Presentatie Dinalog 28 april 2019 | Ruud Sneep en Daan Kolkman info@jadsmkbdatalab.nl
Vandaag
• Even voorstellen – wie is JADS • De basis van het werken met data: hoe kijken wij naar vraagstukken van ondernemers? • Voorbeelden
• Voor we beginnen: • dinalog.reageer.tv
Big data, data science en kunstmatige intelligentie
JADS: mede mogelijk gemaakt door
Province Noord-Brabant
City of ’s-Hertogenbosch
Tilburg University
TU Eindhoven
Enorme toename in de vraag naar “data scientists”
JADS: Drie focusgebieden
Onderwijs
Data Visualization & Data Decision Making
Data Entrepreneurship
Onderzoek
In het hartje van de Brabantse diamant
[9 ]
Big data, data science en kunstmatige intelligentie
De hype is groot.
Het ultieme antwoord op alles?
.. maar ook (deels) onderbouwd
1996 Schaken Vakken: 8x8 Aantal zetten: 60 Mogelijke zetten: 10^44
2016 Go 19x19 200 10^170
Van big data naar big value?
Hoe groot is big data? Enkele praktische beperkingen
Excel
Theoretisch* limiet
Praktische beperkingen
Python / R
SQL
Bigquery / Redshift
1,048,576 rijen en 16,384 kolommen
Afhankelijk van geheugen ~ 8 – 256 GigaByte
~ 500 TeraByte
> 10 PetaBytes
• Langzaam vanaf 250,000 rijen • VLOOKUPS kosten veel tijd
• Bij > 32 GB niet meer mogelijk op locale computer
• Niet geschikt voor grote hoeveelheden berekeningen
• Beperke beschikbaarheid statistische tools
Cloud
Distrbuted Cloud
Laptop
Laptop / Cloud
Wat is machine learning?
Hoe slim is kunstmatige intelligentie?
Algoritmes onderhouden is noodzakelijk!
Wat kan je hier nu zelf mee?
Slides Jeroen
Wat kan je hier nu zelf mee?
Waarde creÍren met data – duidelijk, maar hoe?
Helft mkb ziet kansen in (big) data, maar toepassing blijft probleem
Er wordt veel ontwikkeld en bedacht, maar die nieuwe oplossingen dringen niet volledig door
Data Maturity Scan
Data Maturity Scan
Mini Quickscan
• • • •
Vijf vragen Gratis online beschikbaar Door iedereen in te vullen Verwachtingsmanagement waarborgen
Maturity Quickscan
• • • •
60+ vragen €750,- i.c.m. workshop Bedoeld voor de ondernemer/ hoger management Eerste inzicht verkrijgen in organisatie
Maturity Scan
• • • •
60+ vragen €7.500,Bedoeld voor de gehele organisatie Diepgaand inzicht verkrijgen in de organisatie
Workshop Data Driven Business
Waarde creĂŤren met data
Maturity Scan
Data Project Canvas
Datacheck
Project Beschrijving
Data project canvas (v 0.8) Databronnen Wat voor types data heb je nu beschikbaar? Denk aan klantgegevens, financiĂŤle gegevens, marktgegevens, etc.
Expertise
Budget Commitment
Waar zijn jullie goed in? Welke taken kunnen jullie zelf oppakken? Denk aan het exporteren of schoonmaken van data.
Kennis Infrastructuur
Software
Wat voor programma’s gebruik je nu? Denk aan Navision, Exact, AFAS, Excel, Google Analytics, etc.
Partners
Op welke laag is er commitment voor een project voor het werken met Data? Hoeveel tijd kan er vrijgemaakt worden?
Regelgeving
Werk je al samen met bijvoorbeeld een ITleverancier? Wie zijn ze en wat doen ze precies? Zijn ze makkelijk te benaderen
Uitdagingen
Cultuur Hoe zou je de cultuur beschrijven ten aanzien van het werken met data? Is er veel weerstand? Is er veel interesse?
