De wereld draait meer en meer om het goed benutten van data en gaat daarmee - tot op zekere hoogte - de traditionele onderzoeksprotocollen vervangen. Hoe snel dit gaat is moeilijk te voorspellen, maar als innovatiemanager zie ik nu al de eerste tekenen in de markt.
Als ik het DIKW-model - dat de structurele en functionele relatie tussen data, informatie, kennis en wijsheid representeert - afzet tegen onze manier van traditioneel onderzoek, voorzie ik dat het traditionele onderzoek door kennis wordt ingehaald. En dat we daarmee het risico lopen een groot deel van ons marktpotentieel te verliezen. Ik ben dan ook van mening dat we moeten zorgen dat we zelf deze kennis ontwikkelen, en gericht op zoek moeten naar die vorm van wijsheid waarmee we het bodemonderzoek van de toekomst kunnen vormgeven.
Op internet zijn diverse beschrijvingen van het DIKW-model te vinden; een goeie beschrijving hiervan vond ik op de website ithappens.nu:
Data, informatie, kennis en wijsheid zijn onlosmakelijk met elkaar verbonden. Informatie kan op zichzelf niet zomaar bestaan (Rowly, 2007) en is uitgebouwd uit data met relationele verbanden. Data kan gezien worden als rauwe feiten die bestaan, in welke vorm dan ook, en kunnen wel of niet bruikbaar zijn. Data heeft geen betekenis van zichzelf en krijgt pas vorm op het moment dat een persoon daar een bepaalde relatie aan geeft waardoor het informatie wordt. Bij kennis moet data en informatie toegepast worden, zodat deze bruikbaar is en er een handeling mee kan worden verricht. Kennis kan dan ook worden gezien als een deterministisch proces. Wijsheid is een zelfontplooiing en juist geen deterministisch proces. Het maakt daarbij gebruik van uitkomsten van de vorige drie niveaus om de principes te begrijpen. Wijsheid is een uniek menselijk proces en kan niet worden vervangen door computersystemen.
Om de onderliggende relatie van de vier niveaus te verduidelijken wordt hieronder een voorbeeld gegeven:
Bij traditioneel bodemonderzoek beoordelen we de lokale verontreinigingssituatie, locatiegebruik, calamiteiten, etc. op basis van historische en actuele gegevens. De gezamenlijke data gebruiken we om in de onderzoeksstrategie vast te leggen wat er nodig is om het beoogde doel te bereiken, uiteraard conform de vastgestelde protocollen. Deze historische data was jaren geleden nog in te zien bij gemeenten, en ook vonden er locatiebezoeken plaats. Momenteel wisselen we al veel data digitaal uit en kunnen we de stukken op afstand inzien.
Tegenwoordig bestaan de gegevens die we verzamelen (vergunningen, bodemonderzoeken, foto’s locatie) uit data die we aan elkaar koppelen (data omzetten in informatie) en waarmee we als bodemadviseur patronen kunnen herkennen om de strategie van het bodemonderzoek te bepalen (het kennisdeel). Voor die strategie stellen we op basis van verschillende bodembedreigende activiteiten een onderzoeksplan op conform de vigerende protocollen, voeren we bepaalde werkzaamheden opnieuw uit (boringen en plaatsen van peilbuizen) en maken we af en toe gebruik van bestaande peilbuizen. De kennis die we hierbij gebruiken betreft kennis over welke informatie we waaruit moeten halen, en dat is iets wat we herhaaldelijk doen. Nu doen we dat grotendeels nog in digitale vorm waarbij de persoon die deze kennis bezit, nog centraal staat.
En juist deze patroonherkenning is iets wat computers beter kunnen dan wij mensen. De grootste uitdaging daarbij is om de computer te leren om de juiste patronen te herkennen. Met de exponentiele toename aan data die momenteel genereerd wordt, is het voor ons als mens steeds moeilijker om al die informatie tot één strategie te bundelen. Dit kunnen onze hersenen niet meer verwerken. Daarom is het nodig dat we geholpen worden bij het automatisch herkennen van dit soort data, informatie en kennis. De kracht van ons als mens is dat we kunnen achterhalen waarom bepaalde principes van belang zijn, en dat we dit anderen kunnen leren. Zo zijn we momenteel bezig om - op weg naar de zelfrijdende auto - auto’s te leren verkeersborden te herkennen. Dus waarom doen dat nog niet in het bodemvak?
In theorie is dit niet eens zo vernieuwend; we brengen nieuwe medewerkers het bodemvak bij en leren hen wat noodzakelijk data is, hoe ze deze kunnen herkennen, welke data aan elkaar gekoppeld moet worden om er bruikbare informatie van te maken, en hoe ze deze patronen kunnen herkennen. De stap naar de echte digitale verwerking lijkt groot, maar is in theorie klein.
De huidige marktontwikkeling laat zien dat we informatieherkenning steeds vaker door computers laten uitvoeren. In de basis gaat dit om het beheren van bodemdata en het leggen van de juiste verbindingen tussen die data. Momenteel kunnen we dit best nog parallel laten lopen met de traditionele manier waarop we data verwerken, echter het efficiëntiepotentieel bij de digitaliserende vorm is stukken groter, en daarmee ook de concurrentie. En als je je bedenkt dat de hoeveelheid data alleen maar toeneemt en dat de ontwikkeling van IoT-devices en Remote Sensing nieuwe buikbare datastromen op bodemgebied gaat leveren, dan weet je dat er een disruptieve verandering op komst is.
Bijna iedereen is er wel van overtuigd dat het hebben van data uiteindelijk tot kennis leidt. Maar uiteindelijk is het de mate van wijsheid die we hieraan toevoegen die ervoor zorgt hoe en hoe snel deze verandering plaatsvindt. Hoe eerder we dit gegeven omarmen, hoe eerder we zelf ook in deze verandering mee kunnen.
De eerste stap in deze digitale transformatie is om op de juiste manier met data om te gaan en om van deze data informatie te maken. Maar ook onderstaande vervolgstappen bieden een enorme potentie.
Leg uw vraagstuk voor aan onze experts, wij adviseren graag.
