Whitebox Data Science Blog

Naadloze Koppelingen met Whitebox

Fri, 25 Apr 2025 07:05:02 GMT

Het verbinden van systemen is essentieel

Bij Whitebox Data Science zijn we gepassioneerd door het creëren van data koppelingen die bedrijven echt verder helpen. We begrijpen dat elke organisatie zijn eigen unieke uitdagingen heeft als het gaat om het integreren van verschillende systemen. Daarom werken we samen met diverse cloud providers om oplossingen te bieden die aansluiten op de specifieke behoeften van onze klanten.

Neem bijvoorbeeld onze samenwerking met GPS Buddy voor fleetmanagement. Deze koppeling stelt bedrijven in staat om hun wagenpark eenvoudig te beheren, met real-time inzichten in ritten en voertuigonderhoud. Dit helpt niet alleen om kosten te verlagen, maar ook om de algehele operationele efficiëntie te verhogen.

Daarnaast hebben we ook een integratie met Bouwworks , wat ons in staat stelt om efficiënt de werkorder administratie te importeren, bij te houden en bouwmanagement te realiseren. Werknemers besparen hierdoor tijd, weverminderen de administratieve rompslomp en zorgen voor nauwkeurigheid in projecten.

Maar ook op het financiële vlak bieden we met bijvoorbeeld Exact en Moneybird mogelijkheden. Deze koppelingen vergemakkelijken de uitwisseling van financiële gegevens, wat zorgt voor tijdige rapportage en betrouwbare boekhouding. Dit betekent dat klanten zich kunnen concentreren op hun core business, terwijl wij zorgen voor de administratieve processen.

Communicatie is een ander belangrijk aspect, en daarom integreren we met MessageBird . Dit stelt bedrijven in staat om klanten op verschillende manieren te benaderen, zoals via sms of chat, en versterkt de klantrelatie.

Ook kunnen we goed uit de voeten met jullie in-house systemen. We zijn flexibel en kunnen zaken aanpassen aan de specifieke behoeften van de klant. We weten dat er geen one-size-fits-all oplossing is, en daarom staan we klaar om samen met onze klanten te kijken naar de beste aanpak.

Bij Whitebox Data Science zetten we ons in om data begrijpelijk en praktisch toepasbaar te maken. Wij willen u helpen om uw gegevens te vertalen naar bruikbare inzichten.

Laten we in gesprek gaan over welke uitdagingen u tegenkomt en hoe wij u kunnen ondersteunen met onze oplossingen

Een Typisch Project bij Whitebox

Fri, 05 May 2023 13:41:44 GMT

De stappen die we doorlopen, samen met onze klanten.

In deze blogpost gaan we uitleggen hoe we te werk gaan bij een typisch project. We zullen dit illustreren aan de hand van een project dat we onlangs hebben afgerond voor een bouwbedrijf. Het project had als doel om inzicht te krijgen in onnodige vervoersbewegingen op basis van logistieke data uit verschillende systemen.

Stap 1: Analyse van de uitdaging

De eerste stap in het project was het grondig analyseren van de uitdaging. Dit omvatte het identificeren van de belangrijkste zakelijke doelstellingen en het begrijpen van de data die beschikbaar was om deze doelstellingen te bereiken. We hadden verschillende gesprekken met de klant om hun zakelijke doelstellingen te begrijpen en om een dieper inzicht te krijgen in hun data-infrastructuur.

Stap 2: Data verzamelen en voorbereiden

Na het analyseren van de uitdaging was de volgende stap om de nodige data te verzamelen en deze te prepareren. Voor dit project moesten we logistieke data uit verschillende systemen halen en deze samenvoegen tot één geïntegreerde dataset. We gebruikten verschillende tools en technieken om de data schoon te maken, te transformeren en te integreren, zodat deze geschikt was voor verdere analyses.

Stap 3: Exploratieve analyse

Met de voorbereide data voerden we een exploratieve analyse uit. We gebruikten verschillende statistische technieken om patronen en trends in de data te ontdekken. Hiermee kregen we een beter begrip van de logistieke bewegingen en konden we de oorzaken van onnodige vervoersbewegingen identificeren.

