Subscribe
Share
Share
Embed
Het is onvermijdelijk dat de wereld gaat veranderen. We gaan een nieuwe tijd tegemoet waarin data een belangrijke rol gaan spelen. Ook in de cultuursector. Maar hoe gaan we daarmee om? In Data, AI & De Cultuursector zoeken producenten, theaters, beleidsmakers en adviseurs naar antwoorden op deze vraag. Ze bespreken hun mitsen, maren en ervaringen. Want kún je in een zachte sector als de kunsten eigenlijk wel werken met harde, rechtlijnige data? Kortom: zijn data en AI een botsing of een bonus?
Dit is een podcast van DIP, Digitaal Informatieplatform Podiumkunsten. In samenwerking met het team van Edsart Udo de Haes van Predective A.I. ontwikkelde DIP een voorspelmodel voor de podiumkunsten.
Meer informatie of je ook aansluiten bij DIP? Kijk op dip.nl
Het voorspelmodel en de publieksmonitor konden ontwikkeld worden in het kader van het Innovatielabs traject van het Stimuleringsfonds voor de Creatieve Industrie.
Deze podcast is gemaakt en geproduceerd door Dide Vonk, De Makers Podcast Producties.
00:00-00:06
Het is wel echt, dat is toch wel heel bijzonder aan data. Op het moment dat je ergens in een tekst,
00:06-00:11
in een persbericht, in een onderzoek een cijfer noemt, vinden de journalisten het
00:11-00:16
vervolgens heel interessant. Maar ook gemeenteraadsleden, die smullen van cijfers,
00:16-00:19
die smullen van een staatje. Maar je hebt het verhaal nodig om het goed te kunnen duiden.
00:19-00:27
Het is onvermijdelijk dat de wereld zoals we die nu kennen gaat veranderen. We gaan een nieuwe
00:27-00:33
tijd tegemoet, waarin data een belangrijke rol gaan spelen, ook in de cultuursector. Maar hoe
00:33-00:39
gaan we daarmee om? Er is ook heel veel angst, wil ik bijna zeggen, voor een soort van openheid van
00:39-00:43
data. Mensen in dit veld vindt data nog lastig, want daar zouden ze wel eens op afgerekend kunnen
00:43-00:50
worden. Want jij hebt niet genoeg mensen bereikt. En dan kom je weer direct op het geld. Welkom bij
00:50-00:57
Data, AI en de cultuursector. Botsing of bonus? Mijn naam is Dide Vonk en ik maak deze podcast
00:57-01:04
voor DIP, Digitaal Informatie Platform Podiumkunsten. In deze serie onderzoek ik hoe de cultuursector er
01:04-01:10
in de toekomst uit kan gaan zien. Ik neem je mee in het AI voorspelmodel dat DIP ontwikkelde,
01:10-01:15
samen met Edsart Udo de Haas en zijn team. In de afgelopen afleveringen sprak ik met het veld,
01:15-01:22
de makers en de theaters, over hun visie op meer werken met data en AI in de cultuursector. En
01:22-01:28
in de eerste aflevering hoorde je Joep Grooteman, directeur van DIP en Edsart al over het voorspelmodel
01:28-01:33
en hun wensen voor de sector. Luister die aflevering eerst om meer te leren over het voorspelmodel.
01:33-01:39
Dit keer spreek ik met Tom Pots en Bastiaan Vinkenburg. En ook Joep is er weer bij. Tom is
01:39-01:44
programmanager Data-gestuurd werken bij de gemeente Zaanstad. Hij pakt maatschappelijke
01:44-01:49
vraagstukken aan door gebruik te maken van data. Zou dat ook kunnen in de cultuursector?
01:49-01:53
Dat mensen dan zeggen, Tom ik mag toch hopen dat we niet alles op basis van data gaan doen,
01:53-01:57
maar dat we ook gaan luisteren naar de mensen. En dat ik dan zeg, ja maar jongens,
01:57-02:01
maar volgens mij is dat ook gewoon data. Niet volgens mij, dat is gewoon data.
02:01-02:06
Bastiaan is adviseur en sectorleider Kunst en Cultuur bij Berenschot. Hij adviseert
02:06-02:10
verschillende culturele organisaties, fondsen en overheden.
02:10-02:14
Eigenlijk proberen we altijd de problemen, de vraagstukken waar de sector van wakker ligt,
02:14-02:20
bij de kop te pakken. Dus vanuit strategie. En daar zitten dan allerlei visievragen achter,
02:20-02:26
vaak ook marketingvragen, financiële vragen. Dus ook heel vaak heb je daar heel veel cijfers bij
02:26-02:29
nodig om je verhaal te maken, maar altijd in een culturele context.
02:29-02:33
En de problemen waar ze om wakker liggen, wat zijn die met name?
02:33-02:41
Geld, geld, geld. Dan vervolgens nog dingen als samenwerking, afstemming tussen beleid en
02:41-02:46
culturele veld. Wat je nou eigenlijk echt van belang vindt en wat je daarvoor over hebt en
02:46-02:51
hoe je dat dan vervolgens organiseert. Maar onderaan de streep komt het toch
02:51-02:55
erg vaak op geld neer. Ja, Tom, jij komt vanuit een andere hoek.
02:55-03:01
Jij bent programmamanager Data-gestuurd werken bij Zaanstad. Wat is Data-gestuurd werken?
03:01-03:04
Misschien moeten we daar eventjes beginnen. Inderdaad, wat is Data-gestuurd werken?
03:04-03:08
Ik denk dat dat een belangrijke vraag is, want jij gaat heel snel over cijfers,
03:08-03:12
eentjes en nulletjes. En eigenlijk toen ik met data ging werken, was eigenlijk de eerste waar
03:12-03:17
ik achterkwam is dat dat het niet is. Dus data is veel meer dan dat. Wij gebruiken Zaanstad
03:17-03:22
eigenlijk altijd het model van Gartner ervoor. Het is een model wat vier soorten analyses laat zien.
