ICT Trends en Ontwikkelingen
E-book ‘Real-time analytics verbetert klantervaring' Download

Data-analyse is topsport

Kun je als onderneming leren van de sportwereld?

Wielrenner Tom Dumoulin, Neerlands hoop in bange wielerdagen, rijdt dit jaar niet de Giro d’Italia. Of wacht, toch wel. Want na uitgebreide analyse blijkt die ronde hem beter te liggen dan de Tour de France. Een beetje onderbuikgevoel, maar vooral erg veel harde datacrunching. Wat kunnen wij leren van de sportwereld?

Heb je je ook weleens afgevraagd wat die vreemde bobbel is bovenaan de rug bij de spelers van voetbalclub AZ? Ze vielen voor het eerst op in het seizoen 2016-2017. Het bleek een verzameling sensoren te zijn die continue meetwaarden naar een centrale database sturen. Daarin wordt haarfijn bijgehouden wat de prestaties zijn van de individuele spelers: hoeveel kilometer leggen ze af, hoeveel stappen hebben ze daarvoor nodig, wat is de hartslag en de ademfrequentie? Inmiddels zijn de bobbels op de rug minder prominent, maar feit is dat we van spelers meer weten dan alleen hun geboortedatum en van welke club ze afkomstig zijn.

Keihard cijfermateriaal
En voetballers zijn wat dat betreft nogal laatkomers in de wereld van data-analyse in de sport. Wielrennen bijvoorbeeld. Het lijkt zo heroïsch – afgezien van een dopingschandaaltje hier of daar – maar de renners doen hun werk puur op basis van keihard cijfermateriaal. De meeste wielerploegen werken samen met een universiteit of onderzoekscentrum. De cijfers worden deels handmatig ingevoerd, maar daarna groeit de data al snel, als gevolg van sensoren aan fiets en renner. Ook de parcoursen van de wedstrijden en grote rondes worden ingevoerd. Vervolgens wordt werkelijk elk mogelijk verband gelegd tussen de gegevens. Het gevolg is dat alles kan worden aangepast: het voedingsschema, het gewicht van de fiets, de aerodynamica van fiets en helm. En uiteindelijk kan dus ook de conclusie worden getrokken: Dumoulin rijdt dit jaar de Giro, want daar heeft hij meer kans om te winnen dan in de Tour.

Vergelijkbare use cases kun je halen uit zwemmen, atletiek, hockey, en zelfs een individuele sport als tennis. Eigenlijk in iedere populaire sport waar betere prestaties zich direct vertalen in meer sponsor- en reclame-inkomsten. Want gratis is het niet en het is natuurlijk wel de bedoeling dat het geld oplevert.

Data lake
Bedrijven verzamelen ook bergen aan data. De afgelopen twee jaar zelfs meer dan in alle jaren ooit daarvoor. Deze data is afkomstig van heel veel verschillende bronnen. Niet alleen bedrijfssystemen (productiegegevens, orders, bedrijfscorrespondentie, kortom CRM en ERP), maar ook van sensoren, camera’s en andere IoT-apparaten. En soms zelfs van publieke bronnen zoals koersinformatie, weergegevens, kadaster, CBS, KvK of aangekochte datasets die steeds meer beschikbaar komen. Wanneer de data is ‘gebruikt’ waarvoor het werd verzameld, verdwijnt het in een groot meer, samen met alle andere verzamelde en gegenereerde gegevens: de data lake. Net als in de topsport is het vaak niet meteen duidelijk wat je nog aan bruikbare informatie eruit kunt halen.

Verbanden leggen
De truc ligt in het leggen van verbanden tussen gegevens die uit verschillende bronnen komen en op het eerste gezicht helemaal niks met elkaar te maken hebben. Eenvoudig voorbeeld: een productiemachine blijkt meer dan gemiddeld last te hebben van uitval. Uit elkaar schroeven en weer in elkaar zetten blijkt niet de oorzaak boven water te kunnen halen. Maar op de machine zitten ook temperatuursensoren, die ervoor moeten zorgen dat het product tijdens het fabricageproces een zo constant mogelijke temperatuur heeft.

Uit analyse blijkt nu dat enkele minuten voordat de machine uitvalt, de temperatuur van het product anderhalve graad hoger is dan gebruikelijk. Binnen de norm, dus er gaan geen alarmbellen af. Het verband tussen deze temperatuurstijging en de uitval zou zonder slimme data-analyse nooit boven water komen.

Zeven meter per seconde
Het omgekeerde kan zich trouwens ook voordoen: teveel waarde hechten aan data die er niet toe doet. Toch maar weer een voorbeeld uit de sport. Ooit werd het aantal kilometers per wedstrijd van een voetballer gezien als een belangrijke maatstaf. Totdat werd ontdekt dat het niet om het totale aantal gaat, maar om het aantal kilometers dat een speler op topsnelheid kan lopen, zo rond de zeven meter per seconde. Zou Juventus dit realtime hebben gemeten in 1999 (en waarde aan gehecht!), dan was Thierry Henry nooit aan Arsenal verkocht. Bij zijn nieuwe club bleek dat hij vrijwel zonder moeite altijd zeven meter per seconde liep.

Kaf en koren
Kortom business analytics, data science en business intelligence kunnen je helpen om verbanden te leggen die je puur op de gegevens waar je dagelijks mee te maken krijgt nooit kunt leggen. En kunnen je leren om het kaf van het informatiekoren te scheiden. Maar anders dan in topsport is het niet vanzelfsprekend dat het ook gebeurt. Sportclubs en trainers varen inmiddels standaard op data-analyse. Het antwoord op de vraag wat we kunnen leren van de sportwereld is dus: omarm data en analyse daarvan als maatstaf voor beslissingen in de onderneming. Vandaag, niet morgen.

E-book ‘Real-time analytics verbetert klantervaring'

Reacties (0)

Gelieve in te loggen

Je moet inloggen om een reactie te kunnen plaatsen.