Waarom is dit belangrijk?
Met gegevens uit het verleden wordt het mogelijk om eerder te zien waar extra controle of hulp nodig is. Uitvoeringsorganisaties van de overheid gebruiken deze aanpak om regels te handhaven en dienstverlening beter op burgers af te stemmen. Burgers en werknemers merken dat in gerichter toezicht of ondersteuning, terwijl fouten in de gegevens tot ongelijke behandeling of lastig uitlegbare keuzes kunnen leiden.
Zo werkt het in de praktijk
Bij de Hamburger Hochbahn schatten modellen het energieverbruik van elektrische bussen, op basis van gegevens uit de dienst en gesprekken met deskundigen. In de accountancy maken auditors eerst een verwachting van saldi. Die vergelijken ze daarna met de opgegeven cijfers, onder meer met de methode STAR.
De Technische Universiteit Eindhoven ontwierp het systeem EVEE, dat onderweg het stroomverbruik van elektrische stadsbussen schat. Het onderzoek valt onder het project Destination Zero. De Rijksdienst voor Ondernemend Nederland steunt dat project.
CRISP-DM beschrijft hoe datamining in stappen verloopt, van de vraag tot het gebruik van het model. IBM werkte dit in 2015 uit tot ASUM-DM, een variant voor voorspellende analyse. In het EVEE-onderzoek is CRISP-DM als werkwijze opgenomen.