03:22-03:26
Ik heb er eentje uitgewerkt om eens te kijken naar, kun je dat op de publieke sector plakken?
03:26-03:30
Dus bijvoorbeeld in de publieke sector is verbeteren talent, ontwikkeling en ontplooiing
03:30-03:36
belangrijk. Of culturele sector, of verbeteren verdiend potentieel of versterken van sociale
03:36-03:40
cohesie. Dat waren volgens mij belangrijke vraagstukken. Ik doe normaal gesproken,
03:40-03:44
leg ik hem altijd uit aan de hand van fraude, dit model. Maar ik zal nu aan de hand van het
03:44-03:49
verbeteren van het verdiend potentieel doen. Wat je ziet is dat er eigenlijk vier soorten analyses
03:49-03:55
zijn. En de eerste analyse, dat is de beschrijvende analyse. Daar gaat het over wie, wat, waar,
03:55-03:59
hoeveel aantallen. Dus bijvoorbeeld als je het over verdiend potentieel hebt, dat is dan hoeveel
03:59-04:03
kaarten worden er verkocht, waar worden de kaarten verkocht, in welke genres worden de kaarten
04:03-04:07
verkocht. Gewoon aantallen, gewoon begrijpen hoe het werkt. Dat zijn dus de cijfers, de eentjes en
04:07-04:12
de nulletjes. Maar na die analyse volgt er eigenlijk altijd een andere analyse. En dat is,
04:12-04:17
we noemen dat ook wel de diagnostiserende analyse. Daar gaat het veel meer over het waarom. Waarom
04:17-04:21
worden in die stad heel veel van de bepaalde kaarten verkocht en in een andere stad niet?
04:21-04:26
Waarom in een bepaald genre heel veel en waarom niet? Die waarom vraag beantwoord je nooit met
04:26-04:31
eentjes en nulletjes. Daar zit altijd iets anders achter. En dat is ook waar kwaliteit en kwantiteit
04:31-04:36
bij elkaar komen. Dus waar verhalen van mensen ertoe doen, waar andere soorten data ook mee gaat doen.
04:36-04:42
Nou ze hebben dus twee soorten analyses. Beschrijvend, tweede is dan diagnostiserend. Dan kom je op de
04:42-04:46
hype van dit moment. Dus daar zijn de voorspellende analyses. Dus iedereen heeft het kunnen we voorspellen
04:46-04:52
dit, kunnen we voorspellen dat. Data science, machine learning, algoritme. Dus kunnen we
04:52-04:56
voorspellen waar de komende jaren de meeste kaarten van verkocht worden. Of kunnen we voorspellen waar
04:56-05:08
we het meest gaan verdienen. En die vierde analyse is voorschrijvend. Maar wordt door Tom in de publieke
05:08-05:14
sector eigenlijk niet gebruikt. Nog een belangrijke kanttekening is, is dat het niet wenselijk is om
05:14-05:19
voorspellende modellen te gebruiken als het gaat om menselijk gedrag. Een voorspelmodel heeft namelijk
05:19-05:24
vaak vooroordelen in zich. En dit kan grote gevolgen hebben. Bijvoorbeeld voorspellen wie
05:24-05:28
wellicht kan gaan frauderen. Of wie de beste persoon is om aan te nemen voor een baan,
05:28-05:34
kan discriminerende vooroordelen bevatten. Hier moet je dus echt van weg blijven. Gelukkig ziet
05:34-05:39
hij geen problemen voor onze doelstellingen. Het interessante is denk ik voor ook de culturele
05:39-05:45
sector, is dat je je kunt dit gewoon op elk vraagstuk leggen. Privaat, privé, publiek,
05:45-05:51
van huiselijk geweld tot woningbouwopgave. Je hebt eigenlijk altijd een combinatie van dit soort
05:51-05:58
analyses nodig om gewoon tot betere oplossingen te komen. Wat wij merkten in Zaanstad is dat er
05:58-06:02
zoveel wetenschappelijk onderzoek is wat wij heel goed zouden kunnen gebruiken. Dus waarom zit
06:02-06:07
iemand in armoede? Een kind veilig, gezond en kansrijk laten opgroeien. Hier is echt onwaarschijnlijk
06:07-06:12
veel wetenschappelijk onderzoek naar gedaan. Wat we maar heel matig gebruiken in de publieke sector,
06:12-06:16
waardoor we eigenlijk tot veel betere oplossingen kunnen komen. Ik denk ook hier, als je straks
06:16-06:21
kijkt naar de vraagstukken en problemen waar jullie tegenaan lopen. Ik denk dat hier ook heel
06:21-06:25
veel wetenschappelijk onderzoek naar gedaan is. De diagnostiserende analyse die heel goed te gebruiken
06:25-06:31
is om tot betere oplossingen te komen. En dat gaat dus veel verder dan de eentjes en nulletjes in de
06:31-06:38
dashboards of de cijfers of de euro's. Dus juist die brede kant, ik denk dat dat heel erg nodig is.
