Ziekteverzuim beperken door big data?
Preventie is de beste manier om ziekteverzuim terug te dringen. Big data en machine learning kunnen bedrijven daarin stappen verder brengen.
Nederland kent een complex systeem van sociale zekerheid, waarin (ex-)medewerkers, werkgevers, bedrijfsartsen, verzekeraars, de Autoriteit Persoonsgegevens en UWV stuivertje wisselen in de hoofdrol. Tegelijk wil niemand een terugval in inkomen, productiviteit of participatie bij de inzet van human capital. Daarom is ‘duurzame inzetbaarheid’ een populair HR-thema. De echte winst zit echter in het voorkomen in plaats van genezen. Stefan Duran, directeur bij elipsLife, en James van der Spek, eigenaar van onder andere Human Capital Alert, gaan in gesprek over nieuwe technieken om verzuim te voorkomen.
Ziekteverzuim beperken
Human Capital Alert helpt organisaties met het beperken van verzuim. Zo zet risicoverzekeraar elipsLife specialisten van Human Capital Alert in om bedrijven met een arbeidsongeschiktheidsverzekering te begeleiden in het voorkomen en beheersen van langdurig verzuim en arbeidsongeschiktheid. Duran is nu benieuwd hoe het bedrijf bepaalt of programma’s, interventies en ondersteuning werken of een verloren investering zijn. Van der Spek geeft aan dat data-analyse werkgevers en HR een grote stap verder kan brengen in verzuimbeheersing: “Anno 2018 maakt het ontsluiten, verwerken en koppelen van grote hoeveelheden data het verschil. Die data zijn steeds beter beschikbaar en óók binnen de kaders van de nieuwe regels voor de verwerking van persoonsgegevens (AVG) te gebruiken. Door het doelgericht uitvragen van gegevens en het vervolgens analyseren van de data ontstaat inzicht in afwijkingen en trends.”
Nieuwe technieken
“Dat klinkt natuurlijk fantastisch”, zegt Duran, “maar hoe doe je dat dan?” Van der Spek legt uit: “Wij bouwen al geruime tijd aan een risico-inventarisatie per verzuimmelding, gebaseerd op een arbeidsdeskundige analyse van het verzuimdossier. We vragen stelselmatig dezelfde gegevens uit, rubriceren deze data en onderzoeken de relevantie van de vragen. Dat is de basis geweest voor een gevalideerde vragenlijst, een bruikbare dataset en een ruw voorspelmodel.”
Duran is benieuwd wat dat model oplevert. “Het model voorspelt ruim voor de eerstejaarsbeoordeling de kans op een WGA-instroom, loonsancties en twee andere risicothema’s. Met iedere risicoanalyse trimt het model zichzelf”, zegt Van der Spek. “Als de praktijk – ofwel de uitkomst – afwijkt van de voorspelling, dan worden rekenregels opnieuw beoordeeld. In de basis is dit een voorbeeld van een zelfregulerend model. En in ons toekomstige model zullen we het aanpassen van de rekenregels vervangen door machine learning.”
Duran: “Machine learning? Hoe werkt dat precies?” Van der Spek: “Normaal vind er periodiek een analyse plaats van verzamelde data. De uitkomst kan leiden tot aanpassing van een model. Feitelijk vindt er na ieder gebruik van het model een analyse plaats en wordt het model nog handmatig verbeterd. Maar we waarderen op dit moment een kleine 30 variabelen die zowel individueel als in relatie tot elkaar de risico’s beïnvloeden. Met machine learning wordt dit ‘aanpassen’ geautomatiseerd en dus losgekoppeld van de beperkte menselijke rekenkracht.”
Vroegtijdige signalering
De vraag is wat de werkgever en HR met deze data-analyse kunnen. Duran: “Hoe helpt deze vroegtijdige signalering van risico’s verzuim te beperken en arbeidsongeschiktheid te voorkomen?”
Van der Spek: “Vanwege privacyregels weten we niets over de medische kant van een inactieve werknemer, maar met het model zien we wel patronen ontstaan. Die patronen bieden ons straks de kans om – nog voor het verzuim is ontstaan – al programma’s op te tuigen om uitval te voorkomen. En achteraf meten we het resultaat van deze programma’s.”
Voorkom onnodige kosten
“De belangen voor alle stakeholders zijn groot”, zegt Duran.” De directe en indirecte gevolgen van verzuim reiken tot wel 12 jaar na de eerste ziektedag. Welke besparingen voorzie je op lange termijn met dergelijke technieken?” Van der Spek: “De inzet van voorspelmodellen helpt nu al bij het voorkomen van onder meer sancties en WGA-instroom. Maar bij vroege signalering van risico’s kunnen we meer doen dan uitval voorkomen. Het herkennen van patronen biedt veel mogelijkheden om risico’s en rendement van een bedrijf te beïnvloeden.”
Toekomstige scenario’s
Het huidige model is gebaseerd op historische gegevens en maakt een realtime vertaling naar toekomstige scenario’s mogelijk, constateert Duran. Maar wat is het effect van toekomstige ontwikkelingen op het model?”
Van der Spek: “Iedere wetswijziging, aanpassing van procedures bij UWV en zelfs jurisprudentie heeft effect op je wegingen. Het is dan letterlijk trial and error. Zo heeft de voorgenomen wijziging van het arbeidsongeschiktheidscriterium grote implicaties. Maar wordt het een feit of blijft het een voornemen? Het begint allemaal met het structureel verwerken, rubriceren en classificeren van repeterende data, binnen de kaders van de AVG.”