Data Science, je kunt er bijna niet meer omheen zoveel wordt hierover geschreven. Maar wat is Data Science eigenlijk precies in begrijpelijke termen? Welke nieuwe mogelijkheden brengt het? Op welke ‘oude wijn in nieuwe zakken’ bouwt het door? En hoe verhoudt Data Science zich tot de andere nu erg populaire termen als Big Data en Kunstmatige intelligentie? Of kunnen we beter kijken naar Data Science vanuit beproefde proces optimalisatie principes als Lean en Six Sigma?
Afgaande op internet lijken er eindeloos veel mogelijkheden te zijn met Data Science. Maar tegelijkertijd zie je dat buiten een handje vol grote jongens als Google, Facebook en Uber, de echte onomstreden toepassingen maar mondjesmaat van de grond af komen. Hoe dat komt, terwijl bij gewone bedrijven voldoende met Data Science wordt geëxperimenteerd?
Tijdens deze bijeenkomst gaat Johan van Rooij met u in op deze en andere vragen. Johan gaat Data Science in de juiste context plaatsen en een aantal handvaten geven om er zelf over na te denken. Dit zodat u zelf een idee kunt vormen over wat je als bedrijf met Data Science kunt? En wat er voor nodig is om er voor te zorgen dat Data Science binnen uw bedrijf wel een succes wordt met tastbare resultaten tot gevolg.
Alvast een voorproefje? Over de vraag ‘Wat is Data Science’ kunt een aantal blog artikelen van de hand van Johan van Rooij lezen: hier vindt u de links naar deel 1en deel 2.
2. Openbaar
DATA SCIENCE
INZICHT IN MOGELIJKHEDEN EN KANSEN VOOR UW BUSINESS
Dr. Johan van Rooij, 12 September 2019
2 Data Science: Inzicht in mogelijkheden en kansen voor uw business 12-9-2019
3. Openbaar
Dr. Johan van Rooij
Senior Data Scientist @ Valid
• PhD + MSc informatica, MSc wiskunde
• Sinds een jaar Lead Data Scientist bij Valid
• 7 jaar senior consultant ‘kwantitatieve methoden’
voornamelijk in de industrie en de logistiek (CQM BV)
− ProRail, NS, ASML, Oceaneering, VolkerRail, veel meer…
− Planning optimisation, machine learning/deep learning,
bouwen van een zoekmachine, doceren van data science
• Onderdeel van het team dat de ‘Hendrik Lorentz
Nederlandse Data Science Prijs 2018’ gewonnen heeft
• Assistant Professor @ Utrecht University
3 Data Science: Inzicht in mogelijkheden en kansen voor uw business 12-9-2019
4. Openbaar
Mijn doel voor deze bijeenkomst
En tevens de agenda…
1. Wat is Data Science?
− Verhouding tussen Data Science en wat men al jaren doet
− Nieuwe mogelijkheden met Data Science t.o.v. 10 jaar geleden
2. Legio voorbeelden van toepassingen
− Eerst veel voorbeelden uit de industrie, dan consumenten data
3. Waar te beginnen en hoe pak je dat aan
− Basis aanpak voor identificeren mogelijkheden
− Kort hoe een Data Science project werkt
4. Teleurstellingen en misverstanden over Data Science
− Een aantal hardnekkige misverstanden
− Het gevaar dat iedereen zich tegenwoordig ‘Data Scientist’ noemt
5. Kort: wat biedt Valid?
12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business4
5. Openbaar
1. Wat is Data Science?
5 Data Science: Inzicht in mogelijkheden en kansen voor uw business 12-9-2019
6. Openbaar
Data Science is een Buzzword, wij pakken deze definitie
Buzzword: vaak verward met AI of Machine Learning (of Big Data, of Deep Learning, of Advanced Analytics, of…)
12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business6
Computing
skills
Math &
Statistical
knowledge
Domain
expertise
7. Openbaar7 Data Science: Inzicht in mogelijkheden en kansen voor uw business 12-9-2019
Data Science
Computing
skills
Math &
Statistical
knowledge
Domain
expertise
Data Science is een Buzzword, wij pakken deze definitie
Buzzword: vaak verward met AI of Machine Learning (of Big Data, of Deep Learning, of Advanced Analytics, of…)
8. Openbaar 12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business
Wat voor problemen lost een data scientist op?
