Goede dienstverlening bij de overheid begint bij goed datamanagement: heldere afspraken over wie eigenaar is van welk gegeven, eenduidige definities, en een datamodel dat door alle betrokken partijen wordt begrepen. Zonder dat fundament loopt gegevensuitwisseling tussen organisaties vroeg of laat vast, hoe goed de techniek er ook uitziet. Voordat een organisatie aan een oplossing kan werken, is het nodig om helder te krijgen waar de knelpunten in het datamanagement precies vandaan komen en welke vragen daarbij gesteld moeten worden.
De behoefte aan beter georganiseerde gegevens, met duidelijke eigenaren, definities en kwaliteitsafspraken, is groter dan ooit. Een duidelijk voorbeeld is de zorgsector. Binnen het Integraal Zorgakkoord (IZA) spelen gemeenten een verbindende rol tussen het medische domein en het sociaal domein. De focus verschuift daarbij van ziekte en zorg naar gezondheid en preventie, met als doel de instroom in de medische zorg te verminderen. Zo’n verschuiving is alleen mogelijk als betrokken partijen weten welke gegevens er zijn, wat die betekenen en wie ervoor verantwoordelijk is.
Dat geldt niet alleen voor de zorg. Overal waar overheidsorganisaties samenwerken, ontstaat dezelfde vraag: is helder vastgelegd wat een gegeven precies inhoudt, wie erover gaat en volgens welke regels het beheerd wordt? De manier waarop dat wordt georganiseerd, het datamanagement, bepaalt uiteindelijk of gegevens ook echt bruikbaar zijn buiten de organisatie waar ze zijn ontstaan.
Knelpunten in gegevensbeheer ontstaan zelden door één oorzaak. Meestal is er sprake van een combinatie van factoren die elkaar versterken.
Verschil in databronnen. Primaire data, direct vastgelegd bij de bron, heeft een andere betrouwbaarheid en actualiteit dan secundaire gegevens die zijn afgeleid, gekopieerd of bewerkt. Wanneer een organisatie niet weet met welk type data zij werkt, ontstaan verkeerde aannames over de kwaliteit ervan.
Naamgeving en definities. Hetzelfde begrip kan bij verschillende organisaties net iets anders zijn gedefinieerd. Een “actieve cliënt” bij de ene instantie is niet automatisch hetzelfde als bij de andere. Zonder gedeelde definities leidt uitwisseling tot ruis, ook als de techniek perfect werkt.
Eigenaarschap. Wie is verantwoordelijk voor de juistheid van een gegeven binnen de organisatie en blijft diezelfde persoon verantwoordelijk zodra het de organisatie verlaat en bij een andere partij wordt gebruikt? Onduidelijk eigenaarschap zorgt ervoor dat niemand zich volledig verantwoordelijk voelt, met kwaliteitsverlies tot gevolg.
AVG en andere wettelijke kaders. Privacywetgeving bepaalt wat wel en niet gedeeld mag worden, en onder welke voorwaarden. Wanneer dat kader niet scherp is uitgewerkt, kiezen teams vaak voor de veilige weg en delen ze minder dan eigenlijk nodig of toegestaan is. Dat werkt vertragend en frustrerend.
Ontbreken van een gedeeld datamodel. Zonder een datamodel dat door alle betrokken partijen wordt herkend, blijft elke organisatie in feite haar eigen versie van de werkelijkheid vastleggen. Verschillen die klein lijken, zoals een net iets andere indeling van gegevenscategorieën, tellen op tot grote interpretatieverschillen zodra gegevens worden samengevoegd.
Procedurele en organisatorische knelpunten. Processen die ooit zijn ingericht rond één systeem, sluiten niet vanzelfsprekend aan op de processen van een andere organisatie. Overdrachtsmomenten, goedkeuringsstappen en verantwoordelijkheden lopen dan uiteen. Dit speelt zich in de kern af op organisatorisch niveau; de techniek die deze processen ondersteunt, is meestal niet de oorzaak maar volgt op keuzes die al eerder in het datamanagement zijn gemaakt.
