Overal in het bedrijfsleven worden pilots opgezet en PoC’s gedaan in het kader van datagedreven werken. Ze leiden vaak tot interessante inzichten. Toch lukt het lang niet altijd om zo’n pilot naar productie te brengen en op te schalen. Dat ligt vaak niet aan het resultaat, maar vooral aan de communicatie daarover. “Ontwikkel niet alleen maar dashboards, maar focus je vooral op het verhaal dat daarbij hoort”, adviseert Rob Webster, expert in datagebruik in de sport.
NTT is al acht jaar de technologiepartner van de ASO, de organisator van de Tour de France. Daarnaast begeleidt Webster vele andere sportorganisaties in datagebruik. Als de sport ergens in uitblinkt dan is het wel in het omzetten van data naar een boeiend verhaal, vindt hij. “Voor iedere sport zijn inkomsten uit tv belangrijk. Hoe meer mensen het leuk vinden om een sport op tv te bekijken, hoe beter. Veel sporten zijn echter pas leuk om te bekijken als je er écht wat van weet. Daarom is het commentaar zo belangrijk. Vaak beperkt dit zich tot datgene wat de camera’s in beeld brengen, maar misschien helpt data om een wedstrijd van aansprekender commentaar en betere informatie te voorzien.”
Verhaal maken van IoT-data
Webster noemt als voorbeeld het wielrennen. “Vroeger moesten de commentatoren het doen met de tv-beelden en de tijdverschillen die werden gemeten door de motoren in de koers. Daarbij maakt het nogal wat uit of een motor voor of achter het peloton rijdt. Daardoor zag je soms ineens dat het tijdverschil heel snel terugliep, terwijl het alleen maar de motor was die langs het peloton raasde. Daarom vroegen wij samen met ASO ons af: kunnen we geen data verzamelen van iedere rijder? Via kleine en lichte IoT-sensors onder de zadels sturen de renners hun data naar een edge device op de motor, vanwaar het via het broadcast netwerk van de Franse omroep naar een centraal punt bij de finish gestuurd waar wij het kunnen analyseren.”
Voordat deze data kan worden geanalyseerd, moeten ze eerst worden opgeschoond. Want IoT-data zijn niet allemaal even betrouwbaar. Webster: “Iedere seconde krijgen we meer dan vijftig datapunten binnen, zoals snelheid en locatie van de rijders, maar ook wind en stijgingspercentage op verschillende delen van de route.
De locatiedata zijn gebaseerd op GPS. Dat is niet volledig nauwkeurig wat bijvoorbeeld tot problemen kan leiden op een klim met veel haarspeldbochten. Of een renner een bepaalde bocht al door is of er nog voor zit, moet je dan herleiden uit de data die je vlak daarvoor hebt verzameld. Dit opschonen en analyseren moet near real-time gebeuren, want er zitten precies twee seconden tussen de live gebeurtenis en de tv-uitzending. In die twee seconden moeten wij dus chocola maken van de vijftig datapunten die we iedere seconde van iedere renner verzamelen. De afgelopen jaren hebben we vooral geleerd dat niet zozeer de harde data zelf, maar vooral het verhaal eromheen interessant is voor de kijker. Hoe beter dat verhaal wordt gebracht, hoe spannender het voor kijkers wordt.”
Simulaties in digital twin
Dat geldt ook voor veel bedrijfsprocessen. Iemand van finance kan door ernaar te kijken een productieproces in de fabriek saai vinden. Maar maak je daarvan een digital twin en laat je zien waar er in het proces verspilling plaatsvindt en hoeveel dat kost, dan denkt de toeschouwer: wow, wat een besparingspotentieel. Webster: “We hebben bijvoorbeeld voor BMW een digital twin gemaakt van hun productielijn, waarin ze het resultaat van een andere procesinrichting testen.”
Inspiratie daarvoor deed BMW onder meer op uit de manier waarop de ASO omgaat met de data over de Tour de France die NTT levert. Webster: “Uit onze data-analyse blijkt bijvoorbeeld dat de winnaar van afgelopen jaar, Vingegaard, alle tijdwinst op nummer twee, Pogacar, pakte op beklimmingen boven de 2000 meter. Op die hoogte is nog weinig zuurstof en kennelijk gaat het lijf van Vingegaard daar beter mee om dan het lijf van Pogacar. In de jaren van Froome en Dumoulin waren vaak de tijdritten doorslaggevend, want deze renners pakten daar het verschil en konden bergop aanklampen.”
“Dit is allemaal interessante informatie voor de ASO, die dit wellicht laat meewegen in de keuze voor etappeschema’s. Het is ook interessant om data uit verschillende bronnen te combineren en op basis daarvan optimalisaties te doen. Bij zwemmen worden onder meer de kracht waarmee iemand op het startblok afzet en de hoek waarmee de zwemmer in het water komt geanalyseerd. Het is ontzettend moeilijk om maximale kracht te leveren én in een optimale hoek in het water te landen. Door heel veel starts te analyseren kan de trainer gericht feedback geven of het beter is te focussen op maximale kracht of op de optimale hoek. Webster: “Veel bedrijfsprocessen hebben ook trade offs. Het één gaat ten koste van het ander. Door data te combineren kun je veel gerichtere keuzes maken om het eindresultaat te optimaliseren.”
Computer vision
Een andere inspiratiebron uit de sport is het gebruik van video, meer specifiek computer vision, om bewegingen tot in het kleinste detail te analyseren. In technische sporten zoals zwemmen, schaatsen en turnen wordt deze technologie al jaren gebruikt om de techniek in trainingen nog beter fijn te slijpen. In veel fabrieken hangen ook wel camera’s, vooral om te zien of er een verstoring plaatsvindt. Maar je kunt nog veel meer met die beelden, zegt Webster. “Nog interessanter dan zien dat er iets gebeurt, is weten wat er precies gebeurt: waarom raakt een proces verstoord? Dan kun je de oorzaak wegnemen. Het menselijk oog is meestal niet in staat om zo gedetailleerd waar te nemen, maar computer vision is dat wel.”
Kortom, de sport biedt inspiratie genoeg. Niet alleen hoe je nog slimmere analyses kunt maken van de verzamelde data. Maar vooral hoe je vervolgens het verhaal daar omheen vertelt. “Het doel is immers niet dat je een dashboard maakt, het doel is dat je betere beslissingen neemt. De data-analyse is belangrijk, maar vergeet vooral het verhaal niet dat daarbij hoort.”
Lees ook:
- TU Delft wint EU-project voor analyse mobiliteitsdata
- Databeveiligingshygiëne: begin 2023 goed!
