Data Science projecten en ervaring
  • product

Data Science projecten en ervaring

Onze data scientists hebben uiteenlopende projectervaring. Hier een aantal voorbeelden van projecten waar zij waardevolle ervaring hebben opgedaan.

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%.

Predictive maintenance

In dit project is een voorspellend ensemble-model gebouwd voor een grote Nederlandse zaadveredelaar. Dit model voorspelt de delta in het peil van vloeibare kunstmesttanks voor de komende tien dagen, op basis van Internet of Things (IoT) data over peilmetingen en verrijkt met open data 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.

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

In dit project is 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.

Laat data science voor jou werken

Wil jij d.m.v. data science, alle waardevolle informatie uit jouw data halen om daarmee jouw businessdoelen te realiseren? Laat onze data scientists voor jou aan de slag gaan! Neem contact op ons via sales@kvl.nl.

Door op ‘Bel mij terug’ te klikken ga je akkoord met onze privacyverklaring.

Groei door data

Wij maken organisaties datagedreven. Maak vrijblijvend een afspraak, we helpen je graag op weg met Data & Analytics.

Direct contact