Menselijke factoren. Niet elk knelpunt is technisch of procedureel. Soms speelt onderlinge concurrentie tussen afdelingen of organisaties mee, of de wens om zelf grip te houden op “eigen” data. Dat soort knelpunten wordt zelden hardop benoemd, maar heeft net zo veel invloed op het resultaat.
De meeste knelpunten zijn te herkennen aan een aantal signalen:
Wie deze signalen herkent, is al een stap verder dan organisaties die pas actie ondernemen zodra er daadwerkelijk iets misgaat.
Voordat er wordt geïnvesteerd in nieuwe tooling, is het waardevol om eerst een aantal fundamentele vragen over het datamanagement te beantwoorden:
Een veelgemaakte misvatting is dat kwaliteit een aparte inspanning is, los van governance en beheer. In de praktijk werkt het als een keten. Governance bepaalt de spelregels: wie mag wat, wie is eigenaar, welke standaarden en definities gelden. Beheer is de dagelijkse uitvoering van die regels. Gegevenskwaliteit is vervolgens het resultaat van die twee, niet een losstaande stap ernaast. Organisaties die kwaliteit proberen te verbeteren zonder eerst governance en beheer op orde te hebben, blijven symptomen bestrijden in plaats van oorzaken aan te pakken.
De opkomst van AI-toepassingen voegt een nieuwe laag toe aan dit vraagstuk. Waar voorheen vooral mensen en applicaties gegevens raadpleegen, doen AI-systemen en nieuwe technologieën zoals MCP-servers dat inmiddels ook. Dat stelt aanvullende eisen aan de manier waarop metadata wordt vastgelegd en beheerd: niet alleen de data zelf moet kloppen, ook de beschrijving ervan moet eenduidig en machine-leesbaar zijn. Dit onderwerp verdient een eigen verdieping, maar is voor nu vooral relevant om mee te nemen als extra reden om metadata een vast onderdeel van de governance-inrichting te maken.
Wat is het verschil tussen primaire en secundaire gegevens? Primaire gegevens zijn rechtstreeks vastgelegd bij de bron. Secundaire gegevens zijn afgeleid, gekopieerd of op een andere manier bewerkt. Het verschil bepaalt hoe betrouwbaar en actueel een gegeven is.
Waarom leiden verschillende definities tot knelpunten in gegevensbeheer? Wanneer organisaties eenzelfde begrip anders definiëren, ontstaat ruis bij het combineren van gegevens, ook wanneer alle systemen op zichzelf goed functioneren. Het probleem zit dan in het datamanagement, niet in de techniek.
Is gegevenskwaliteit vooral een technisch vraagstuk? Nee. Governance, eigenaarschap, naamgeving en een gedeeld datamodel zijn minstens zo bepalend voor de uiteindelijke kwaliteit van gegevens als de techniek eromheen.
Waar moet een organisatie beginnen als zij gegevensuitwisseling wil verbeteren? Bij governance: het vastleggen van spelregels, eigenaarschap en definities. Pas daarna volgen beheer en, als resultaat daarvan, betere kwaliteit.
Wat verandert er door de opkomst van AI in gegevensbeheer? AI-systemen worden nieuwe gebruikers van data. Dat vraagt om metadata die niet alleen voor mensen, maar ook voor machines eenduidig te interpreteren is.
Aan de slag
Herkent u een aantal van deze knelpunten in uw eigen organisatie? Plan een vrijblijvend gesprek met een van onze dataspecialisten. Zij helpen u om uw huidige situatie in kaart te brengen en de knelpunten in governance, naamgeving en eigenaarschap te benoemen. We vertalen complexe datavraagstukken naar begrijpelijke en uitvoerbare stappen. Geen grote en complexe rapporten, maar concrete adviezen waarmee u direct aan de slag kunt.