06:38-06:43
Ik kan ook wel een voorbeeld uit de cultuursector geven wat hier een beetje op aanhaakt. Wij hebben
06:43-06:48
in opdracht van de Vereniging van Nederlandse Orkesten een impact model ontwikkeld. Impact,
06:48-06:54
hartstikke hip woord, wil iedereen van alles onderzoeken en weten enzovoort. Maar je weet
06:54-07:00
natuurlijk niet wat er precies hard en duidelijk van is. Als je de impact ladder uit de theory of
07:00-07:05
change bekijkt, dan zie je dat op het niveau van de output, de eentjes en nulletjes, daar is de
07:05-07:09
cultuursector heel goed van op de hoogte. Hebben jullie ook mooie overzichten van, maar op allerlei
07:09-07:14
plekken is dat heel duidelijk bekend. Wat interessant om te onderzoeken is en ook heel
07:14-07:20
goed via diagnostisch onderzoek is vast te stellen wat de effecten daarvan zijn. Dus als je zoveel
07:20-07:25
mensen bereikt, wat gebeurt er dan bij die mensen? Vinden ze het leuk om te komen zoals je in een
07:25-07:29
eerdere podcast al zei van nou leuk is dat genoeg of wil je dat er ook iets gebeurt,
07:29-07:36
iets bewerkstelligd wordt. En vervolgens hebben wij ook kunnen bepalen dat je vanuit die effecten,
07:36-07:42
op basis van het wetenschappelijk onderzoek, wat er in grote hoeveelheden is, ook kan aannemelijk
07:42-07:46
maken dat de impact op lange termijn dan ook gerealiseerd kan worden. Dus als je mensen bij
07:46-07:51
elkaar brengt, verbondenheid creëert, zorgt dat mensen elkaar tegenkomen en gesprekken gaan voeren,
07:51-07:56
dan leidt dat op lange termijn tot de impact van sociale cohesie. En dat laatste stuk hoef je niet
07:56-08:00
meer als cultuursector de hele tijd te onderzoeken, want het doet de wetenschap al. Dus dan kan je je
08:00-08:06
als cultuursector beperken tot output en effectmeting. Dus jullie hebben dit onderzocht,
08:06-08:10
en dat is inderdaad iets wat in eerdere afleveringen terugkwam van hoe meet je nou die
08:10-08:15
impact van theater. Een belangrijke keuze is dat we niet over meten hebben bij impact,
08:15-08:22
want impact kan je niet meten. Je kan het hooguit wegen en aannemelijk maken en bepalen dit zal een
08:22-08:27
hogere impact hebben dan dat. Maar impact proberen we te beperken voor ontwikkelingen die echt op
08:27-08:33
lange termijn zijn, dus wat er in de hele samenleving als geheel op lange termijn bewerkstelligd wordt,
08:33-08:39
aan betekenis wordt gecreëerd, dat noemen we impact. Als je dat namelijk die lat veel lager
08:39-08:43
legt dan gaat iedereen over verschillende dingen praten en wordt het heel ingewikkeld om iets wel
08:43-08:49
of niet impact te noemen. Maar de effecten die kan je daadwerkelijk in een aantal gevallen meten,
08:49-08:54
maar je moet je ook bewust zijn dat dit wat jullie de hele tijd een zachte sector noemen in de rest
08:54-08:58
van de podcast, is maar de vraag hoe zacht dit is, maar een hele hoop effecten zijn in ieder geval
08:58-09:04
kwalitatief en veel meer in het paradigma van het narratief dan in het paradigma van het kwantitatief
09:04-09:10
waar alles gemeten moet worden. Ik herken dit heel erg bij ons in de gemeente is dat mensen dan
09:10-09:13
zeggen dus vooral in het maatschappelijk domein zeggen altijd Tom ik mag toch hopen dat we niet
09:13-09:18
alles op basis van data gaan doen, maar dat we ook gaan luisteren naar de mensen. En dat ik dan
09:18-09:23
zeg ja maar jongens maar volgens mij is dat ook gewoon data, niet volgens mij dat is gewoon data,
09:23-09:28
die je op een hele goede manier kunt gebruiken om je verhaal of om je punt te maken en tot beter
09:28-09:32
interventies komen. En als je dat hier op basis van dit onderzoek kunt doen, dat klinkt echt
09:32-09:39
prachtig. Absoluut, wat voor ons een heel belangrijk perspectief bij het kijken naar cultuurbeleid is,
09:39-09:45
en eigenlijk noemde jij dat volgens mij in de eerste podcast al Joep, dat ook de theaterwereld
09:45-09:48
wordt afgerekend op meer dan alleen maar de culturele waarde, maar dat je ook kijkt naar
09:48-09:53
de economische waarde en aan de andere kant, meer aan de linkerkant in het model dat we altijd tekenen,
09:53-09:57
de maatschappelijke waarde, dus echt de betekenis die je voor de samenleving hebt. Cohesie,
09:57-10:04
ontplooiing, talentontwikkeling en dat is gewoon iets wat je met verhalen laat, met voorbeelden,
10:04-10:09
met gewoon kan laten zien. Soms zeg je oké we hebben 10 talenten opgeleid, nou leuk 10 hadden
10:09-10:14
er ook 100 kunnen zijn, maar als die 10 mensen iets heel bijzonders zijn gaan doen, wat ze zonder die
10:14-10:20
impuls niet hadden kunnen doen, ja dan voeg je waarde toe. Het gaat dus in de cultuursector vaak
10:20-10:25
meer om kwalitatieve data, de verhalen die je ophaalt, dan om de keiharde kwantitatieve data,
10:25-10:31
zeker als het gaat om iets als impact. Misschien om dan nog eventjes het nog meer te betrekken op
10:31-10:37
het model wat er nu door DIP gecreëerd is samen met Edsart Udo de Haas. DIP heeft een publieks-
10:37-10:43
monitor waarbij heel veel data wordt verzameld over het publiek dat naar theater komt. Daar is
10:43-10:49
nu een voorspelmodel mee gemaakt waarbij we dus kunnen kijken naar die zaalbezetting voor x artiest
10:49-10:55
in Y-zaal worden er waarschijnlijk zoveel kaarten verkocht, maar dat bleek dus ook in de afgelopen
10:55-11:00
afleveringen toch ook wel een lastig punt te zijn, want dan ja dan heb je dus die toch wel die harde
11:00-11:06
data van hoeveel kaartjes worden er verkocht, maar dat zegt dan misschien niks over hoeveel
11:06-11:14
impact maakt zo'n voorstelling of hoeveel sociale cohesie brengt het. Dus mijn vraag is kunnen we
11:14-11:20
vanuit het voorspelmodel wat er nu ligt, kunnen wij ook die volgende stap maken om dat soort waarden
11:20-11:27
ook mee te nemen? Nou ja kijk weet je dus waar wij echt achter zijn gekomen door te doen is dat elke
11:27-11:33
doelstelling heeft zijn eigen data vragen en zijn eigen manier waarop je ermee om wil gaan. Ik vermoed
11:33-11:43
niet dat het voorspelmodel rond publieks monitor heet die, die is niet bedoeld om talent te ontplooien
11:43-11:48
die is voor iets anders bedoeld. Dus wat je dus heel erg ziet is dat bijvoorbeeld op het moment dat
11:48-11:53
je zegt ja we gaan rond talent ontplooien hebben we een doelstelling, dan wil je andere dingen weten
11:53-11:57
dan wanneer je gaat kijken hoe je het verdienpotentieel kunt verbeteren. En die doelstellingen
