Ik ben Martijn Oele en ik kom uit Kapelle, in Zeeland. 1,5 jaar geleden ben ik naar Haarlem verhuisd. Daar woon ik samen met mijn vriendin. Ik houd heel veel van muziek: heb bijna 18 jaar lang gedrumd bij verschillende orkesten en bandjes. In mijn vrije tijd fitness ik regelmatig, kijk ik heel graag naar een voetbalwedstrijd (en dan vooral die van Ajax 🙂 ) en voetbal ik zelf bij HFC in Haarlem.

Waar heb je gewerkt voordat je bij Data Science Lab begon? 

Ik heb een bachelor Artificial Intelligence gedaan in Nijmegen. Daar heb ik ook bijna 3,5 jaar gewoond. Daarna ben ik begonnen in Tilburg aan de master Data Science, Business & Governance. Het leuke daaraan was dat er veel focus lag op het vertalen van problemen ‘in de business’ naar toepassingen met een data analyse of data science component. Maar ook vooral hoe je deze oplossingen terugbrengt en implementeert in de business. Een speciaal vak was helemaal toegewijd aan de nieuwe privacywet, de GDPR, die in de periode dat ik de master volgde van kracht ging. Tijdens beide studies ben ik als zzp’er actief geweest in de web- en app development wereld. Zo heb ik een e-learning platform gemaakt voor veiligheidstrainingen in de scheepvaartindustrie, een keursysteem voor machines in verschillende industrieën en een app als welzijnsmeter voor WMO en Jeugdzorg.

Wat zijn de werkzaamheden als ‘Data Scientist’ bij Data Science Lab en wat vind jij persoonlijk het meest interessant hiervan? 

Ik werk inmiddels 1,5 jaar bij Data Science Lab en heb verschillende projecten gedaan; onder meer op verschillende afdelingen van Schiphol, bij een bedrijf in de retail van biologische producten, bij een woningcorporatie en voor verschillende Eredivise voetbalclubs. Dat deze bedrijven zo enorm uiteenlopend zijn, is wat het werk bij Data Science Lab juist zo interessant maakt. De ene opdrachtgever heeft al een toegewijd data science team, terwijl een ander helemaal nieuw is in deze wereld. Persoonlijk vind ik het vooral leuk om bij bedrijven te komen die nog geen kennis hebben gemaakt met data science, en om de stakeholders bij die bedrijven mee te nemen en te laten zien hoe en waar we met data science iets kunnen bijdragen aan de bestaande processen in het bedrijf. In de huidige periode ligt de focus soms noodgedwongen ook nog eens vooral op het welbekende ‘laaghangende fruit’. Dat maakt het een hele leuke uitdaging om (kleine) data science use-cases te definiëren die direct relevant zijn voor de opdrachtgever.

Daarnaast maak ik me vaak hard om breder te denken dan de bestaande kaders. De ene data science oplossing is uitermate geschikt om te visualiseren in bijvoorbeeld Power BI, maar een andere oplossing weer helemaal niet. Daar komt ook mijn achtergrond en passie voor het maken van mooie web interfaces of apps. Daarmee kunnen we de data science oplossing in een maatwerk jasje leveren, zodat men er bij de opdrachtgever écht iets aan heeft. Ik vind het ook leuk om collega’s hierin mee te nemen, en om een way-of-working op te tuigen waarin we de vorm en uitstraling van de oplossing continu toetsen met de personen die er ook daadwerkelijk mee zullen gaan werken. Op die manier hebben we niet alleen de inhoudelijke kwaliteit op het hoogste niveau, maar tillen we ook de uiterlijke vorm waarin we een data-oplossing leveren naar een next level.

Hoe voer je de werkzaamheden in de huidige situatie uit? 

