Med Envidan får du ikke blot en traditionel softwarevirksomhed – fremfor alt er vi en vandfaglig virksomhed.
Så når vi arbejder med data science, er det altid med udgangspunkt i vandets kredsløb og vandbranchens behov. Det giver os et unikt og dybdegående indblik i arbejdet med data indenfor vandbranchen, som adskiller os fra andre IT-virksomheder.
Data Science teamet i Envidan er sammensat af en lang række forskellige fagligheder, der ligger i spændet mellem vandfaglig rådgivning og software, sådan at vi kan tilbyde specialiseret state-of-the-art rådgivning og ydelser indenfor software og vand.
På den måde forener arbejdet med data science det bedste fra to verdner, fordi vores data scientists, ikke blot har digital ekspertise, men også har dybdegående vandfaglighed, fordi de er en del af branchen.
Gennem Insights leverer vi visualiseringer og BI-rapportering
I Insights samles alle rapporter, og det giver brugerstyring på en enkel måde, da det ikke kræver yderligere licenser til Power BI at dele med hele organisationen.
Datadrevet beslutningsstøtte og visualisering
Hvis man vil træffe gode beslutninger, kræver det et oplyst grundlag – og det har man, hvis man har relevant og retvisende data og kan bruge det rigtigt.
Datadrevet beslutningsstøtte kan skabe stor værdi for forsyningen, fordi I kan træffe mere præcise, objektive, informerede og forudsigelige beslutninger. For forsyningen betyder det derfor øget effektivitet, forbedret kundetilfredshed, og at I vil kunne forudsige fremtidige tendenser og adfærd, der understøtter proaktive beslutninger.
Ved datadrevet beslutningsstøtte bruger man data til at informere og styrke beslutningstagning. Det indebærer indsamling, analyse og fortolkning af data for at finde frem til mønstre, tendenser og indsigt, der kan guide forsyningens beslutninger.
For at gøre resultaterne overskuelige og brugervenlige, er det en stor fordel at benytte simpel og intuitiv visualisering til at fremstille de komplekse data.
Datakvalitet
For at kunne arbejde målrettet med data, er det nødvendigt, at kvaliteten på det data, man anvender, er tilstrækkeligt høj.
Høj datakvalitet refererer til data, der er præcise, pålidelige, komplette og relevante for det formål, de skal anvendes til. Høj datakvalitet er afgørende for enhver form for dataanalyse, da resultaterne af analysen er direkte afhængige af kvaliteten af de inputdata, der anvendes.
Hvis datakvaliteten er lav, f.eks. fordi der er mange fejlkilder og dermed lav pålidelighed, eller fordi dataene ikke er komplette, vil man ikke kunne bruge dem til at skabe et retvisende billede af indsigterne, der udledes af data. Og det betyder, at man ikke kan bruge dataene som beslutningsstøtte eller til optimering af processer samt infrastruktur.
Ved brug af Data Science-teknikker kan vi identificere anomalier, der medfører upålidelighed og herfra lokalisere de problemer, der kan udbedres, sådan at jeres datakvalitet bliver høj nok til, at I kan få et retvisende billede af jeres drift og arbejdsgange.
På den måde kan I spare værdifuld tid og ressourcer på manuel fejlfinding, og I kan forholde jer til retvisende og pålidelige resultater, når I arbejder og træffer beslutninger.
Forudsigelser og prædiktioner til estimering og beskrivelse af tendenser og adfærd
En stor del af de analyser og systemer, som Data Science teamet arbejder med, har med prædiktioner og forudsigelser at gøre. Metodikkerne er generiske, og det betyder, at de kan anvendes bredt indenfor forsyningsdomænet afhængigt af den enkelte forsynings behov og ønsker.
Indenfor data science benytter man sig af forudsigelser og prædiktioner til at estimere og beskrive tendenser og adfærd.
- En prædiktion kan f.eks. være en klassifikation af ledningers fysiske tilstand eller prædiktion af en anomali (fejlbehæftede data).
- En forudsigelse dækker over et estimat af, hvad der vil ske i fremtiden baseret på observationer, data, modeller eller erfaring.
Forudsigelser og prædiktioner kan hjælpe forsyninger med at forberede sig på fremtiden og tage proaktive beslutninger. Og derfor kan det danne grundlag for at foretage bedre investeringer og optimere den daglige drift ved hjælp af forudsigende og forebyggende vedligeholdelse.
I Envidan bruger vi mange forskellige teknikker til at lave forudsigelser og prædiktioner. Det omfatter en række avancerede analysemetodikker som numeriske modeller, statistik og machine learning.
Machine Learning til risikobaseret fornyelsesplanlægning
Et andet eksempel på, hvordan data science benytter prædiktioner, er brugen af machine learning til estimering af kloakledningers fysiske tilstand. Ved at kunne foretage en fremskrivning af ledningernes tilstand, bliver det muligt at lave risikobaseret fornyelsesplanlægning samtidig med, at man kan identificere eventuelle mangler og forbedre sin ledningsregistrering.
På den måde kan man, ved at kende ledningernes tilstand, træffe bedre beslutninger ift., hvordan man mest intelligent bruger sine penge. Man får, med andre ord, mere valuta for pengene.
Case
Forudsigelse af oversvømmelser langs Gudenåen
Kommunerne langs Gudenåen er generelt udfordret af oversvømmelser, og det er til stor gene for private, der står med vand i kælderen og oversvømmede haver såvel som den enkelte kommune, der kan være udfordret af vand på vejene og ødelæggelser af offentlig ejendom.
I den forbindelse lod det sig, ved hjælp af data science-teknikker, gøre at skabe en metodik, der kan forudsige vandstanden tre døgn ud i fremtiden, sådan at man har mulighed for at varsle oversvømmelserne på forkant.
