Houd ze vooral dik, die bandbreedtes

Er wordt hoog opgegeven over toekomstscenario’s doorrekenen met predictive analytics. De praktijk is ondertussen weerbarstig. Organisaties kiezen de verkeerde strategie, hun producten floppen, de werkwijze hapert, het contact met de klanten verwatert of hun investeringsbeleid staat ter discussie. Kennelijk zijn zelflerende algoritmes niet dusdanig goed dat ze alle mislukkingen voorkomen. Of zit het anders? Hoe goed kan de computer de toekomst voorspellen?

Downtime is een vies woord voor Philips, en niet alleen voor hen. De kostbare MRI- en CT-scanners van Philips moeten continu draaien. Hoe zorg je daarvoor? Door ze te repareren voordat ze stuk gaan. Daarvoor gebruikt Philips het Vertica-platform van softwareleverancier Micro Focus. Door sensordata te monitoren en combineren met modellen voor machine learning, voorspelt het platform wanneer een onderdeel van de scanners ‘op’ is. Zo houdt Philips zicht op de total cost of ownership. ‘Voorspellen en acties uitzetten noemen wij prescriptive analytics’, legt Erikjan Franssen van het Vertica-platform uit. ‘Dat gaat verder dan alleen voorspellen. Zo zetten vernieuwende bedrijven als Philips de toekomst naar hun hand.’

Klinkt plausibel. Klinkt zelfs zó aannemelijk dat wereldwijd duizenden organisaties in de zorgsector, non-profit, telecom, maakindustrie, publieke sector, marketing, retail en financiële dienstverlening het Vertica-platform gebruiken. Waarde halen uit data en daarmee de koers bepalen is kennelijk van strategisch belang geworden. Doe je het niet, dan staat er vroeg of laat een concurrent op die je uit de markt prijst. Is daarmee het bewijs geleverd dat je met data-analyse de toekomst kunt voorspellen? Nou nee. Al deze organisaties worstelen as we speak met de snelle veranderingen in de markt. Ze komen boven of gaan ten onder. Dat rechtvaardigt de vraag hoe ver we zijn met voorspellen wat er morgen en overmorgen gaat gebeuren.

Omarm onzekerheid

De toekomst voorspellen is een droom voor ondernemers. Als je weet waar het heen gaat, hoef je niet meer te investeren in nutteloze exercities. Het probleem is echter dat de loop der dingen altijd weer door onze vingers glipt. We hadden rekening gehouden met duizend-en-één dingen maar het liep net even anders toen we die brug bouwden, dat revolutionaire nieuwe product lanceerden of die nieuwe ict-tool wilden opleveren. Ineens sloeg ‘de factor onvoorzien’ toe en moesten de plannen worden bijgesteld.

‘Welk voorspellend algoritme je ook gebruikt, je weet nooit precies waar je aan begint’, zegt prof. dr. Arie van Deursen, software-technoloog aan de TU Delft. ‘Omarm de onzekerheid in plaats van die te bestrijden. Neem kleine stapjes en stuur constant bij. Onzekerheid over de toekomst wegnemen kan namelijk niet. Alles weten is een illusie. Waar moet je beginnen? Dat geldt zelfs voor relatief eenvoudige projecten zoals het bouwen van een brug. Ook dan kun je onmogelijk alles overzien. Misschien is er vertraging bij externe partijen waar jij toevallig afhankelijk van bent.’

Het misschien-woord hangt als een molensteen om de nek van de bouwers van zelflerende algoritmes. Misschien is er vertraging bij externe partijen. Misschien daalt de koers van de dollar. Misschien is er te weinig personeel beschikbaar voor de piekdrukte in week 43. Misschien is er te krap begroot en ligt overschrijding van het budget op de loer. Het zijn allemaal mogelijkheden. Volgens Van Deursen moet het uitgangspunt zijn dat je zoveel mogelijk data van ‘echte gebruikers’ verzamelt. Hoe meer data, hoe beter de voorspellingen. Doelstelling is ‘het waarom’ leren begrijpen van hoe processen lopen. Die patronen brengen zicht op de toekomst en geven stuurinformatie.

Fluctuatie

Ondertussen wordt er steeds meer ervaring opgedaan met data-analyse. Een paar voorbeelden. Consultancybureau PwC is actief op het gebied van zelflerende algoritmes in allerlei branches en sectoren. Dat is niet zo gek als het misschien lijkt voor een consultant. Klanten van PwC willen betrouwbaarheid en zekerheid als het gaat om de investeringen die ze wel of niet moeten doen. Waarin moeten ze geld steken? Welke trends kunnen ze laten overwaaien? Waar hoeven ze geen rekening mee te houden? De algoritmes geven inzicht.