11:57-12:02
kunnen gewoon heel goed naast elkaar bestaan. Alleen wat je dan heel vaak ziet is dat we hebben
12:02-12:07
een doelstelling A, vervolgens hebben we daar data vragen bij en een analyse bij, maar die horen
12:07-12:11
helemaal niet bij elkaar en die gaan we wel op een of andere manier zien te combineren en dan krijg
12:11-12:15
je dat mensen daar hele gekke dingen over gaan zeggen. Dat zeg je ja dit is niet zoals het hoort
12:15-12:21
en je moet ook naar andere dingen kijken en zo past het niet. Terwijl voor de doelstelling
12:21-12:26
verdienpotentieel verbeteren is dit een prachtige analyse die je heel goed kunt gebruiken, maar sec
12:26-12:31
daarvoor. Op het moment dat je zegt ja wacht eens even wij vinden talent ontplooien en andere dingen
12:31-12:37
belangrijker, belangrijkere doelstellingen, ja daar heb je andere data vragen bij en andere
12:37-12:40
analyses die je daarvoor gebruikt en je moet steeds met elkaar wegen welke doelstelling
12:40-12:46
vinden wij nou de belangrijkste op dit moment en waar kijken we nu naar. Ik denk dat je dat je
12:46-12:51
op die manier ook dit model op die manier moet gaan beoordelen. Wat mij in de eerste drie podcasts
12:51-12:57
opviel is dat het heel sterk ging over aantallen. Dat is wel echt een blik die heel erg past in het
12:57-13:04
economisch paradigma waarbij het dus gaat om komt men zaal vol. Terwijl als je vanuit een
13:04-13:11
beleidsparadigma kijkt dan is het een veel rijker palet aan doelstellingen. Dat kan zowel cultureel,
13:11-13:17
intrinsiek, artistiek zijn als bijvoorbeeld ook maatschappelijk en ik miste een beetje in de
13:17-13:23
discussies hiervoor hoe je nou bijvoorbeeld die die artistieke en die maatschappelijke ontwikkelingen
13:23-13:28
in het publiek, hoe je die een plek kan geven in je dataset om erop te sturen terwijl er wel heel
13:28-13:33
duidelijk behoefte aan is. En een van de dingen waar ik wel eens over nagedacht hebben is om naar
13:33-13:38
als je naar de programmering in de podium kunst kijkt, kan je hem heel concreet maken, om eigenlijk
13:38-13:44
drie soorten programmering te benoemen. Namelijk vanuit die economische waarde de p van populair.
13:44-13:48
Dus iets dat populair is gaat waarschijnlijk beter renderen, komen meer mensen op af,
13:48-13:54
kan je hogere prijs vragen, prima. Maar als je kijkt vanuit het artistieke paradigma plakken
13:54-14:01
we daar de p van prachtig bij of de p van pareltjes. Die dingen waarvan ook de theaterdirecteuren die
14:01-14:05
eerder in de podcast zaten zeiden die willen wij gewoon zelf programmeren want dat vinden we
14:05-14:10
belangrijk, dat vinden we mooi vanuit intrinsieke waarde en daar heb je ook zeker publiek voor. En
14:10-14:15
die derde dat is ik vond dat Arjen Berendsen van theater Aan de Slinger dat ook mooi vertelde, die
14:15-14:19
zei wij zijn er ook voor de samenleving. Maatschappelijk paradigma dus plakken we de p
14:19-14:24
van participatief aan. Dus datgene waar de samenleving behoefte aan heeft of zelfs ook
14:24-14:29
aan bijdraagt. Het amateurveld, daar wil je ook ruimte voor bieden. Geld speelt daar een kleinere rol in
14:29-14:35
maar de toegevoegde waarde voor de samenleving die is daar veel groter. En daar krijg je wel de handen
14:35-14:40
voor op elkaar van de politiek heel vaak en daar is ook politiek bereid om publiek geld in te
14:40-14:44
investeren. En dan krijg je je hele verdienmodel compleet want het is niet alleen maar private
14:44-14:48
inkomsten maar ook publiek geld. En die zoek toch naar die balans, daar kunnen dit soort dingen
14:48-14:54
zeker bij helpen. Dat is misschien de vraag ook van hoe zorgen we dat in dat model wat er nu is
14:54-15:01
dat we ook die andere twee p's van prachtig en participatief, hoe kan je die verwerken in een
15:01-15:05
model? Ja daar kun je mee aan de slag. Ik heb met Frans Veldberg, professor aan de VU, heb ik een
15:05-15:10
datige definitivatie canvas ontwikkeld. Dat is heel erg bedoeld voor dit soort vraagstuk. Daar waar
15:10-15:15
mensen denken ja we moeten iets met data rond een vraagstuk maar we weten niet zo goed hoe. En de
15:15-15:20
kortste versie hiervan, we noemen dat ook wel doelen data handelen. Je hebt rond die drie
15:20-15:26
vraagstukken rond populair, prachtig en participatief kun je met een groep mensen gaan nadenken over wat
15:26-15:30
willen we eigenlijk bereiken op dat maatschappelijke prachtig? Wat willen we bereiken op dat economische
15:30-15:35
populair? Wat willen we bereiken op dat? Nou dus dat je daar met elkaar naar gaat kijken en dat je
15:35-15:38
gaat kijken naar wat zijn nou de doelstellingen die we met elkaar hebben? Wat zouden we willen
15:38-15:42
bereiken? Wat moet er over een jaar beter gaan? Dat gesprek met elkaar te voeren en als je dat
15:42-15:46
hebt kun je op een gegeven moment dat uitkleden naar en wat willen we dan weten beschrijvend,
15:46-15:51
diagnostiserend en voorspellend om die doelstellingen beter te kunnen realiseren? En
15:51-15:56
vervolgens ga je met elkaar kijken en wie, wanneer en hoe gaan we die analyses gebruiken? Dus op
15:56-16:01
welke manier, met welke mensen moeten we om tafel om dan ook tot betere oplossingen te komen voor
16:01-16:06
die verschillende onderdelen? En dat betekent dus dat ik denk dat het model wat je nu hebt
16:06-16:12
niet gebruikt gaat worden in de prachtige artistieke kant maar veel meer in die economische kant. Want
16:12-16:19
daar is hij heel geschikt voor tenzij je hem weer uit gaat breiden met extra datasets en analyses
16:19-16:24
die je daarop gaat doen. Het gevaar is wel, of gevaar is een groot woord, maar wat er kan gebeuren
16:24-16:30
is dat je rond zo'n thema allerlei dingen wil weten waar je geen data van hebt of waar je onderzoek
16:30-16:46
naar moet gaan doen. Even voor de helderheid, het voorspelmodel van Edsart Udo de Haas dat samen
16:46-16:51
met DIP is ontwikkeld heeft zowel economische als artistieke doelen. Het doet voorspellingen over
16:51-16:57
de mogelijke interesse en doelgroepen voor bepaald cultureel aanbod. Om publieksbereik te vergroten,
16:57-17:03
maar ook om meer divers aanbod mogelijk te maken. Dankzij de AI-technologie kunnen
17:03-17:08
programmeurs beter nieuw aanbod ontdekken en door een betere inschatting van kansen en risico's
17:08-17:13
kunnen ze een afgewogen keuze maken voor aanbod dat nieuw, ander of jonger publiek aanspreekt.
