Terwijl ik dit schrijf is het Black Friday. Deze tot voor kort vooral Noord-Amerikaanse aangelegenheid spoort inmiddels ook steeds meer Nederlanders aan om veel geld uit te geven aan nieuwe goederen. Het gaat daarbij meestal om vervangingsaankopen. Een nieuwe, grotere smartTV of een nieuwe winterjas. Dat resulteert er in dat er ook spullen weg moeten. Tenslotte hebben de meeste mensen geen onbeperkte opslagruimte.
Voor veel van deze afdankers geldt dat ze eigenlijk nog prima zijn. De jas was nog warm en waterdicht, maar niet helemaal meer de goede kleur of lengte. En de tv werkt nog prima, maar heeft geen ingebouwde webbrowser.
Het is daarom mooi dat steeds meer mensen de weg naar het kringloopcentrum hebben gevonden en hun niet meer gewenste goederen daar af geven in plaats van ze naar de milieustraat te brengen waar ze worden vernietigd.
Kringloopcentra mogen zich verheugen in een groeiende belangstelling. Niet alleen van ‘leveranciers’, maar tevens van steeds meer consumenten. De kringloopwinkels in Nederland, verenigd in de BKN (Branchevereniging Kringloopbedrijven Nederland) moeten zich door deze toegenomen aandacht vernieuwen en professionaliseren om de vraag aan te kunnen. Dat is een spannend proces omdat deze vorm van retail meestal geen winstoogmerk heeft en vaak zelfs een ANBI is (Algemeen Nut beogende Instelling). Daardoor is er een blijvend spanningsveld tussen verzakelijken van de bedrijfsvoering en oog blijven houden voor maatschappelijke doelen.
Bij de oudste kringloopwinkel van Nederland, in Soest, heeft Orcado de afgelopen anderhalf jaar mogen meewerken aan een vernieuwingsslag. Dat was een bijzonder project, onvergelijkbaar met enige andere opdracht die we de afgelopen 20 jaar hebben mogen uitvoeren.
Om te beginnen zijn van de ruim 100 medewerkers verreweg de meesten vrijwilligers. Dat geeft een andere dynamiek, ook omdat er nogal wat mensen bij zitten die een afstand hebben tot de reguliere arbeidsmarkt. Dat vraagt om een andere benaderingswijze als het gaat om in de IT ingeburgerde processen als informatieanalyse, usabilitytesten van schermen of acceptatietesten.
Daarnaast is er continu een enorme hectiek: er worden goederen gebracht of gehaald en vervolgens gewogen, gesorteerd, gerepareerd, gereinigd en neergezet in de winkel. Jaarlijks gaat dit in Soest om ongeveer 1 miljoen kilo aan spullen.
Er is een koffiehoek waar mensen uit de regio met elkaar bijpraten en in de winkel is er altijd drukte. De koopjesjagers staan vaak al ruim voor openingstijd te wachten om als eerste te zien of er iets van hun gading is toegevoegd aan het assortiment. Een kortom unieke omgeving.
Orcado heeft samen met de directeur van Spullenhulp en enkele vaste medewerkers een nieuwe cloudoplossing neergezet die de weegprocessen van de goederen ondersteunt. Elk product of elke zogenaamde restfractie (een deel van gedemonteerde goederen) wordt gewogen. De wegingen zijn erg belangrijk omdat ze inzicht verschaffen in de mate waarin de kringloopwinkel de afvalstroom beperkt en hoeveel werk er wordt verzet. Orcado realiseerde hiervoor een koppeling met de in het pand aanwezige weegbrug, realiseerde realtime dashboards waarop de goederenstromen kunnen worden gevolgd en bouwde rapportages en functies die de uitwisseling van gegevens tussen kringloop en milieustraat ondersteunen.
De vele vrijwilligers gebruiken de door Orcado gebouwde cloudoplossing daarnaast om hun werktijd te registreren. Hierop wordt hun vergoeding gebaseerd en op deze manier is tevens inzichtelijk aan hoeveel mensen Spullenhulp een nuttige dagbesteding biedt.
Bij het werken aan dit project was er een heel direct contact met de medewerkers. En hoewel we vrijwel altijd te maken hebben met blije klanten, is het niet vaak dat we met een nieuwe toepassing zo’n impact hebben op iemands werkplezier. Bij een herhalingsbezoek kwam een van de vaste vrijwilligers ons persoonlijk bedanken voor onze toepassing. Hij mocht nu wél meewerken aan het wegen en registreren van goederen, een proces dat daarvoor te gecompliceerd voor hem was. Zijn baan was veel leuker geworden.
