4

Hoeveel ontwikkelingsdata is genoeg?

NAIROBI – Door de snelle technologische vooruitgang zijn de kosten van het verzamelen van data dramatisch gedaald. Sensoren in de ruimte, de lucht, het laboratorium en het veld, naast nieuwe mogelijkheden voor crowdsourcing en de wijdverbreide adoptie van internet en mobiele telefoons, zorgen ervoor dat grote hoeveelheden informatie beschikbaar komen voor mensen die daar voorheen niet bij konden. Een kleine boer op het Afrikaanse platteland heeft nu bijvoorbeeld toegang tot weersvoorspellingen en marktprijzen met één klik op een schermpje.

Deze datarevolutie biedt enorme mogelijkheden voor verbeteringen van besluitvormingsprocessen op ieder niveau – van de plaatselijke boer tot wereldomvattende ontwikkelingsorganisaties. Maar het verzamelen van data is niet genoeg. De informatie moet ook beheerd en geëvalueerd worden – en het op de juiste manier omgaan daarmee kan veel gecompliceerder en duurder zijn dan de pogingen om die informatie te verzamelen. Als de besluiten die moeten worden verbeterd niet eerst ordentelijk worden geïdentificeerd en geanalyseerd, is er een groot risico dat veel van de inspanningen van het vergaren van data voor niets zullen zijn.

 1972 Hoover Dam

Trump and the End of the West?

As the US president-elect fills his administration, the direction of American policy is coming into focus. Project Syndicate contributors interpret what’s on the horizon.

Deze conclusie zelf is gebaseerd op een empirische analyse. Er zijn bijvoorbeeld weinig aanwijzingen dat het monitoren van initiatieven in de landbouw of het milieubeheer een positieve impact heeft gehad. Uit een kwantitatieve analyse van besluiten op vele gebieden, waaronder het milieubeleid, zakelijke investeringen en cyberveiligheid, blijkt dat mensen de neiging hebben de hoeveelheid data te overschatten die nodig is om een goed besluit te nemen, of dat ze niet goed begrijpen welk soort data nodig is.

Bovendien kunnen zich ernstige vergissingen voordoen als grote datasets worden geraadpleegd met behulp van machinale algoritmes zonder dat er eerst goed is nagedacht over het besluit dat moet worden genomen. Er zijn veel voorbeelden van gevallen waarin datamining tot de verkeerde conclusie heeft geleid – onder meer bij medische diagnoses of juridische zaken – omdat deskundigen in het veld niet werden geconsulteerd en cruciale informatie uit de analyse was weggelaten.

De wetenschap van de besluitvorming, waarbij inzicht in het gedrag wordt gecombineerd met universele principes van samenhangende besluitvorming, beperkt deze risico's door empirische data aan deskundige kennis te koppelen. Als de datarevolutie ten dienste moet staan van duurzame ontwikkeling, moeten de beste praktijken op dat terrein in de pogingen worden meegenomen.

De eerste stap is het identificeren en 'framen' van telkens terugkerende beslissingen. Op het terrein van de ontwikkeling gaat het dan om grootschalige beslissingen als bestedingsprioriteiten van overheden en internationale organisaties, maar ook om keuzes die op veel kleinere schaal worden gemaakt: boeren die zich afvragen welke gewassen ze moeten planten, hoeveel mest ze moeten gebruiken, en wanneer en waar ze hun producten moeten verkopen.

De tweede stap is het bouwen van een kwantitatief model van de onzekerheden bij zulke beslissingen, inclusief de diverse triggers, gevolgen en verzachtende omstandigheden, en de verschillende kosten, voordelen en risico's die daarmee gepaard gaan. Het incorporeren – in tegenstelling tot negeren – van moeilijk te meten, zeer onzekere factoren leidt tot de beste beslissingen.

Als het ten dienste staat van duurzame ontwikkeling zal zo'n model vaak het projecteren van de impact van interventies op de levensomstandigheden en het milieu, over een tijdspanne van diverse decennia, omvatten. Dit proces is het succesvolst als er stakeholders en deskundigen bij betrokken worden, die de relevante variabelen en hun onderlinge betrekkingen kunnen identificeren. Deze deelnemers moeten worden getraind om met kwantitatieve schattingen te kunnen komen over hun onzekerheid rond de verschillende variabelen. Deskundigen kunnen bijvoorbeeld met 90% vertrouwen, gebaseerd op de beschikbare data en hun eigen ervaring, inschatten dat de gemiddelde maisoogst in een bepaald gebied 0,5 tot 2 ton per hectare zal bedragen.

De derde stap is het berekenen van de waarde van het verkrijgen van extra informatie – iets wat alleen maar mogelijk is als de onzekerheden in alle variabelen gekwantificeerd zijn. De waarde van informatie is het bedrag dat een rationele beslisser bereid zou zijn ervoor te betalen. We moeten dus weten waar extra data waarde kunnen bijdragen aan de verbetering van een besluit en hoeveel we daaraan zouden moeten uitgeven. In sommige gevallen is misschien geen extra informatie nodig om een goed besluit te kunnen nemen; in andere gevallen kan het verkrijgen van nog meer data miljoenen dollars waard zijn.

Dit proces moet worden herhaald totdat er geen waarde meer schuilt in het verkrijgen van data en er een goed besluit – een logische conclusie, gebaseerd op de informatie, waarden en voorkeuren van de beslissers of het besluitvormende lichaam – is bereikt. Het biedt beslissers en stakeholders inzichten in hoe ze hun beleid kunnen verbeteren om positieve resultaten te bevorderen en de risico's terug te dringen, zoals de mogelijkheid van een lage adoptiegraad of beperkte institutionele capaciteit voor effectieve implementatie.

Fake news or real views Learn More

Het is niet genoeg om eenvoudigweg aan te nemen dat de datarevolutie gunstig zal zijn voor de duurzame ontwikkeling. Voor het verzekeren hiervan is het nodig het belang van rigoureuze analyse te onderkennen bij iedere inspanning op het gebied van het vergaren van data, evenals die van de vorming van een nieuwe generatie wetenschappers op dit terrein, die moet kunnen samenwerken met de beleidsmakers.

Vertaling: Menno Grootveld