‘Big data’, dat ‘mode’-woord dat ieder bedrijf wel ergens in een blog noemt om er bij te horen. Ik hoor het je al denken. En ja, laten we eerlijk zijn. Ook wij noemen de term in onze blogs en artikelen om gevonden te worden op het web, dat bestaat uit meer dan 130.000.000.000.000 webpagina’s. Maar naast het noemen van de term zijn we er ook daadwerkelijk mee bezig.

Momenteel draaien we met een team van zes enthousiastelingen een drietal projecten voor NieuweStroom. NieuweStroom is een vooruitstrevende energieleverancier voor de zakelijke markt. Eén van de projecten betreft het verzamelen van alle meetgegevens voor elektriciteits- en gasmeters. Deze meetgegevens worden voor elektriciteitsmeters per 15 minuten geregistreerd. Voor gasmeters is dit per uur. Bij een huishouden met één elektriciteitsmeter en één gasmeter gaat het hierbij om minimaal 43.800 meetmomenten per jaar. Als we daarbij uitgaan van minimaal 100.000 aansluitingen dan worden er per jaar in totaal 4.380.000.000 meetmomenten opgeslagen. Deze meetgegevens met de hand natellen, als ze er allemaal zijn, kost me ongeveer 145 jaar. Daar zijn dan de koffie- en plaspauzes bij meegeteld… Maar het worden wel slapeloze nachten.

Uiteraard worden deze meetgegevens gebruikt voor het factureren van de afgenomen elektriciteit, het gas en alle daarbij horende overheidsheffingen. Maar de meetgegevens stellen NieuweStroom ook in staat om het energieverbruik te voorspellen, waardoor het mogelijk is om op de juiste manier de energie in te kopen. Een juiste inkoop zorgt voor lagere kosten, wat een voordeel oplevert voor NieuweStroom en de NieuweStroom-klanten.

Maar is dit nu alles wat we met deze gegevens kunnen? Nee, we kunnen er nog veel meer mee. Zeker als we die gegevens combineren met andere gegevens, zoals de energieprijzen. Mijn wekker loopt ’s ochtends om 06:45 af en rond 08:00 uur wordt het tijd om te vertrekken. Mijn piekverbruik voor elektriciteit in de ochtend ligt dus tussen 07:00 en 8:00 uur. De prijzen van elektriciteit verschillen per uur: wat nu als de prijs iedere dag tussen 6 en 7 de helft bedraagt van de prijs tussen 7 en 8? Is het dan niet interessant om eerder op te staan en om 07:30 te vertrekken in plaats van 08:00 uur? Na een week deze verschuiving toegepast te hebben, heb ik geld bespaard en heb ik twee kinderen die klaagden dat ze ’s ochtends een half uur bij de schoolpoort in de regen moesten staan wachten…

Dat laatste is dan weer op te lossen door ook de weersinformatie te gaan verzamelen! Alhoewel hierbij wel geldt dat resultaten uit het verleden geen garantie bieden voor de toekomst. Zo stond ik eind oktober, met heimwee naar het werk, tijdens mijn eerste Covadis-vakantie met handschoenen aan en een muts op in Oostenrijk op een berg te zweten omdat de herfst vergeten was te beginnen en de zomerse zonnestralen voor 23 graden aan winters plezier zorgden.

De truc is dus om meerdere informatiestromen te combineren en op basis daarvan de juiste beslissingen te nemen. In het geval van het weer is de historische weersinformatie van belang maar zeker ook de voorspelling en, niet minder belangrijk, de betrouwbaarheid van de historische voorspelling.

Bij Big Data gaat het dus niet alleen om het verzamelen van gegevens, maar ook om het juist combineren van alle informatie en het signaleren dat er nog meer informatie noodzakelijk is om, op basis van de informatie, betere beslissingen te nemen. Dit gezegd hebbende, besef ik dat we momenteel nog lang niet weten wat we allemaal op basis van alle informatie kunnen zien aan patronen en dus ook niet welke beslissingen we kunnen nemen. Laat staan welke informatie ook nog van belang kan zijn. Daarbij, terug naar de energiemarkt, is het logisch dat de zonnepanelen op de daken van invloed zijn op de afname van energie van een huishouden. Maar wie had tien jaar geleden verwacht dat er bij sommige huizen grote accu’s in de kelder of garage hangen om energie in op te slaan tegen de kosten van een laag tarief en ter verbruik op het moment van een hoger tarief? Deze technische vooruitgang zorgt er voor dat er meer mogelijk wordt, maar er dus ook meer en meer parameters nodig zijn om goede beslissingen te nemen. En dus moet er steeds meer informatie verzameld worden om allerlei invloeden te kunnen verwerken. Denk daarbij bijvoorbeeld ook aan de invloed van een groot sportevenement, zoals een wereldkampioenschap voetbal. Welke invloed heeft dit op het energieverbruik per huishouden en in de horeca? Is het dan CO2-technisch voor Nederland goed dat ‘ze’ (we spreken over een paar jaar misschien wel weer van ‘we’) zich niet geplaatst hebben?

En ja, zoals eerder in deze blog aangegeven gaat het in het geval van de energiemarkt voor de afnemers er vaak om de kosten zo laag mogelijk te houden. Maar uiteindelijk zorg je er met een goede voorspelling ook voor dat overproductie op het landelijke energienet beperkt blijft. Dat is niet alleen een kostenplaatje maar ook heeft het een milieuaspect. Dus eigenlijk kunnen we hier ook zeggen dat we met ons project de wereld weer een klein beetje verbeteren.

Big data, is dus niet alleen een term om te noemen om gevonden te worden in de 3.225.806.452 dagelijkse Google zoekresultaten, het kan ons allen simpelweg helpen.

….525.600 minuten dus, en nog geen seconde spijt van de beslissing om bij Covadis te gaan werken. Al mocht ik ‘vroeger’ maar liefst 108.343 meter en 7021 seconden reizen om op mijn werk te komen en ben ik nu na 11 kilometer en 14 minuten al klaar. Ja, soms kan ik de kleine aantallen ook nog wel waarderen.

525.600 minuten

Analist en Teamleider Covadis

Werner Willemsen