Hoe overbruggen we de kloof tussen accountant en dataspecialist? Deel 1 van een drieluik over data-analyse. In dit eerste deel worden zes typen van data-analyse belicht.
DOCUMENT
In de accountancybranche heersen een aantal kenmerken die ervoor hebben gezorgd dat de adoptie van automatisering, digitalisering en data-analyse achterloopt. Dit heeft een aantal redenen: door de hoge werkdruk is er soms geen kans om te innoveren; de omzet is toereikend, waardoor de nut en noodzaak niet worden gezien; door het grote personeelstekort is er geen personeel voor een innovatietraject; MKB-accountants vinden het te risicovol om te investeren in digitalisering met het oog op pensionering en de verkoop van het eigen accountantskantoor. Onderzoekers van de Hogeschool van Amsterdam, Hogeschool Rotterdam en Hogeschool Utrecht hebben onderzocht hoe de mkb-accountant data-analyses kan inzetten in zijn beroepspraktijk, zodat beter aan de wensen van zijn mkb-klanten op het gebied van performance en directere sturing wordt voldaan, en de bedrijfsvoering en werkprocessen van de klanten efficiënter worden. De digitalisering biedt de accountant namelijk mogelijkheden om mkb-ondernemers op basis van data nog beter te adviseren. Het kan daarbij om financiële zaken gaan, maar ook over andere zaken die bij ondernemerschap horen. Denk bijvoorbeeld aan adviezen over voorraden, personeelszaken, procesverbeteringen, verkoopcijfers, duurzaamheid, etc. Op 6 oktober 2022 heeft de onderzoeksgroep de eindresultaten van het onderzoeksproject gepresenteerd op het mini-congres “Data science en mkb-accountants” bij de NBA in Amsterdam. Eén van de tools die het projectteam voor de mkb-accountantskantoren heeft ontwikkeld is een Data Analyse Protocol (hierna DAP). Het DAP geeft de accountant inzicht in vragen die bij mkb-ondernemers kunnen leven en waarbij de accountant kan helpen deze vragen te beantwoorden
DOCUMENT
Patiëntdata uit vragenlijsten, fysieke testen en ‘wearables’ hebben veel potentie om fysiotherapie-behandelingen te personaliseren (zogeheten ‘datagedragen’ zorg) en gedeelde besluitvorming tussen fysiotherapeut en patiënt te faciliteren. Hiermee kan fysiotherapie mogelijk doelmatiger en effectiever worden. Veel fysiotherapeuten en hun patiënten zien echter nauwelijks meerwaarde in het verzamelen van patiëntdata, maar vooral toegenomen administratieve last. In de bestaande landelijke databases krijgen fysiotherapeuten en hun patiënten de door hen zelf verzamelde patiëntdata via een online dashboard weliswaar teruggekoppeld, maar op een weinig betekenisvolle manier doordat het dashboard primair gericht is op wensen van externe partijen (zoals zorgverzekeraars). Door gebruik te maken van technologische innovaties zoals gepersonaliseerde datavisualisaties op basis van geavanceerde data science analyses kunnen patiëntdata betekenisvoller teruggekoppeld en ingezet worden. Wij zetten technologie dus in om ‘datagedragen’, gepersonaliseerde zorg, in dit geval binnen de fysiotherapie, een stap dichterbij te brengen. De kennis opgedaan in de project is tevens relevant voor andere zorgberoepen. In dit KIEM-project worden eerst wensen van eindgebruikers, bestaande succesvolle datavisualisaties en de hiervoor vereiste data science analyses geïnventariseerd (werkpakket 1: inventarisatie). Op basis hiervan worden meerdere prototypes van inzichtelijke datavisualisaties ontwikkeld (bijvoorbeeld visualisatie van patiëntscores in vergelijking met (beoogde) normscores, of van voorspelling van verwacht herstel op basis van data van vergelijkbare eerdere patiënten). Middels focusgroepinterviews met fysiotherapeuten en patiënten worden hieruit de meest kansrijke (maximaal 5) prototypes geselecteerd. Voor deze geselecteerde prototypes worden vervolgens de vereiste data-analyses ontwikkeld die de datavisualisaties op de dashboards van de landelijke databases mogelijk maken (werkpakket 2: prototypes en data-analyses). In kleine pilots worden deze datavisualisaties door eindgebruikers toegepast in de praktijk om te bepalen of ze daadwerkelijk aan hun wensen voldoen (werkpakket 3: pilots). Uit dit 1-jarige project kan een groot vervolgonderzoek ‘ontkiemen’ naar het effect van betekenisvolle datavisualisaties op de uitkomsten van zorg.
Size measurement plays an essential role for micro-/nanoparticle characterization and property evaluation. Due to high costs, complex operation or resolution limit, conventional characterization techniques cannot satisfy the growing demand of routine size measurements in various industry sectors and research departments, e.g., pharmaceuticals, nanomaterials and food industry etc. Together with start-up SeeNano and other partners, we will develop a portable compact device to measure particle size based on particle-impact electrochemical sensing technology. The main task in this project is to extend the measurement range for particles with diameters ranging from 20 nm to 20 um and to validate this technology with realistic samples from various application areas. In this project a new electrode chip will be designed and fabricated. It will result in a workable prototype including new UMEs (ultra-micro electrode), showing that particle sizing can be achieved on a compact portable device with full measuring range. Following experimental testing with calibrated particles, a reliable calibration model will be built up for full range measurement. In a further step, samples from partners or potential customers will be tested on the device to evaluate the application feasibility. The results will be validated by high-resolution and mainstream sizing techniques such as scanning electron microscopy (SEM), dynamic light scattering (DLS) and Coulter counter.
De digitale transitie van mkb’s, met name in de maakindustrie, is goed onderweg, maar verre van afgerond. Er is een grote vraag naar het invoeren van het (Industrial) Internet of Things om procesdata van productiesystemen te bemachtigen en deze vervolgens te analyseren. Deze analysestap heeft een verdere interesseboost gekregen door de mogelijkheden van artificiële intelligentie (AI), waarmee data-analyses naar een complexer niveau getild kunnen worden. In het RAAK-mkb-project Data in Smart Industry staat deze vraag naar de mogelijkheden van IoT en AI centraal: welke data moeten en kunnen we verzamelen en vervolgens op welke manier analyseren? Met bedrijfspartners uit de maakindustrie zijn verschillende casussen IoT-technologie en machine learning (een subdomein van AI) ingezet in pilot studies. Ter afsluiting van het project wordt, in samenwerking met de brancheorganisatie FME en het smartindustryplatform Boost, en vanuit het RAAK-mkb-project Focus op Vision, een aantal trainingssessies georganiseerd rondom AI. Hierbij wordt het bedrijfsleven onderwezen in het toepassen van AI-technologie vanuit een procesmatig en technisch perspectief, waarbij lering wordt getrokken uit de casussen van het Data in Smart Industry-project. De Top-up-subsidie dient het doel om de geleerde lessen uit het RAAK-mkb-project verder te laten landen in de regio Oost-Nederland. Instrumentaal hierin is TValley, een fieldlab gericht op de ontwikkeling van mechatronische systemen zoals industriële robotica. Met de Top-up-subsidie kan TValley uitgebreid worden met een pijler omtrent IoT en AI, vakgebieden die deels overlap hebben met het huidige domein van het fieldlab. Hiervoor worden de ontwikkelde leermaterialen ingezet en doorontwikkeld om kennis te verspreiden en nieuwe bedrijfscasussen op te starten rondom de thema’s IoT en AI binnen TValley.