Zaken die we in de jaren 90 met (advanced) analytics aanvlogen
9. Openbaar 12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business
BI, Data
Exploratie &
Visualisatie
Statistiek
Machine
Learning
Operations
Research
Wat voor problemen lost een data scientist op?
Zaken die we in de jaren 90 met (advanced) analytics aanvlogen
10. Openbaar
Data Science of Analytics (jaren 90 vs nu)
10 Data Science: Inzicht in mogelijkheden en kansen voor uw business 12-9-2019
Data Science
Computing
skills
Math &
Statistical
knowledge
Domain
expertise
Het verschil zit hem in de schaal en rekenkracht:
- Analyses op veel meer data (‘big data’)
- Data beschikbaarheid, bijvoorbeeld via (I)IoT
- Machine learning op beeld, geluid, sensordata, etc…
- Makkelijk herhalen en schalen van analyses
- Snelle automatische analyses in real-time
11. Openbaar
Hoe verhoudt zich dat tot kunstmatige intelligentie?
Dat is het nieuwe Data Science toch?
12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business11
12. Openbaar 12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business12
Kunstmatige Intelligentie is een buzzword of hype
Waar het mij om gaat zijn realistische verwachtingen
Op internet lijkt alles te kunnen.
− Vaak betreft dit spectaculaire resultaten om een heel
smal/specifiek probleem (AlphaGo)
− En/of ligt er hééél veel data en rekenkracht aan te
grondslag en ligt alleen in het bereik van de grote
tech bedrijven (Watson)
− Of, het is een aaneenschakeling van smalle
problemen, met heel veel engineering er om heen
(Zelfrijdende auto en Watson ook)
Wat is wel realistisch?
− Er is geen heilige kunstmatige intelligentie graal als kant-en-klare oplossingen om een bedrijf aan te sturen
− Processen inrichting zodat smalle specifieke problemen met Data Science geautomatiseerd kunnen worden
− Sommige modellen op basis van ‘heel veel rekenkracht’ zijn publiek beschikbaar en bruikbaar als bouwblok
