Uw succes, onze triomf
Prestaties op het gebied van datawetenschapsbeheer
Transportindustrie
- Voorspellend onderhoud
- Route optimalisatie en planning
- Optimalisatie en controle van het brandstofverbruik
Lineas, het grootste treinvrachtbedrijf van Europa, hanteert een verplichte midlife-onderhoudscyclus voor al zijn locomotieven. Ze hebben in totaal 200 locomotieven. Ze bedienen niet allemaal dezelfde routes of vervullen dezelfde functies; sommige worden gebruikt voor het rangeren, terwijl andere korte of lange routes afleggen.
Op basis van de gegevens verzameld door meer dan 200 sensoren op elke locomotief, die miljarden records genereerden, zijn we erin geslaagd een model samen te stellen dat de tijd voorstelt waarna elke locomotief zijn “mid-life” onderhoudscyclus moest ondergaan. Leer meer over Lijnen.
Door het middelen van de resultaten zijn we erin geslaagd de levenscyclus per product te verlengen
locomotief met 15%. De gerealiseerde besparingen zijn daardoor aanzienlijk.
Retail
- Voorspellend voorraadbeheer
- Planken Assortiment Optimalisatie
- Verbeter de klantervaring
- Real Time Analytics is bedoeld om winkelmanagers meer macht te geven
Lagardere Travel, onderdeel van Lagardere groep, eigenaar van meer dan 270 belastingvrije winkels in heel Europa, benaderde ons om hun winkelverkoopcijfers te maximaliseren.
Nadat we verbinding hadden gemaakt met hun POS-systeem en ERP, waardoor we live gegevens konden verzamelen, konden we kansen voor hen ontdekken:
- Optimaliseer het assortiment over de terminals heen
- Vergroot de penetratie in belangrijke klantsegmenten
- Verbeter de conversieratio van winkels
- Klantenservice verbeteren (personeelsoptimalisatie)
- Empowered Store Managers met voorspellende en realtime analyses tot op itemniveau (SKU-niveau).
in hun verkoopaantallen in een periode van slechts 90 dagen/
telecommunicatie
& Infrastructuur
- Nauwkeurige identificatie van infrastructuurproblemen
- Preventief onderhoud infrastructuur
- Problemen identificeren voordat ze zich voordoen
Proximus, de grootste telecommunicatie-exploitant in België hadden problemen met het identificeren van de problemen op hun netwerk. In de meeste gevallen moeten ze, om een bepaald probleem op te lossen, een technicus ter plaatse sturen die de standaardprocedure voor probleemoplossing uitvoert. 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 Datawetenschapsbeheer hebben een model ontwikkeld dat duizenden datapunten per seconde verzamelt en verwerkt. Hierdoor kunnen we correct voorspellen welke technicus nodig is om het probleem op te lossen. we voorkomen tienduizenden nutteloze interventies per jaar. Uit veldfeedback blijkt dat het algoritme gelijk is een betere voorspeller dan de diagnostiek van technici.
