Hoe data gedreven besluitvorming ons werken verandert
Blog

Hoe data gedreven besluitvorming ons werken verandert

By Jasper Neef on

In de geospatial sector vertrouwen wij al decennia op systemen die voornamelijk historische gegevens bevatten – data van afgelopen week maar ook jaren oude data. In veel gevallen worden deze verschillende gegevensbronnen gecombineerd. Als gevolg hiervan zijn beslissingen voornamelijk gebaseerd op wiskundige modellen, die een betrouwbaar beeld van de werkelijkheid proberen te vormen.

Met de opkomst van verschillende concepten, zoals IoT (Internet of Things), groeit de toegang tot real-time data enorm. Sensoren die alles meten, van waterkwaliteit tot aan de vulniveaus van afvalbakken en de lawaai- en luchtvervuiling in een stad. Dit stelt onze klanten in staat om direct inzicht te hebben in dagelijkse processen als nooit tevoren.

Hiermee ontstaat er ook een nieuw probleem. Met elke nieuwe sensor wordt er meer informatie verzameld welke ook geanalyseerd moet worden. Data op zichzelf is niet per se waardevol, maar waar het voor staat is wat telt. Ieder mens kan maar tot een bepaalde grens nieuwe data op een zinvolle manier verwerken. Met terabytes aan nieuwe data iedere dag, lopen we tegen onze grenzen aan. Vooral op managementniveau moeten beslissingen vrij snel genomen worden, zonder de luxe om echt in de materie te duiken. Wat begint als een zegen kan snel een obstakel vormen voor de besluitvorming, wanneer wij niet in staat zijn om de essentie uit de datastroom te halen.

De trend om sensoren te gebruiken voor het vastleggen van real-time data is onomkeerbaar. De sleutel tot het effectief gebruiken van deze data is om alle metingen te doorzoeken en te focussen op trends en onregelmatigheden. Dit vereist echter nieuwe evaluatiemethoden en een andere manier van communiceren. Een voorbeeld hiervan is het gebruik van Machine Learning voor het beoordelen van situationele informatie. Door een gegeven situatie te vergelijken met honderden of zelfs duizenden vergelijkbare en bekende situaties, kan de beoordeling van wat er gebeurt veel effectiever worden gedaan dan door het te evalueren volgens vaste regels.

Om dit in een praktische context te plaatsen kunnen we het voorbeeld gebruiken van het detecteren van ongewenste obstakels in waterwegen. IMAGEM heeft een machine learning model ontwikkeld dat lange stukken waterweg analyseert en mogelijke obstakels vergelijkt met al bekende obstakels. De detectieresultaten zijn hierdoor een stuk beter geworden en het stelt een waterschap in staat om hun inspecteurs veel efficiënter in te zetten, waardoor er geld bespaard wordt.

Een ander voorbeeld waar onbewerkte gegevens geautomatiseerd worden beoordeeld is de detectie van waterdoorlatendheid op basis van infraroodfoto’s. Deze analyse geeft een afdeling Beheer Openbare Ruimte van een gemeente een goede indicatie in welke buurten problemen worden verwacht bij hevige regenval. Een beleidsmaker kan hierop anticiperen door bijvoorbeeld subsidie te verlenen voor het verwijderen van bestrating in tuinen.

Ten aanzien van communicatie maken traditionele GIS-portals plaats voor locatie intelligente dashboards. Deze visualiseren niet alleen waar een bepaald fenomeen zich voordoet, maar plaatst het ook in de juiste context door de impact op beleidsdoelstellingen inzichtelijk te maken. Dit is de informatie die beleidsmakers en managers nodig hebben om weloverwogen beslissingen te nemen. Bijvoorbeeld door luchtkwaliteit niveaus te meten over een bepaalde periode en deze af te zetten tegen de kwaliteitsdoelen, weet een bestuurder wanneer en waar hij maatregelen moet nemen. Wanneer je dit combineert met real-time verkeersinformatie en sociaaleconomische parameters, wordt de complexiteit van het probleem zichtbaar en ontstaan er mogelijkheden voor verbetering.

Smart M.Apps doet precies dat. Door nieuwe informatie automatisch te verwerken en in beknopte dashboards weer te geven, geven ze de beleidsmakers de tools om snel te reageren en de leefbaarheid van hun stad te verbeteren, zonder dat ze de fundamentele analyses hoeven te doen. De interpretatie en verwerking gebeurt op de achtergrond en alleen de essentie van het probleem wordt gepresenteerd of gevisualiseerd. De combinatie van complexe data verwerking door machine learning en intelligente dashboards stelt gebruikers van Smart M.Apps in staat om zich te concentreren op de problemen in plaats van gegevens.

Auteur

Patrick de Groot, Business Development & Sales Operations Manager bij IMAGEM

Patrick de Groot heeft meer dan 20 jaar ervaring in de geospatial industrie en voor toonaangevende leveranciers gewerkt in veel verschillende domeinen. Als Business Development Director bij IMAGEM, Benelux distributeur en Platinum partner van Hexagon Geospatial, houdt hij opkomende technologieën en nieuwe zakelijke kansen die met deze ontwikkelingen gepaard gaan nauwlettend in de gaten. De focussectoren zijn momenteel Defensie, Kadaster, Waterschappen en adviesbureaus.

Netwerk met Patrick op LinkedIn en Twitter.