Devoteam voorspelt sociaal domein budgetten met machine learning

Sinds de invoering van de decentralisatie kampen veel gemeenten met het grip krijgen op de zorgkosten, en in het bijzonder wat de vergrijzing en de effecten daarvan betekenen voor de zorgkosten binnen gemeenten over een termijn van 2 tot 5 jaar.

Hedendaagse technologische ontwikkelingen bieden gemeentes de mogelijkheid om prognoses te stellen op basis van machine learning. Onlangs heeft Devoteam bewijs geleverd dat een goede voorspelling van toekomstige kosten voor huishoudelijke hulp bij gemeentelijke organisaties nog beter kan met machine learning.

Gemeentelijke budgetprognoses met machine learning

In de afgelopen jaren keken veel Nederlandse gemeenten aan tegen een verschil tussen het budget en de daadwerkelijke kosten. Dit vooral op het gebied van sociaal domein thema’s in de WMO zoals huishoudelijke hulp en jeugdzorg. Soms moesten gemeenten al vroeg tijdens de periode budgetten binnen het sociaal domein bijstellen. Dit veroorzaakte kostbare en langdurige beslissings- en bijstellingsprocessen.

In andere gevallen hadden gemeenten te veel budget per thema gereserveerd en beschikbare financiële middelen bleven aan het einde van de ramingsperiode onbesteed. Deze middelen hadden voor andere sociaal domein thema’s nuttig kunnen zijn.

Kortom, het gebrek aan data gedreven voorspellingen over toekomstige budgetten veroorzaakt inefficiënties en (maatschappelijke) kosten. Devoteam heeft voor gemeenten met soortgelijke uitdagingen een oplossing ontwikkeld die hen in staat stelt data gedreven prognoses te maken: met machine learning.

De case: voorspelbaarheid van sociaal domein budgetten

Recent was Devoteam Data & Analytics in gesprek met een middelgrote Nederlandse gemeente. Deze gemeente wilde in samenwerking met Devoteam onderzoeken of social domein budgetten voorspeld kunnen worden middels machine learning. De door Devoteam geïnitieerde analyse focuste zich op de voorspelling van het aantal cliënten basis diensten huishoudelijke hulp.

Desondanks heeft Devoteam machine learning modellen met meer dan 95% exactheid op de testset gemaakt.

In eerste instantie leken de beschikbaarheid van historische (geanonimiseerde) data, betreffende zowel het beperkte aantal meetmomenten als het beperkte aantal variabelen, mede als de korte projectdoorlooptijd van twee weken, erg belemmerende factoren. Desondanks heeft Devoteam machine learning modellen met meer dan 95% exactheid op de testset gemaakt. De uit de modellen berekende voorspellingen van het aantal cliënten basis diensten huishoudelijke hulp waren zeer realistisch en kwamen dicht in buurt van wat door alle partijen op voorhand verwacht was. Echter er waren ook aantoonbare verschillen die veel inzicht opleverden. Dit op zichzelf, maar ook de potentie voor verbetering, geeft nu vertrouwen dat verfijnde machine learning algoritmen zeer betrouwbare budget prognoses kunnen genereren.

Datakwaliteit en relevante aanvullende variabelen

Om deze weg van machine learning verder te bewandelen moet deze gemeente eerst aan de datakwaliteit van relevante aanvullende variabelen werken. Om aan te tonen dat het verrijken van de data met nieuwe variabelen werkelijk iets kan toevoegen, heeft Devoteam in andere bronnen naar variabelen gezocht en zodoende bij het CBS een groot aantal socio-economische en demografische informatie opgespoord.

Deze variabelen werden op postcode niveau gekoppeld en getoetst op correlaties met het huishoudelijke hulp percentage. Dit leverde tientallen variabelen met geode en sterke positieve of negatieve correlaties op. Bijzonder verrassend was dat het huishoudelijke hulp percentage correleerde met de percentages huishoudens in bezit van brommobiel en/of motorfiets. Machine learning methoden houden rekening met (de combinatie van) invloedrijke variabelen.

Bijzonder verrassend was dat het huishoudelijke hulp percentage correleerde met de percentages huishoudens in bezit van brommobiel en/of motorfiets.

Het palet van relevante variabelen zal Devoteam zo gevraagd kwalitatief verbeteren om deze aan de analyse sets voor machine learning modellen toe te kunnen voegen. De mogelijkheden om budgetten betrouwbaar te voorspellen zullen groeien als in de toekomst steeds méér huishoudelijke hulp data vrijkomt, en daardoor zowel het tijdsbestek van beschikbare data als het aantal meetpunten toeneemt.

Het resultaat: verfijnde machine learning modellen

De kennisgeving dat aanvullende invloedrijke variabelen in gemeentelijke bronsystemen bestaan, geeft Devoteam het vertrouwen verfijnde machine learning modellen te maken. Zo wordt het vraagstuk bij deze gemeente op innovatieve wijze opgelost. Er is nu veel werk aan de winkel om geïnteresseerde Nederlandse gemeenten met het palet van sociale domein thema’s en subthema’s te voorzien van budget voorspellingsmodellen.

machine-learning-sociaal-domein

Zo helpt geavanceerde data analyse met behulp van machine learning gemeenten proactief om te gaan met budgettekorten en -overschotten. Het vragen om extra financiële middelen vanuit de overheid is een relatief langdurig proces. De mogelijkheid om toenemende kosten vroegtijdig te kunnen signaleren zorgt ervoor dat gemeenten tijdig (extra) budgetten kunnen aanvragen én budget overschrijdingen vermijden. Naast de waarde die dit biedt voor gemeentelijke meerjarenramingen op het gebied van de Wet Maatschappelijke Ondersteuning (WMO), kan machine learning ook ingezet worden voor bijvoorbeeld jeugdzorg, participatie, etc.

Machine learning als input voor (bij)sturen van beleid

Naast kostenbeheersing en de voorspelling van sociaal domein budgetten biedt machine learning een uitstekende basis voor het het (bij) sturen van beleid. Door vooruit te kijken kunnen organisaties binnen het sociaal domein vroegtijdig reageren op ontwikkelingen. Een versimpeld voorbeeld: Door advanced data analytics met machine learning is gevonden dat de vraag naar huishoudelijke hulp in de komende jaren gaat toenemen. Vervolgens kan meteen budget worden aangevraagd voor deze kosten toename. Ook kan de gemeente alvast starten met het opstellen van een plan voor het vergroten van capaciteit m.b.t. huishoudelijke hulp. Zo kan gericht en proactief worden gestuurd binnen gemeentes.

Voor vragen over dit artikel of machine learning kunt u contact opnemen met Uwe Kirsten, senior consultant advanced analytics bij Devoteam Nederland (uwe.kirsten@devoteam.com). Voor interesse in een samenwerking met Devoteam kunt u contact opnemen met Marc Bovy, manager Data & Analytics bij Devoteam Nederland (marc.bovy@devoteam.com), of met Sjoerd Veen, accountmanager overheid bij Devoteam Nederland (sjoerd.veen@devoteam.com).

devoteam

Contact

Uwe Kirsten