GVB Anomaly Detectie op Urenregistraties

Bij GVB wordt veel onderhoudswerk verricht aan trams, bussen en metro’s. Omdat er veel uitzonderingen op de reguliere planning zijn, denk aan externe medewerkers, verlofdagen, veel verschillende soorten planningen, etc, kloppen de geklokte uren niet altijd met de werkelijkheid. De afdeling Rail Materieel wil inzicht in de afwijkende gelogde uren, oftewel de ‘anomalies’ binnen deze uren. Wanneer er op basis van data iets gezegd kan worden over de gelogde uren, kan hier op worden gestuurd en slimmer worden ingespeeld op personeelsbezetting.

We hebben een anomaly detectie model ontwikkeld dat de afwijkende urenregistraties identificeert. Dit model is ‘rule-based’, wat betekent dat het model op basis van een set vooraf gedefinieerde regels bepaalt of een registratie afwijkend is of niet. De resultaten van het model zijn gevisualiseerd in een Power BI dashboard.

Dit dashboard geeft inzicht in het aantal gevonden afwijkende registraties, het type afwijking en details over deze registraties. Naast de gevonden anomalies toont het dashboard informatie over de productiviteit, volledigheid van uren, overwerkuren en ziekteverzuim. Tot slot biedt het dashboard inzichten in urenregistraties op project niveau.

Voor het ontwikkelen van het anomaly detectie model hebben we verschillende methoden onderzocht om de meest geschikte aanpak voor deze casus te vinden. Zo hebben we naast de rule-based benadering onderzocht of zelflerende modellen van toegevoegde waarde zijn in deze situatie.

Deze zogenoemde ‘machine learning’ modellen dienden als goede inspiratiebron voor het definiëren van afwijkingen, maar bleken niet geschikt om te gebruiken voor het uiteindelijke model. Er is daarom gekozen voor een rule-based model. Dit model hebben we uitgewerkt in samenwerking met de GVB stakeholders vanuit Rail Materieel. De resultaten hiervan zijn gevisualiseerd in een Power BI dashboard.