Ga naar de inhoud

Data science bureau Zwolle

We bouwen modellen die scoren en vergelijken, zodat je team weet waar het eerst naar kijkt. Zo volgt Van Amersfoort Racing jonge coureurs.

Met Van Amersfoort Racing ontwikkelen we een tool waarin het raceteam jonge coureurs volgt en vergelijkt

Getalenteerde coureurs vinden is een uitdaging, want net als op de baan wil je de concurrentie een stap voor zijn. Samen ontwikkelen we een slimme tool waarin Van Amersfoort Racing makkelijk jonge coureurs kan volgen en vergelijken.

Lees de case

Naar welke aanvraag, klant of kandidaat moeten we vandaag als eerste kijken?

Er komen meer dossiers, aanvragen of signalen op je af dan een team grondig kan bekijken. Een model dat ze scoort en rangschikt, zet de belangrijkste bovenaan. Je mensen beslissen, maar beginnen op de goede plek.

Plan een gesprek

Scoren, rangschikken en vergelijken, met een uitleg bij elke plek op de lijst

Bespreek je vraagstuk

Talent vergelijken

Voor Van Amersfoort Racing ontwikkelen we een tool om jonge coureurs te volgen en te vergelijken.

Sneller inzicht voor agenten

Voor een sportmanagementbureau maakten we een platform dat agenten sneller inzicht geeft in relevante spelersinformatie.

Klanten op risico

Voor DPG Media werkten we aan churnreductie door geavanceerde data-analyse: wie dreigt op te zeggen, en wie benader je eerst.

Uitleg bij de score

Bij elke plek op de lijst staat welke kenmerken zwaar wogen, zodat een medewerker de keuze kan narekenen.

Een ranglijst is pas bruikbaar als je mensen hem geloven

  1. Wat is een goede keuze

    Samen vastleggen wat achteraf een terechte keuze was, en welke gegevens dat konden voorspellen.

  2. Model naast de expert

    De ranglijst van het model naast die van je eigen mensen, op gevallen waarvan de uitkomst bekend is.

  3. In het werk

    De score komt waar het team al werkt, met uitleg erbij en een vaste controle of hij blijft kloppen.

Hebben wij genoeg gegevens om iets te laten scoren?

Toets het in een gesprek

Past als

Er komen veel gevallen binnen, je weet achteraf welke keuze goed was, en die uitkomsten liggen ergens vast. Dan kan een model leren wat een goede kandidaat of aanvraag kenmerkt.

Past niet als

Het gaat om een handvol gevallen per jaar, of niemand legt vast hoe het afliep. Dan is een vaste checklist of een goede rapportage eerst de betere stap.

Waar de omvang van afhangt

Hoeveel bronnen er meedoen, of de uitkomsten al worden vastgelegd, hoe de score in het werk terechtkomt en wie het model daarna bijhoudt.

Neemt het model de beslissing over?

Nee. Het zet gevallen in een volgorde en laat zien waarom. De beslissing blijft bij je mensen, en bij persoonsgegevens leggen we vooraf vast wat het model mag gebruiken.

Vaste regels, een eenvoudige score of een model dat leert: wat past bij jullie keuze?

Vaste regels

Kies dit als een paar duidelijke criteria de keuze bepalen. Regels zijn makkelijk uit te leggen en te onderhouden.

Een eenvoudige score

Kies dit als je een handvol kenmerken wilt laten meewegen. Ons advies: begin hier, en vergelijk de uitkomst met wat je experts kiezen.

Een model dat leert

Kies dit als er veel gevallen en kenmerken zijn, en de uitkomsten worden vastgelegd. Het model leert dan patronen die een regel mist.

Sinds 2016 bouwen we modellen voor sport, media en organisaties buiten Amsterdam

Data Science Lab bestaat sinds 2016 en is partner van Microsoft en Databricks. We werkten voor Van Amersfoort Racing en DPG Media, en delen wat we leren op onze Techdays.

Plan een kennismaking

De keuze die je team elke dag maakt, is het onderwerp van het eerste gesprek

Stef Stoelwinder

Stef Stoelwinder

Business Development

Stef is je eerste aanspreekpunt. In het eerste gesprek bespreken we de keuze die je team dagelijks maakt en welke gegevens er zijn.

Welke stapel aanvragen, dossiers of kandidaten wil je laten rangschikken?

Vertel welke keuze je team maakt en welke gegevens er zijn. Je krijgt antwoord per mail, of we plannen een eerste gesprek.

Vul een geldig e-mailadres in.

Laat ons weten waar we je mee kunnen helpen.

Veelgestelde vragen

Het bouwt modellen die iets voorspellen, indelen of rangschikken, en zorgt dat ze in het werk worden gebruikt. Op deze pagina gaat het vooral om scoren en vergelijken: welke aanvraag, klant of kandidaat het eerst aandacht verdient.

Andere toepassingen vind je bij AI-toepassingen.

Nee. We werken vanuit Amsterdam, aan de Westerdoksdijk. Met organisaties in Zwolle en de rest van Overijssel werken we online en komen we langs voor het toetsen met je experts.

Geen van de cases hier speelt in Zwolle; ze laten zien wat we bouwen.

Door ze naast elkaar te leggen op gevallen waarvan de uitkomst bekend is. Je ziet dan waar het model en de experts het eens zijn, en waar niet. Juist die verschillen bespreken we, omdat ze laten zien wat het model wel of niet weet.

Pas als het model minstens zo goed rangschikt, gaat het in het werk.

Vaak classificatie- of regressiemodellen die een kans of score geven, soms een rangschikkend model. Welke past, hangt af van de gegevens en hoe uitlegbaar de uitkomst moet zijn.

Meer over de techniek lees je bij machine learning.

Door vooraf te bepalen welke kenmerken het model niet mag gebruiken, en achteraf te controleren of de uitkomst voor groepen verschilt. Gaat het om mensen, dan hoort er vaak een DPIA bij.

Wat wij daarvoor aanleveren, staat bij DPIA voor AI.

Ja, dat is een veelvoorkomende toepassing. Voor DPG Media werkten we aan churnreductie door geavanceerde data-analyse.

Hoe zo’n model wordt opgebouwd, lees je bij churn voorspellen.

Waar het team al werkt: in het CRM, een werklijst of een rapport, met de uitleg erbij. Een score die in een apart scherm staat, wordt meestal niet gebruikt.

Hoe we een model in productie houden, lees je bij MLOps.

Als er weinig gevallen zijn, of als niemand vastlegt hoe een keuze uitpakte. Dan leert een model niets, en is een checklist of betere registratie eerst nodig.

Ook als een paar duidelijke regels de keuze al goed maken, raden we een model af.