Data science bureau Groningen
We bouwen het model dat voorspelt, indeelt of optimaliseert, en laten het bijleren op nieuwe data, zoals de aanbevelingsmodellen voor See Tickets.
Voor See Tickets ontwikkelden we aanbevelingsmodellen die continu bijleren
See Tickets is een internationaal ticketingplatform. Op een schaalbaar Azure-platform brachten we ticket- en gedragsdata samen, en met AI voorspellen we welke events aansluiten bij welke bezoeker. See Tickets zit niet in Groningen; de case laat zien hoe we een model bouwen dat bijleert.
Welke beslissing in onze organisatie kan een model vooraf voorspellen of voorbereiden?
Zorginstellingen, onderwijsinstellingen en overheden in Groningen en Noord-Nederland leggen al jaren gegevens vast over aanmeldingen, afspraken en aanvragen. Toch komt de planning vaak uit een vast schema. Een model op die historie voorspelt wat er komt; je planner beslist.
Voorspellen, indelen, optimaliseren of vergelijken: het soort model volgt uit je beslissing
Voorspellen wat iemand kiest
Voor See Tickets voorspellen aanbevelingsmodellen welke events bij welke bezoeker passen. We testten de aanbevelingen in de praktijk en stuurden bij.
Signalen automatisch indelen
Voor ProRail zetten we machine learning in om met glasvezelkabels die geluidsgolven meten de detectie van treinen, spooronderdelen en wieldefecten te automatiseren.
Een moment optimaliseren
Voor Rijkswaterstaat onderzochten we met een congestiemodel en LSTM of de bediening van de Botlek- en Spijkenisserbrug met data te optimaliseren is.
Kandidaten volgen en vergelijken
Met Van Amersfoort Racing ontwikkelden we een slimme tool waarin het team jonge coureurs makkelijk kan volgen en vergelijken.
Eerst de beslissing en de maatstaf, pas daarna het algoritme
-
Beslissing en maatstaf
We leggen vast welke beslissing het model ondersteunt en waaraan je straks ziet of die beter gaat.
-
Terugtoetsen op historie
Het model voorspelt eerdere periodes zonder de uitkomst te kennen; daarna vergelijken we met wat er echt gebeurde.
-
Bijleren in gebruik
In gebruik volgen we de uitkomsten en trainen we het model opnieuw zodra de werkelijkheid verschuift.
Hebben we genoeg historie voor een eigen model?
Past als
Je organisatie neemt steeds dezelfde soort beslissing, zoals capaciteit plannen of aanvragen indelen. De gegevens erover zijn over een langere periode bewaard en iemand wil de uitkomst echt gebruiken.
Past niet als
De beslissing valt zelden, de vastgelegde gegevens zeggen weinig over de uitkomst, of een vaste rekenregel in je systeem werkt al. Dan raden we een model af en zeggen we wat wel helpt.
Waar de omvang van afhangt
Hoeveel bronnen we koppelen, hoe schoon de historie is, hoe vaak het model moet rekenen, waar de uitkomst moet verschijnen en of jullie team of wij het model daarna beheren.
Snappen onze mensen waarom het model iets zegt?
Dat moet. We laten per uitkomst zien welke kenmerken zwaar wegen, en kiezen een eenvoudiger model als dat bijna net zo goed voorspelt. Wie ermee werkt, moet het kunnen nalopen.
Welk soort model hoort bij jullie vraag: een voorspelling, een indeling of een optimalisatie?
Een voorspelling
Kies dit als je wilt weten wat er komt, zoals aanmeldingen, drukte of uitval. Het model geeft een verwachting met een bandbreedte, en je planner beslist.
Een indeling
Kies dit als je veel gevallen in groepen moet sorteren, zoals meldingen, aanvragen of signalen. Ons advies: begin met de groepen die je medewerkers nu al gebruiken.
Een optimalisatie
Kies dit als je de beste keuze zoekt die aan vaste grenzen voldoet, zoals een moment of volgorde. Het model rekent de gevolgen per keuze door, zoals bij de brugopeningen.
