Whitepaper in een serie over HR Analytics Elke organisatie neemt voortdurend HRM-beslissingen, zoals over het aannamebeleid, de beloning en talentmanagement. Wanneer ze daarbij gebruik maken van predictive analytics, oftewel voorspellende analyse, kunnen organisaties de kans berekenen dat een individuele medewerker bepaald gedrag gaat vertonen. Voorspellende analyse leidt daardoor tot betere besluiten en maakt het mogelijk om gericht actie te ondernemen. Inhoud: • Inleiding 1. Zorg voor kwalitatief hoogwaardige data 2. Maak de stap van dataverzameling naar rapportage 3. Ontwikkel voorspellende modellen op basis van historische data 4. Gebruik voorspellende modellen om inzicht te krijgen 5. Baseer HRM-maatregelen op inzichten uit voorspellende analyses • Conclusie
MULTIFILE
Dit is alweer de vijfde editie van het congres Met het oog op behandeling. De afgelopen jaren hebben we gezien dat de maatschappelijke belangstelling voor mensen met een licht verstandelijke beperking (LVB) sterk toeneemt. Dit jaar is er zelfs een Interdepartementaal Beleidsonderzoek gedaan door diverse ministeries over de positie van mensen met een LVB in de Nederlandse samenleving. In het onderzoeksrapport wordt gepleit voor het verbeteren van de communicatie tussen algemene voorzieningen en deze burgers. Voor alle professionals in het brede sociaal domein wordt aanbevolen dat zij meer kennis en vaardigheden moeten hebben voor hun hulp- en dienstverlening aan mensen met een LVB. Dat geldt voor alle professionals in het sociaal domein en in het bijzonder voor professionals die werken voor cliënten met een LVB waarbij sprake is van ernstige gedragsproblematiek en psychische problemen. In dat geval moet je kunnen omgaan met ‘onbegrepen gedrag’ en agressie en wil je beschikken over de beste, actuele kennis op dat gebied.
DOCUMENT
Whitepaper in een serie over HR Analytics. Steeds vaker worden HRM-beslissingen gebaseerd op voorspellende modellen die ontwikkeld zijn op basis van historische data. In deze whitepaper bespreken we een aantal best practices die organisaties daarbij kunnen helpen. Zo is het belangrijk om goed te letten op de oorsprong van gegevens. Objectieve meetgegevens zijn bijvoorbeeld vaak van grotere waarde dan subjectieve antwoorden uit enquêtes. Wanneer een organisatie data wil verzamelen voor een People Analytics-project, is het daarnaast belangrijk om zeker te weten dat er meetinstrumenten worden gekozen die ook echt meten wat ze beogen te meten. Inhoud: • Inleiding 1. Kies de juiste steekproef 2. Let op de grootte van de steekproef 3. Geef de voorkeur aan objectieve gegevens 4. Zorg voor valide meetinstrumenten 5. Koppel data op een privacyvriendelijke manier 6. Denk na over het gebruik van gemiddelden 7. Verwar oorzaak en gevolg niet 8. Laat je niet foppen door percentages 9. Let op verklaarde variantie 10. Kijk altijd naar de netto opbrengst 11. Voer waar nodig extra analyses uit 12. Maak voldoende tijd vrij voor Analytics • Conclusie
MULTIFILE
Dossiervorming speelt een grote rol binnen de fysiotherapie. Behandelingen worden minutieus vastgelegd en patiënten vullen vragenlijsten in over het beloop van hun klacht. Fysiotherapeuten willen deze data inzetten om grip te krijgen op hun behandeltrajecten. Praktijken die kwalitatief goede, effectieve en doelmatige zorg leveren, ontvangen namelijk de hoogste behandeltarieven van zorgverzekeraars. Eigenaren van fysiotherapiepraktijken ervaren twee belangrijke knelpunten bij het verzilveren van hun eigen data. Ze hebben namelijk zelf geen toegang tot deze gegevens. Daarnaast krijgen praktijken alleen informatie op basaal niveau teruggekoppeld en dat is niet toereikend om de kwaliteit van de fysiotherapeutische zorg te verbeteren. Het lectoraat Performing Arts Medicine van Codarts Rotterdam heeft veel expertise op het gebied van dossiervorming binnen de (para)medische zorg, sport en podiumkunsten. Fysiotherapie-praktijken hebben daarom het lectoraat benaderd om gezamenlijk te werken aan betekenisvolle dossiervorming. Doel van het project is om patiëntgegevens en behandelgegevens tussen fysiotherapiepraktijken te delen en met deze grootschalige dataset voorspellende modellen te ontwikkelen. Deze predictiemodellen gebruiken praktijken om de patiënttevredenheid te verbeteren. Praktijken met een hoge patiënttevredenheid komen in aanmerking voor hogere behandeltarieven, wat een positief effect heeft op de bedrijfsvoering. De volgende twee onderzoeksvragen staan in het project centraal: 1. Hoe kunnen behandelgegevens op betekenisvolle wijze teruggekoppeld worden aan praktijkeigenaren? 2. Kunnen predictiemodellen opgesteld worden die praktijkeigenaren inzicht geven in het verbeteren van patiënttevredenheid met de fysiotherapeutische zorg? Het project is gericht op kennisontwikkeling en –toepassing en levert de volgende resultaten op: 1. Een dashboard dat relevante behandelinformatie op begrijpelijke wijze terugkoppelt aan fysiotherapeuten en praktijkeigenaren. 2. Predictiemodellen die inzicht geven in het verbeteren van de patiënttevredenheid met de fysiotherapeutische zorg. Het project wordt uitgevoerd door 2 hogescholen (Codarts Rotterdam en Hogeschool van Arnhem en Nijmegen), 1 universiteit (Erasmus Medisch Centrum), 7 mkb-bedrijven (6 fysiotherapiepraktijken en softwareontwikkelaar System4) en 1 beroepsorganisatie (het Nederlands Paramedisch Instituut).
