Wat is de toegevoegde waarde van analytics in de arbo-wereld?

Gezondheidsmanagement
Achtergrondartikel
Wat is de toegevoegde waarde van analytics in de arbo-wereld?

In de arbo-wereld wordt nog niet veel met data-analyses gewerkt.Toch kunnen deze heel waardevol zijn. Dit artikel beschrijft welke data  je nodig hebt en hoe kun je dit het beste kunt aanpakken. Ook in het kader van de privacy. 

Stel, een werknemer meldt zich ziek. Hoe groot is dan de kans dat hij langdurig uitvalt? Of dat hij over een tijdje weer ziek is? En misschien nog belangrijker: hoe had zijn verzuim voorkomen kunnen worden? Daar kun je een uitspraak over doen op basis van buikgevoel en ervaring, maar als je meer wilt weten heb je data nodig. Voorspellende analyses, om precies te zijn.

Voorkomen

In het verleden richtten veel arbodiensten zich vooral op het verzuimproces zelf en hoe je dat kunt verkorten. Daar is zeker winst te behalen, maar eigenlijk ben je dan al te laat. Tegenwoordig is het interessanter om je af te vragen: wat gaat er aan dat verzuim vooraf? Als je dat weet kun je ingrijpen vóórdat mensen ziek worden. 

Met analyses kun je bijvoorbeeld de samenhang tussen vitaliteit en verzuim onderbouwen. Aantonen dat werknemers inderdaad minder uitvallen als ze zich vitaler voelen. En achterhalen wat invloed heeft op de vitaliteit van de werknemer. 

Elke organisatie is uniek

Natuurlijk, daar is allerlei onderzoek naar gedaan en er zijn genoeg theorieën over. Uit onderzoek blijkt bijvoorbeeld dat er bij frequent verzuim een grotere kans is op lang verzuim in de toekomst. Ook blijkt uit recent onderzoek dat kantoortuinen leiden tot verzuim

Interessant, maar dat geldt dus voor het gemiddelde bedrijf. Of soms zelfs specifiek voor het bedrijf waar dat onderzoek gedaan is. In de praktijk is dat voor elke organisatie anders. Hoe zit het bij jouw bedrijf? Dat kun je alleen maar toetsen met data van je eigen organisatie. 

Werken de mensen in jouw organisatie veel buiten of juist binnen? Zitten ze in een kantoortuin of werken ze vanuit huis?? Werken ze met roosters? Werken ze agile? Er zijn zoveel factoren die invloed hebben. Wat zijn de belangrijkste voor jouw organisatie? Dat kunnen onze hersenen niet berekenen, dat is veel te complex. Daar heb je data en analyses voor nodig. 

Beleid maken

Als je het verband tussen vitaliteit en verzuim hebt aangetoond en je weet wat in jouw organisatie de vitaliteit beïnvloedt in het dagelijks werk, kun je daar beleid op maken om verzuim voor te zijn. Komt uit de analyse dat werknemers te lang zitten op een dag? Dan kun je hen daar bewust van maken en hen bijvoorbeeld aanmoedigen om in de pauze een wandeling te maken. Misschien schaf je zelfs hometrainers aan, of zit-sta bureaus.

Daar is echter wel budget voor nodig. Hoe ga je de organisatie overtuigen met een onderbouwd advies? Wederom, met data. Met de analyses kun je zwart op wit laten zien dat deze werknemers te veel zitten en wat de maatregelen die jij op het oog hebt, kunnen opbrengen. Je kunt voor 1 afdeling zit-sta bureaus aanschaffen en hen aansporen tot lunchwandelingen, en vervolgens meten wat dat met hun vitaliteit en verzuim doet. Zo kun je aantonen dat jouw vitaliteitsprogramma werkt.

Risicogroepen

Binnen een organisatie kunnen de verschillen groot zijn. Behandel jij elke verzuimende werknemer van een organisatie hetzelfde? Dat kost veel tijd en geld. Zou je dat geld en die tijd niet liever investeren in de 20% van de werknemers die het grootste risico lopen om ziek te worden? Data kan je daarbij helpen. 

Met de juiste data kun je analyseren waar de risicogroepen zitten in jouw organisatie. De gemiddelde statistieken vertellen ons bijvoorbeeld dat vrouwen vaker ziek zijn dan mannen, vooral vrouwen tussen de 25 en 35 jaar met kinderen. Interessant, maar die informatie is pas waardevol als je weet of dat ook de risicofactoren in jouw organisatie zijn. Als je weet wie in jouw organisatie tot de risicogroepen behoren, kun je mogelijke risico’s in de toekomst veel beter signaleren en daar als verzuimconsulent of case manager op inspelen.

Als je weet wie jouw risicogroepen zijn, weet je ook of je de juiste instrumenten gebruikt. De gemeente Den Haag is daar een mooi voorbeeld van. Zij zetten als instrument workshops en trainingen in om de vitaliteit onder hun werknemers te verhogen en hen van risico’s op de hoogte te brengen. Wat bleek na een data analyse? Ze bereikten 1 van de risicogroepen helemaal niet met dat instrument. Die groep ging nooit naar de trainingen en workshops. Toen ze dat wisten, zijn ze hen op een andere manier gaan benaderen.

Verkorten

Meldt een werknemer zich toch ziek? Ook dan is het interessant om te analyseren hoe je daar als werkgever het beste mee om kunt gaan. Over het verkorten van verzuim bestaan genoeg theorieën. Als je een werknemer 1 dag na zijn ziekmelding belt, gaat hij gemiddeld sneller weer aan het werk dan wanneer je hem na 3 dagen belt, bijvoorbeeld. Maar ook hier is de vraag is: geldt dat ook voor jouw bedrijf? Of is het in dit geval beter om de dag zelf al te bellen? Wellicht laat je je verzuimbegeleiding afhangen van de berekende kans dat de melder langdurig uitvalt. En als je dat toepast, verzuimen mensen dan inderdaad korter?

