Innovatieprogramma OViN 2015-2017

Report
Symposium OViN
Innovatie 2014-2018
Elke Moons; [email protected] & Sascha HoogendoornLanser; [email protected]
Doel & scope van innovatietraject
Doel:
– Dezelfde kwaliteit tegen lagere kosten
– Betere kwaliteit tegen gelijke of lagere kosten
Scope:
– Verbetering huidige werkwijze
– Radicale vernieuwing met nieuwe inwintechnieken & Big Data
– Uitgangspunt: huidige informatiebehoefte
Vraag:
– Verandering leidt waarschijnlijk tot trendbreuk. Wat is acceptabel na
implementeren van innovaties?
2
Hoe innoveren?
Verbeteren huidige methodiek
- Meer incrementeel
- Waarschijnlijk meer grip op mogelijke trendbreuk
OViN
Combinatie van beiden
Fundamentele vernieuwing / innovatie
- Onzekerder, aandacht voor continuïteit / trendbreuk
- ‘Out of the box’ denken belangrijk, vooral in 2015
3
Globale informatiebehoefte
Verklaring
- Veel meta-informatie nodig om
gedetailleerd te kunnen werken
- Breed, onderwerpen
niet altijd vooraf
bekend (bij LMS/NRM wel)
OViN
Verklaren trends en
ontwikkelingen
Modellen
LMS / NRM / …
Monitoring
- Stabiele reeksen
- Lage marges
- Onderwerpen grotendeels
vooraf bekend
4
Proces
Jaar
Activiteit
2014
inventariseren informatie, kennis en informatiebehoefte en
werkplan opstellen
2015
breed verkennen
2016
trechteren
2017
implementeren en testen
2018 en verder
met kennis van potentiële risico’s implementatie van nieuwe
manier van data verzamelen, na nieuwe opdrachtverlening
5
Waar staan we nu?
– Werkplan goedgekeurd op 10 december in managementsberaad;
werkplan halfjaarlijks updaten
– Onderwerpen af te ronden eerste helft 2015:
‐ Non-respons analyse
‐ Literatuuronderzoek Big Data
‐ Literatuuronderzoek inwintechnieken
‐ Stakeholderanalyse en aanscherping informatiebehoefte
‐ Onderzoek impact incentives op datakwaliteit en non-respons
– Onderwerpen af te ronden tweede helft 2015:
‐ OV-chipkaart data (afhankelijk van beschikbaarheid gegevens)
‐ Relatie OViN - Mobiliteitspanel Nederland
‐ Kleine DomeinSchatters
6
Verbeteren huidige methodiek
7
Stakeholderanalyse
– In beeld brengen huidige en toekomstige stakeholders
– Verbeteren communicatie en afstemming met belangrijke
stakeholders
– In overleg met stakeholders aanscherpen informatiebehoefte,
waarvoor het OViN de basisdata moet leveren
8
Incentives
– Uit kleinschalig experiment met onconditionele incentives (VVV
kadobon van 5 euro bij aanschrijfbrief ) bleek dat forse responswinst
gehaald kon worden (zonder: 57,0%; 67,9% met)
– Als dergelijke responswinst constant is:
‐ kunnen veldwerkkosten substantieel verminderd worden
(kleinere steekproef voor zelfde aantal responsen en relatief
minder cati en capi)
‐ wordt datakwaliteit verhoogd terwijl kosten afnemen
– Nieuw en groter experiment binnen of buiten regulier OViN;
trendbreuk is aandachtspunt
9
Non-respons analyses
– Netto respons voor OViN is 58%. Wijkt het verplaatsingsgedrag van de 58%
respondenten af van de 42% respondenten (selectiviteit)? Waarom nemen
mensen niet deel aan het onderzoek?
– Kennis uit non-respons analyse gebruiken om huidige OViN te verbeteren
– Non-respons onderzoek richt zich op volgende onderzoeksvragen:
‐ Verdiepende analyse van non-respons naar diverse segmentaties. Extra
aandacht voor gebieden waar gemiddelde samenstelling van de
bevolking sterk afwijkt van landelijk gemiddelde (bv. G4)
‐ Non-respons naar opleidingsniveau, geslacht, maatschappelijke
participatie, beheersing van Nederlandse taal
‐ Analyse of non-respons invloed heeft op doelvariabelen
‐ Op kleine schaal herbenadering van non-respondenten om redenen
non-respons te achterhalen
‐ Impact telefonische bereikbaarheid (vinden telefoonnummers, aantal
contactpogingen en tijdstip contactpoging)
10
‐ Als mensen gedurende het invullen afhaken, waar gebeurt dit dan?
