Presentatie Dinalog - 28 april

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