Maar hoe doe je dat op een goede manier? Hoe zorg je ervoor dat je organisatie gaat leren van eerdere ervaringen? Welke data moet je bijhouden en op welke manier? Dit zijn allemaal vragen die om de hoek komen kijken bij data gedreven werken (ook wel data driven innovations).
Het is echter cruciaal om daarin niet alleen naar de data te kijken, maar naar het hele proces. Want zonder de juiste context van de oplossing, zal de oplossing uiteindelijk niets waard zijn. Daarom zijn we bij Experience Data continu in gesprek met de gebruiker. Zo werken mens en machine optimaal samen.
Datastrategie: hoe begin je? Eerder daagden we je uit om op zoek te gaan naar een ledje: een lampje van Experience Data. Een lampje dat aan zou moeten gaan als je een repeterende beslissing tegen komt binnen je bedrijf. We hopen natuurlijk dat je een paar beslissingen hebt gevonden en dat je al bent gaan…
Image Recognition: wat gaat er fout? Welkom bij de tweede blog over image recognition. Eerder leerden we dat mensen uitzonderlijk goed objecten uit plaatjes kunnen herkennen. De reden hiervoor is onder andere omdat we deze taak als kind al aangeleerd krijgen en dat al eeuwenlang. Computers leren op bijna dezelfde manier, namelijk door het krijgen…
Image Recognition: herken de koe Welkom bij alweer een nieuw blog op de nieuwe website van Experience Data. In onze vorige blog Kunstmatige Intelligentie in de huiskamer spraken we over de betekenis van Artificial Intelligence (AI) of Kunstmatige Intelligentie (KI). Daar leerden we dat een machine leert als een bepaalde taak door ervaring op te…
Data gedreven werken: dat echt dagelijkse beslissingen zijn maar vaak wel complex en dat er een afweging van de medewerker aan ter grondslag ligt. En wij helpen de medewerker door die beslissing eigenlijk voor te koken. Dat is niet een beslissing van waar gaan wij onze nieuwe fabriek neerzetten die je een keer per twee…
Data gedreven werken, dat is natuurlijk zo’n term die je tegenwoordig continu hoort en waar je mee om de oren wordt geslagen. En dan zie je dat heel veel mensen dashboards maken, steeds meer inzicht hebben en daar beslissingen op baseren. Wij willen eigenlijk een stapje verder gaan. Dus wij willen echt kijken van hoe…
Developing a data pipeline Building a good data pipeline can be technically tricky. As a data scientist who has worked at Foursquare and Google, I can honestly say that one of our biggest headaches was locking down our Extract, Transform, and Load (ETL) process. At The Data Incubator, our team has trained more than 100…
Diagnose door algoritme“Ik stel dus voor om vol in te zetten op de synergie tussen mens en machine.” Binnen afzienbare tijd zullen algoritmen betrouwbaarder blijken dan de mens in het stellen van diagnoses en het aanbevelen van behandelingen. Een boude stelling, maar er zijn heel goede argumenten die deze stelling ondersteunen. Mensen zijn namelijk in…
Avocado’s, je ziet ze overal voorbij komen. In bekende food magazines en op bijna elk menu. Avocado’s zijn hot and happening en het is voor veel food liefhebbers het hele jaar door avocado season. Toch blijft het een uitdaging om een avocado te eten wanneer deze rijp is. Je kent het beeld vast wel uit…
Heb je ook wel eens het gevoel dat een rapport niet kan kloppen of dat de data in het rapport net niet geschikt is voor jouw vervolganalyse? Onze ervaring leert dat het rapport meestal wel klopt, echter worden er in de keten van brondata naar rapport bepaalde bewerkingen gedaan die niet passen bij je vraag.…
Van een grote verzekeraar hebben we de vraag gekregen om de voorspelbaarheid van de letselschade reserve en het claimafhandeling proces te optimaliseren. Het doel is enerzijds om vast te stellen of we een schadeassistent kunnen ontwikkelen welke operationeel kan helpen in het beter voorspellen van letselschades. Aan de andere kant is het zaak om de monitoring van de schadeafhandeling effectiever…