Machine learning wordt steeds belangrijker bij het maken van zo accuraat mogelijke predictieve analyses. Is de menselijke hand in dit proces nog wel nodig? Wie bepaalt de laatste stap? Samen met het Business Intelligence team van Districon zocht collega Sven Poot het voor je uit op het Big Data Expo event, 20 september in de Jaarbeurs Utrecht.

Big Data Expo is een grootschalig event waar bedrijven en instellingen hun producten en diensten voor het verzamelen, analyseren en optimaliseren van big data presenteren. Zo waren er stands van business intelligence-tools zoals Tableau, PowerBI en Qlik en konden we kiezen uit diverse lezingen over toepassingen van business en artificial intelligence. De meest aansprekende hiervan deel ik graag met je.

Booking.com: optimalisatie customer experience

De hotelwebsite Booking.com analyseert big data met behulp van een combinatie van Hadoop, Python en Tableau. Hiermee meten zij het effect van wijzigingen op hun website: de customer experience wordt verbeterd en geoptimaliseerd met behulp van big data. Maar liefst 150 data scientists zijn dagelijks voor Booking.com bezig met het toetsen van 1000+ hypotheses!

Basic-Fit: combineren human intelligence en machine learning

Basic-Fit is sinds kort beursgenoteerd. Belanghebbenden van het bedrijf verwachten nu accurate financial forecasts. Hoe organiseert Basic-Fit dit? 

Ze openen gemiddeld twee nieuwe vestigingen per week in Europa. Op basis van machine learning algoritmes met een aantal variabelen wordt het aantal te verwachten klanten voor de nieuwe vestigingen in de komende twee jaar voorspeld. Ontwikkelde dashboards in PowerBI laten zien waar mogelijkheden voor nieuwe winstgevende vestigingen zijn. 

Dit lijkt een goede basis van een financial forecast, maar het is niet voldoende. Een aandeelhouder wil immers ook een een gestage groei en rendement zien. Performance management met nieuwe business initiatieven zijn dan ook nodig om Basic-Fit aantrekkelijk te houden voor nieuwe klanten en aandeelhouders. Deze initiatieven zijn ‘gewoon’ bedacht door het menselijk brein.

Juist de combinatie van human intellectual en machines die leren van data uit het verleden draagt bij aan de stabiele groei van Basic-Fit.

Schiphol: nieuwe manier van forecasten

De drukstbezochte en naar mening meest interessante lezing was die van Schiphol. Waarom? Ze hebben te maken met de steeds terugkerende uitdaging om de gigantische druktes en verkeersstromen te voorspellen. Twee elementen spelen hierbij een rol: het aantal vluchten en de inzet van relatief duur personeel.

Schiphol werkt samen met diverse airlines die data over vluchten doorschuiven naar de planning afdeling van Schiphol. Door middel van analyses in Qlik voorspellen zij vervolgens wanneer ze ‘peek days’ kunnen verwachten. 

Het grootste probleem is echter de toegankelijkheid van security lanes. Schiphol moet uitvinden welke security lanes druk kunnen worden op welke ‘peek day’. Zo kunnen ze op die momenten voldoende personeel inzetten. Ze voorkomen daarmee te lange wachttijden, passagiers die vluchten missen en als gevolg daarvan negatieve nieuwsgeving. Inzet van teveel personeel is echter kostbaar. 

Hoe zetten ze de medewerkers nu zo efficiënt mogelijk in? Het oplossen van dit vraagstuk wordt ge-outsourced naar GoDataDriven. Met behulp van Python gebruiken zij data uit het verleden en de toekomst (vluchtdata) om machine learning algoritmes te maken. Deze algoritmes voorspellen zeer nauwkeurig waar en wanneer de ‘security lane-bottlenecks’ zullen voorkomen. 

Het is een vrij nieuwe manier van forecasten voor Schiphol die nog niet vlekkeloos verloopt, maar steeds beter zijn vruchten afwerpt.

We zijn (nog) niet helemaal overbodig

Als relatieve nieuwkomer in de wereld van big data, heb ik tijdens dit event veel kennis opgedaan over big data-toepassingen in de bedrijfsvoering. Mijn conclusie is dat machine learning steeds belangrijker wordt om accurate predictive analyses te maken. Maar ook dat het laatste beetje onzekerheid en de externe factoren in de toekomst worden gedekt door het fingerspitzengefühl gevoel van managers. In de nabije toekomst kunnen we dus nog niet volledig worden vervangen door machines en computers. 

Al weet je het nooit met de snelle ontwikkelingen op technologisch gebied… Is daar ook een algoritme voor?