Data science bij een netbeheerder: van norm tot uitvoering
Data science bij een netbeheerder: van norm tot uitvoering
Bij een van de grootste netbeheerders van ons land gaat het niet alleen om het neerzetten van kabels en stations, maar ook om vooruitkijken: hoeveel mensen, materialen en middelen zijn nodig om het energienet betrouwbaar te houden? Die vraag raakt strategische, tactische en operationele niveaus tegelijk. Fitlancers van ElastIQ-Connect hebben met hun expertise in data science en software engineering geholpen om deze vertaalslag te maken.
Theorie versus praktijk: plannen met data
In theorie kun je voor de komende jaren een planning maken op basis van aannames en gemiddelden. In de praktijk werkt dat niet: vraag en aanbod schommelen, teams zijn niet altijd beschikbaar en externe omstandigheden veranderen. Aan de ontwikkeling van nieuwe planningsnormen, gebaseerd op data in plaats van aannames, hebben Fitlancers van ElastIQ-Connect actief meegewerkt. Dit maakt het mogelijk om investeringen beter te onderbouwen en keuzes slimmer af te stemmen. Ook in de planning van monteurs speelt dit spanningsveld. Waar eerder vooral theoretische beschikbaarheid werd doorgerekend, ontstond nu de mogelijkheid om ook verlof, trainingen en ziekte automatisch mee te nemen. Dit verlaagde de administratieve last voor teamleiders en leverde een realistischer beeld van de capaciteit op, met direct effect op de uitvoerbaarheid van de planning.
Hoge kostenposten
Graafschades zijn een van de grootste kostenposten van een netbeheerder. Hoewel voorkomen beter is dan genezen, is het onmogelijk om alle graafmeldingen handmatig te beoordelen. Fitlancers van ElastIQ-Connect droegen bij aan de ontwikkeling van een voorspelmodel dat risico’s rangschikt, zodat de beschikbare capaciteit gericht kon worden ingezet waar de grootste impact te verwachten was. Daarmee werden graafschades niet alleen beter voorkomen, maar ook de kosten aanzienlijk teruggebracht.
Resultaten en lessen: meer dan automatisering
De rol van ElastIQ-Connect raakte alle kanten van dit werk: het bouwen van voorspelmodellen, het neerzetten van de technische basis in AWS en Kubernetes, en het begeleiden van de business in een nieuwe manier van werken. De uitdaging zat niet alleen in de techniek, maar juist in het doorbreken van de houding “zo doen we het altijd al”. De echte waarde ontstond waar data science niet alleen processen automatiseerde, maar ook nieuw inzicht bood dat betere keuzes mogelijk maakt.
