Meten is niets weten
In vele bedrijven en organisaties hoor je wel eens “meten is weten” uitspreken door mensen die een probleem willen aanpakken, of een bepaalde richting uit willen met het managen van een team of product/project.
Veelal betreft het hier mensen die ofwel zeer intelligent zijn (en snappen waar de mantra echt voor moet staan en daar naar handelen) als zijn deze zwaar in de minderheid, of door zeer domme, lege volgers van die mantra. Ze herhalen het met gemak, zonder er zelfs bij stil te staan om daarna prompt allerlei zaken beginnen meten.
Want hoe meer data puntjes, hoe meer ze zogenaamd weten.
Dit “meten” is veelal niets meer dan op een knop drukken (een query) om een reeks data uit een databank te halen. Bij voorbeeld: het aantal klanten die op een afdeling langst komen, tegenover het aantal beantwoorde vragen op diezelfde dienst.
Tijdens de corona-crisis is ook gebleken dat ziekenhuizen, ministers, BV’s en random mening-spuiende mensen op sociale media, dit als een slogan zijn beginnen gebruiken om om-het-even-wat te bewijzen.
Zoals geweten, kan je met statistiekjes en cijfers veel zaken bewijzen, maar veelal zit je er volledig naast met je conclusies, of je beginwaardes.
Een vijver kan gemiddeld 20 cm diep zijn, maar de eerste persoon die er met hoge laarzen in stapt wordt wel opgevreten door een school hongerige piranha's.
“Welkom op deze scrum meeting, ik stel voor om een extra kolom met “dodelijke waterdieren” bij aan te maken in de databank.”
“Da’s goed, maar daar moeten we over stemmen, hoeveel story-points is dat?”
Denken
Zo’n data-set die uit onze vele, vele databanken komen (werkloosheidscijfers, verkochte auto’s, het aantal ‘geholpen’ mensen bij VDAB, tot de opnames van mensen in een ziekenhuis, het aantal verkochte huizen…) zijn gewoonlijk niets meer dan de manueel ingegeven reeks 0'en en 1'en van op een of andere dienst. Men gaat er ook van uit dat iedereen het correct in vult, en alle nodige parameters er zijn. Dat op zich werkt meestal al niet.
Deze kolommen worden dan opgevraagd door marketing en PR types, of door mensen die beleid zouden moeten uitdenken, om vervolgens mooie, leesbare stylish gekleurde statistiek of pie-charts te worden. Men draagt of mailt dit graag aan aandeelhouders en management door.
Het nakijken van de oorsprong van de datasets, het nadenken over welke extra parameters je zou moeten hebben en de juistheid, doelgerichtheid van de gegevens wordt meestal snel gedaan al bij het prille begin van het opzetten van zulke databanken.
Het denkwerk stopt al helemaal net na het bewaren van de mooie statistiek en charts. Eens ze iets mooi presenteerbaars hebben is de job gedaan en kan men weer taart eten in vergaderzalen (of thuis in hun peignoir met eenhoorn motief).
Denken is bij deze mensen uit den boze. Het METEN op zich, is het denken geworden. Wanneer je een datareeks uit een gegevensbank haalt, heb je het werk gedaan en kan je meteen de conclusies voor je neus zien, zo denken ze.
Wanneer je, naar ons voorbeeld, de oversteekbaarheid van een vijver moet gaan ‘meten is weten’. Gaat men waarschijnlijk op voorhand bedenken dat de diepte wel een factor is, samen met misschien een slimmerik die de temperatuur ook nog wil meten.
Eens deze twee parameters ingesteld zijn, stuurt men een sukkel in een bootje de vijver op met een meetinstrument, en die schat dan even zelf in waar hij gaat meten, want ook die instructies ontbreken meestal.
Dat de man overal vleesetende vissen ziet rondzwemmen, daar is geen invul-form voor gemaakt en wordt dus niet meegenomen.
De statistiek die men dan doorstuurt nadien, toont eigenlijk altijd wat men in’t begin al als eindresultaat had vooropgesteld, in dit geval een mooi oversteekbare vijver, die je mits wat hoge regenlaarzen zo kan oversteken te voet. De marketing kan al aan de slag om een mooie website te maken om deze vijver aan te prijzen intussen. Want “time is money”, en daar vragen ze zich meestal ook niets af over de data die ze aangeleverd krijgen, zolang het maar clicks, views en hits krijgt zijn ze goed bezig.