13. Openbaar
Kunstmatige intelligentie is ook een buzzword
Laten we het over een ander verschil hebben: blackbox vs whitebox models
• AI is vrijwel altijd een blackbox - Data Science kan beide zijn
12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business13
14. Openbaar
Mijn doel voor deze bijeenkomst
En tevens de agenda…
1. Wat is Data Science?
− Verhouding tussen Data Science en wat men al jaren doet
− Nieuwe mogelijkheden met Data Science t.o.v. 10 jaar geleden
2. Legio voorbeelden van toepassingen
− Eerst veel voorbeelden uit de industrie, dan consumenten data
3. Waar te beginnen en hoe pak je dat aan
− Basis aanpak voor identificeren mogelijkheden
− Kort hoe een Data Science project werkt
4. Teleurstellingen en misverstanden over Data Science
− Een aantal hardnekkige misverstanden
− Het gevaar dat iedereen zich tegenwoordig ‘Data Scientist’ noemt
5. Kort: wat biedt Valid?
12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business14
15. Openbaar
2a. Voorbeelden uit de industrie
21-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business15
16. Openbaar
Drie onderwerpen uit de industrie voor Data
Science toepassingen
1. Quality
2. Asset Utilisation
3. Supply Chain
4. (Service / aftersales – sla ik over)
• Setting: machinepark / factory floor
• Er is een moderne data huishouding
− Order & product data, productie instellingen…
− Kwaliteits data, productie failures, yield, …
− (I)IoT machine sensor data
12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business16
17. Openbaar
1. Quality (conform specificatie)
Kennis vergaren om kwaliteit te verhogen
• Traditioneel: six sigma aanpak
− Continuous process improvement
− Scheiden natuurlijke variatie en special causes
− Inschatten effectgroottes: effect product/proces parameters op eindproduct
− SPC indicatoren erop zetten
• Data Science bouwt hier door op basis van IT mogelijkheden:
− Kort cyclisch hypothesen testen
− Breder zoeken naar statistische verbanden (soms semi-geautomatiseerd)
− Veel meer data, dus ook zwakke/complexere verbanden statistisch relevant
• Bijvoorbeeld: effect product configuraties op aantal productie failures
12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business17
18. Openbaar
1. Quality (conform specificatie)
Niet-destructief testen/inspecteren
12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business18
Automatische kwaliteitsinspecties:
1. Eerst plaatsen camera (of andere sensoren)
2. Data vergaren over kwaliteit afwijkingen die
te linken is aan de data (beelden)
3. Model trainen en gebruiken om alleen
interessante gevallen handmatig te doen
4. Op basis van 3 verbeteren en automatiseren
• Dit werkt omdat het een ‘smalle taak’ is
• Vaak zelfs betere inspectie mogelijk dan de
niet-(semi-)automatische variant
19. Openbaar
2. Asset Utilisation
• Lean en bottleneck scheduling de basis.
• Maar als productie proces complexer:
− JIT schedule op de MPS. MRP en planning
voor workcenters volgens ‘exploding’
principe? Dan alleen ideaal als er genoeg
workcenters zijn.
• Echt goed met alle assets omgaan vergt
wiskundige planningsoplossing
− Interactie van kosten en doorlooptijden
12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business19
20. Openbaar
Automatisch plannen
• Vooral bruikbaar als:
− Proces voldoende gestandaardiseerd en gesimplificeerd
− Ontwikkeling en adoptie lastig in situaties waar veel informele lijntjes en informele eisen zijn
− In essentie moet plannen puzzelen zijn, net als een sudoku (met puntentelling voor kosten)
• Termen als Proces simplificatie, routing flexibility en machine flexibility gaan hand in
hand met automatisch plannen
− Gevolg: sneller en flexibeler leveren, ook in kleine batches, tegen beperkte kosten
• Semi-automatische planning leidt tot:
− Kosten reductie
− Mogelijkheid tot snelle what-if studies samen met simulatie tooling
12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business20
21. Openbaar
2. Asset Utilisation
Predictive Maintenance/Anomaly Detection
De belofte:
• Hogere asset utilisation via condition-based maintenance
• Uitval gedrag voorspellen op basis van sensor data (IIoT)
Echter:
• Vaak geen data over failures.
− Model kan alleen door combinatie domein kennis en data.
− Beste resultaten als de data verzameling strategie al predictive
maintenance tot doel heeft
• Of door combinatie data science en begrip van de machine
Alternatief:
• Anomaly detection: Data Science model dat ‘afwijkingen
van normale operatie’ detecteert
12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business21
22. Openbaar
3. Supply Chain – forecasting
Connected company logistics
• Forecasting doen we natuurlijk al jaren
• Met data science, kun je real-time forecasten met:
− Scheiden effecten trend, seizoen, dag van de week etc.
− Uitgesplitst per verkooppunt
− Weersverwachting als input?
− Specifiek rekening houden met vakantiedagen
− …
• Dit kan veel betekenen voor je supply chain planning
− Descision support over descision automation!
• Soms in combinatie met IoT:
− Connected vending machines, containers, etc.
12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business22
24. Openbaar
3. Supply Chain – planning
Connected company logistics
12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business24
• Wiskundig kosten doorrekenen en optimaliseren:
− Minimale kilometers, leeg volume, voorraden, etc.
− Wanneer bezorgen? Als bijna op, of als toch in de buurt?
− Past dat nog in de truck?
− Wat betekent dat voor de planning?
