Uw succes, onze triomf
Data science management prestaties
Transportindustrie
- Voorspellend onderhoud
- Routeoptimalisatie en -planning
- Brandstofverbruik optimalisatie en controle
Lineas, het grootste goederenvervoerbedrijf per spoor in Europa, heeft een verplichte mid-life onderhoudscyclus voor al zijn locomotieven. Ze hebben in totaal 200 locomotieven. Ze bedienen niet allemaal dezelfde routes of hebben dezelfde functies; sommige worden gebruikt voor rangeren, terwijl andere korte of lange routes afleggen.
Op basis van de gegevens verzameld van meer dan 200 sensoren op elke locomotief, die miljarden records genereren, zijn we erin geslaagd een model samen te stellen dat suggereert na welke tijd elke locomotief zijn “mid-life” onderhoudscyclus moet ondergaan. Lees meer over Lineas.
Bij het middelen van de resultaten slaagden we erin de levenscyclus per
locomotief met 15% te verlengen. Als gevolg hiervan zijn de gegenereerde besparingen aanzienlijk.
Detailhandel
- Voorspellend voorraadbeheer
- Optimalisatie van schappenassortiment
- Verbetering van de klantervaring
- Real-time analyses bedoeld om winkelmanagers te empoweren
Lagardere Travel, onderdeel van de Lagardere Group, eigenaar van meer dan 270 duty-free winkels in heel Europa, benaderde ons om hun omzetcijfers in bestaande winkels te maximaliseren.
Na aansluiting op hun POS-systeem en ERP, waardoor we live data konden verzamelen, waren we in staat om kansen voor hen te ontdekken:
- Optimalisatie van het assortiment in de terminals
- Verhoging van de penetratie in belangrijke klantsegmenten
- Verbetering van de conversieratio van winkels
- Verbetering van de klantenservice (optimalisatie van personeelsbezetting)
- Winkelmanagers voorzien van voorspellende en real-time analyses tot op artikelniveau (SKU).
in hun verkoopcijfers in een periode van slechts 90 dagen.
Telecommunicatie
& infrastructuur
- Nauwkeurige identificatie van infrastructuurproblemen
- Preventief onderhoud van infrastructuur
- Problemen identificeren voordat ze zich voordoen
Proximus, de grootste telecomoperator in België, had uitdagingen bij het identificeren van problemen op hun netwerk. In de meeste gevallen moesten ze, om een bepaald probleem aan te pakken, een technicus ter plaatse sturen die de standaard probleemoplossingsprocedure uitvoerde. Als deze technicus het probleem niet kon identificeren/oplossen, moesten ze een team sturen dat een gat in de weg moest graven en een fysieke probleemoplossingsprocedure moest uitvoeren.
Ons Data Science Management team heeft een model ontwikkeld dat duizenden datapunten per seconde verzamelde en verwerkte. Hierdoor konden we correct voorspellen welke technicus nodig is om het probleem op te lossen, we voorkomen tienduizenden nutteloze interventies per jaar. Uit feedback van het veld blijkt dat het algoritme zelfs een betere voorspeller is dan de diagnoses van technici.
