Vertrouwen en verbinden

(1)

Vertrouwen en verbinden

R Huizinga en J Ciocoiu

(2)

Data: driver voor digitale transformatie

 Digitaliseringaanjager van data management. Data management is aanjager van digitalisering.

 Van data silo’s naar eensingle source of truth

 80% van relevante business informatie is ongestructureerde data.

 < 1% daarvan wordt geanalyseerd

 Kennis is macht. Data de bron. (data driven: +6 % en +9%

resultaatverbetering)

 Snelheid is de nieuwe differentiator: Informatie=relevantie/

consumptietijd

 Factor vertrouwenspeelt grote rol in datamanagement

(3)

Denk platformen i.p.v. applicaties

Connected

assets Data lake

(RTDP) Enterprise

External

Data sources

Descriptive

Analytics

Customer / Consumer

Partner

Business

Impact

Diagnostic

Predictive

Prescriptive

CONTROL AND OPTIMIZATION

BASIC INSIGHTS

Application Silo’s Historic Dark data

Location Condition

Use

Supplier data Traffic

Social

Ingest Store Compute

Identify measures to improve

outcomes Capture condition

Report results

Examine causes of performance, faults

and problems

Detect patterns that signal impending events

Can X help me sell more?

Better service for my clients

Faster service.

Better service Happier customers

Lower cost Happier employees

More innovation

(4)

Prorail: IoT, DataLake en analytics

(5)

Periodiek worden geldautomaten onderhouden, waarbij de onderhoudscyclus nu nog voor alle automaten gelijk is.

Dit kan efficiënter omdat de automaten niet allemaal even frequent worden gebruikt en onder

verschillende omstandigheden opereren.

KPN consulting maakt een systeem voor efficiënter onderhoud op basis van de historische

gebruiksgegevens, recente storingen en gegevens over het apparaat.

Geldservice NL: Datalake, IOT en analytics

(6)

Achtergrond: Ymere en onderhoud

 Woningcorporatie Ymere beheert in Nederland ca. 1430 wooncomplexen met in totaal meer dan5600 daken

 Deze daken kennen ca. 7000 lekkages per jaar

 Het voorkomen van lekkages kan o.a. door:

o Planmatig en preventief onderhoud

o Maatregelen op basis van historische analyse o Predictive modeling(machine learning)

o Plaatsen van sensoren

 Lekkages worden opgelost door het dakteam Klomp, Patina enConsolidated (mede-opdrachtgever)

(7)

Aanpak: machine learning

 Idee: eerste concept/voorproef van de mogelijkheden van predictive modeling

 Doel:

o Niet: op dinsdag 12 januari om 21:50 ontstaat een lekkage op dak X

o Maar: in januari is het zeer waarschijnlijk dat op dak X, Y, Z een lekkage ontstaat

 Gebruikte techniek:

o Machine learning  classificatie  logistische regressie  RandomForest o Implementatie m.b.v. Python en Spark

 Data:

o Daken, complexen en activiteiten uit Dakota (Consolidated) o Bouwjaar en locatie uit BAG

o Temperatuur, neerslag en luchtvochtigheid uit KNMI

(8)

Predictive modeling

Features

Maand Daktype Dakpartner Gebouwsoort Garantie Conditie Bladval

Valbeveiliging Afschot Vandalisme Oppervlakte Bouwjaar Lengte goot Levensduur

Aantal lekkages cum.

Dakota

BAG

KNMI

Model Training dataset

Features Labels

Validatie dataset

Predictions

Validatie

2015 Q1 2016

(9)

(On)mogelijkheden

Mogelijkheden

 Achterhalen van andere features

 Meer data:

o meerdere Jaren

o maar ook van daken die nietop gebouwen van Ymere zitten

 Externe databronnen

Obstakels

 Privacy van personen, ook externe data

 Onvolledige data

(10)

Resultaten

 Overall accuracy model: 93%

 Logistische

regressie kent een trade-off tussen True Positive en False Positive voorspellingen

random voorspelling model

theoretisch optimum

 Bijv: 40% van de

(11)

Vragen?

Redmer Huizinga (redmer.huizinga@kpn.com)