Stel: je beschikt als organisatie over een grote hoeveelheid klantdata. Je hebt deze door de jaren heen verzameld, maar er nooit iets anders mee gedaan dan de administratie. Nu vermoed je dat je door deze data slim in te zetten, je niet alleen je klanten beter kunt bedienen, maar ook jezelf. Bijvoorbeeld door het bieden van veel meer op maat gesneden dienstverlening, of door onder je klanten bepaalde risicogroepen te identificeren. Er lijkt weinig reden om hier niet vol op in te zetten. Meer rendement, minder kosten, wie wil dit nou niet? Toch heb je een onbestemd gevoel…
Onbestemd, maar niet onterecht
Hoewel het een aantrekkelijk idee is dat de data voor je werken, ben je zelf degene die erop wordt afgerekend als het mis gaat. En die de vraag moet beantwoorden waarom persoon X een korting krijgt en persoon Y een deurwaarder. Of waarom in de ene straat elk kwartier een politieauto langskomt en in de andere twee keer per week een wijkagent. Kun je niet uitleggen wat je doet, dan moet je jezelf afvragen of wat je doet wel kan. En of je dat wel wilt.
Zelfs als iets wettelijk mag en een fantastische business case heeft, zijn er ethische afwegingen. Komen we tot eerlijke keuzes? Weegt het voordeel dat de ene groep ervan heeft op tegen het nadeel dat de andere groep ervaart? Kan ik goed uitleggen en verantwoorden wat ‘de computer’ of ‘het algoritme’ doet?
Hoe je dit soort keuzes maakt en welke maatstaven je hierbij hanteert, is van oudsher het domein van de ethiek. Betreffen deze keuzes het gebruik van data, dan spreken we van data-ethiek. Maar probeer het maar eens: een gestructureerde discussie voeren over ethiek. Iedere deelnemer aan deze discussie brengt zijn eigen afwegingen en beelden mee. Ethische discussies ontaarden dan ook niet zelden in principiële en hardnekkige stellingnames. Hoe voer je dan een gestructureerde discussie over ethiek? Met een concreet resultaat?
Kleur bekennen
Een goede en praktische manier om hier in de praktijk handen en voeten aan te geven is toepassing van de DEDA (De Ethische Data Assistent), een workshopmethodiek die is ontwikkeld vanuit de Utrecht Data School (onderdeel van de Universiteit van Utrecht) en waarvoor VKA een licentie heeft. De kern van DEDA is dat je als project, maar ook als organisatie gedwongen wordt om kleur te bekennen. Welke afwegingen moeten we maken? En wat vinden we wel en wat vinden we niet kunnen? Korte termijn resultaat van een DEDA is dat deze vragen voor een concreet project worden beantwoord. Pas je de methodiek echter structureel toe, dan helpt het je ook om een normenkader te ontwikkelen dat je veel breder in je organisatie kunt toepassen en ook extern kunt uitdragen.
Belangstelling?
Als je als organisatie graag meer uit je data wilt halen, maar dit wel op een bewuste manier wil doen, dan nodigen we je van harte uit eens verder te praten over de inzet van de DEDA-methodiek. Of beter nog: het eens een keer te proberen.