Het contrast tussen de input data, en de realiteit, heeft altijd al een missing link, een stuk waar je vergissingen, onvolledigheden of andere zaken mist. We zijn nu eenmaal mensen en kunnen niet alles voorzien. Hier dus te veel geloof aan hechten is gewoon dom, en laat vooral zien dat je de databanken als een soort heilige graal aanziet, terwijl ze je de wereld tonen in een “raster”. Er gaat veel verloren: menselijkheid, ziel, productkennis, empathie, nuance, en bepaalde nichemarkten.
Van zodra je geloof hecht in een databank, ben je eigenlijk een bureaucrimineel, dat kan in zeer kleine onschuldige mate zijn, maar ook in affreuze proporties.
(hierover straks meer).
Daarna komt het tweede aspect van dat miserabele “meten is weten”, de Agile werker:
Agile is “dosile”
De rage van het “agile werken” is nog altijd niet uitgeraasd (al zijn de slimste firma’s hier intussen al van af gestapt of hebben ze hun eigen versie en invulling hieraan gegeven). De guru’s van het Agile werken mogen intussen op hun lauweren rusten, ze hebben goed verdiend aan mensen te vertellen hoe ze moeten denken, en daar dan boeken en seminaries vol over gezeverd.
De kern is steeds het heilige geloof in de data-set en de databanken. Daaromheen wordt heel het principe van opbouwend adaptief agile werken gebouwd, (waar je continu tijdens het process gaat nagaan of je nog wel juist bezig bent en of er iets moet wijzigen). Hier ben je dus deel van de kerk, een kerk waarbij het altaar vervangen is door een databank en je zo flexibel bent dat biechten en hosties eten allemaal tegelijk kan tijdens het opvoeden van je kind en het opstellen van een ‘Retrospective meeting’ spelletjes (it’s a thing).
(geen wonder dat er zo veel bedrijven klagen over gedaalde productiviteit, maar dat terzijde).
Diezelfde Agile mensen hebben (niet allemaal) voor een groot deel de mantra “meten is weten”.
Agile mensen zelfs hoe lang ze bezig zijn met al dat meten, om te weten te komen, hoe lang ze voortaan moeten inplannen om te meten, los van de andere tijd die ze meten. Hierover vergaderen ze zelfs, terwijl ze die tijd dan ook weer meten.
Hun databank is hun altaar, en zal ooit denk ik, evenzeer aan het kruis sterven, een trage, pijnlijke dood, om hopelijk niet na >2 dagen verrijzen.
Agile, zeker in combinatie met deze verafgoding van databanken, veroorzaakt een slaapwandelsfeertje, waarbij in afdelingen mensen in een hamsterwiel rondtrappen, elke keer dezelfde handelingen en jobs doen, altijd hetzelfde denken en vooral de databank blijven “geloven”.
Wanneer je een afwijkend idee hebt, bij voorbeeld dat vijvers niet per sé overgestoken dienen te worden, geeft de data je zogenaamd ongelijk. Mensen gaan in dit systeem stoppen met zelf denken, en vervormen zich tot het hokjesdenken dat zo eigen is aan kolommen in een databank. Iets is een 0 of een 1, iets is een van RGB-kleurencodes, iets is altijd onder te brengen onder een categorie, of het bestaat niet. Uw denken moet ergens in passen, of je bent af.
‘Als we nu eens een bootje nemen?’
‘Maar het is maar 20 cm diep. Hebben we data over hoe diep boten zijn?’
…
Het einddoel is duidelijk van deze “meten is weten” rage. Een holle uitspraak propageren, en intussen meer en meer mensen doen geloven in dat bijna extreme geloof in hun databank. De bekende “computer says no” uit de comedy serie Little Britain kon het niet beter samenvatten.
Organisaties zoals onderwijs, VDAB, interimkantoren, pr-bureaus en politieke bestuursorganen, blinken intussen uit in het laten berusten van belangrijke beslissingen op wat ze uit die statistiekje te zien krijgen.
Een bekend voorbeeld is de laatste 20 jaar bij VDAB, waar men de mensen die een job hebben net na, of tijdens, een van hun opleidingen steevast in het databank-hokje “geholpen” zet.
Dezelfde databank bevat ook mensen die telkens opnieuw, om de zoveel jaren of zelfs maanden, “geholpen” worden. Wat maakt dat VDAB zichzelf op de borst kan kloppen, wijzend naar statistieken en grafieken, met de enorme prestatie van dezelfde mensen om de paar jaar zogenaamd aan een job te hebben geholpen, gesteund door extra subsidie (die ongetwijfeld deels wordt berekend aan de hand van al dat mèten en al dat niks weten).
