Drukte Rotterdamse metro in beeld
Big data
De challenge maakte deel uit van een big data-cursus bij de Erasmus Universiteit. Gootzen boog zich samen met Guido de Jongh van de RET en Saskia Pothuis en Nathalie van Helvoort van de gemeente Rotterdam over de vraag of de drukte op de E-lijn van de RET-metro in Rotterdam in te schatten is aan de hand van big data. Gootzen: ‘We gebruikten CBS-data over onder andere verplaatsingen in Nederland, gegevens van de RET over het aantal reizigers dat van A naar B reist, gegevens van de gemeente die de groei van inwoners per wijk aangeven én een model van het CBS om die databronnen samen te brengen.’
Model testen
Nathalie van Helvoort: ‘We hebben de vraag zo breed mogelijk gehouden. Tijdens de opleiding leerden we namelijk om groot te denken en uiteindelijk klein te beginnen. We hebben dus gekeken naar de vervoersstromen tussen Den Haag en Rotterdam, ook die op de weg en met de trein. Vervolgens hebben we de reizigersstroom op de E-lijn van de metro visueel gemaakt.’ Het CBS-model was al eerder ontwikkeld. Gootzen: ‘Voor ons was dit een goede kans om het toe te passen en te kijken hoe het werkt in de praktijk. Het model doorloopt een aantal stappen om te komen tot een verwacht aantal reizigers per spoorstuk. Door aan het begin van het model data van de gemeente en het CBS in te voeren en aan het eind data van de RET, konden we het model goed afstellen en valideren. We gaan het model nu verder verfijnen.’
Belang van visualisatie
Voor de gemeente Rotterdam is het nuttig om inzichtelijk te maken welke gevolgen de toenemende drukte in de stad heeft en hoe de mensenstroom zich vanaf het Centraal Station over de stad verspreidt. Van Helvoort: ‘Als we weten waar het druk is en waar relatief rustig, dan kunnen we ingrijpen.’ Pothuis: ‘Wij zochten naar manieren om data om te zetten in informatie, in een vorm die aanslaat bij de beleidsmakers. Visualisatie is dan heel effectief. De cursus big data bij de Erasmus Universiteit heeft ons daarover veel geleerd. De inbreng van het CBS op dat gebied was ontzettend nuttig. Wij hebben tijdens het traject ook veel waardering voor Yvonne Gootzen, de data scientist in ons team, gekregen. Wij konden op onze beurt duidelijk formuleren aan welke informatie de stad behoefte aan heeft. Als team kom je verder, dat blijkt, en de cursus gaf de mogelijkheid om die samenwerking goed van de grond te laten komen.’
‘Door pragmatisch data te bespreken en delen, maakten we snel stappen’
Meer data toevoegen
‘De uitwerking van het model is een succes geworden omdat alle partijen met de verkregen inzichten verder kunnen, zowel voor de eigen organisatie als in gezamenlijkheid’, zegt Guido de Jongh van de RET. ‘De eerste stap die we nu zetten is verdere data-verificatie: kloppen alle data op de deelsegmenten? De RET gaat daarnaast met een brede groep RET-data-analisten aan de slag om te zien welke intern beschikbare data nog toegevoegd kunnen worden aan het model voor andere nieuwe inzichten.’
Award gewonnen
Team mobility kijkt tevreden terug op de challenge. Pothuis: ‘De RET kreeg operationele informatie, het CBS kon zijn model testen en wij kregen als gemeente meer inzicht in de gevolgen van de groei van de stad.’ De Jongh: ‘Het zoeken naar de gemeenschappelijke deler voor alle partijen kostte in het begin veel denkwerk. Maar door pragmatisch data te bespreken en delen en door hardop te denken, maakten we snel stappen. Het was spannend om te zien of onze data tot de gewenste inzichten zouden leiden. Bij de eerste concepten was het een feest der herkenning: de visualisaties strookten met onze kennis over wat er in ons metronetwerk gebeurt.’ Niet alleen de teamleden zelf, ook de jury was te spreken over de proof of concept van team mobility. Tijdens de eindpresentatie in januari kreeg het team de Award uitgereikt, onder andere omdat een product ontwikkeld is waar zowel de maatschappij als beleidsmakers mee verder kunnen.