bridgingIT - Menschen Methoden Lösungen
craftingIT
Er hat Wirtschaftsinformatik in Mannheim studiert, ist Bereichsleiter für Microsoft Solutions, Business Intelligence, Data Science und Predictive Analytics, und verantwortet das Kompetenzfeld Analytics bei der bridgingIT. Für Predictive Cleaning ist Philip die „eierlegende Wollmilchsau“, wie er selbst nicht ohne Stolz sagt – er ist Projektleiter, Architekt und Entwickler des Projekts.
Jeder kennt sie, jeder hasst sie: öffentliche Toiletten. Denn ob einen hinter der Tür mit den kleinen Männchen eine Wohlfühl-Oase oder ein Ort des Grauens erwartet, ist jedes Mal aufs Neue eine Überraschung – nicht immer eine gute. Dank Philips Projekt Predictive Cleaning wird es in Zukunft weniger Nervenkitzel beim Betreten von Waschräumen geben, dafür stets saubere Toiletten mit ausreichend Seife und Papier.
Waschräume, Toiletten, Seifen- und Papierspender werden mit Sensoren ausgestattet, die Spülvorgänge, Füllstände sowie die Anzahl der Besucher registrieren. Mit Hilfe der so gewonnenen Daten soll ermittelt werden, wann ein Waschraum gereinigt oder ein Seifenspender nachgefüllt werden muss. In ihrer Rohform können die Daten aber nur über die Historie der Besucher und den aktuellen Bedarf informieren, aber noch keine intelligenten Vorhersagen über zukünftigen Reinigungsbedarf treffen. Hier bringt Philip Predictive Analytics ins Spiel: Die Sensordaten von Besucherzähler, Toilettenspülung und Spendern werden an ein Data Warehouse gesendet und anschließend aufbereitet.
Als Mathecrack bringt er dafür all sein Wissen ein: Daten kumulieren, transformieren, korrigieren und interpolieren. Am Ende hat er nur noch „saubere“ Daten, die er nun für ebensolche Vorhersagen nutzen kann. Ein intelligenter Algorithmus errechnet anschließend, wann und wo gereinigt werden muss. Kunden sehen in einem übersichtlichen Dashboard den errechneten Soll-Reinigungs-Plan und können Potential für Kosteneinsparungen ermitteln, weil sie das Reinigungspersonal sinnvoll und nach Bedarf einteilen können.
Zukünftig können wir mit diesem Ansatz auch die Arbeitswege der Reinigungskräfte intelligenter planen. Mit geographischen Daten ergänzt, kann der von Philip entwickelte Algorithmus die Reinigungsrouten in großen Gebäuden oder Gebäudekomplexen optimieren.
Am Ende haben alle etwas davon: Die Betreiber sparen Kosten, den Reinigungskräften wird die Arbeit erleichtert und uns Besucher erwartet immer ein sauberer Waschraum.
Werde Teil unserer Analytics Community.