17:13-17:19
Bij andere vraagstukken is dus nodig om weer opnieuw te bekijken wat willen we weten om dit
17:19-17:25
doel te realiseren, welke data hebben we nodig en zijn die er? Want dat is ook nog een issue.
17:26-17:31
Elk theater heeft zijn eigen ticketing systeem en meer dan 350 theaters,
17:31-17:36
producenten en impresariaten zijn al aangesloten bij DIP. Maar je bent nooit helemaal compleet.
17:36-17:40
Kan je dan toch iets zeggen over de sector als geheel?
17:40-17:42
Op het moment dat je weet wat je wil weten, dan kun je ook kijken naar,
17:42-17:47
jongens, als wij dit door de jaren heen willen weten, dan zullen we dit moeten gaan centraliseren,
17:47-17:51
zullen we dit uniform moeten gaan aanbieden. Op het moment dat je doelen, data, handelen niet
17:51-17:56
goed hebt uitgewerkt, krijg je heel snel mensen die denken, waarom ga ik dat nou doen? Dus het
17:56-18:01
verhaal om iets met data te doen krijg je gewoon heel moeilijk verkocht. En willen mensen het ook
18:01-18:04
niet. Op het moment dat je dit goed uitgewerkt hebt, laat zien wat je doelstellingen zijn,
18:04-18:08
hoe je het wil gaan gebruiken. Zijn mensen eigenlijk heel snel ook wel bereid om iets
18:08-18:11
met registraties te doen, het bij elkaar te brengen, maar dan moeten ze dat wel op
18:11-18:17
een of andere manier zien hoe dat gebeurt. En dat gebeurt heel vaak niet. Dus het helpt ook in dit,
18:17-18:21
om bijvoorbeeld centraliseren, uniformeren van registraties, dan helpt het gewoon heel
18:21-18:24
erg om ook scherp te hebben wat je er met elkaar mee wil bereiken.
18:24-18:30
Zorgen dat alle neuzen dezelfde kant op staan, zodat je samen weet wat je wilt bereiken. Het
18:30-18:33
voorspelmodel is gemaakt om de potentiële belangstelling voor cultureel aanbod te
18:33-18:39
voorspellen en om onbekend aanbod boven te laten drijven. Maar het model kan ook op andere dingen
18:39-18:44
getraind worden. Aanbod met groot potentieel voor bepaalde leeftijdsgroepen, delen van de stad,
18:44-18:49
inkomensgroep, etc. Door de ruimte en tijd die dit oplevert, houden programmeurs tijd
18:49-18:55
over om zich te richten op de pace van prachtig en participatief. Alleen, zoals in vorige afleveringen
18:55-19:00
ook gezegd werd, is dat wel afhankelijk van hoe mensen in de sector het gaan gebruiken.
19:00-19:05
Ja, jullie noemen het steeds, dus dat vind ik al ingewikkelder, is de sector, de politiek. Want
19:05-19:08
dat zijn de mensen die het uiteindelijk moeten gaan gebruiken. En daar zijn we ook wel achter
19:08-19:14
gekomen in de analyse die wij deden, is je hebt namen en rugnummers nodig voor de mensen die aan
19:14-19:19
tafel gaan zitten en gaan tennissen, bij wijze van spreken. Dus op het moment dat je iemand een
19:19-19:22
voorspelmodel geeft, je geeft iemand een tennisracket, dan wil je dat die kan tennissen.
19:22-19:26
En wat blijkt, heel veel mensen vinden tennissen heel moeilijk. Dus die slaan elk bal over het
19:26-19:30
hek en leggen op een gegeven moment het racket in de kast. Dus de manier waarop je het spelletje
19:30-19:36
met elkaar speelt en dat je heel goed begrijpt wie op basis van doelen, data, handelen aan de gang gaat
19:36-19:41
met die analyses en het gaat gebruiken en daadwerkelijk gaat doen, en hoe je dat met
19:41-19:45
elkaar doet, dat moet je echt organiseren. Dus wij zeggen altijd na de analyse, nadat we een
19:45-19:49
dashboard hebben opgeleverd, nadat we een voorspellend model hebben gemaakt, dan begint
19:49-19:54
data gestuurd werken. In dat spelletje, dat laten we vaak als data, mensen vaak los,
19:54-19:57
dan zeggen we nou ja alsjeblieft heb je hem, ja zet hem op. En vervolgens gaan die mensen het niet
19:57-20:00
goed gebruiken en dan gaan we zitten klagen over het feit dat zij het niet zo goed gebruiken.
