Data Science projecten en ervaring

Onze data scientists hebben uiteenlopende projectervaring. Hier een aantal voorbeelden van onze projecten.

Anomaly detection op server metrics

Voor een grote bank hebben we een ensemble-model gebouwd om onregelmatigheden te detecteren op servermeetwaarden, en hebben hiervoor een Spark/Hadoop cluster ingericht waarop het model draait. Hierdoor is het inzicht op cloudgebruik en -kosten voor deze klant vergroot, en zijn er mogelijkheden om het op- en afschalen van hun cloud te automatiseren.

Inzicht in database-monitoring

We hebben de monitoring van een Cassandra big data database effectiever gemaakt d.m.v. een effectievere selectie van metrics. Hierbij is de data verkend en inzichtelijk gemaakt met visualisaties in Jupyter notebooks. Vervolgens is een eerste, overdraagbaar product gemaakt op basis van een Python Flask API ingebed in een docker container. Door middel van deze API kunnen de databasebeheerders op ieder willekeurig moment een analyse test op de data laten uitvoeren om zo te zien welke metrics zeer waarschijnlijk de veroorzakers zijn van lange responstijden.

Predictive maintenance op vloeibare mesttanks

Voor een grote Nederlandse zaadveredelaar hebben wij een voorspellend ensemble-model gebouwd dat de delta in het peil van vloeibare kunstmesttanks voorspelde voor de komende tien dagen, op basis van IoT-data over peilmetingen en openbare weerdata van het KNMI. Met deze voorspellingen kon route-optimalisatie gedaan worden door meerdere tanks in één rit bij te vullen voordat ze onder het kritieke niveau zouden komen, ter kostenbesparing.

Voorspellen van administratieve werklast

We hebben voor een grote hypotheek- en kredietverlener een end-to-end oplossing ontwikkeld om de werkvoorraad van een afdeling van < 50 FTE te voorspellen. Dit lukte tot op wel 95% nauwkeurigheid, en voorspelt tot 6 weken van te voren het aantal taken per week. Dit heeft de werkefficiëntie aanzienlijk verhoogd.

Voorspellingsmodel wanbetaling van leningen

In het kader van innovatie en ontwikkeling hebben we een model gebouwd dat voorspelt of klanten van financiële dienstverleners wel of niet hun lening kunnen afbetalen. Dit model is, op basis van een historische dataset, gemaakt met gebruik van machine learning-componenten van Microsoft Azure. Het nauwkeurigheidspercentage van dit model is 97%.