Synthetische testdata voor het CBS op de schaal van de volledige Nederlandse bevolking.
Synthetische testdata op bevolkingsschaal voor het Demografisch Register.
Het Centraal Bureau voor de Statistiek (CBS) is het nationale statistiekbureau van Nederland. Een groot deel van de gegevens die het CBS verwerkt, bestaat uit microdata over individuele personen en huishoudens, afkomstig uit registers zoals de BRP, de Basisregistratie Personen van de Nederlandse gemeenten. Dat zijn uiterst gevoelige gegevens waarvoor strikte privacyregels gelden. Daaruit volgt één harde regel: geen microdata op ontwikkel- of testomgevingen. De teams die de volgende generatie statistische applicaties voor het CBS bouwen, konden dus niet werken met de data waarvoor die applicaties juist bedoeld zijn. Er was een andere aanpak nodig.
Waarom de bestaande opties tekortschieten
Pseudonimisering lost het probleem niet op, omdat de koppeling met echte personen blijft bestaan. Vervang het BSN door een code en het bestand oogt anoniem. De rest van de data blijft echter precies zoals het was. Geboortedatum, postcode en verhuisgeschiedenis beschrijven nog altijd één specifieke inwoner. De ouder-kindrelaties binnen het DDR maken de kring nog kleiner. Wie over een tweede bron met dezelfde velden beschikt, kan beide naast elkaar leggen en de inwoner herleiden, ook zonder naam. Het CBS legt namen bewust niet vast, omdat de statistiek ze niet nodig heeft en ze sterk identificerend zijn.
Omdat heridentificatie mogelijk is, geldt die data onder de AVG nog steeds als persoonsgegeven. Het brengt alle verplichtingen en risico’s van echte microdata met zich mee, en daarmee was deze route voor het CBS geen optie.
De primaire use case maakte het nog lastiger.
Het Deelsysteem Demografisch Register (DDR) laadt BRP-gegevens in de database die de basis vormt voor meerdere statistische processen van het CBS. De verwerkingspipeline corrigeert rommelige gegevens uit de praktijk, zodat de statistieken zo consistent mogelijk zijn. Typt een gemeenteambtenaar een geboortedatum verkeerd in, dan mag dat niet leiden tot een gepubliceerde moeder van vier jaar oud. Testdata moet daarom realistische maar foutieve patronen bevatten, zoals asymmetrische ouder-kind relaties of een verhuizing die is geregistreerd nadat iemand is overleden. Alleen zo is te toetsen of de applicatie zulke fouten herkent en goed corrigeert. Juist deze afwijkende gevallen ontbreken altijd in handmatig samengestelde testdata.
Hoe BlueGen veilig binnen het CBS draait.
BlueGen.ai draait volledig binnen de CBS-omgeving. De brondata, de generator en de gegenereerde output verlaten die omgeving nooit.
De generator is een deep-learningmodel op basis van denoising diffusion met een transformer-backbone, aangepast voor heterogene tabulaire en relationele data. Het model benadert de volledige gezamenlijke verdeling van de dataset, in plaats van elke kolom afzonderlijk te modelleren.
Elke gegenereerde gegevensregel beschrijft daardoor één samenhangende virtuele persoon, over alle velden heen en in elke tabel waarin die voorkomt. Velden zoals het BSN hebben op zichzelf geen statistische betekenis. BlueGen genereert die daarom naast het model op basis van configureerbare regels, in precies het formaat dat de applicatie verwacht.
Aantonen dat de data goed genoeg was.
Bij elke output van BlueGen hoort een validatierapport over structuur, gelijkenis, bruikbaarheid en privacy. Het CBS legde de lat voor dat kader hoger. Omdat genereren probabilistisch is, vroeg de organisatie om betrouwbaarheidsintervallen bij de kwaliteits- en privacy scores en legde zij vooraf aanval scenario’s vast. Het standaardrapport meet al exacte duplicaten, bijna-duplicaten, singling out, koppelbaarheid en attribuut-inferentie. Samen met de eigen afdeling methodologie breidde het CBS dat verder uit, zodat de evaluatie voldoet aan de norm waaraan een nationaal statistisch instituut wordt gehouden.
Van innovatie pilot naar productie voorziening
Tussen april 2025 en januari 2026 leverden het CBS en BlueGen.ai de eerste productiewaardige synthetische dataset voor het Demografisch Register op. Er werden 300.000 virtuele personen gegenereerd voor de acceptatieomgeving, afkomstig uit een model dat is getraind op 1% van de registerdata. In de jaarlijkse verwerking komen de gegevens binnen in batches van doorgaans één miljoen personen. Die batchgrootte is flexibel, dus ook een lading van 300.000 personen past in de werkwijze van de applicatie.
Gelijkenis scoorde 85,12 op 100: de synthetische verdelingen en correlaties volgen de echte zo nauwkeurig dat ze die kunnen vervangen. Bruikbaarheid scoorde 92,68 op 100, gemeten door te trainen op synthetische data en te testen op echte data. Daarmee houdt de data stand bij de analyses die er verderop in de keten op draaien. In december 2025 werd de dataset geladen in de acceptatietestomgeving van het CBS. In januari 2026 bracht die set de eerste echte softwarefouten in de nieuwe DDR-applicatie aan het licht.
Het DDR-resultaat reikte verder dan het CBS zelf en maakte de organisatie tot een referentiepunt voor synthetische data in de Nederlandse publieke sector. Het opnieuw genereren van de dataset zodra er nieuwe variabelen bijkomen, is onderdeel van de opzet. Zo gaat deze capaciteit mee naar de volgende versie van de applicatie.
Testen op productieschaal
Synthetische data reproduceert de statistische structuur van de Nederlandse bevolking.
Bugs vinden vóór productie
Data die het echte register weerspiegelt, legt fouten bloot die schone dummy data verbergt. Ze duiken zo op in acceptatie in plaats van in productie.
Persoonsgegevens beschermen
Het model en de data verlaten de CBS-infrastructuur nooit. Ontwikkelteams werken uitsluitend met de synthetische output.
“Het CBS werkt met zeer gevoelige data, en we zijn verplicht die zo goed mogelijk te beschermen. Microdata en productiedata mogen daarom niet in test- en ontwikkelomgevingen worden gebruikt of met derden worden gedeeld. Synthetische data biedt ons een veilig alternatief. Onze teams bouwen en testen nu op productie-achtige data, en de eerste bugs in de nieuwe DDR-applicaties werden direct gevonden, zonder dat er microdata nodig was.”
Erwin van Mierlo
Senior Data Officer, CBS