20:00-20:04
Maar waarschijnlijk heeft dat te maken omdat ze het gewoon niet zo goed kunnen. En wij ze daar
20:04-20:08
niet goed genoeg bij geholpen hebben. En dat betekent mensen trainen, mensen er mee helpen,
20:08-20:13
dus letterlijk ze leren tennissen. Ja en dat is denk ik ook hier, wie is het publiek, wat er
20:13-20:17
mee aan de slag moet gaan en hoe zorg ik ervoor dat zij het ook daadwerkelijk gaan doen, is
20:17-20:21
denk ik een, nou nogal cruciale die we heel vaak over het hoofd zien.
20:21-20:26
Wat zou jij dan de ideale tennis match vinden? Wie zouden er allemaal op het veld moeten staan?
20:26-20:32
Ik zeg van nou de meest ideale situatie is dat en de producenten en de theaters en de beleidsmakers
20:32-20:36
en de voor, gewoon inderdaad, een soort bij elkaar gaan zitten, want in een ideaal geval
20:36-20:43
lijkt me dat een heel mooi team. Of zeg je van dat is wel te veel, ieder met zijn eigen rugzakje.
20:43-20:47
Kijk interessant is de definitie van een team is een groep mensen met een gemeenschappelijk doel.
20:47-20:51
Dus wat je heel, wat wij in het begin meemaken toen we dat gingen doen, dat heel erg langs doelen
20:51-20:55
data handelen, is dat er allerlei mensen aan tafel zaten, maar dat ze helemaal geen team waren.
20:55-20:59
Dus dat er allerlei losse doelstellingen onder zaten. Dus wat je graag wil is,
20:59-21:03
als een doelstelling is verbeteren van talent ontwikkeling en ontplooiing, dan wil je alle
21:03-21:08
mensen die zich bezig willen houden om daar dat vraagstuk of om die doelstelling aan te pakken,
21:08-21:13
die wil je om tafel hebben en dan liefst zo breed mogelijk. Dus iedereen aan tafel die dat wil.
21:13-21:18
Als je zegt ja we willen ons verdien potentieel verbeteren, dan wil je iedereen aan tafel hebben
21:18-21:22
die daarmee aan de slag wil en dan wil je doelen data handelen gaan doen. Om dat uit te werken
21:22-21:27
en te kijken wat je daar, hoe je dat dan samen ook kunt gaan gebruiken om tot betere oplossingen
21:27-21:32
te komen. En ik kan daar een fantastisch voorbeeld geven dat je verzamelingen mensen hebt die
21:32-21:38
duidelijk geen team vormen, in jouw definitie, namelijk gemeenteraden. Gemeenteraden die hebben
21:38-21:42
allemaal hun eigen, fracties daarbinnen hebben allemaal hun eigen doelen, hun eigen ambities,
21:42-21:50
vaak heel erg treegestrijdig, maar als geheel heel erg beslissend in tot tot welke keuzes er
21:50-21:57
gekomen wordt. En dan heb je dus als partij, heb je een uitdaging om te zorgen dat je dat materiaal
21:57-22:04
aanreikt waarmee diverse doelen in ieder geval toetsbaar gemaakt kunnen worden. En daar hoort
22:04-22:08
in de cultuursector ook heel vaak bij dat je een aantal mythes moet doorbreken. De eeuwige mythe
22:08-22:14
dat het ook met privaat geld wel opgelost kan worden, dat je een paar mc-nassen vindt en dat
22:14-22:18
de sector dan gered is. Nou daar zouden we toch inmiddels wel overheen moeten zijn, maar ook
22:18-22:23
cultuur sponsoring wordt nog steeds genoemd. Als je dus naar de data kijkt, dat daalt, dat daalt,
22:23-22:27
dat daalt, dat daalt. Daar kan je dus niet op leunen. Dus het gaat echt om een goede mix
22:27-22:32
tussen publiek geld en verdienpotentieel. Nou dat kan je met data heel goed aantonen,
22:32-22:38
maar dan haalt vervolgens toch ook weer iedereen het element uit dat hij eruit wil halen. Dus het
22:38-22:43
blijft ook wel een hele spannende dynamiek. Als er één essentie is van het nieuwe cultuurstelsel,
22:43-22:50
dat vanaf 2029 ingevoerd moet worden, dan is dat de overheden samen handelen als één overheid. Dat
22:50-22:54
je dus het feit dat ze totaal verschillende beleidsdoelstellingen hebben, dat ze totaal
22:54-23:00
verschillende aanvragen uitzetten, dat ze totaal verschillende, soms ook periodes van beleid hebben,
23:00-23:07
als je dat alleen op elkaar afstemt, krijg je en beter beleid en een betere sector en je kan wel
23:07-23:13
100 miljoen efficiëntie behalen die anders gewoon naar de sector kan gaan. Ja er is zoveel te winnen.
23:13-23:17
Dit is wel een lange termijn perspectief en de politiek moet, het politieke wind moet er ook
23:17-23:21
klaar voor zijn. Dat is nu echt niet het geval, vrees ik. Maar op het moment dat je dus aan een
23:21-23:27
nieuw stelsel gaat bouwen, dan is dit een van de grote ambities. Zorgen dat die partijen op
23:27-23:37
hetzelfde tennisveld aan het spelen zijn. Data kan dus ook op een andere manier gebruikt worden
23:37-23:43
dan waar het voor bedoeld is. En dat blijft een spannend iets. Maar het brengt ons ook weer terug
23:43-23:49
naar het begin. Data gaat niet alleen om eentjes en nulletjes, maar juist ook om het verhaal eromheen.
