23/06/2017


Kijk eens met een andere lens naar je data!

Afgelopen november werd door innovatiegoeroe Prof. dr. Jeff Gaspersz  tijdens onze jaarlijkse Masterclass betoogd dat je innovatie kunt aanjagen door eens `lenzen te verwisselen’. Een mooi advies wat je naar mijn mening ook zou moeten toepassen op de data die je tot je beschikking hebt.

De standaardlens

Managementrapportages vermelden vaak standaard kpi’s. Hartstikke handig en verstandig natuurlijk om op die manier te monitoren of alles goed loopt. Maar vertellen de kpi’s ook het hele verhaal? En wat als je laag scoort op een kpi, weet je dan ook waardoor het komt? Afgelopen jaar heb ik een project uitgevoerd voor de RET in Rotterdam op het gebied van predictive maintenance waarin we gekeken hebben naar het verband tussen voertuigmeldingen van metro’s en trams en verstoringen van de dienstregeling. Eén van de zaken waar we tegenaan liepen is dat een bepaalde melding in metro’s maar liefst 15.000 keer per jaar gerapporteerd werd. De melding op zich was onschuldig, maar door het grote aantal trok het wel de aandacht. Hoog tijd om eens met een andere lens te gaan kijken.

Een andere lens

Achter ieder getal wat gerapporteerd wordt, ligt vaak nog een hele wereld verborgen. Vaak spelen er andere factoren een rol die de cijfers beïnvloeden en juist deze factoren haal je naar boven door andere doorsneden van je data te maken.

Tijd

Een andere manier om naar je data te kijken is bijvoorbeeld door te kijken naar het gedrag in de tijd. Is er soms sprake van een seizoenseffect? Gasverbruik is hoger in de winter. In de zomer worden meer ijsjes verkocht. Of een dag in de week effect? Bij ons op kantoor wordt er op vrijdag minder koffie gedronken, simpelweg omdat er minder mensen werken op vrijdag.

Asset type of locatie

Hangt een probleem samen met een bepaald type treinen of machines? Hebben bijvoorbeeld treinen van een Italiaanse leverancier eerder mankementen? Of hangen problemen juist samen met bepaalde locaties? Is een bepaald stukje bovenleiding of spoor misschien niet goed?

Gebruiker

Ook de gebruiker kan een belangrijke rol spelen. Het ligt vaak gevoelig in organisaties om hier onderzoek naar te doen, maar juist de menselijke factor heeft vaak een grote invloed op het uitvoeren van een proces. Dit kan veroorzaakt worden door onwil of onkunde, maar biedt ook juist vaak kansen voor verbetering door aanscherping van de instructies. Wees echter wel heel scherp: Zijn er meer complicaties bij de operaties van dokter X dan die van dokter Y omdat dokter X een minder goede chirurg is, of doet dokter X juist veel ingewikkeldere operaties?

Kijk bij al deze analyses ook zeker niet alleen naar gemiddeldes, maar ook naar de verdeling en de uitschieters.

De oplossing van de RET

Nadere analyse van de 15000 meldingen bij de RET, leverde op dat het zo’n 2000 dubbeltellingen betrof. Daarnaast kwam de melding grofweg 8000 keer voor in situaties zoals onderhoud, waarin de melding compleet anders geïnterpreteerd moest worden. Door de resterende 5000 voertuigmeldingen uit te zetten in de tijd, was direct duidelijk dat een groot deel in de ochtend plaats vond, juist bij de start van de dienst. Enerzijds bleek het probleem dus veel kleiner dan gedacht, anderzijds was er ook een veel duidelijker oplossingsrichting gevonden. De RET heeft dit verder opgepakt door met bestuurders te gaan praten over waarom de voertuigmelding zoveel voorkwam bij het starten van een nieuwe dienst. Dit leidde tot nieuwe inzichten en aangepaste werkinstructies.

Wilt u meer weten over data analytics? Neem dan contact op met Lieneke.


Aanbevolen

  • De visie van CQM op Data Science
  • Andere blogs van CQM lezen? U vindt ze hier.
  • Of wilt u altijd op de hoogte blijven van het laatste nieuws van CQM? Volg ons dan op LinkedIn of schrijf u in voor de digitale nieuwsbrief (max. 4x per jaar).
Lieneke van Boxel
Lieneke van Boxel helpt je graag verder Neem contact op