Data science-teknikker lokaliserer uvedkommende vand
Når udefrakommende vand, som f.eks. regnvand eller grundvand, trænger ind i systemer utilsigtet og uønsket, taler man om uvedkommende vand. Uvedkommende vand er meget almindeligt, f.eks. i kloaksystemer, hvor vandet kan trænge ind i systemet gennem utætheder, revner i rør, fejlkonstruerede forbindelser eller illegale tilslutninger.
Data Science i Envidan har udviklet flere metodikker, der kan være med til at lokalisere, hvor vandet trænger ind i systemet samt analysemetoder, der kan være med til løbende at monitorere udviklingen.
Uvedkommende vand er et stort problem for forsyninger af en række årsager:
- Uvedkommende vand er meget udbredt, og det er ikke ualmindeligt, at halvdelen af det vand, der renses, er uvedkommende. Det skaber ekstra omkostninger for forsyningen, der skal bruge ressourcer på at rense det uvedkommende vand.
- Uvedkommende vand kan forårsage kapacitetsproblemer, specielt i forbindelse med fejlkobling af regnvandssystemer på spildevandssystemer, fordi spildevandsledningerne ikke har kapacitet til at håndtere store mængder nedbør. Det kan få den konsekvens, at private kan stå med oversvømmede kældre og det kan udgøre en sundhedsmæssig risiko, hvis folk får urenset spildevand ind i deres hjem.
- Det kan medføre større slitage af kloakledninger, hvilket resulterer i, at infrastruktur må skiftes før tid. På den måde kan man ikke udnytte ledningernes levetid til fulde, hvilket er en unødvendig ekstraudgift for forsyningen.
- Det kan også forårsage øget miljøpåvirkning, fordi en større mængde urenset spildevand ledes ud i recipienter, hvor det har en negativ effekt på vandmiljøet.
- Uvedkommende vand kan også komplicere planlægning af nye systemer.
Koncepter
Metodik baseret på vejrradardata, machine learning og avanceret dataanalyse
Envidans Data Science gruppe har bla. arbejdet med uvedkommende vand ifm. et samarbejde med VA Syd i Malmø. For at komme uvedkommende vand til livs hos VA Syd, har Data Science gruppen udviklet en avanceret metodik, der anvender vejrradardata, machine learning og avanceret dataanalyse til at lokalisere fejlkoblinger i et stort separatkloakeret afløbsopland med høj præcision.
EnergiHub som løsning for forsyningen
Data Science gruppen har ligeledes udarbejdet en løsning til lokalisering af uvedkommende vand, som er anvendt ved mere end 10 danske og svenske forsyninger. Screeningen hedder EnergiHub og er en ydelse, der indebærer, at man foretager en screening af alle pumpestationer baseret på energiforbrug. På den måde kan man komme tættere på kilden end klassiske analyser, der beror på vandføringsmålinger. Det giver hurtigt en prioritering af de pumpestationsoplande, hvor yderligere lokalisering og nedbringelse af uvedkommende vand er relevant.
Case
Novafos prioriterer deres aktiviteter og investeringer ved hjælp af Rehab-IT
Ved at implementere Rehab-IT og asset management, kan Novafos nu træffe gennemanalyserede og informerede beslutninger ud fra deres overordnede mål.
Vil du vide mere om, hvordan det bliver gjort i praksis?
Asset Management
Hvordan imødekommer forsyningerne skærpede krav og stram økonomi?
I disse år oplever mange forsyninger et øget pres ift. overholdelse af krav og stramninger på økonomi. Dét stiller stadigt større krav til dokumentation og hensigtsmæssig disponering af ressourcer.
I flere tilfælde vil der være behov for at ændre på principperne for styringen af aktiver hos forsyningen for at sikre en hensigtsmæssig drift, og sådanne behov kan man tilgodese med asset management.
Hvad er Asset Management?
Asset management er styring af aktiver, der skaber den rette balance mellem investering, performance (serviceniveau) og risiko.
Ved at fastlægge og anvende en systematik for styring af aktiver, kan forsyningen opnå deres strategiske mål, og det skaber øget værdi både hos forsyningen og deres kunder.
I Envidan har vi certificerede medarbejder inden for asset management og vi kan som rådgiver og softwareleverandør understøtte de behov for analyser og dokumentation, som forsyningerne du.
Og når vi implementerer asset management, så gør vi det ved anvendelse, sammenstilling og visualisering af de data, der allerede anvendes i forsyningen.
Envidan arbejder bla. med Asset Management til fornyelsesplanlægning gennem værktøjet Rehab-IT.
Data science understøtter digital transformation hos forsyningen
Ligesom så mange andre områder oplever forsyningssektoren et stigende behov for digitalisering og intelligent dataanvendelse.
Inden for forsyningssektoren handler digital transformation om at anvende digital teknologi til at effektivisere og forbedre udnyttelse af infrastruktur, tjenester og operationer. Det kan f.eks. indebære indførelsen af intelligente netværk og sensorer, automatisering af processer, overvågning ved hjælp af realtidsdata, datadrevne beslutningsstøtte og forbedret kundeinteraktion gennem digitale kanaler.
Men det kan være en udfordring for forsyningerne at holde trit med det stadigt voksende behov for digital transformation og den hæsblæsende udvikling på området.
Ved hjælp af data science bistår Envidan forsyninger, kommuner og industrier i jeres digitale rejse bl.a. ved indsamling, analyse og fortolkning af data samt implementering af systemer og processer, der udnytter og udbreder indsigter med udgangspunkt i data.
Og når vi rådgiver jer om digital transformation, sker det altid med afsæt i vores høje vandfaglighed og indgående branchekendskab.
Vil du vide mere om, hvordan intelligent dataanvendelse kan booste vandbranchens digitale transformation?