23:49-23:54
Dus dat verhaal moet goed verteld worden. Ik wil er nog één ding aan toevoegen,
23:54-23:59
wat mij bij het beluisteren van de vorige podcast opviel. Natuurlijk het is een hele bijzondere
23:59-24:04
sector waar ik ook zelf enorm van hou. Er hing wel een beetje een zweem over sommige eerdere
24:04-24:10
podcast hier, dat makers vooral ook moeten kunnen maken wat ze zelf willen. Maar voor
24:10-24:17
de podiumkunsten geldt dat ze alleen maar bestaan bij de gratie van het publiek. Podiumkunsten zijn
24:17-24:21
alleen maar interessant als iemand naar je kijkt, als iemand naar je luistert, als je interactie
24:21-24:25
hebt met het publiek, als je kan reageren op dat publiek, als ze het mooi vinden, als ze het
24:25-24:30
vreselijk vinden, dat je daar interactie over hebt. Dat maakt podiumkunsten tot wat ze zijn. Dat maakt
24:30-24:36
ook dat live podiumkunsten zo van ontzettend veel grotere waarde zijn dan een dvd'tje opzetten.
24:36-24:41
Dat brengt allemaal gevolgen met zich mee, onder andere dat je je productiviteit totaal niet kan
24:41-24:45
verbeteren, maar je kan wel die interactie met het publiek verbeteren. En als jullie daar aan
24:45-24:49
kunnen bijdragen, zou dat een hele mooie zijn. Ik ben het helemaal met je eens, je moet je publiek
24:49-24:54
zeker niet vergeten, maar waar Anne Maike volgens mij met name op reageerde, is van ja, als dat een
24:54-25:01
harde, hoe zeg je dat, afrekenstaf is, dat er maar 30 man zitten, maar dat doet niks af. Misschien is
25:01-25:05
het wel een waanzinnig vernieuwende voorstelling die andere makers weer in staat stelt om. Maar
25:05-25:10
de hele keten van podiumkunsten is hier op op gericht. Je hebt ontwikkelingsinstellingen,
25:10-25:15
je hebt productiehuizen, je hebt dan heb je de vlakke vloertheaters, de kleine zalen, de grote
25:15-25:20
zalen en de hele grote podia, de festivals. Die hele keten is er op gericht dat het geen zak uit
25:20-25:27
maakt of je 30 of 3000 mensen bereikt. Die 30 is een opmaat om in de toekomst er 3.000 te bereiken.
25:27-25:32
Die keten van talentontwikkeling is ontzettend belangrijk vind ik. Het interessante hierbij is
25:32-25:36
dat dat weer twee doelstellingen door elkaar lopen. Dus op het moment dat je als je zegt
25:36-25:41
30 of 3000, als je kijkt naar verdienpotentieel doet het er nogal toe of het 30 of 3000 zijn.
25:41-25:46
Maar als je vanuit de doelstelling talentontwikkeling kijkt, maakt het niet uit of het
25:46-25:52
3000 of 30 zijn. En dit is wat er heel vaak gebeurt, is dat je data en gesprekken en dingen
25:52-25:56
die je belangrijk vindt, dus iemand legt zijn doelstelling op tafel, ja en dan zijn 30 of
25:56-26:01
3000, maakt niet uit. Maar op het moment dat jij denkt vanuit verdienpotentieel, ja dan is het
26:01-26:06
nogal relevant of het 30 of 3000 zijn. Dus en dat maken we vaak niet expliciet als we dit gesprek
26:06-26:12
met elkaar voeren. Je wil dat je eigenlijk met elkaar het proces van begin tot eind met een
26:12-26:17
groep mensen doorloopt rond een thema. Het is ook een nieuwe manier van werken, omdat ik weet niet
26:17-26:22
hoe jij dat ziet, maar er is ook heel veel angst wil ik bijna zeggen voor een soort van openheid
26:22-26:26
van data. Mensen het veld vindt data nog lastig, want daar zouden ze wel eens op afgerekend kunnen
26:26-26:32
worden, want jij hebt niet genoeg mensen bereikt. En dan kom je weer direct op het geld. Een soort
26:32-26:37
van oké als ik word afgerekend krijg geen geld meer, hou ik op te bestaan. Terwijl ik denk dat
26:37-26:42
er een veel waardevoller gesprek achter zit als je het over gewoon de waarheid hebt. Gewoon van
26:42-26:48
we missen de waarheid in die zin in feitelijke gegevens in plaats van dat onderbuik. En ik
26:48-26:54
denk dat dat uiteindelijk ons meer tegen zit dan dat het ons helpt, omdat het ook dat gesprek is
26:54-26:59
heel erg versnipperd zeg maar. Hier komen de twee paradigma's die schuiven hier uit elkaar.
26:59-27:05
Namelijk die van de centrale data analisten die het graag eenduidig willen hebben en die ook graag
27:05-27:10
willen dat alle data bij elkaar staat, transparant enzovoort. Versus de mensen die zeggen nee maar
27:10-27:16
bij mij is het anders. Bij mij zit dit anders. Het is denk ik ook dat als jij data geeft,
27:16-27:21
ja dat kan op allerlei andere manieren natuurlijk ook weer ingezet worden. Net zoals dat wij het een
27:21-27:25
kleur mee kunnen geven wij zo spreken als we als we zouden willen. Je kan het op 16 manieren
27:25-27:32
presenteren zeg maar. Wat gebeurt er? Dat is toch wel heel bijzonder aan data. Op het moment dat je
27:32-27:36
ergens in een tekst, in een persbericht, in een onderzoek een cijfer noemt. Ja het is de waarheid.