Werken in de IT kan erg dankbaar zijn en direct bijdragen aan het vergroenen van onze omgeving. Op dit moment onderzoekt Orcado samen met Spullenhulp Soest en de BKN hoe we meer inzichtelijk kunnen maken wat de bijdrage van hergebruik is aan de besparing van CO2 emissies. Een hergebruikte spijkerbroek hoeft niet te worden verbrand en bovendien is het niet nodig een nieuwe te produceren. Orcado kan dit realtime tonen op basis van de geregistreerde goederenstromen. Nog genoeg te vernieuwen!
Hoe ontwikkel je een voorspelmodel voor de vraag naar levensmiddelen?Binnen supplybrain maken we (onder andere) voorspelmodellen om de vraag naar levensmiddelen in (web)winkels te kunnen voorspellen. Een belangrijke vraag voor mij als product owner is dan ook: Wat is een goed model en hoe ontwikkel je dat? Met een model bedoel ik hier een methode om op basis van historische gegevens de toekomstige vraag naar een artikel te voorspellen. Laten we voor het gemak stellen dat het beste model het model is met de hoogste modelscore. Over hoe je deze modelscore meet kun je een heel verhaal houden. Laten we er echter even van uitgaan dat er voor een bepaalde methode is gekozen. Als product owner ben je voor het ontwikkelen van een model afhankelijk van de data scientists in je team. Op basis van hun ervaringen en belangstelling zullen zij voorstellen doen voor een model. Dat kan een “verklaarbaar” model of een meer “black box” model zijn.
Maar let op! Als product owner heb je te maken met veel meer stakeholders met ideeën over modellen. Aandeelhouders en managers die worden afgerekend op de beurswaarde zijn bijvoorbeeld vaak geïnteresseerd in “coole” zelflerende modellen met “coole” features1. Denk hierbij bijvoorbeeld aan het aantal specifieke zoekopdrachten op internet, likes op social media, lokale gebeurtenissen etc.. Het is hip en leuk om daar over te vertellen en zelfs als het met een grote inspanning weinig waarde toevoegt zou je toch kunnen overwegen om deze features op te nemen. Ook HR managers worden hier blij van. Het versterkt het vaak gewenste beeld dat het bedrijf een “tech”-organisatie is en je trekt er mogelijk nieuw data science talent mee aan.
De saneerders binnen de organisatie hebben echter al snel een voorkeur voor technieken die zelf de features bepalen die in een model worden opgenomen. Het idee is dan dat je zonder business kennis, en met weinig inspanning, altijd automatisch een kwalitatief goede voorspelling hebt. Dat kan in de praktijk nog wel eens tegenvallen. De uitrol van een dergelijk model kan stroef verlopen als de eerste resultaten niet direct aan de verwachtingen voldoen.
De procesmanagers en continue veranderaars zien daarentegen liever een eenvoudig en verklaarbaar model. Zo krijg je snel draagvlak binnen het hele bedrijf en kun je het model makkelijker integreren binnen de organisatie. Vervolgens zou je in kleine stappen het model kunnen verbeteren. Probleem van deze aanpak is dat het de meer ondernemende manager wellicht niet snel genoeg gaat. Daarnaast kunnen sommige data scientists en andere inhoudelijk betrokkenen moeite hebben om bij deze aanpak concessies ten aanzien van de voorspellende performance te doen. Wel een voordeel van een start met een eenvoudig model is dat het aan iedereen sneller duidelijk is dat data science een continu proces is en dat onderhoud van modellen nodig is en loont.
De strak plannende manager heeft het vaak juist moeilijk in een data science traject. Er zit altijd een zekere mate van creativiteit in die maakt dat de tijd die nodig is om een model te bedenken onvoorspelbaar is. Bij een strakke planning kan het dan zijn dat het model nog niet af is terwijl er toch geoperationaliseerd moet worden. Een teleurstelling ligt dan op de loer.
Tot slot is de combinatie van SCRUM en data science lastig. In iedere sprint werkende software opleveren is iets anders dan modelinzichten creëren.
Wat is nu de beste aanpak? Het zou te makkelijk zijn om simpelweg te zeggen dat je met alle bovenstaande zaken rekening moet houden. Daarom geef ik een aantal tips die volgens mij goed werken.
Het ontwikkelen van een voorspelmodel blijft ontzettend leuk. Het is een feest om te zien dat iets wat je bedenkt ook met echte data in de praktijk blijkt te werken. Te snelle aannames worden vanuit de data menigmaal ontkracht. Dagelijks bezig zijn met modelleren houdt je scherp van geest en, niet onbelangrijk, helpt om logistieke verspilling tegen te gaan.
1. Een feature is een individueel meetbare eigenschap die je als voorspellende variabele kunt opnemen in een model.
Hier komt de sidebar