Schiphol

over

Afgelopen jaar was Schiphol de op twee na drukste luchthaven van Europa met zo’n 71 miljoen passagiers. Om in deze drukte alle processen zo soepel mogelijk te laten verlopen, kan data een grote rol van betekenis spelen: bijvoorbeeld in het optimaliseren van vertrekschema’s om vertragingen te voorkomen, en het herkennen of voorspellingen van storingen en de performance van assets. Data Science Lab heeft in samenwerking met het data science team van de afdeling Asset Management (ASM) verschillende analyses uitgevoerd om inzicht te verkrijgen in het gebruik, de beschikbaarheid en de belasting van assets, zoals het gebruik van liften of roltrappen en de werking van stroomvoorzieningen op de vliegtuigopstelplaats. De uitkomsten van deze analyses werden gepresenteerd in dashboards die ontwikkeld zijn in Power BI of de Python module Dash, zodat de verantwoordelijke van deze assets m.b.v. het dashboard onder andere datagedreven planningen kan maken voor onderhoud.

Daarnaast heeft Data Science Lab verschillende trainingen en workshops gegeven om de collega’s van het data science team meer te leren over bijvoorbeeld het gebruik van Git voor versiebeheer en geavanceerde Python modules voor visualisaties (Plotly). Ook is er een eigen Python module ontwikkeld voor het communiceren met het SQL datawarehouse en het in productie brengen van Python scripts in de Azure cloud. Tot slot is er een machine learning (neural network) model ontwikkeld voor het voorspellen van vertraging van vertrekkende vluchten. De informatie uit dit model wordt vervolgens gebruikt om dagelijks een top risicovluchten te definiëren die op verschillende momenten in het proces (bagage, security, boarden, taxiën, etc.) voorrang zouden kunnen krijgen.

Gebruikte technieken en tools zijn: Power BI, Python, Flask (Python + HTML + Javascript), Azure Cloud Platform, Docker, SQL, diverse plot-libraries (matplotlib, plotly), en tensorflow.