Stap 4: Bouwen van een dashboard

Nu we de data hebben opgeschoond en gestructureerd, is het tijd om de resultaten te visualiseren. We hebben een dashboard gebouwd waarop alle ritinformatie overzichtelijk wordt gepresenteerd. Dit dashboard is ontworpen in samenwerking met het bedrijf in de bouw, zodat het volledig voldoet aan hun wensen en eisen. Het dashboard bevat grafieken en tabellen die het mogelijk maken om de belangrijkste inzichten en KPI's te kunnen aflezen. Hierdoor kan het bedrijf snel zien waar onnodige vervoersbewegingen plaatsvinden en waar er mogelijkheden zijn om deze te verminderen.

Stap 5: Implementeren van filters

Om het dashboard nog gebruiksvriendelijker te maken, hebben we filters geïmplementeerd. Deze filters maken het mogelijk om onderscheid te maken tussen verschillende voertuigen, ritten en andere parameters. Hierdoor kan het bedrijf snel de informatie vinden die zij nodig hebben en gerichte acties ondernemen om de vervoersbewegingen te verminderen. De filters zijn zo ontworpen dat ze gemakkelijk te gebruiken zijn en dat het bedrijf de informatie snel kan vinden die zij nodig hebben.

Resultaat

Het resultaat van het project is een dashboard dat het bedrijf in staat stelt om de logistieke processen te optimaliseren en onnodige vervoersbewegingen te verminderen. Door samen te werken met onze klant en hun specifieke wensen en eisen in kaart te brengen, hebben we een oplossing kunnen ontwikkelen die volledig aansluit bij hun behoeften. Het dashboard biedt de mogelijkheid om snel en efficiënt inzicht te krijgen in de vervoersbewegingen, waardoor het bedrijf gerichte acties kan ondernemen om kosten te besparen en de efficiëntie te verhogen. De klant was zeer tevreden met de resultaten en kon aan de slag met de aanbevelingen om onnodige vervoersbewegingen te verminderen.

Conclusie:

Bij Whitebox Data Science nemen we de tijd om een diepgaand inzicht te krijgen in de uitdagingen van onze klanten. We gebruiken geavanceerde tools en technieken om data te verzamelen, te prepareren en te analyseren. Op basis van onze analyses bouwen we modellen om de juiste inzichten te verkrijgen. We presenteren onze bevindingen op een duidelijke en begrijpelijke manier, zodat onze klanten er waardevolle informatie aan overhouden.

Je hebt Goede Data Nodig

Sun, 02 Apr 2023 11:57:13 GMT

De fundering van data science.

Als het gaat om data science, dan is de kwaliteit van de data die je gebruikt van cruciaal belang. Maar voordat je data kunt analyseren en er waarde uit kunt halen, moet je het eerst verzamelen, opslaan en voorbereiden voor analyse. Dit is waar data engineering in beeld komt.

Data engineering is het proces van het verzamelen, opslaan, verwerken en beheren van grote hoeveelheden data. Het is een essentieel onderdeel van data science, omdat het ervoor zorgt dat de data klaar is voor gebruik voordat het in een algoritme of analyse wordt gestopt. Het is van cruciaal belang om aandacht te besteden aan data engineering, omdat dit de basis vormt voor het genereren van waardevolle inzichten en beslissingen op basis van data. Zonder goede data engineering kan data onvolledig, onbetrouwbaar of onbruikbaar zijn voor analyses en modellering. Het opschonen, transformeren en integreren van data kan een tijdrovend en complex proces zijn, maar het is een noodzakelijke investering om betrouwbare resultaten te verkrijgen. Een solide data engineering aanpak zorgt ervoor dat bedrijven kunnen vertrouwen op de kwaliteit en integriteit van hun data, waardoor betere beslissingen kunnen worden genomen op basis van deze data.

Een belangrijk aspect van data engineering is het verzamelen van data uit verschillende bronnen en het samenvoegen tot een bruikbaar formaat. Dit kan betekenen dat je gegevens moet verzamelen uit verschillende databases, API's en externe bronnen. Het is belangrijk dat deze data correct wordt verzameld en opgeslagen, zodat het goed kan worden geanalyseerd.

