Kenrick Bremer, RET: Vernieuwend onderweg met Big Data Analytics

Enerzijds kan big data leiden tot innovaties en nieuwe bedrijfsmodellen die voor extra omzet zorgen, anderzijds kan het slim aanwenden van data op allerlei manieren voor kostenbesparingen zorgen. 

Op de Big Data Day van Alex van Groningen maakt u kennis met de mogelijkheden die big data uw organisatie kunnen bieden. Een van de sprekers is Kenrick Bremer, manager concern control bij de Rotterdamse Elektrische Tram, beter bekend als RET, die vertelt over zijn ervaringen met big data binnen het vervoersbedrijf.

“We beschikken binnen de RET over heel veel gegevens”, vertelt Bremer. “Voertuigen worden steeds meer op basis van computers in plaats van mechanica gestuurd. Als er bijvoorbeeld iets kapot gaat dat tegenwoordig bijna altijd digitaal. De basisprocessen worden steeds meer via IT aangestuurd in plaats van met transistoren. Denk bijvoorbeeld aan het vervangen van printplaten, of een computergestuurd wisselsysteem dat niet goed werkt.”

Dat de grote toename van de hoeveelheid beschikbare data kansen biedt, zien de meeste bedrijven en instellingen. Maar de enorme hoeveelheid gegevens zijn voor veel organisaties ook een bos waarin het makkelijk verdwalen is en waarbij het zaak is de juiste vragen te stellen waarin data een rol spelen. Bremer probeert de data-gestuurde vraagstukken zoveel mogelijk terug te relateren aan de doelstellingen van de RET. “Als publieke vervoersmaatschappij is het voor ons de doelstelling om zo efficiënt mogelijk het vervoer te regelen, waarbij er dus zo zuinig mogelijk met de publieke financiering wordt omgesprongen. Daarnaast willen we de klanttevredenheid zo hoog mogelijk krijgen.”

Een manier om hier met data een bijdrage aan te leveren is in het onderhoud van het materieel. Door het tijdig te signaleren kan uitval tijdens de ritten worden voorkomen. “In de voertuigen zitten steeds meer sensoren die data genereren. Normaal gesproken vervangen we bepaalde onderdelen na bijvoorbeeld 5.000 kilometer. Maar bij sommige metrostellen moet zo’n onderdeel al veel eerder worden vervangen en valt een voertuig al voor het onderhoudsmoment uit. Andere metro’s kunnen juist probleemloos langer doorrijden. Door de sensoren kun je op deze manier veel kosten besparen én overlast voor reizigers voorkomen”, licht Bremer toe.

Dat principe past de RET ook toe in het onderhoud van de infrastructuur. “We kunnen registreren wanneer een tram slipt en dus even geen contact heeft met de rails. Daardoor weten we waar de problemen zitten in het trambaannetwerk en waar we moeten bijslijpen. Zonder die data zou je de hele trambaan eens in de zoveel tijd slijpen volgens een standaard onderhoudsprogramma, maar nu zie je de hotspots en kun je specifieker en veel efficiënter de problemen tijdig aanpakken.”

Data liegen niet, maar de uitkomsten van data-onderzoek kunnen soms wel tegen de intuïtie van betrokkenen ingaan. Dat kan discussies opleveren, vertelt Bremer, waarbij data-analyses ook echt het verschil kunnen maken tussen iets wel of niet doen. “De Randstadrail is bijvoorbeeld erg populair en we hebben meer metro’s nodig om de capaciteit te verhogen om het reizen comfortabel te houden, bleek uit onze data. In eerste instantie was de opdrachtgever er niet van overtuigd. Ook zijzelf maken gebruik van de Randstadrail en ervoeren die overlast niet op basis van onze eigen deelwaarnemingen. Maar op basis van alle data en modulaties konden we precies aangeven dat er op bepaalde tijden echt te weinig treinstellen reden. Op basis van die analyses is uiteindelijk een investering van 30 miljoen euro in nieuw materieel gedaan, en die was er anders waarschijnlijk nog niet van gekomen.”

Zo’n treffend voorbeeld waar data een verschil kunnen maken klinkt alsof investeren in big data een gegarandeerd succes is. Maar, stelt Bremer, het is ook een kwestie hard werken en simpelweg uitproberen. In de praktijk leiden lang niet alle big data analyses direct tot resultaat. “Voor ons als vervoersbedrijf is het zeer waardevol om te kunnen voorspellen hoe druk het wordt. Een voor de hand liggende voorspeller is bijvoorbeeld het weer. Je zou verwachten dat wanneer het erg koud is, of wanneer het regent, meer mensen met de metro reizen. Dat zijn we gaan uitzoeken, maar het gekke is dat we dat tot op heden nog niet hebben kunnen constateren. We hebben ook gekeken of een hogere of lagere werkloosheid een voorspellende factor is op het ov-gebruik, maar ook hier hebben we nog niks uit kunnen halen. Soms lukken projecten wel, maar soms ook niet.”

Daarom werken Bremer en zijn team in sprints van enkele weken. Binnen die korte periode wordt er intensief gezocht en geanalyseerd, daarna wordt gekeken of de bevindingen aanleiding zijn om er verder in te duiken. Dat is volgens Bremer ook de beste manier om met big data te beginnen in een organisatie, door het klein te maken. “Het is best lastig om een start te maken met big data, er komt best wat bij kijken. Je hebt aannames die je moet doen, en modellen die je moet programmeren. Heel concreet geldt voor ons dat als een metro om 12:00 uur vertrekt, dat betekent dat iemand die om 12:00 uur bij het poortje incheckt dus niet meer in die metro zit. Die moet je dus uitsluiten uit je data. En hoeveel treinstellen heeft die bewuste metro? Met al die facetten moet je rekening houden, in een model programmeren en aan elkaar koppelen.”

Het is niet goed te voorspellen wanneer investeringen in big data zich terugbetalen, terwijl dit vanuit de organisatie vaak wel wordt verlangd. Het is dan ook belangrijk om eerst intern steun te verwerven voor het opzetten van big data-analyses en er rekening mee te houden dat je je waarde moet bewijzen. Bremer: “Wij hadden het geluk dat we aanspraak konden maken op financiële middelen om ermee te starten. Het is belangrijk dat je mensen in de organisatie hebt die het zien zitten en ook de potentie ervan zien. Vervolgens is het een kwestie van klein beginnen, laten zien wat het inhoudt en niet aan de voorkant te hoge verwachtingen scheppen.”

Dat ziet Bremer in de praktijk nog wel eens fout gaan, omdat big data als een heilige graal worden gezien. “De term big data is een soort containerbegrip geworden waarbij mensen denken dat je bij wijze van spreken de stand van de sterren aan je omzet kunt knopen. In de praktijk is het echt niet zo dat je aan de voorkant in korte tijd alles aan mekaar kunt knopen. Bovendien is het intern vaak de uitdaging om de bevindingen uit big data ook in de business te brengen, zodat ze ook tot praktische verbeteringen leiden. Ook daar moet je intern steun en enthousiasme voor organiseren.”