Data Science cases

Data science is de term voor het winnen en analyseren van kennis uit data door middel van technieken en theorieën uit vakgebieden zoals wiskunde, statistiek en informatietechnologie. De input voor data science kan big data zijn. Dit is de term voor datasets die zo groot of complex zijn dat ze niet door reguliere database management systemen kunnen worden verwerkt. CQM heeft inmiddels 35 jaar projectervaring met data science. Dit is zelfs 20 jaar langer dan de  term bestaat.


Hieronder komen vier gerealiseerde projecten aan bod, met daarbij verschillende aspecten van data science en BIG DATA waarmee CQM te maken kreeg. Hoe gingen we ermee om? Of met andere woorden: data science, hoe werkt het in de praktijk? 

 

In een nieuw te bouwen universiteitsziekenhuis in Canada zullen alle goederen zoals voedsel, medicijnen, linnengoed en afval door middel van AGV’s (automated guided vehicles) op hun bestemming gebracht worden. CQM levert de systemen en de software om het aan te sturen. Het gaat hierbij om veel bewegingen en beslismomenten voor de routering van de AGV’s (VOLUME). Extra uitdagend is dat de AGV’s ook goederen tussen verschillende verdiepingen in verschillende ziekenhuistorens moeten vervoeren. CQM werd gevraagd om een algoritme te ontwikkelen voor de meest efficiënte liftaansturing in de drie ziekenhuistorens (Prescriptive). Doorstroming is belangrijk om slim met de beschikbare liftcapaciteit om te gaan. Daarnaast moeten AGV’s met hoge prioriteit (bijvoorbeeld warm eten) voorrang krijgen. Door middel van een simulatie gaf CQM inzicht in de duur van de diverse processtappen en werd zichtbaar welke tijden door een slim algoritme kunnen worden beïnvloed (Descriptive). Dit algoritme moet bovendien uiterlijk binnen 0,5 seconde een optimaal antwoord geven (VELOCITY). 


AgroEnergy is dé energiespecialist voor de agrarische sector in Nederland. Het bedrijf helpt tuinders om optimale resultaten in hun energiehandel te bereiken. Vorig jaar introduceerde AgroEnergy BiedOptimaal, een innovatieve plug-in die het biedproces van tuinders nog makkelijker maakt: tegen welke prijs koop ik welke hoeveelheid gas en elektra in? BiedOptmaal bepaalt APXbiedingen waarbij de  warmtekostprijs voor de tuinder wordt geminimaliseerd. CQM hielp AgroEnergy bij de ontwikkeling van BiedOptimaal. Het project werd volgens een data science-aanpak uitgevoerd. BiedOptimaal draait dagelijks, vlak voordat de APX-biedingen moeten worden ingediend. Er worden realtime veel verschillende databronnen gebruikt (VARIETY). Steeds worden de meest recente gegevens zoals weersvoorspellingen en net gesynchroniseerde buffervulling gebruikt om snel tot een biedadvies te komen. De voorspellingen voor warmtebehoefte en energieprijzen (Predictive) komen samen in een optimalisatiemodel, dat de optimale bieding voor de tuinder bepaalt (Prescriptive). BiedOptimaal is sinds oktober 2014 beschikbaar voor tuinders en wordt in de loop van 2015 ook geschikt voor belichtende tuinders. AgroEnergy wil een soortgelijke dienst ook voor andere sectoren aanbieden, zoals de gebouwde omgeving.


In 2008 schakelde Corus (tegenwoordig Tata) CQM al in voor een data science opdracht. In dit geval om klantklachten over de staalkwaliteit te helpen reduceren. Een grote diversiteit aan databronnen (VARIETY) binnen Corus vormden de input. Door een sterke nadruk te leggen op het doel ontstond de mogelijkheid om relevante data heel duidelijk te onderscheiden. Om de potentie ervan te kunnen benutten moesten grote hoeveelheden data (VOLUME) aan elkaar worden gekoppeld. Die data bestonden echter in verschillende formaten en waren dus niet eenduidig te verbinden. Daarnaast bevatten de data moeilijk te detecteren vervuilingen (VERACITY). Ook waren er praktische uitdagingen bij het volgen van staalrollen door het productieproces. Staalrollen worden meermaals op- en afgerold waardoor de materiaalvolgorde elke keer wordt gespiegeld. Daarnaast worden staalrollen steeds dunner gewalst, waardoor de lengte toeneemt en de plaats van oppervlaktedefecten verschuift en wordt uitgesmeerd. Corus gebruikte de data voor snelle kwaliteitsmonitoring (Descriptive) en startte verbeterprojecten voor de meest voorkomende klant-klachten (Predictive).


Samen met ProRail heeft CQM de Infra-Monitor applicatie ontwikkeld. Binnen deze applicatie kan de infrastructuur van het spoor en de dienstregeling in combinatie met andere databronnen (VARIETY) worden gevisualiseerd. Met deze detailinformatie kunnen gebruikers door middel van interactieve data analyses verschillende vraagstukken beantwoorden (Descriptive). Een voorbeeld hiervan is de RisicoRegister Rijwegen analyse. Met deze analyse is het mogelijk om systematisch die punten in de infra te identificeren waar het risico op een botsing tussen twee treinen hoger is dan gemiddeld. De analyse kan ook het effect van maatregelen als flankdekkingswissels, ATBVV en doorschietlengte inzichtelijk maken (Predictive). Door de resultaten daarna te visualiseren in een schematische layout van het spoor, krijgen de experts direct inzicht in de maatregelen en bijbehorende consequenties. ProRail gebruikte de RisicoRegister Rijwegen analyse al voor verschillende veiligheidsstudies.

 

Wilt u meer weten over de verschillende aspecten van data science en big data?

Ga dan snel naar de visie van CQM op dit gebied.
Lees ook eens de case 'NS en CQM maken reizigersvoorspellingen consistent en inzichtelijk'. 

 

Wilt u weten wat CQM voor uw organisatie zou kunnen betekenen op het gebied van data science? 

Neem dan contact op met Bert Schriever.

Dr. Bert Schriever

Dr. Bert Schriever

Partner