Sandra Ruijsenaars, senior manager data-analytics, helpt onder meer bouwbedrijven en ingenieursbureaus met voorspelmodellen. Ze ziet een snelle ontwikkeling van artificial intelligence, van ‘beschrijvend’ naar ‘verklarend’ naar ‘voorspellend’ naar ‘voorschrijvend’. Ruijsenaars en haar collega’s ‘trainen’ de algoritmes om met data uit afgesloten projecten voorspellingen te doen voor nieuwe projecten. Ruijsenaars: ‘Waar we op letten? Een aantal parameters kan ik wel noemen. In welke markt wordt geacteerd? Waar is de opdrachtgever gevestigd? Wat is de omvang van de opdracht in geld? Wat is de grootte en samenstelling van het team? Wat is de spreiding van het aantal manuren dat het project zal kosten? Wat is de doorlooptijd van de planning? Welke weersomstandigheden zijn van invloed?’

Voor ingenieursbureau Deltares werd de data uit tien jaar projectadministratie door PwC gescreend. Ruijsenaars: ‘Je kunt zo’n onderzoek vergelijken met de weersvoorspellingen. Alleen, in projectadministratie zit meer fluctuatie dan in natuurkundige wetten, die gisteren, vandaag en morgen precies hetzelfde zijn. Mensen spelen ook een grote rol. Neem nou een klein voorbeeld als accuraat registreren van de startdatum van een project. Is dat het moment dat de verkoopmanager zijn handtekening zet? Of het moment dat de planner het vakje rood heeft gemaakt? Twee opties die enorme verschillen kunnen opleveren in de uitkomst. We willen natuurlijk volledige eenduidigheid. Daarom zouden we het liefst alleen numerieke waardes toepassen. Dat zou de kwaliteit van data-analyse verhogen en de bandbreedtes beperken.’

Expliciet model

Netbeheerder Alliander zet sinds een jaar of zes vol in op data-analytics en voorspellende computermodellen. De bedrijfscultuur is er langzaam maar zeker voor klaargestoomd: de mensen in de organisatie leren te vertrouwen op het voorspelmodel en hun beslissingen (deels) uit handen te geven. Zo’n vijftig data-scientists zijn actief op dit gebied, waaronder senior data-scientist Willem van Doesburg. Die snapt ook dat de werkelijkheid complex is en dat de computer geen wonderen kan verrichten: ‘Een voorspellend model blijft altijd een benadering van de werkelijkheid’, weet Van Doesburg. Zeker in extreem dynamische omstandigheden is het lastig om een model te maken dat voorspellingen doet die binnen acceptabele bandbreedtes blijven.

Toch doet dit geenszins afbreuk aan de noodzaak om voorspellende modellen te benutten, vindt Van Doesburg. Immers: ook zonder predictive analytics moeten organisaties met de complexe werkelijkheid omgaan. De beslissingen die ze nemen op basis van hun meningen, veronderstellingen en onderbuikgevoelens zou je ook ‘een model’ kunnen noemen. Van Doesburg noemt het een ‘impliciet model’. Het speelt zich af tussen de oren. Niemand kan toetsen hoe goed het is. Van Doesburg: ‘Als je het model expliciet maakt met data, dan kun je het er samen over hebben. Je kunt feedback inbouwen, finetunen, nieuwe relevante feiten toevoegen en het model vergelijken met andere modellen om de faalkosten te beperken.’

Beslissingen bij Alliander worden zoveel mogelijk genomen op basis van micro- en macro-economische data. Bijvoorbeeld om aankomende veiligheidsrisico’s in het net te detecteren. Of om de hoeveelheid werk te voorspellen die eraan staat te komen voor de storingsmonteurs. Van Doesburg licht toe: ‘Storingen voorspellen we door alle data van storingen in het verleden te onderzoeken. Onder welke omstandigheden gebeurde het? Met welke kabels? In welke ondergrond? Hoe zwaar werden de kabel belast? Daar maken we een model van, dat we loslaten op de toekomst. We investeren jaarlijks bijna één miljard euro in onderhoud van het net: kabels, machines, et cetera. Dat is een boodschappenlijstje met meer dan tienduizend items. Het samenstellen van de meest effectieve lijst kan niet zonder voorspellende modellen.’

Hamburg: klein wondertje

Datawetenschappers zelf zijn de eersten die toegeven dat het niveau van data-analytics omhoog moet. Ook Mark Raben, chief technologie officer van SAP (regio Midden- en Oost-Europa), houdt slagen om de arm. Raben ziet voorspellingen met data als ‘additionele hulpbron’. De technologie maakt het voor bedrijven makkelijker om beslissingen te nemen. Deze hulpbron wordt langzaamaan beter en verfijnder, stelt Raben. Zeker in geconditioneerde omgevingen zijn kleine wondertjes al mogelijk.