Randvoorwaarden project
Ben je op de hoogte van wat er mag met de data die je verzamelt? Verwerk je persoonsgegevens?
Budget
Hoeveel budget heb je beschikbaar om te investeren in een data project? Wie wordt er intern betrokken?
Resultaten
Welke activiteiten kosten de organisatie nu veel tijd? Waar zitten de ergernissen? Waar zie jij kansen om meer te doen met de data die je verzamelt? Welke externe databronnen zou je graag binnen willen halen, waarom?
Wanneer is het data project een succes? Welke concrete resultaten
verwacht je? Denk daarbij aan een kosten- of tijds-besparing of een Verwachtingsmanagement omzet-vergroting.
Ontworpen door Daan Kolkman en Ruud Sneep Dit werk is gelicenceerd onder een Naamsvermelding-NietCommercieel-GelijkDelen 4.0 Internationaal licentie. Wanneer je gebruik wilt maken van dit werk, hanteer dan de volgende methode van naamsvermelding: Kolkman, D. en R. Sneep (2019), Data-Driven Boost Canvas. Beschikbaar op: www.jadsmkbdatalab.nl/ CC BY-NC-SA 4.0 gelicenseerd.
Hoe werkt een project?
Werkwijze
Voorbereiding
• Waar sta je? • Wat is je probleem? • Hoe ziet de data eruit?
Projectuitvoer
• Verzamelen (externe data) • Beschrijven/ visualiseren • Voorspellen
Evaluatie
• (Hoe) gaan we verder?
De marge per klant berekenen om zo de financiĂŤle huishouding optimaal op orde te hebben De marge op een lease auto is afhankelijk van verschillende factoren zoals de gekozen verzekering, de bijbehorende premie en of er (uiteindelijk) schade gereden is.
Voorspellen hoe we het eindgewicht van een kropsla zo goed mogelijk kunnen beheersen. Door meer inzicht te krijgen in de factoren die invloed hebben op het groeiproces van de sla plant kan het groeiprocess versneld of juist vertraagd worden gebaseerd op de binnenkomende bestellingen. Dit leidt uiteindelijk tot minder slaverspilling.
“We houden als bedrijf nieuwe technologische mogelijkheden goed in de gaten. Daar waar we kansen zien, gaan we meteen aan de slag. Hierdoor hebben we een zeer uitgekiend en gecontroleerd productieproces gecreëerd. ” - Deliscious
Voorspellen van de stoptijd van (vrachtwagen) transport Een belangrijke uitdaging voor Willems Transport is het plannen van de route die hun chauffeurs rijden. Sinds jaar en dag wordt daarvoor een software pakket gebruikt dat de optimale route berekend op basis van rijtijden en files. Dit pakket helpt om de dienstverlening te verbeteren en de kosten te verminderen. Een belangrijke beperking van het pakket is dat het geen rekening houdt met de stoptijd van de vrachtwagens.
“We willen weten of de stoptijd voor het laden en lossen beter voorspeld kan worden. Dit is nu een belangrijke onbekende waar rittenplan systeem nog onvoldoende rekening mee kunnen houden.” - Pedro Poppelaars (10 05 – extern consultant)
Voorspellen wanneer containers vol zijn Voor de klanten van Welvaarts Weegsystemen is het erg waardevol om te weten of een afvalcontainer vol zit en geleegd moet worden of dat de afvalcontainer nog niet vol en een dag later gelegd kan worden. Deze informatie kan de basis vormen voor een meer dynamische route planning van de vuilniswagens, waarbij het aantal ritten geminimaliseerd kan worden
“ We willen weten of het mogelijk om op basis van beschikbare data uit het weegsysteem, gecombineerd met externe data een voorspelling te maken of een afval container waarschijnlijk vol is of nog niet vol genoeg is om opgehaald te worden?� - Richard Welvaarts
Aanmelden op platformdrivenbydata.nl