• Verschil met vroeger:
− Real-time informatie verwerken
− Met computermodellen kosten volledig optimaliseren
• Uitdagingen bij realisatie zitten in:
− Inherent onvoorspelbare zaken (sommige files)
− Plannen is niet hetzelfde als herplannen
− Huidige methodiek vangen in regels
25. Openbaar
Industrie: Lean Six Sigma – of Industrie 4.0
12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business25
27. Openbaar
Veel toepassingen in `big data’ m.b.t. consumenten
12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business27
28. Openbaar
Points of contact met consumenten
• Voorspellen:
− Personalised Recommendations
− Churn / loyalty
− Conversie
− Beste timing om klant te
benaderen
• Descriptive/Diagnostic:
− Wat wordt er over mijn
bedrijf/product gezegd op internet
− Topic detectie
− Sentiment analyse
− Klant profielen opstellen
12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business28
Niet alleen Data Science, maar breder Digital Business:
Data verzamelen, data beheer, data infrastructuur.
29. Openbaar
Veel data science toepassingen in `big data’ m.b.t.
consumenten
• Als je product een website/platvorm is, dan krijg je dit soort data vanzelf.
− Alle verkeer op je website precies volgen
− Hiermee kun je profielen opstellen
− Vervolgens: inzicht in waarom mandjes niet afgerekend worden, welke producten bekeken worden
voordat een product gekocht wordt
• Big data consumenten setting kun je creëren met je product (soms via IoT):
− Hoe wordt je product gebruikt? Alle knopjes waar op gedrukt wordt loggen?
− Predictive maintenance of anderszins support op basis van gebruiksdata?
12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business29
30. Openbaar
Mijn doel voor deze bijeenkomst
En tevens de agenda…
1. Wat is Data Science?
− Verhouding tussen Data Science en wat men al jaren doet
− Nieuwe mogelijkheden met Data Science t.o.v. 10 jaar geleden
2. Legio voorbeelden van toepassingen
− Eerst veel voorbeelden uit de industrie, dan consumenten data
3. Waar te beginnen en hoe pak je dat aan
− Basis aanpak voor identificeren mogelijkheden
− Kort hoe een Data Science project werkt
4. Teleurstellingen en misverstanden over Data Science
− Een aantal hardnekkige misverstanden
− Het gevaar dat iedereen zich tegenwoordig ‘Data Scientist’ noemt
5. Kort: wat biedt Valid?
12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business30
31. Openbaar
3a. Waar te beginnen?
12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business31
32. Openbaar
Waar toepassingen te vinden?
Data Science: van informatie (data) naar beslissing/actie
12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business32
33. Openbaar
Waar toepassingen te vinden?
Data Science: van informatie (data) naar beslissing/actie
• Bekijk de belangrijkste bedrijfspijlers:
− Onderdelen van de operatie
− Points of contact met klanten/consumenten
− Daar waar belangrijke keuzes gemaakt worden
• Welke beslissingen worden waar genomen?
− Over welke beslissingen hebben we data?
− Is die data voldoende om de beslissing te nemen
− Kunnen we dit ondersteunen of automatiseren?
12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business33
34. Openbaar
Plekken waar efficiency te winnen is, of beter
begrip van de situatie gewenst is
12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business34
Niet alleen Data Science, maar breder Digital Business:
Data verzamelen, data beheer, data infrastructuur.
En: processen zelf simplificeren, standardiseren en flexibeler maken
35. Openbaar
3b. Hoe pak je zoiets aan?
12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business35
36. Openbaar
Data Science onderdeel van Digital Business
Zonder digitalisering werkt het niet
• Digitalisering uitdagingen: data en infrastructuur
− Data kwaliteit en single source of truth
− Produceer ik de juiste (relevante) data
− Welke data infrastructuur past bij mij?
• Proces uitdagingen: standaardisatie en simplificatie!
