In deze openbare les geef ik in vogelvlucht een overzicht van recente kennis, onderzoek en (inter)nationaal beleid op het gebied van bedrijfsoverdracht. In hoofdstuk 1 baken ik het domein en de theorieen af en formuleer ik een onderzoeksagenda. In hoofdstuk 2 ga ik in op het belang van bedrijfsoverdrachten voor nationale economieen in Europa en op een kader voor beleid bij bedrijfsoverdrachten. Hoofdstuk 3 bespreekt het profiel van overnemers en opvolgers in vergelijking tot starters en de effecten van hun profiel op de bedrijfsresultaten. In hoofdstuk 4 zet ik de aandachtspunten voor de 'body of practice' uiteen, waaronder het gebruik van de Opvolgingsscan, een instrument waarmee ondernemers kunnen zien hoe zij ervoor staan in de aanloop naar verkoop van het bedrijf.
Ook binnen het human capital domein van organisaties wordt data-analyse steeds meer ingezet ten behoeve van evidence based besluitvorming, op zowel operationeel-, tactisch-, als strategisch niveau. Geïnspireerd door succesverhalen van organisaties die vele tientallen miljoenen aan besparingen hebben gerealiseerd, en tegelijkertijd de productiviteit en bevlogenheid van medewerkers hebben verbeterd, wordt People Analytics mainstream. Mede doordat de human capital kosten in organisaties (bv. recruitment, salaris, training, ziekteverzuim) gemiddeld ongeveer 60% van de totale organisatiekosten omvatten, is de potentiele invloed van People Analytics op het succes van organisaties aanzienlijk15. Bovendien is het human capital domein traditioneel een terrein waar veel data worden vastgelegd, denk bijvoorbeeld aan functionerings- en beoordelingsdata, data over trainingen en opleidingen, en salarisgegevens. Daarnaast zijn er buiten de organisatiegrenzen steeds meer social mediadata over potentiele medewerkers beschikbaar, die – uiteraard binnen de wettelijke en ethische kaders – gebruikt kunnen worden voor onder andere arbeidsmarktanalyse
Het aantal kinderen dat slachtoffer is van kindermishandeling en huiselijk geweld is hoog en al jaren constant. Met de komst van moderne digitale technologieën wordt voorzichtig verkend of er oplossingsrichtingen liggen ten aanzien van dit probleem. Hoewel technologieën zoals big data en machine learning potentie hebben in het analyseren van grote hoeveelheden data en dus ook in het mogelijk (eerder) signaleren van kindermishandeling, zijn er de nodige programmatische en ethische overwegingen waar rekening mee dient te worden gehouden. Indien mogelijke toepassingen nader worden verkend, is het tevens van belang dat professionals binnen het sociale domein ook kennis hebben van de werking van de diverse vormen van digitale technologie en dat er wordt intensief wordt samengewerkt met de verschillende domeinen waarin de technologie nader wordt ontworpen.
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.
