Data science voor nutsbedrijven: uitdagingen en kansen

Elk nutsbedrijf weet dat er ‘iets’ met data science moet gebeuren. In de energiesector is dat al bittere noodzaak. De sector verandert razendsnel en aanbieders zullen hun processen snel flexibeler moeten maken. Data science is daarbij een onmisbaar ingrediënt. Bij spoor- en waterbedrijven zijn vooral kosten en kwaliteit belangrijke aandachtspunten. Daarbij komt het onderhoud en de nieuwbouw van het netwerk al snel in beeld. Opnieuw iets waarbij data science enorm kan helpen.

In sommige opzichten zijn de uitdagingen bij nutsbedrijven dezelfde als bij andere industrieën. Bijvoorbeeld als het gaat om predictive maintenance: door het monitoren van de infrastructuur kan soms voorzien worden wanneer een onderdeel in storing zal gaan. Dat scheelt onnodige vervangingen en onverwachte storingen. Wat dat betreft is een waterleidingnetwerk, een hoogspanningsnetwerk of een spoortraject niet veel anders dan bijvoorbeeld de infrastructuur in de procesindustrie.

In andere opzichten zijn nutsbedrijven wel anders dan andere industrieën. De klantenkring van nutsbedrijven is bijvoorbeeld groter en diverser dan in andere sectoren. De doelgroep heeft een vaak wettelijk vastgelegd recht om bediend te worden en kondigt normaal gesproken niet van tevoren aan hoeveel er afgenomen gaat worden. Sterker nog: als er geprobeerd wordt om de vraag van de klant in beeld te krijgen loop je al snel tegen privacy issues aan.

Deze klantdimensie is redelijk specifiek voor nutsbedrijven. Enerzijds zullen nutsbedrijven daardoor (meer dan andere industrieën) moeite hebben om de klantvraag te voorspellen en daarop te anticiperen. Daarvoor is data science een krachtig hulpmiddel. Anderzijds kunnen nutsbedrijven data science ook inzetten om de communicatie met de klant te verbeteren. Bijvoorbeeld door het monitoren van sentimenten via social media.

Het nut van data science voor nutsbedrijven is dus duidelijk. Maar waar te beginnen? Eerst beleid ontwikkelen en dat uitrollen? Zomaar ergens beginnen om kennis op te doen? Is dat niet te tijdrovend? Worden er zonder totaalplaatje geen verkeerde beslissingen genomen?

Uiteraard staan er aanbieders van data science software klaar om te helpen. Als je hen mag geloven, is het slechts een kwestie van de juiste tools aanschaffen. Managers bij nutsbedrijven voelen wel aan dat het niet zo eenvoudig is: elk nutsbedrijf is anders en de moeilijkheden zitten veel meer in de fase voordat er tools aangeschaft kunnen gaan worden.

Denk aan de data zelf. Die wordt in allerlei systemen bijgehouden (vaak inclusief een aantal dat eigenlijk al lang uit gefaseerd had moeten zijn). Bijvoorbeeld doordat het nutsbedrijf allerlei kleinere bedrijven heeft opgenomen en de systemen nooit helemaal zijn geïntegreerd. Het in kaart brengen van de beschikbare data is vaak een lastige eerste stap. Daar helpt een standaard data science oplossing niet bij.

Bovendien wil men zich niet met huid en haar overgeleverd zijn aan een leverancier. De meeste nutsbedrijven vinden, terecht, dat ze zelf moeten begrijpen hoe alles werkt en wat ze ermee kunnen. Pas wanneer dat begrip er is kan men verantwoord een keuze maken uit de beschikbare oplossingen. Dus toch maar eerst kennis opbouwen van data science en de mogelijkheden ervan.

Daar zit de volgende uitdaging: goede data scientists die voldoende begrijpen van nutsbedrijven zijn zeldzaam. Het zal dus een uitdaging zijn om ze in dienst te nemen. Op dit punt komen aanbieders zoals VORtech in beeld. Onze data scientists en consultants kunnen nutsbedrijven helpen bij het begrijpen van hun data-gerelateerde uitdagingen en met het vinden van passende oplossingen. Door nauw samen te werken met het eigen personeel van onze klanten zorgen we er voor dat alle kennis aan hen wordt overgedragen. Door open-source tools te gebruiken zoals Python en R blijft de klant onafhankelijk van een specifieke softwareaanbieder.

Uitdagingen genoeg dus als het gaat om data science voor nutsbedrijven. Maar ook enorme mogelijkheden voor die bedrijven die erin slagen om deze nieuwe technieken op een goede manier in hun bedrijfsprocessen te integreren.