27:36-27:42
Vinden de journalisten het vervolgens heel interessant. Nemen het voor waar aan, behalve
27:42-27:49
ze goed doorvragen. Maar ook gemeenteraadsleden, statenleden in provincies die smullen van cijfers,
27:49-27:53
die smullen van een staatje met verhoudingen tussen provincies enzovoort. Maar je hebt
27:53-28:05
het verhaal nodig om het goed te kunnen duiden. Samenvattend, wij maken deze podcast natuurlijk
28:05-28:10
ook omdat Dip hier nu die eerste stappen in het voorspelmodel heeft gezet. Wat zouden jullie
28:10-28:16
hen adviseren, laten we beginnen met Dip, om nu verder te gaan? Wat zijn de concrete stappen die
28:16-28:23
zij nu verder kunnen gaan nemen? Nou kijk het allereerst waar wij echt achter zijn gekomen door
28:23-28:29
er heel lang aan te werken is, is bijna altijd begint data met een voorspelmodel of met een
28:29-28:35
dashboard of met een monitor. Ja en ik durf echt te zeggen dat is fout. Dus het begint met wat willen
28:35-28:40
we bereiken, welke analyse hebben we daarvoor nodig en dan vervolgens dat gebruik heel erg vorm te
28:40-28:47
geven. Dus tussen data en data analyse zit altijd iets voor en zit altijd iets na. En als die twee
28:47-28:52
dingen niet kloppen of niet duidelijk zijn of je niet weet hoe je dat gaat doen, ja begin er dan
28:52-28:57
niet aan. Dus maak je doelstellingen scherp, maak scherp hoe je het wil gaan gebruiken, met wie. Dus
28:57-29:03
namen en ruggenummers van mensen die op een bepaald, op maandagochtend zitten we met, nou aan tafel en
29:03-29:08
dan gaan we met deze analyse aan de slag. Zo concreet wil je het hebben, want de sector gaat niet iets
29:08-29:14
doen uit zichzelf of de politiek. Rond die prachtige thema's en vraagstukken die er zijn,
29:14-29:19
ja kun je denk ik met beschrijving, diagnosticeren en voorspellen en analyse gewoon hele mooie dingen
29:19-29:24
doen en echt tot betere oplossingen komen. Daar ben ik van overtuigd, maar dat betekent dat je het in
29:24-29:30
combinatie moet zien tussen dat doelen en handelen, die twee onderdelen. En dat je daar
29:30-29:36
echt moet gaan beginnen. Alleen krijg je de ruimte om mensen op de tennisbaan te krijgen? Krijg je de
29:36-29:42
ruimte om dat, en dat is als je heel versnipperd bent, een ingewikkeld spel en soms lukt dat niet,
29:42-29:47
dus dan sta je alleen op de tennisbaan en komt het in ieder geval. En soms krijg je het voor
29:47-29:51
mekaar, ja en dan kun je tot hele mooie resultaten komen. Ik denk dat dat een enorme uitdaging is voor
29:51-29:58
de sector en de politiek om echt dat spelletje te gaan spelen. Vanuit mijn optiek is er een hele
29:58-30:05
gouden toekomst voor de cultuursector, omdat vrijwel iedereen overtuigd is of te overtuigen
30:05-30:11
is van de betekenis van kunst en cultuur. Ook in het partijprogramma van BBB staat onder de paragraaf
30:11-30:15
cultuur, kunst en cultuur vinden wij van groot maatschappelijk belang. Dat belang wordt echt
30:15-30:20
vrijwel door iedereen gezien, alleen dat belang moet je ook onderbouwen. En dan moet je dus ook
30:20-30:26
koppelen aan wat jij de hele tijd zegt Tom, welke doelen streven partijen na en kan je op dat doel
30:26-30:32
ook laten zien wat die betekenis is. En jullie hebben natuurlijk vooral publieksdata, maar publiek
30:32-30:37
en non-publiek is ongelooflijk belangrijke informatie om te beschrijven wie je bereikt,
30:37-30:43
ook met publieke middelen. En door bijvoorbeeld wat al gebeurt, Leontien Wiering zei in een vorige
30:43-30:48
editie van deze podcast, zei ze dat ze met het Rotterdamse culturele doelgroep een model werkt.
30:48-30:53
Dat is echt een verrijking van simpele publieksdata naar rijke publieksdata van wie komen er,
30:53-30:59
wie komen er niet. Ook voorspellend, dus dan kan je aan een Rotterdamse, of een Haagse in haar geval,
30:59-31:05
of noem maar op een Zaanse gemeenteraad heel duidelijk vertellen, deze groepen bereiken we
31:05-31:10
wel, maar deze groepen willen we bereiken. Daar moeten we investeringen in doen, daar moeten we
31:10-31:14
keuzes voor maken en als dat bijvoorbeeld heel weinig koopkrachtige doelgroepen zijn,
31:14-31:20
wees je dan ook bewust als gemeente, tennisend op het veld, willen wij een tegenstadder? Nou,
31:20-31:26
wel. De metafoor gaat vrij. Willen wij als gemeente Zaansdorp dat ons Zaantheater door
31:26-31:30
de mensen bereikt willen worden waarvoor wij er ook zijn, dat ze echt alle bevolkingsgroepen
31:30-31:35
terug kunnen zien? Dat kan je met data onderbouwen, of dat gebeurt, dat kan je sturen, dat kan je
31:35-31:39
richten. Daar worden marketeers blij van, er worden theaterdirecteuren, programmeurs,
31:39-31:42
maar politieën blij van en dan ben je echt op hetzelfde veld aan het spelen.
31:42-31:51
Dank voor het luisteren naar Data, AI en de cultuursector. Botsing of bonus? Zoals je hoort
31:51-31:56
zijn er nog genoeg gesprekken te voeren en stappen te nemen. In de volgende en laatste aflevering
31:56-32:02
blik ik terug met Joep en Edzard. Hoe hebben zij geluisterd naar deze gesprekken? En hoe gaan
32:02-32:08
zij, met al deze informatie op zak, weer verder? Abonneer je op dit podcastkanaal om er niks van
32:08-32:13
te missen. En als je dit een interessante podcast vindt, deel hem dan ook met een collega of iemand
32:13-32:19
anders die er iets aan kan hebben. Wil je meer informatie over DIP of je ook aansluiten? Kijk
32:19-32:25
op dip.nl. Het voorspelmodel van DIP kon ontwikkeld worden in het kader van het Innovatielabs traject
32:25-32:30
van het Stimuleringsfonds Creatieve Industrie. Voor meer informatie kijk op innovatielabs.org.