Fundamenteel vernieuwen / innoveren
11
Literatuuronderzoek Big Data
– Er is sprake van Big Data toepassingen als gebruik gemaakt wordt van
grote hoeveelheden reeds beschikbare data (die resulteren uit
andere toepassingen) die kunnen worden omgewerkt tot bruikbare
informatie
– Door wet van grote aantallen kunnen waarschijnlijk smalle marges
voor bepaalde doelvariabelen worden verkregen (ontwikkeling
vervoermiddelgebruik)
– Geen informatie over gebruikers en hun kenmerken waardoor
slechts gedeelte OViN-informatiebehoefte kan worden afgedekt
– Eerst literatuuroverzicht, later kansrijke initiatieven beproeven
– Mogelijke databronnen: NDW-data, OV-chipkaartdata, data- en
telefoonverkeer, data uit navigatiesystemen, Twitter-berichten, ...)
– Datakwaliteit, toekomstvastheid brondata, kosten opname in OViNproductieproces, representativiteit, ... zijn aandachtspunten
12
Literatuuronderzoek inwintechnieken
– Er is sprake van alternatieve inwintechnieken als proces van
data-inwinning door zelf of in opdracht kan worden ingericht
– Data-inwinning op niveau van individuele respondenten mogelijk
– Mogelijkheden:
‐ automatisch/passief registreren verplaatsingsgedrag via
smartphones of GPS-loggers ondersteund door app/website
waarop verplaatsingen gecorrigeerd/aangevuld kunnen worden
en aanvullende informatie gevraagd kan worden
‐ vragenlijst via smartphone afnemen
– Eerst literatuuroverzicht, later kansrijke initiatieven beproeven
– Datakwaliteit, toekomstvastheid brondata, kosten opname in OViNproductieproces, representativiteit, ... zijn aandachtspunt
13
Relatie OViN - MPN
– Mobiliteitspanel Nederland (MPN) is huishoudpanel en gericht op
vergroten inzicht in veranderingen in verplaatsingsgedrag
– Via dagboekje wordt mobiliteit verschillende keren gemeten en via
vragenlijsten wordt uitgebreide achtergrondinformatie over
respondenten en hun huishoudens verzameld
– Kan MPN-data gebruikt worden als aanvullende databron voor
schatten van LMS / NRM? Zo ja, wat betekent dit voor OViNdataverzameling op laagste aggregatieniveau?
– Te beantwoorden vragen:
‐ Zitten alle benodigde variabelen met juiste categorieën in MPN?
‐ Zijn aantallen voldoende hoog zijn? Is er voldoende dekking?
‐ Bevat MPN voldoende informatie voor afleiden targets en toetsen
basismatrices?
14
Kleine DomeinSchatters
– Speciaal ontwikkelde methode om statistieken per regio beschikbaar
te stellen op basis van landelijke informatie
– Idee: “verrijk” micro-data met regionale informatie uit externe
bronnen (bv. RDW, maar eventueel ook Big Data)
– Gebruik makend van de samenhang tussen de informatie in de
enquête en in het register kunnen (betere) schattingen op een laag
regionaal niveau gemaakt worden
– Indicator: Ritlengteverdeling per motief per provincie voor
autobestuurders
15
OV-chipkaart data
– Toegang tot OV-chipkaart gegevens om via alternatieve bron
gedeelte van de informatiebehoefte van het OV af te dekken
– Moeizaam proces (bedrijfsgevoelige informatie)
– 3 mogelijkheden
‐ Via AMvB
‐ Bij verlenging van de concessies
‐ Via NOVB
– Eventueel pilotproject op regionaal niveau
16
Hoe innoveren?
Verbeteren huidige methodiek
- Meer incrementeel
- Waarschijnlijk meer grip op mogelijke trendbreuk
OViN
Combinatie van beiden
Fundamentele vernieuwing / innovatie
- Onzekerder, aandacht voor continuïteit / trendbreuk
- ‘Out of the box’ denken belangrijk, vooral in 2015
17
Vragen?
Opmerkingen?
18

similar documents