Modellen bouwen we sinds 2016, ook voor organisaties ver buiten Amsterdam
Data Science Lab is Databricks- en Microsoft-partner en zit aan de Westerdoksdijk in Amsterdam. Voor Groningen en Noord-Nederland werken we bij jullie, bij ons of online. Wat we leren, delen we op onze Techdays.

Welke beslissing een model verdient, bepalen we samen in het eerste gesprek
Stef Stoelwinder
Business DevelopmentStef is je eerste aanspreekpunt. In het eerste gesprek bespreken we welke beslissing beter moet en welke historie je daarvoor al hebt.
E-mail info@datasciencelab.nl
Telefoon +31 (0)20 3636 724
Wat wil je dat een model voor jullie voorspelt of indeelt?
Vertel welke beslissing het betreft en welke gegevens je bewaart. Je krijgt antwoord per mail, of we plannen een eerste gesprek.
Bericht verstuurd
Bedankt voor je bericht. We nemen zo snel mogelijk contact met je op.
Veelgestelde vragen
Het bouwt het model dat op je eigen gegevens iets voorspelt, indeelt of optimaliseert, toetst het op je historie en brengt het in gebruik. In Groningen en Noord-Nederland gaat het vaak om zorg, onderwijs en overheid.
Zoek je data science in Groningen of elders in Noord-Nederland: wij leveren het team dat het model bouwt en overdraagt. Alle toepassingen staan bij AI-toepassingen.
Geen kantoor: we zitten in Amsterdam, aan de Westerdoksdijk. Een gepubliceerde case uit Groningen hebben we ook niet. De cases op deze pagina komen van elders en laten zien welke modellen we bouwen.
Wil je eerst bepalen waar AI in je organisatie waarde toevoegt, dan helpt onze AI consultant in Groningen met die keuze.
We leggen het model naast je huidige werkwijze, zoals het gemiddelde van vorig jaar of de vuistregel van de planner. Op eerdere periodes waarvan de uitkomst bekend is, kijken we wie er dichterbij zat.
Wint het model niet duidelijk, dan zeggen we dat. Een vuistregel die werkt, hoeft niet vervangen te worden.
Door de invoer en de uitkomsten te blijven volgen en het model opnieuw te trainen als het gedrag verandert. Voor See Tickets ontwikkelden we aanbevelingsmodellen die continu bijleren, en stuurden we bij op basis van echte resultaten.
Hoe het bewaken en hertrainen van modellen in productie werkt, lees je bij MLOps.
De uitkomst die je wilt voorspellen, over een langere periode vastgelegd, en de kenmerken die je op het moment van beslissen al kent. Bij aanmeldingen bijvoorbeeld het moment van aanmelden, de opleiding en eerdere jaren.
Gaat het om personen, dan nemen we alleen op wat het doel nodig heeft. Wat we aanleveren voor een privacytoets, staat bij DPIA voor AI-toepassingen.
Een rekenregel past als het verband bekend en stabiel is, zoals een vaste norm per leerling of per bed. Machine learning loont als veel factoren tegelijk meespelen en het verband per periode verschuift.
Vaak beginnen we met de regel als vergelijkingspunt. Hoe we modellen bouwen en uitleggen, lees je bij machine learning.
Ja. In Utrecht ligt de nadruk op voorspellende modellen in zorg en dienstverlening, zie data science bureau Utrecht. Rond Haarlem bouwen we modellen die beoordelen, zie data science bureau Haarlem.
De volgorde blijft overal gelijk: eerst de beslissing, dan de historie, dan het model.
Als de beslissing zelden valt, als er te weinig historie is om van te leren, of als niemand de uitkomst in het werk gaat gebruiken. Een model moet je ook bijhouden, en dat kost aandacht.
Soms is een overzicht van de eerdere jaren in een dashboard genoeg om beter te plannen. Dat zeggen we dan ook.