|
Publieke sector-Transparante beslissingen, bekende effecten |
 |
 |
 |
Het nemen van beslissingen is een van de moeilijkste aspecten binnen de publieke sector, omdat hier zoveel variabelen betrokken zijn dat het lastig wordt om het effect te voorspellen. In het bijzonder indien de relatie tussen variabelen complex is, waar een schijnbaar positieve invloed op korte termijn kan leiden tot een negatieve invloed op de langere termijn. Vooral het kwantificeren van de effecten van verschillende beleidsmaatregels in de vorm van een model helpt niet alleen tijdens de beslisvorming, maar verhoogt ook de transparantheid van het beleid in de ogen van het publiek. Vandaar dat Data Mining vaak als een hulpmiddel gezien wordt door publieke organisaties om hun effectiviteit te verbeteren. Data Mining is specifiek ontworpen om top beleidsmakers door de data te laten navigeren, vergelijkbaar met de manier waarop banken de effectiviteit van hun leningen beoordelen. Het stelt u bijvoorbeeld in staat om de effectiviteit van uw programma's die bedrijven en innovatie stimuleren te verhogen. Hieronder staan een aantal typische voorbeelden uit verschillende publieke sectoren, |  |
Belastingdienst - Selectie van welke belastingindieners geaudit moeten worden: In de VS zijn bijvoorbeeld $400m in onbetaalde belastingen binnen gehaald met hulp van data mining.
- Het accuraat voorspellen van de belastinginkomsten met Data Mining (belangrijk voor het overheidsbudget)
Justitie
- Neem als voorbeeld het gevoel van veiligheid: Meer blauw op straat kan op de korte termijn wel eens leiden tot een groter gevoel van onveiligheid (er is wat aan de hand). Of meer veiligheidscamera's - reduceert dit criminaliteit of wekt het juist agressie op? Data Mining kan helpen om hierin inzicht te krijgen.
- Het beoordelen van misdaadpatronen en profielen, en dit o.a. gebruiken om mensen adequaat toe te wijzen.
- Data Mining kan u helpen om vragen te beantwoorden als "Welk evenement is het meest waarschijnlijke veiligheidsrisico?"
VWS - Rijgedrag voorspellen bij aanpassingen (nieuwe wegen)
- Reistijd voorspellen, gebaseerd op ervaringen opgedaan in het verleden (zoals maandagochtend is het druk, behalve in de schoolvakanties. Het is extra druk als het regent.)
- Voorspellen waar en wanneer ongelukken zullen ontstaan, zodat men kan proberen het te voorkomen (b.v. door informatie aan te bieden dat op soortgelijke dagen er bijna altijd een ongeluk is), of anders i.i.g. snel ter plaatse kan zijn
- Door een intelligent verkeerssysteem te ontwikkelen die bij elkaar in de buurt staande verkeerslichten kan coördineren om filevorming te minimaliseren. Hierbij dient men gebruik te maken van real-time verkeersdata.
- Voorspellen op welke manier reizigers beïnvloedt kunnen worden om op een alternatieve wijze te reizen (ander tijdstip, andere route of andere manier van vervoer)
| |
Welzijn, Onderwijs
- Bevolkingsdata en andere statistieken zijn essentieel voor diegene die planningen moeten maken en mensen moeten toewijzen. Denk hierbij aan de gezondheidszorg, maar ook aan onderwijs.
- Het bepalen van de relatie tussen omgevingsfactoren en gezondheidsindicatoren
- Voorspellen van demografische ontwikkeling om budget aanpassingen beter te kunnen doen
- Voorspellen van de werkloosheid, en welke campagnes dit het beste kunnen tegengaan.
E-Government Het Internet biedt geweldige mogelijkheden om de afstand tussen overheid en burgers, bedrijven en organisaties te verkleinen. Denk hierbij aan zaken als inzicht krijgen in de zorgen van stemmers, fraude en misbruik, een betere begripsvorming wat is het echte probleem met onze scholen, of waarom in sommige steden nauwelijks gestemd wordt). Ook in deze gevallen dient de data we goed geanalyseerd en gepresenteerd te worden, en dat is waar Data Mining in het spel kom. Lees ook onze stukjes over de Gezondheidszorg and Academia Indien u nog vragen hebt, neem dan aub contact met ons op.
|
