In ICT/Magazine 11/12 – 2016 schreven we over de enorme vlucht die analytics op basis van machine data gaat nemen. In drie vervolgartikelen gaan we dieper in op de toepassingsgebieden asset management, het verbeteren van de customer experience en het sensitief maken van de omgeving.
In dit vierde artikel in een serie over toepassingsmogelijkheden van machine data kijken we hoe je slim gebruik kunt maken van data die de omgeving naar je terugkoppelt. Hoe kunnen overheden de openbare ruimte vriendelijker maken voor het publiek? Wat voor diensten kunnen bedrijven verzinnen die actief zijn in een smart city? Hoe kunnen boeren slimmer inspelen op hun lokale situatie en zo het water- en pesticidegebruik terugdringen? Het aantal mogelijkheden is haast oneindig groot.
Als iemand inspiratie kan bieden, is het Carlo Ratti wel. Hij geeft leiding aan het SENSEable City Lab van MIT. Hij sprak onlangs op een event van SAS. “Wij houden niet van de term smart city, wij spreken liever van senseable city”, steekt hij van wal. “Het gaat immers om ‘sensing’ wat er in de omgeving gebeurt en daarop reageren.” Wat dat betreft is een senseable city niet anders dan een senseable bedrijf dat real-time reageert op klantwensen of op events in de productieomgeving.
MIT onderscheidt drie soorten data: 1) opportunistische data, 2) user generated data en 3) data die ‘purposely sensed’ is.
Data voor ander doel gebruiken
Ratti gaat er dieper op in. “Onder opportunistische data verstaan we data die al voor een ander doel worden verzameld.” In senseable cities gaat het bijvoorbeeld om data van mobiele telefoons, aan de hand waarvan je kunt zien hoe mensen zich door de stad bewegen. Hij geeft een voorbeeld: “Wij hebben de taxidata van New York geanalyseerd en ontdekt dat 60 procent van de taxi’s zouden kunnen stilstaan als mensen ritten slim gingen delen. Het mooie is: taximaatschappijen hebben al heel lang inzicht in deze data, zij zouden zo’n businessmodel ook hebben kunnen bedenken. Dat deden ze niet en nu biedt Uber deze service wel aan.”
Dezelfde analyse heeft MIT gemaakt voor auto’s. Als mensen bereid zouden zijn een auto te delen, met hoeveel auto’s zou een grote stad dan uit kunnen? “Met 20 procent”, vertelt Ratti. “Denk je eens in als 80 procent van de auto’s linea recta naar de schroothoop gaat omdat ze niet meer nodig zijn! Shared car concepten zijn veel dichterbij dan menigeen denkt, want de technologie is er om dit heel eenvoudig te maken en de besparingen die mensen kunnen boeken, zijn gigantisch.”
Ogen van toeristen lenen
Een tweede categorie data zijn de user generated data. Ratti laat als voorbeeld een onderzoek zien dat MIT deed in opdracht van de Spaanse regering. Zij wilden weten wat de effecten zijn van de droogte die het land al zomers lang teistert. “We hebben de Flickr foto’s van de afgelopen tien jaar geanalyseerd. Daarmee lenen we als het ware de ogen van mensen die er wonen of die Spanje als toerist bezoeken. We gebruiken die data om te begrijpen wat er gebeurt.” Hij laat diverse video-animaties zien van foto’s die op dezelfde plek in dezelfde periode van het jaar zijn gemaakt, over meerdere jaren. Het is duidelijk te zien dat het landschap ieder jaar anders is, en dat de trend is dat veel regio’s verdorren. Voor het stadsbestuur van Florence deed MIT een soortgelijk onderzoek, maar dan naar plekken die toeristen bezoeken en plekken die ze links laten liggen. Aan de hand daarvan ontwikkelt de stad nu een plan om de toeristische druk op het centrum te verminderen door ook andere delen van de stad te promoten.