Meer nog, je eindigt met een administratie en een boel klanten en slachtoffers die allemaal weten dat het systeem niet werkt, of wegen vinden om deze databank-organisaties te bespelen. Op de duur heb je wel statistieken, maar stroken die in de verste verte niet meer met de werkelijkheid. Steeds dezelfde data, van steeds dezelfde zaken, wordt op de duur zelfs niet meer geanalyseerd.
Het doel is intussen bereikt: vele mensen in bedrijven en administraties tot de armen en het gezicht van een databank maken. Meer niet.
Een concreet voorbeeld was de stad Antwerpen, waar het district Borgerhout er niet beter had op gevonden om iedereen die een appartement bewoonde, verplicht een busnummer te laten hebben. Wie dat niet had, kreeg prompt vanuit de databank een foutmelding, omdat het adres zogenaamd niet bestond. Voorbeeldstraat 1, bestond niet, en werd Voorbeeldstraat 1, bus 100 bij voorbeeld, dat bestond wel.
Alleen,… de post begon deze regel strict uit te voeren, waarna het districtshuis pakken van hun EIGEN correspondentie teruggestuurd kreeg als onbestelbaar. Bleek dat in hun eigen adresbestand er nog steeds geen busnummer was in de databank geplaatst.
Geen ambtenaar die er een seconde aan denkt op voorhand om zulks aan te laten passen. Het gaat toch maar om het order, niet om het eindresultaat.
Sommige mensen kregen zelf enkel malen bezoek van de politie, omdat ze “verdwenen” waren uit de databank, en dat verdacht was omdat officiële post terug begon gestuurd te worden.
Deadly Stats
Dit bovenstaande voorbeeld is ludiek, en heeft maar beperkte tijd last veroorzaakt. Er werd een mouw aan gepast door mensen die nog wel zelf konden denken.
Maar soms is de schade die deze ”meten is weten”-houding aanricht veel groter.
Ik durf zelfs beweren dat de eerste “Agile” werker, al had men er toen geen fancy naam voor, moet gezocht worden in het Duitse naziregime.
Wanneer je kijkt naar Adolf Eichmann, een van de organisatoren en planners van de Holocaust, zie je ook daar eenzelfde fanatisch geloof in databanken.
Toen waren dat uiteraard boeken vol lijsten, fiches, … een zelfde methodiek werd echter toegepast.
Wat telde was de kille, ontmenselijkte uitvoering van cijfers. Aantal transporten, aantal verwerkte eenheden.
Eenheden, waarvan de data werd genoteerd zonder er zelfs nog bij stil te staan dat ze mensen waren, iedereen werd een nummer, een ras, een hoogte, met een lijst van bezittingen en een uur van aankomst.
De grafieken, opsommingen en eindresultaten waren wat telde.
Een politieke moordstructuur zoals deze van het Nazi-regime, heeft dan wel een andere doel gehad op zich, dan een bedrijf dat bij voorbeeld plantenbakken maakt of werklozen een opleiding wil voorzien, de manier van werken, de centrale kern van hun data-bank, is wat het gelijklopend maakt.
Misschien als we onze over-analyse bril opzetten, is de onderstaande foto van deze architect van de holocaust, wel meteen ook de foto van de eerste Agile-werker.
Ogenschijnlijk braaf, gezeten aan z’n bureau de “meten is weten” techniek toetastte, en ervoor zorgde dat de treinen in Bergen-Belsen zo vol mogelijk geladen werden, en liefst op tijd aan kwamen. De man had waarschijnlijk een ware fan geweest van Excel sheets, pie-charts en scrum-meetings.
Dit lijkt overdreven, maar wanneer je iets dichterbij kijkt naar hoe sommige ‘bevelen’ van bovenaf nu worden uitgevoerd, met een databank als enige wapen, vrees ik ervoor dat de volgende generatie Eichmann’en klaar staat, niet meer achter een bureau tussen de ringmappen en voldaan van een ideologie, maar met een ogenschijnlijk onschuldige app in de hand, en de geüniformeerde order-volgers aan hun zij.
Willen we vermeiden dan moet er dringend meer nagedacht worden.
Iets meten is een extra parameter, niks meer, niks minder. Een parameter waar je heel eventueel iets mee bent, of iets uit kan leren, wanneer je het nadenkend naast een boel andere parameters legt, en dan combineert met eigen ervaring, aanvoelen, durf, doorzicht, experimenten en allerlei andere zaken die nodig zijn om een goede maatschappij vorm te geven.
conclusie:
Onnadenkend het naar een mooie grafiek exporteren van data uit een databank, maakt u eigenlijk een beetje het equivalent van een nazi planner.
Vertel dat eens op uw volgende scrum-meeting, hopelijk past het in een hokje.
deadeyes
—
gerelateerde links:
