The Next level of Data & Analytics | KPMG | NL

Data & Analytics Case 5: Rotterdams vervoersbedrijf RET

Data & Analytics Case 5: Rotterdams vervoersbedrijf RET

Je hebt de beschikking over miljoenen data, maar hoe kun je deze data omzetten naar echte waarde? KPMG voor Rotterdams vervoersbedrijf RET.

1000

Gerelateerde content

Op weg naar een data-gedreven RET.

“We hebben gewoon heel veel data, echt heel veel data. Maar het gaat erom: wat doe je ermee?” Kenrick Bremer, Concern Controller bij RET, schetst de situatie bij RET, het Rotterdams Vervoersbedrijf, voordat het ging samenwerken met KPMG: “We hebben op een gegeven moment wat jonge mensen in een kamer gezet en op die manier geprobeerd onze miljoenen data om te zetten naar waarde,” hij stopt even met praten, glimlacht en zegt dan op zachte toon: “Nee, dat was niet de oplossing nee.”

RET vroeg KPMG om samen van RET een data gedreven bedrijf te maken, waarbij niet alleen moest worden vastgesteld of en op welke wijze big data een bijdrage kon leveren aan de bedrijfsvoering van RET, maar waarbij ook het toekomst voorspellende vermogen van het bedrijf moest worden verbeterd op het gebied van dienstverlening en service aan de reizigers.

Bremer: “We willen vooral dat we veel beter kunnen voorspellen: waar zal in de toekomst een halte moeten komen? Hoe reizen de reizigers nu en hoe zullen ze gaan reizen? Welke kaartsoorten dragen bij aan het gemak van de reizigers, en wat is de opbrengsten per reizigerskilometer? Hoeveel treinstellen moeten waar en wanneer worden ingehaakt en wanneer kunnen ze weer losgekoppeld? Hoe zorgen we ervoor, bijvoorbeeld bij evenementen in Ahoy of de Kuip, dat we vooraf weten hoe we de perrons veilig houden, met op data gebaseerde crowd control dus? Kunnen we voorkomen dat trams stuk gaan tijdens het rijden, en ze dus daarvóór al in de remise zetten voor onderhoud? Hoe kunnen we slijtage aan spoornetwerk en rijdend materieel sneller zien en voorkomen?”

Samen met RET definieerde KPMG vier terreinen waar we mee aan de slag zijn gegaan: opbrengsten, reizigers, veiligheid en bedrijfsvoering.
 

1. Naar een data gedreven model voor opbrengsten-voorspelling.

Bremer: “De vraag was: kunnen we de reizigers-aantallen en opbrengsten voorspellen op basis van vervoersstromen? Daarbij rekening houdend met werkweek-, weekend- en seizoensinvloeden, economisch getij, evenementen, maar ook planologische veranderingen, zoals bijvoorbeeld de groei van het aantal inwoners in Den Haag.”

De uitkomst: de opbrengstenvoorspelling is beter geworden, waarbij de afwijking is teruggebracht van 8% naar 1,5%.

Bovendien is de onderbouwing van de prognoses richting opdrachtgever (de overheid) beter geworden, waardoor zij objectief inzicht krijgt en dus eenvoudiger kan beslissen en bijsturen waar nodig.

Bremer, enthousiast: “Het mooie is, we hoeven onze opdrachtgever niet langer te overtuigen op basis van aannames, de objectieve data en inzichten die we eruit krijgen zijn de argumenten.”

2. Aansluiten op de (toekomstige) vervoersbehoefte van de reizigers.

Het eerste wat we deden was het gebruik van de RET producten inzichtelijk maken. Daarna keken we naar de waarde van deze producten, zowel voor de reiziger als voor RET zelf.

Zo bleek bijvoorbeeld dat sommige kaartjes veel worden uitgenut door reizigers en andere kaartsoorten weer minder.

Daarnaast kwamen we er ook achter dat er producten zijn, die oneigenlijk worden gebruikt. Bremer: “Het afschaffen, handhaven of introduceren van nieuwe kaartsoorten is vaak een politieke afweging.”

Het doel uiteindelijk: een zo perfect mogelijke aansluiting van de producten die RET aanbiedt aan de behoeften van klanten.

3. Pro-actief crowd management

Om optimale veiligheid te waarborgen binnen het hele RET netwerk, hebben we de bezetting van het totale metronetwerk inzichtelijk gemaakt, per locatie, tijdstip en metro-rit.

Bremer: “We kunnen nauwkeurig en realtime de drukte in kaart brengen, gedurende de hele dag. We kunnen terugkerende patronen waarnemen én inspelen op zoiets als eenmalige evenementen.”

Op deze manier kan RET pro actief crowd control inzetten voor stations en perrons (zoals een betere verdeling over het perron). Daarnaast kan RET op basis van de voorspellende data beslissen of een metro moet wachten, juist sneller moet komen, of er wagons moeten worden aangehaakt en wanneer ze er weer afkunnen, tot en met zelfs het inzetten van extra metro’s. De veiligheid van en dienstverlening aan reizigers op de perrons en in de metrostellen is op deze manier veel beter gewaarborgd .

“We weten nu veel beter wat er komt, kunnen veel beter voorspellen, en dus kunnen veel beter anticiperen,” aldus Kenrick Bremer.

4. Het voorspellen van onderhoud

RET wilde voortaan exact kunnen voorspellen wanneer het rijdend materieel voor onderhoud naar de remise moest. Bremer: “Te vroeg onderhoud plegen is niet goed, en te laat ook niet. Niet alleen kostentechnisch, ook gezien de service aan onze reizigers. Niks is zo erg als een tram moeten uitstappen, omdat ie niet meer verder kan.”

Gelukkig bezaten de trams al honderden sensoren die alles meten wat er maar te meten valt. Het was alleen nog zaak om de data die deze sensoren gaven, te gebruiken. Dat gebeurt nu! De intelligentie van de trams wordt nu daadwerkelijk gebruikt.

Bremer: “We weten exacter welke tram wanneer het onderhoud in moet, en andersom: we zien precies wanneer trams slippen, waar ze slippen, en waar we dus onderhoud moeten plegen aan het baanvak. Het gevolg is veel lagere onderhoudskosten, plus een enorme energiebesparing, opgeteld een substantieel bedrag per jaar.”

Samenwerking KPMG en RET

Kenrick Bremer lacht als we hem vragen naar de samenwerking met KPMG: “Deze vraag had ik niet verwacht,” dan serieus: “We hadden heel veel data, nu hebben we heel veel harde inzichten uit data. Inzichten die ons echt helpen om alleen de beste beslissingen te nemen, waarmee we dus echt waarde creëren. Niet alleen voor onszelf, ook voor onze reizigers. Dat hebben we bewerkstelligd dankzij onze samenwerking met KPMG. Niet alleen qua hoogwaardige kennis en de next level tooling die KPMG biedt, ook qua persoonlijkheid en cultuur past KPMG bij ons.” Even is hij stil, vervolgt dan: Het zijn dus ook nog aardige mensen.”

 

Welcome to the next level of Data & Analytics.

 

Dit is de vijfde aflevering van een reeks artikelen, waarin we cases behandelen van KPMG Data & Analytics, voor organisaties die een next level in data & analytics willen bereiken. Heeft u een vraag, of wilt u afspreken om te onderzoeken wat we voor uw organisatie kunnen betekenen? Bel of stuur ons een e-mail.

Maurice op het Veld

Maurice op het Veld

Partner

Bekijk hier de KPMG Data & Analytics case studies

Bekijk hier de KPMG Data & Analytics case studies

Wat is er nodig om uit data inzichten te verkrijgen, daarmee concreet waarde te creëren en om de hele organisatie op een hoger plan te brengen?

 
Lees meer

© 2017 KPMG International Cooperative (“KPMG International”), a Swiss entity. Member firms of the KPMG network of independent firms are affiliated with KPMG International. KPMG International provides no client services. No member firm has any authority to obligate or bind KPMG International or any other member firm vis-à-vis third parties, nor does KPMG International have any such authority to obligate or bind any member firm. All rights reserved.

Neem contact met ons op

 

Offerteaanvraag (RFP)

 

Bevestig