Vorige maand is het kantoor van Data Science Lab uitgebreid met een extra etage. Daardoor is er nu sowieso voldoende plek om weer volledig op kantoor te werken. In de maanden daarvoor wisselde ik 2 dagen thuiswerken af met 2 halve dagen op Schiphol en 2 dagen op kantoor bij Data Science Lab. Die afwisseling bevalt heel goed. Op Schiphol (in de bagagekelders) is het tijdens de afgelopen hittegolf in ieder geval lekker koel, maar ook voor de use-cases waaraan we werken is het heel fijn om op locatie te zitten. Verder gebruik ik het thuiswerken als ik op een dag flink wil concentreren om ‘meters te maken’, en kantoor juist om met collega’s samen te werken of te brainstormen.

Wat is binnen jouw huidige project de grootste technische uitdaging? 

Voor één van de use-cases op Schiphol werken we samen met vliegmaatschappijen om end-to-end inzicht te krijgen in het gehele bagageproces. Dat betekent dat de datastromen via verschillende partijen (Schiphol als leverancier, vliegmaatschappijen en afhandelaren) lopen en dus ook in verschillende systemen zijn opgeslagen. Daarnaast logt het bagagesysteem op hele grote snelheid informatie over elke koffer die passeert, dus je hebt ook nog eens te maken met hele grote hoeveelheden data.

Enerzijds is het technisch een uitdaging om die data aan elkaar te kunnen knopen, maar anderzijds is er ook een uitdaging die te maken heeft met het gedrag en gewoontes binnen de verschillende partijen, maar dat maakt het juist heel erg interessant!

Wat is volgens jou de grootste misvatting van data science? 

Je krijgt soms te maken met verwachtingen dat je data “gewoon” in een magische black box kunt stoppen, en dat er dan logische verbanden of conclusies uit zullen volgen. Dat is uiteraard niet zo. Het is niet voor niks dat ongeveer 70% van onze tijd gaat zitten in het voorbereiden, opschonen, en analyseren van data voordat er echte machine learning toegepast kan worden. En zelfs dan is het nog niet vanzelfsprekend dat er meteen bruikbare informatie uit komt. Soms is het al de uitkomst van de eerste stappen die aanleiding geeft voor nieuwe use-cases of bruikbare inzichten oplevert voor de business.

Hoe zie jij data science over 10 jaar? 

De laatste tijd zie je services zoals AutoML steeds meer opkomen. Deze platformen kunnen heel snel heel veel verschillende machine learning modellen optimaliseren op een gegeven data set. Het handmatige tunen van de parameters van de modellen zal dus steeds minder gebeuren, maar persoonlijk vind ik dat juist alleen maar handig. Op die manier heb je nóg meer tijd om te besteden aan het opschonen en verrijken van de data, overleggen met de domeinexperts wat bepaalde inzichten precies betekenen, en het proces van feature engineering, voordat je deze naar de AutoML service stuurt. Juist in deze processtappen kun je vaak meerwaarde voor een specifiek business probleem toevoegen. Neem bijvoorbeeld een sales forecast voor een retail use-case. Daarin zul je na de afgelopen maanden op een bepaalde manier echt moeten corrigeren of compenseren voor de afwijkende cijfers vanwege de crisis, voordat een AutoML service ook maar íets zinnigs terug kan geven.

Welk probleem zou jij ooit nog willen oplossen middels data science? 

De afgelopen maanden ben ik op verschillende manieren bezig geweest om inzicht te verschaffen in data van voetbalclubs. Het lijkt me een hele gave uitdaging om dat soort use-cases naar een hoger niveau te tillen en bijvoorbeeld real-time, tijdens wedstrijden, berekeningen en voorspellingen uit te voeren om de tegenstander steeds een stapje voor te zijn. Hoe dat bijvoorbeeld in de Formule 1 gebeurt, waar in split-seconds beslissingen gemaakt worden die gebaseerd zijn op data, vind ik heel erg fascinerend! Zo won Max Verstappen onlangs de race in Engeland omdat zijn engineers tijdens de kwalificatie voor een afwijkende strategie hadden gekozen. Wie weet heeft elke voetbalclub in de toekomst standaard tijdens elke wedstrijd een data strateeg in de dug-out zitten.

Meer collega's ontdekken