− Meer met Data Science te halen bij flexibele, eenvoudige, gestandaardiseerde processen
− Data heeft dan ook meer betekenis t.o.v. het echte proces
• Keiharde business involvement nodig
− Data Science is geen puur IT feestje – dan is het gedoemd te falen – wel de aansluiting goed regelen
− Visie op waar Data Science bedraagt aan strategische doelen
12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business36
Nodig:
Een moderne
datahuishouding en
data platvorm
37. Openbaar
READY
Definieer probleem en
randvoorwaarden
Schat businesscase en
impact, data
beschikbaarheid en
kwaliteit in
Definieer MVP, onderzoek
haalbaarheid, stel solution
groei plan op
SET
MVP iteratief uitwerken
(1-4 weken cyclus)
CRISP-DM model elke fase
kort doorlopen
Verwachtingen managen:
accepteer grillig proces
STAY AHEAD
Volledige product lifecycle
in kaart brengen
Gat tussen scalable solution
en MVP dichten
Start van voor af aan met
improvement projecten,
groei naar scalable solution
Onze data Science methodiek
Gestoeld op CRISP-DM en Microsofts ‘Team Data Science Process’
37 Data Science: Inzicht in mogelijkheden en kansen voor uw business 12-9-2019
38. Openbaar
Iedere 1-4 weken in-depth overleg met
business
− Business owner en data scientist werken
intensief samen
− Ontwikkel oplossing voor precies het juiste
probleem
− Tijdens het proces ontstaan altijd nieuwe
inzichten
Alle zes CRISP-DM fasen per iteratie
− Soms heel kort, soms uitgebreid
− Vandaar verschil in duur per iteratie.
SET: Data Science is een iteratief proces
CRISP-DM: CRoss-Industry Standard Process for Data Mining
38 Data Science: Inzicht in mogelijkheden en kansen voor uw business 12-9-2019
39. Openbaar
4. Valkuilen, misverstanden, belemmeringen, etc.
Data Science is vaak innovatief dus met enig risico
12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business39
41. How use Decision Making knowledge to improve Data Science impact?
Large
impact
Limited
impact
Valkuil 1: “Geef de Data Scientist data en hij haalt er waarde uit”.
42. Openbaar
Unicorn probleem
Iedereen wil Data Scientists, maar deze skills gaan moeilijk samen
12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business42
43. Openbaar
Het ‘niet data scientist’ prototype dat de aandacht opeist
Met rapid prototyping kom je een heel eind
12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business43
En dat is ook niet zo erg, als je je verwachtingen
daarop aansluit, maar dat doen we doorgaans niet
44. Openbaar
Typisch gebeurt er dan dit
• Is dit een probleem?
− Wel handig, data science zien als API, veel makkelijker
− Die black box kun je toch niet perfect begrijpen (wel op hoofdlijnen)
− We maken wat moois toch?
12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business44
45. Openbaar
Laten we dit eens naast
de toepassingen leggen
1. Descriptive Analytics
What happened?
• Data visualisatie, exploratie, BI
• Niets aan de hand, dit werkt gewoon
• Een groot deel van het data science
werk zit toch hier
12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business45
46. Openbaar
Laten we dit eens naast
de toepassingen leggen
2. Diagnostic Analytics
Why did it happen?
• Je kunt niet bepalen hoe groot een verband is
− Bijvoorbeeld tussen fouten en oorzaken
• Of hoe groot verbanden/effecten zijn:
− Seizoenseffecten? Weerseffecten?
• Of, of een verband statistisch significant is?
Al bovenstaande zijn extreem nuttige kijken op
data, waar klanten/projecten verder mee komen!
12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business46
Dit is puur statistiek, dit kan alleen white-box
47. Openbaar
Laten we dit eens naast
de toepassingen leggen
3. Predictive Analytics
What will happen?
• Voorspellen! De heilige graal van data science
− Machine learning - als API en dus Black Box
− Bijvoorbeeld: AutoML
• Maar wat als:
− Data van gisteren afwijkt van data van morgen? Black box kan dat niet snappen
− Data over mensen gaat? Wat voor eigenschappen neem je wel en niet mee?
Black box modellen kunnen geen verschil maken tussen correlatie en causale verbanden
Beoordeeld/veroordeeld mensen op basis van ‘birds of a feather’
• Echte bedrijfsbeslissingen worden niet genomen op basis van een getalletje zonder context
12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business47
48. Openbaar
Laten we dit eens naast
de toepassingen leggen
4. Prescriptive analytics
What should I do?