Een ander voorbeeld van user generated data is het meten van het niveau van opwinding aan de hand van de lengte van tweets. MIT voerde deze analyse uit bij een golftoernooi. “We zagen dat de lengte van de tweets afnam naarmate de spanning hoger werd. Mensen twitterden dan alleen een tekst als ‘wow’ of ‘mooie bal’ met een foto erbij. We moeten nog kijken hoe we dit inzicht kunnen vertalen naar steden. Kunnen we op deze manier ook meten of er bijvoorbeeld tijdens een evenement in de stad onrust ontstaat?”
Duurzaamheid
De derde categorie data is purposely sensed, oftewel: data die wordt gegenereerd met als doel hierop te acteren. Een voorbeeld is een proef die MIT deed in opdracht van het stadsbestuur van Seattle met tracken en tracen van afval. Ze plaatsen een sensor op afvalmateriaal om te zien waar een lege verpakking of kapotte band uiteindelijk belandt. Ratti laat een animatie zien: “Je ziet dat het afval eerst heel Amerika door gaat om vervolgens naar Azië of Afrika te worden getransporteerd. We hebben op het niveau van de verpakking geanalyseerd wat ermee gebeurde en ontdekten dat de meeste mensen afval gescheiden aanleveren, maar dat het daarna soms toch weer op één hoop belandt en wordt getransporteerd naar derdewereldlanden, omdat dat de goedkoopste oplossing is. Deze informatie geeft feedback om de reversed logistics-stromen beter en eerlijker te ontwerpen.”
Een ander voorbeeld van purposely sensed data kom je tegen in de landbouw. Neem bijvoorbeeld Mesur.io, een organisatie die is gespecialiseerd in precisielandbouw. Zij meten met sensoren in de bodem de hoeveelheid vocht en voedingsstoffen alsmede de temperatuur en de hoeveelheid licht dat een stuk grond krijgt op ieder moment van de dag. Dit wordt gecombineerd met zeer lokale weersverwachtingen. Mesur.io heeft algoritmen ontwikkeld waarmee een boer of eigenaar van een golfbaan zeer precies weet welk stuk land welke bemesting nodig heeft en wanneer welk stuk grond moet worden gesproeid. Het doel: het watergebruik in de landbouw reduceren en tegelijkertijd de opbrengst van een stuk grond verhogen. “70 procent van alle water op de wereld wordt gebruikt in de landbouw”, weet Tom Rump, CEO bij Mesur.io. “Met ons platform kun je het watergebruik aanzienlijk terugdringen door veel gerichter te sproeien, in sommige gevallen tot wel 30 procent. Daarnaast helpen we veel biologische boeren om met slimmere strategieën zonder gebruik van pesticiden toch een hoge opbrengst te behalen. We kunnen ze op allerlei terreinen van advies voorzien: welke wissellandbouw ze in hun specifieke geval het best kunnen toepassen; wat het ideale oogstmoment is, rekening houdend met de staat van het gewas, de behoeftes van het wisselgewas, de weersvoorspellingen, hoeveel ze op ieder deel van het perceel moeten sproeien enzovoort.”
Bedenk een businesscase
Rump stelt dat de techniek vandaag de dag het probleem niet meer is. “Wij hebben ons platform gebouwd op basis van Cloudera en Spark en hosten het op AWS. Alles volledig in de cloud. De techniek is bovendien gebruiksvriendelijk geworden. Boeren krijgen een set met sensoren die ze in de grond stoppen en waar ze nooit meer naar om hoeven kijken. Set and forget. Ze kunnen naar hartenlust andere data toevoegen; open data zoals weersvoorspellingen en eigen data zoals informatie van irrigatiesystemen. Ons intellectuele kapitaal zit in de algoritmen die voorspellen welke actie wanneer nodig is. De patronen maken we visueel met QlikSense, zodat klanten zien hoe we tot een advies komen.”
Kortom: de toepassingen van het sensitief maken van de omgeving zijn legio. Technologie vormt geen belemmering meer. De enige drempel is uw eigen creativiteit om een businesscase te bedenken.
Foto: Mesur.io