De kraamzorg speelt een cruciale rol in de Nederlandse gezondheidszorg, maar kampt steeds meer met personeelstekorten, wat de kwaliteit van zorg onder druk zet. Volgens een rapport van de Inspectie Gezondheidszorg en Jeugd (GJZ) heeft dit tekort een significante impact op de kwaliteit van de kraamzorg. Kraamzorgorganisaties moeten vaak zorguren verminderen tijdens geboortepieken en in sommige gevallen hun werkgebied verkleinen. Verder is het plannen van kraamzorgmedewerkers uitdagend. Kraamzorgorganisaties plannen hun zorgverleners op basis van de verwachte bevallingsdatum, die vaak enkele dagen tot zelfs weken afwijkt van de werkelijke bevallingsdatum. Deze onzekerheid maakt het lastig om de zorgcapaciteit efficiënt te organiseren en zorgt voor planningsproblemen, omdat de daadwerkelijke bevallingsdatum moeilijk te voorspellen is. Dit onderzoek richt zich op het verbeteren van de planbaarheid van de kraamzorg op twee manieren. Enerzijds wordt in nauwe samenwerking met Atermes, marktleider in administratieve software voor de kraamzorg, onderzocht of de bevallingsdatum nauwkeuriger kan worden voorspeld. Hierbij wordt een afweging gemaakt tussen het gebruik van de grote hoeveelheid historische data over het kraamzorgproces, die Atermes beschikbaar kan stellen, en de ethische/juridische aspecten van het gebruik van deze data, evenals van voorspellende modellen zoals Machine Learning. Anderzijds zal, samen met de kraamzorgorganisaties, worden onderzocht of tijdens de zwangerschap, en met name in de periode rond de uitgerekende bevallingsdatum, de verschillende stakeholders in dit proces meer informatie kunnen delen die indicatief kan zijn voor het moment van bevalling.
Dit voorstel richt zich op het verkennen van machine learning (ML) mogelijkheden om mkb-bedrijven te onder-steunen bij het verbeteren van hun productieplanning en besturing. Uit interviews met verschillende bedrijven is gebleken dat ze worstelen met plannings- en besturingsproblemen, zoals hoge variatie in de klantvraag, onbe-trouwbare voorcalculaties van capaciteitsbehoefte. Bedrijven zijn continu bezig om hun productieproces en de planning- en besturing hiervan te verbeteren. Ze verwachten hierin een volgende stap te zetten door gebruik te maken van de steeds ruimere (real-time) beschikbaarheid van orderstatus en productiedata. Ze worstelen ech-ter met het waarde toevoegend inzetten van de beschikbare data. Dit KIEM-onderzoek verkent welke bestaande machine learning modellen toepasbaar zijn om de productie planning en besturing van mkb-bedrijven te verbeteren. Deze machine learning modellen kunnen worden inge-zet bij voorspellende analyses om zo te kunnen acteren op bijvoorbeeld bottlenecks in het productieproces. Het onderzoek vloeit voort uit de het RAAK-mkb project ‘Organized Digital Factory’, waar we met mkb-bedrijven bezig zijn hun data te ontsluiten met digital twinning. Mkb-bedrijven verwachten de ontsloten data met ML-modellen in te zetten om zo de hoge variatie in de klantvraag beter te plannen én de productie sneller bij te sturen. Met dit KIEM-onderzoek sluiten we aan bij de roadmap Smart Industry op de volgende punten: Cyber Physical Systems, Digital Twin, Mass Customization, Production Management. Daarnaast sluit het aan bij KIA sleutel-technologieën: Data sciencie and data analystics, digital twinning and immersive tecnologies.