• Wil ik overslaan
− Dit is een vak apart: Operations Research
− Api’s bestaan, zijn ook super goed
− Als je die goed kunt gebruiken,
dan snap je OR ook
• Sommige data scientists noemen dit geen ‘data science’ omdat dit een vak apart is
12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business48
49. Openbaar
We beloven, marketen en hypen dit…
Our Foes Data Science and AI
We leveren vervolgens dit…
12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business49
Omdat ‘Data Scientists’ niet leveren, iets anders leveren
of teleurstellingen leveren, wordt Data Science in de
markt langzaam een soort BI++, terwijl kansen op
succesvolle high-value projecten blijven liggen.
52. Openbaar
Voorspellen wanneer de
pan (over)kookt?
Nodig:
• Huidige temperatuur
• Hoe hard het gas staat
12-9-2019Data Science: Inzicht in mogelijkheden en kansen voor uw business52
Wat voor patroon laten we AutoML leren?
• Het is nu 40 graden, koken over 20 minuten
• Het is nu 46 graden, koken over 18 minuten
• Het is nu 20 graden, koken over 10 minuten
• …
AutoML zoekt een patroon tussen temperatuur en tijd tot koken
Hoe hard het gas staat wordt helemaal niet meegenomen
Dat komt door hoe wij data aanbieden aan AutoML
54. Openbaar
READY
Definieer probleem en
randvoorwaarden
Schat businesscase en
impact, data
beschikbaarheid en
kwaliteit in
Definieer MVP, onderzoek
haalbaarheid, stel solution
groei plan op
SET
MVP iteratief uitwerken
(1-4 weken cyclus)
CRISP-DM model elke fase
kort doorlopen
Verwachtingen managen:
accepteer grillig proces
STAY AHEAD
Volledige product lifecycle
in kaart brengen
Gat tussen scalable solution
en MVP dichten
Start van voor af aan met
improvement projecten,
groei naar scalable solution
Onze data Science methodiek
Gestoeld op CRISP-DM en Microsofts ‘Team Data Science Process’
54 Data Science: Inzicht in mogelijkheden en kansen voor uw business 12-9-2019
55. Openbaar
Daarom Data Science bij Valid!
Reden Voordeel
Stay Ahead = vooroplopen in jouw sector
Samen maken wij data science oplossingen die jouw business
echt verder helpen
Valid is “Echt”
Vakmensen, geen cowboys die wiskunde onder de tools niet
snappen
“Microsoft, tenzij”
Snel en niet duur, schakelen op basis van de Microsoft stack...
En aanvullende technologieën waar nodig
Multi-disciplinair team, minder blinde vlekken
Alle activiteiten rondom Data Science zetten wij optimaal in (BI,
cloud-infra, applicatie development…)
Risico beheersing
Bewezen werkwijze op basis van industry standards (CRISP-DM
en Team Data Science Process)
Valid is de technology provider
Maatwerk oplossingen performen in veel domeinen significant
beter dan standaard applicaties
55 Data Science: Inzicht in mogelijkheden en kansen voor uw business 12-9-2019
56. Openbaar56 Data Science: Inzicht in mogelijkheden en kansen voor uw business
Microsoft Modern Data Platform
12-9-2019
57. Openbaar
Data Platform
Strategy &
Assessment
Data Management &
Integration
Managed
Services
AnalyticsReporting
Data
Platform
57 Data Science: Inzicht in mogelijkheden en kansen voor uw business
Valid Modern Data Platform
12-9-2019
58. Openbaar
IoT at Valid a glance
• IoT = connectiviteit, meetbaarheid (sensoren in apparaten), data en actie
• Valid levert en integreert Microsoft technologie voor connectiviteit, security en
interoperability
• Integratie met Moderne Data Platvorm
− Reporting
• Enabeler voor sommige Data Science en BI toepassingen
58 Data Science: Inzicht in mogelijkheden en kansen voor uw business 12-9-2019