Naast het verzamelen van data is het ook belangrijk om de data te transformeren en voor te bereiden voor analyse. Dit kan onder andere het verwijderen van dubbele of onjuiste data, het omzetten van data naar een gestandaardiseerd formaat en het combineren van verschillende datasets om nieuwe inzichten te krijgen.

De kwaliteit van de data die wordt gebruikt voor data-analyse is van cruciaal belang voor het verkrijgen van nauwkeurige en betrouwbare resultaten. Slechte kwaliteit data kan leiden tot onjuiste analyses en slechte beslissingen. Dit is waarom het zo belangrijk is om tijd en middelen te investeren in data engineering. Door ervoor te zorgen dat de data correct wordt verzameld, opgeslagen en voorbereid, kun je betrouwbare inzichten verkrijgen en betere beslissingen nemen op basis van de data.

Conclusie

Data engineering is een essentieel onderdeel van data science. Het verzamelen, opslaan en voorbereiden van data is van cruciaal belang voor het verkrijgen van nauwkeurige en betrouwbare inzichten. Door te investeren in data engineering en ervoor te zorgen dat de data correct wordt verzameld, opgeslagen en voorbereid, kun je betrouwbare analyses maken en betere beslissingen nemen op basis van de data. Het is belangrijk om te begrijpen dat goede data de basis vormt voor een succesvolle data science project en dat data engineering een belangrijke rol speelt in het verkrijgen van deze data.

Beeldherkenning in sport

Fri, 03 Feb 2023 15:00:32 GMT

Hoe we hebben bijgedragen aan een automatisch camera systeem voor sport

Bij Whitebox zijn we er trots op dat we Eyedle hebben mogen helpen met het bouwen van een geautomatiseerd camerasysteem met de nieuwste technologieën op het gebied van beeldverwerking en analyse. Het is fascinerend om te zien hoe het systeem nu beelden kan vastleggen en in real time kan verwerken en analyseren om zo de kijkervaring van sportwedstrijden te verbeteren.

Het vermogen om beelden in real time te verwerken en te analyseren is een van de belangrijkste aspecten van de ontwikkelde technologie. Het stelt Eyedle in staat om direct beelden te tonen en feedback te geven aan haar klanten, zoals sportbonden en mediabedrijven, zodat ze direct de juiste beelden kunnen selecteren voor live-uitzendingen en highlights. Dit vermogen is vooral belangrijk in sporten waar de actie snel en onvoorspelbaar is, zoals voetbal, basketbal en hockey.

Een van de uitdagingen bij het ontwikkelen van ons systeem was het detecteren van specifieke objecten in de sportarena, zoals de bal en de spelers. We wilden ervoor zorgen dat ons systeem in staat was om deze objecten op een betrouwbare en nauwkeurige manier te detecteren, zodat we de juiste beelden konden vastleggen en analyseren. Om dit te bereiken, hebben we gebruikgemaakt van deep learning-technieken en hebben we ons systeem getraind op een grote datasets met sportbeelden.

Tijdens het project hebben we een interessante overlap ontdekt tussen hetgeen we ontwikkelde voor de sport en andere sectoren. De ontwikkelde techniek stelt ons in staat om objecten makkelijk te herkennen in tal van situaties. Een mooi voorbeeld is de bouw waar de detectie van hard-hats op bouwplaatsen kan bijdragen aan het verhogen van de veiligheid. Net als bij sportwedstrijden is het belangrijk om in realtime objecten te detecteren en te volgen om zo de veiligheid van mensen te waarborgen. Hard-hats zijn daarbij van groot belang omdat ze de hoofden van bouwvakkers beschermen tegen vallende objecten.

Met Whitebox worden we nog steeds ingezet om mee te ontwikkelen aan dit camerasysteem en het voortdurend te verbeteren, zodat we de eindklanten de best mogelijke kijkervaring kunnen bieden. We zijn trots op de innovatieve technologieën die we hebben ontwikkeld en we blijven ons inzetten om onze technologieën begrijpelijk en transparant te maken voor onze klanten.

Waarom Whitebox?

Fri, 06 Jan 2023 14:56:38 GMT

Transparantie in communicatie maar ook transparante algoritmes om beter te begrijpen wat er gebeurt.

Waarom Whitebox?