Zo zijn er nog veel meer variabelen die waardevol zijn om te analyseren. Wat is het belang van bepaalde stappen in het verzuimproces? Wat is het beste moment om die stappen te zetten? Welke zaken hebben de meeste impact op een snelle doorstroom? Wat is de invloed van de leidinggevende of casebegeleider op dat proces? Dat kun je allemaal onderzoeken. 

Dan zijn er nog de werknemers die vaker ziek zijn. Na hoeveel ziekmeldingen grijp je in en ga je een gesprek aan? Veel bedrijven doen dat na een standaard van 3 ziekmeldingen. Is dat ook bij jouw bedrijf verstandig? Dat weet je pas als je met je eigen data aan de slag gaat. Misschien is het beter om na 2 of 5 keer in gesprek te gaan. Ook dat kun je per groep binnen de organisatie bekijken.

Welke data heb je daarvoor nodig?

Krijg je al zin om met data en analyses aan de slag te gaan? Begin dan eerst met monitoren: hoe staan we ervoor? Moeten we ons beleid veranderen of niet? Dat leid je af uit een aantal kengetallen. Er is ontelbaar veel data waar je die kengetallen uit kunt halen, waaronder natuurlijk de verzuimdata. Denk aan het nul-verzuim, de verzuimfrequentie, de gemiddelde verzuimduur, het verzuimpercentage en de verzuimkosten. Maar denk ook aan andere kengetallen die voorafgaan aan verzuim, zoals vitaliteit en welzijn.

Na het monitoren ga je analyseren. Daarvoor heb je andere data nodig. Denk aan zaken als: wat is de functie, hoe zwaar is de functie, werkt men binnen of buiten, bij welke temperatuur, hoe ziet het kantoor eruit, hoe lang zit die persoon al in die functie, hoe lang werkt hij al bij deze organisatie, hoeveel collega’s zitten er in een team – je kunt het zo gek niet bedenken. Die variabelen bepaal je door te brainstormen en te praten met medewerkers, arbodienst, HR, lijnmanagement et cetera. Vervolgens haal je die variabelen uit je interne systemen.

Out of the box

Kijk ook eens verder dan dat. Misschien hebben je werknemers een RI&E vragenlijst ingevuld of meegedaan aan een medewerkersonderzoek. Daar worden veel variabelen meegenomen die mogelijk invloed hebben op vitaliteit, verzuim en uitval. Hangt de tevredenheid over de leidinggevende en de collega’s bijvoorbeeld samen met de vitaliteit en dus het verzuim?

Wil je weten wat de relatie is tussen de hoeveelheid uren dat mensen achter hun computer zitten en gezondheidsklachten? Dat kun je wellicht afleiden uit de log data van systemen. Als je in een laboratorium werkt worden daar misschien stofmetingen of klimaatmetingen gedaan die waardevol kunnen zijn. Je kunt ook kijken naar het aantal klachten dat binnenkomt bij HR. Gaan veel klachten over de apparatuur? Hebben de afdelingen met meer klachten ook meer verzuim? Als een afdeling veel met papier werkt, kijk dan eens naar het aantal printjes op een dag. Meer printjes betekent waarschijnlijk meer werkdruk. Het aantal overuren dat wordt gedeclareerd kan daar ook wat over zeggen, net als het aantal inkomende en uitgaande facturen op een financiële administratie.

Uitbesteden of niet?

De vraag is natuurlijk: kun je dit zelf? In theorie kun je dit allemaal zelf doen. Maar voor het beste resultaat is het geen gek idee om een data expert in te schakelen. Waarom? Stel dat uit de cijfers blijkt dat het verzuim groter wordt naarmate de teams groter worden. Wie niet thuis is in data analyses, concludeert wellicht dat de teams kleiner moeten. Die conclusie mag je echter niet klakkeloos trekken. De omvang van het team hoeft namelijk niet de directe oorzaak te zijn, het kan zijn dat er nog een derde variabele meespeelt. Misschien is het wel zo dat grotere teams toevallig altijd buiten werken, terwijl de kleinere teams binnen op kantoor werken. Een professionele data analist stelt daarom altijd kritische vragen. 

Privacy

Daar komt wel een ander punt bij kijken, namelijk privacy. Privacy is belangrijk en met dit soort data extra belangrijk. Bij data analyses omtrent verzuim is de kans groot dat je met data gaat werken die alleen de arbodienst of zelfs alleen de arbo-arts mag inzien. Data die je niet mag inzien, mag je ook niet analyseren. Als je al een data-expert in huis hebt, zal die waarschijnlijk niet binnen de arbodienst vallen.

De arbodienst zelf mag die data wel analyseren, met als doel om ervan te leren. Dat mogen ze eventueel ook uitbesteden aan een externe verwerker. Een voordeel van een externe verwerker die met de data aan de slag gaat, is dat hij de collega’s niet kent. Hij krijgt alleen maar nummers, geen namen. Binnen je eigen organisatie zijn die nummers al te veelzeggend: als je de functie in combinatie met het geslacht en de leeftijd te zien krijgt, kun je nog steeds herleiden om wie het gaat. Een externe data-analist heeft daar geen boodschap aan. Zo verlaag je het risico voor je werknemers. Natuurlijk wordt daarbij uitgebreid aandacht besteed aan een goede beveiliging en geheimhouding.

Zoekwoorden: 
verzuim
data-analyse
privacy
Lees meer op overzichtspagina Preventie