Raben noemt Farmers Cut, een project met verticale landbouw (lees: teelt van sla) in het centrum van Hamburg. De sla groeit op membranen. Temperatuur, CO₂-niveau, luchtverplaatsing, luchtvochtigheid, watertoevoer en lichtintensiteit worden gereguleerd met een getraind algoritme, dat de teeltperiode al heeft teruggebracht van 21 naar zestien dagen. Deze ‘slafabriek’ kan worden gerund met een paar mensen, die niet hoog opgeleid hoeven te zijn. Elk onderdeel bestaat uit hapklare brokken. Farmers Cut levert de sla in grote rekken aan kantines in de buurt. Daar groeit de sla zelfs nog even door. Plukken gebeurt pas in de keuken als het eten wordt klaargemaakt. Het concept is volledig schaalbaar. Vertical farms kunnen straks overal in grote steden neergezet en gerund worden.

Veel projecten kunnen niet gecontroleerd worden zoals Farmers Cut. Dan schieten de grillen van mens en markt alle kanten op. De consument is veeleisend, er verschijnen nieuwe (onverwachte) trends, de economische omstandigheden veranderen, en zo verder. Raben: ‘Hoe meer tijd een project kost, hoe dynamischer de data, hoe meer onvoorziene factoren. Kijk naar de huizenmarkt, die is nauwelijks te voorspellen. Maar we komen wel dichter in de buurt door onze modellen steeds opnieuw te trainen. De toepassingsgebieden worden breder. Denk aan matchen van cv’s, monitoren van gedrag of predictive maintenance voor onderhoud aan machines. Vooral dat laatste heeft zich sterk ontwikkeld. Aan predictive maintenance koppelen we iot (internet of things)- en sensortechnologie om trillingen, temperatuur of lekkages te monitoren en erachter te komen wanneer onderhoud in de toekomst nodig is.’

Conclusie

Kort en goed: de toepassingsgebieden van data-analytics worden breder en de lijst met succesvolle voorbeelden wordt langer. Daarmee komt er ook meer zicht op kritische succesfactoren. En dat zijn er nogal wat. Laurens van der Tang van Philips VitalHealth, een Nederlands it-bedrijf dat in 2017 door Philips werd overgenomen, noemt ‘fragmentatie’ als beperkende factor. Philips VitalHealth ontwikkelt digitale oplossingen voor population health management en loopt nogal eens tegen grenzen aan. In de gezondheidszorg is veel data ‘niet-uitwisselbaar’ vastgelegd. Van der Tang: ‘Dat belemmert onze pogingen om regionale databases te maken voor de zorg. Soms om heel goede redenen, zoals de AVG, vaak gewoon omdat de data van ziekenhuis, thuiszorg, huisarts, gemeente, jeugdzorg en andere partijen niet aan elkaar kan worden gekoppeld. Als we deze data met toestemming van de patiënt konden combineren, zou dat diens ‘gezondheidsreis’ in de toekomst veraangenamen.’

Wat sommigen predictive analytics noemen, heet bij Philips adaptive intelligence. Daarmee kan volgens Van der Tang ‘een shift in de zorg’ worden gerealiseerd. In plaats van wachten tot patiënten met klachten komen, stuurt Philips VitalHealth aan op zo gezond mogelijk blijven door publieke, medische en persoonlijke data zo goed mogelijk te gebruiken. Patiënten worden proactief betrokken, netwerken worden ontsloten en uitkomsten gemonitord. Er wordt gestuurd op lifestyle, gezondheidsrisico’s worden in een vroeg stadium gedetecteerd, gegevens van zorgpartijen worden zo mogelijk gekoppeld en artsen krijgen realtime de juiste aanbevelingen. Dat is beter voor de patiënt, en ook goedkoper, want dubbele behandelingen en overbodige controles worden voorkomen (zie kader Voorspelmodel MS-patiënten).

Kortom: het vakgebied predictive analytics wordt volwassen. Althans, volwassen genoeg voor organisaties om hun bedrijfsstrategie, manier van werken, investeringsbeleid of productontwikkeling op te baseren. Dat vindt Willem van Doesburg van Alliander. De beperkende factor in de sfeer van ‘onvoorziene omstandigheden’ zal in de tijd minder beperkend worden omdat er steeds meer data beschikbaar komen en benut kunnen worden. De door Van der Tang genoemde ‘fragmentatie’ lijkt een groter probleem. Dat vraagt om samenwerking tussen partijen en afstemmen van belangen, en daar blinkt de mens nou niet bepaald in uit.

(Dit artikel verscheen eerder in Computable-magazine # 05/2019.)