Het hoeft geen lang verhaal te zijn. Waarom heten we eigenlijk Whitebox Data Science en niet anders? Wellicht ben je al bekend met de term blackbox . Dit is een systeem, object of apparaat waarvan we weten wat we er in stoppen en wat er uit komt maar niets begrijpen van wat daar tussenin gebeurt. Veel data science technieken kunnen worden gezien als blackboxes, zeker voor diegene die zelf geen data scientist zijn.

Bij Whitbox Data Science vinden we het belangrijk dat we goed kunnen uitleggen wat er precies gebeurt en waarom bepaalde algoritmen bepaalde keuzes maken en waar deze keuzes van afhangen. Dit is dan ook de reden dat we Whitebox Data Science heten, we hebben de ambitie om data science begrijpelijk te maken en te zorgen dat het geen blackbox systemen meer zijn voor onze klanten. Hiernaast gaan we ook zo transparant mogelijk te werk en proberen we onze klanten mee te nemen in wat we doen zodat ook zij daar iets van leren en zelf leren werken met hun data.

Hoe maken wij data science begrijpelijk?

Om data science begrijpelijk te maken moet je beginnen bij de basis, de data. Het maakt niet uit hoe goed je je algoritme kan uitleggen, als je data vervuild of gewoonweg niet goed is wordt het lastig om er waarde mee te genereren en al helemaal om het ook nog begrijpelijk te maken. Dat roept uiteraard de vraag op wat goede data precies is. Hierover kun je meer lezen in een van onze toekomstige blog posts. Om bedrijven op weg te helpen met hun data, bieden we als Whitebox een data check aan. Hiermee kunnen we je in een dagdeel op weg helpen door te kijken welke data er beschikbaar, of deze goed bruikbaar is en wat de mogelijkheden zijn met deze data. Bij interesse kun je hierover contact met ons opnemen.

Naast data van goede kwaliteit is het ook nodig om meester te zijn van de algoritmes die je inzet. Je moet weten of je uberhaupt een algoritme nodig hebt of dat een slimme analyse volstaat. Wanneer je een algoritme gaat gebruiken moet je weten welke je het best kan inzetten op welk momente en bij voorkeur kies je een algoritme dat ook nog eens goed uit te leggen is. Hierbij is het belangrijk dat er een goede afweging wordt gemaakt tussen de uitlegbaarheid en performance van algoritmes. Je wil zo goed mogelijk kunnen controleren of je algoritme doet wat ze moet doen maar het liefst zonder in te leveren op de functionaliteit. Bij Whitebox proberen we problemen zo simpel mogelijk op te lossen en kijken we eerst wat de mogelijkheden zijn voor algoritmes met relatieve lage complexiteit. Waarom zou je iets moeilijker maken dan nodig is?

Ten slotte is er ook nog de interpretatie en presentatie van de resultaten. Uit data kan ontzettend veel informatie worden gehaald waar je iets mee kan. Het is echter wel belangrijk dat je de juiste bevinding gebruikt om je keuzes op te baseren. Data kan misleidend zijn. Een goed voorbeeld hiervan wordt weergegeven in Anscombe’s quartet waarin de resultaten van een lineaire regressie vier maal hetzelfde zijn maar de onderliggende data wel degelijk verschilt:

Wat we hierboven zien is het resultaat van vier lineaire regressies (een type voorspelmodel) op vier verschillende datasets. De stippen representeren de data en de lijn kun je zien als de output van het model. Het doel van een lineaire regressie is om een passend model te bouwen dat zoveel mogelijk lijkt op de data. Dit model kan vervolgens worden gebruikt om voorspellingen te maken wanneer we nieuwe data ontvangen. In het geval van de afbeeldingen hierboven zien we vier dezelfde modellen bij het gebruik van erg verschillende data. Dit maakt duidelijk dat je niet zomaar op wat modellen kan vertrouwen maar je ook goed je data moet onderzoeken en je resultaten moet evalueren voordat je ze voor waar aanneemt.

Bij Whitebox gaan we secuur te werk en draaien we niet zomaar een set aan plotjes uit. We duiken dieper in de resultaten en proberen deze te verklaren voordat we deze aan onze klanten presenteren in een rapportage, dashboard of presentatie.