Stel je voor, dat de afvalophaaldienst precies weet wanneer een ondergrondse container geleegd moet worden. Zodat deze niet te vol raakt en afval naast de container belandt, wat stankoverlast veroorzaakt en ongedierte aantrekt. Maar zodat deze ook niet te vroeg wordt geleegd en een ritje bespaard had kunnen worden. Toekomstmuziek of een realiteit die dichterbij is dan je denkt? Dat zijn de datawetenschappers van het JADS MKB Data Lab in opdracht van Welvaarts Weegsystemen gaan onderzoeken. Hoe ze te werk zijn gegaan? Via vijf eenvoudige stappen. Dat kun jij ook, lees snel verder!
Stap 1. Formuleer je doel
Al meer dan 40 jaar levert Welvaarts mobiele weegsystemen. Die bijvoorbeeld worden ingezet bij het leegmaken van ondergrondse afvalcontainers. Wat het bedrijf onderscheidt van de concurrent is dat alles in huis wordt gemaakt. Van de technische bouw van de weegsystemen, tot de elektronica en software. Gedurende de jaren heeft Welvaarts veel informatie verzameld, zo ook weegresultaten van ondergrondse afvalcontainers. Het hogere doel hiervan is managementinformatie creëren waarop gestuurd kan worden.
Zoals het ideale moment om een afvalcontainer te legen. Het laatste wat de klanten van Welvaarts namelijk willen is dat een ondergrondse te laat wordt geleegd en afval naast containers belandt, wat stankoverlast veroorzaakt en ongedierte aantrekt. Maar ook willen ze niet dat containers te vroeg worden geleegd, waarmee ritjes bespaard hadden kunnen worden. Dit is wenselijk vanwege diverse redenen, zoals het beperken van uitstoot van fijnstoffen van wagens en het ontlasten van infrastructuur.
Als je kunt voorspellen wanneer een container ‘mooi vol’ is en ideaal gezien geleegd moet worden, dan win je daar dus veel mee. Tijd om het MKB Data Lab in te schakelen. De focus ligt in eerste instantie op het doorlichten van de beschikbare data en een start te maken met een voorspellend datamodel op basis waarvan een dynamische routeplanning voor vuilniswagens kan worden gemaakt.
Stap 2. Over welke data beschik je in het bedrijf?
In de 40 jaar dat Welvaarts weegsystemen levert, heeft het bedrijf veel weegdata van afvalcontainers verzameld. Deze historische interne data wordt gekoppeld aan externe data, bijvoorbeeld over het weer, seizoenen en feestdagen. Meer dan genoeg informatie om een grondige analyse op los te laten.
De samenwerking met het Data Lab heeft ons doen realiseren dat de kwaliteit van data essentieel is en je er niet zomaar iets mee kan. Ook al is het niet het klassieke succesverhaal, het heeft ons wel met beide benen op de grond gezet.
Richard Welvaarts – directeur Welvaarts Weegsystemen
Stap 3. Maak een analyse
Richard Welvaarts, eigenaar van Welvaarts Weegsystemen, nam via Platform Driven by Data contact op met het JADS MKB Data Lab: “We zijn steeds meer bezig met onze data en vroegen ons af welke waarde we hieruit kunnen halen. Met die vraag klopten we bij het Data Lab aan”, vertelt Richard. Eerst heeft datastudente Stéphanie, begeleid door twee onderzoekers, de beschikbare data verzameld, verkend en schoongemaakt. Met als resultaat een masterdataset die een goed beeld geeft bij de mogelijkheden en beperkingen van de data voor het maken van een voorspellend model.
Stap 4. De praktijktest
“In iedere container een meetapparaatje plaatsen, zou een precieze, actuele status van iedere container opleveren. Alleen, als je nagaat dat er alleen al in Amsterdam ruim 12.000 ondergrondse containers staan, kun je jezelf voorstellen dat dit flink in de papieren gaat lopen. Daarom vroegen we onszelf af, kunnen we trends in vulgedrag ontdekken en aanbiedgedrag voorspellen zodat we op basis hiervan routes kunnen maken? Worden er in het weekend bijvoorbeeld meer zakken weggegooid of zijn er andere invloeden die een rol spelen? Bijvoorbeeld seizoensinvloeden of zien we verschil als Ajax thuis speelt? Met behulp van het JADS Data Lab zijn we hiernaar op zoek gegaan. Met als uiteindelijke doel voorspelbare routes te kunnen maken die alleen langs perfect volle containers gaan”, vervolgt Richard.
Maar wat blijkt, de data is niet zuiver genoeg om conclusies uit te trekken en de kwaliteit van de data moet omhoog. “Ook al is de uitkomst van de praktijktest niet waar we op hoopten, we hebben nu wél meer inzicht in dat wat we moeten doen om onze data op orde te krijgen zodat we in de toekomst wel kunnen werken met een dynamische routeplanning voor vuilniswagens.”
Stap 5. Het (verwachte) resultaat
Eén van de uitkomsten uit de analyse was dat de afhankelijkheid van een chauffeur, die de metingen doet, te groot is. “We zijn aan het kijken of we het meetproces kunnen automatiseren, wat de afhankelijk van een chauffeur moet verminderen en de data zuiverder moet maken”, licht Richard toe. “Een stap in de goede richting.” Voor een vervolgtraject staat Richard dan ook zeker open: “Als je ziet hoe gemakkelijk de mensen van JADS bepaalde zaken kunnen analyseren en hoe ze bepaalde verbanden leggen, dan weet je dat je op de goede plek zit”, sluit hij af.
Ook al is de uitkomst van de praktijktest niet waar we op hoopten, we hebben nu wél meer inzicht in dat wat we moeten doen om onze data op orde te krijgen zodat we in de toekomst wel kunnen werken met een dynamische routeplanning voor vuilniswagens.
Richard Welvaarts – directeur Welvaarts Weegsystemen
Over de organisatie:
Familiebedrijf Welvaarts Weegsystemen is opgericht in 1978 en gevestigd in Den Bosch en Dorsten, Duitsland. Alle mobiele weegsystemen worden in huis ontwikkeld en geproduceerd. Zowel de elektronica en software als de technische opbouw. Waarbij kwaliteit en service altijd voorop staan.Aantal medewerkers: 26 (locatie Den Bosch)
Branche: Mobiele weegsystemen