij niet weet, neemt verantwoordelijkheid in het hier en nu, en laat ook zien hoe hij ermee omgaat als het niet lekker loopt, en dat raakt opnieuw de derde.

De invalshoeken hangen samen. En precies dat is, denk ik, ook waarom vertrouwen niet te automatiseren is. Want het zit niet in één plek. Het zit in een houding die door alles wat je doet heen loopt. Geen tool gaat dat voor je doen. Geen AI gaat dat voor je doen. Vertrouwen wordt gebouwd door mensen die er bewust voor kiezen.

En dat is, denk ik, ook de geruststelling. Want hoeveel er ook verandert in de techniek, het echte werk verschuift niet. Het zit nog steeds in de gesprekken die je voert, in de vragen die je stelt, in de bereidheid om door te vragen als iemand snel een antwoord wil. Dat blijft mensenwerk. Dat valt niet te automatiseren.

We komen aan het einde van deze aflevering.

Vertrouwen kun je niet automatiseren. Wel ondermijnen, en ook verdienen. De vraag voor elke organisatie is niet alleen of de cijfers kloppen. De vraag is of er voor de mensen die op die cijfers sturen, voldoende invalshoeken zijn om zich aan vast te houden.

Een schaduwlijstje is dan geen probleem dat moet verdwijnen, maar een signaal dat er ergens vertrouwen verloren is gegaan, en dat het de moeite waard is om uit te zoeken waar. Een gesprek over verwachtingen achter een woord is geen oponthoud, maar de plek waar vertrouwen wordt opgebouwd. En een AI-aanbeveling waar niemand de verantwoordelijkheid voor neemt, is geen basis voor vertrouwen.

En, daar ligt dus een belangrijke rol voor de BI-afdeling. Naast het bouwen van rapportages: signaleren wanneer iets klopt, wanneer iets twijfelachtig is, en wanneer iets niet meer is uit te leggen.

Want data geeft antwoorden. Maar antwoorden hebben pas waarde als de mensen die erop sturen ze ook werkelijk geloven. En dat geloof, dat vertrouwen, dat bouw je niet met een tool. Dat bouw je met houding, met taal, en met de bereidheid om de ongemakkelijke vraag te stellen.

Want onthoud: een goed antwoord begint altijd met een betere vraag.

Bedankt voor het luisteren. Vond je deze aflevering iets om over door te denken? Deel hem dan met iemand die ook bezig is met het vertrouwen in zijn eigen cijfers. En wil je weten hoe wij bij InfoReports werken aan dat fundament? Kijk dan op inforeports.nl. Tot de volgende keer!