Ga samen met andere gemeenten aan de slag met datakwaliteit

Voor gemeenten die de toekomst van data vormgeven

Optimaliseer jouw datakwaliteit
met machine learning

Datakwaliteit is vaak een tijdrovend proces dat aanzienlijk middelen vereist. Gelukkig biedt machine learning en automatisering een efficiëntere oplossing aan.

Phinion heeft de Q-bot ontwikkeld om snel fouten in grote hoeveelheden data op te sporen.

Data op orde brengen is een belangrijk speerpunt voor gemeenten. Het helpt niet alleen om meer waarde uit je data te halen, maar verbetert ook je dienstverlening.

Ga samen met andere gemeenten aan de slag

Lage kosten

Ga voor een korte periode en een lage prijs met deze tool aan de slag.

Leer van elkaar

Leer van andere gemeenten door kennis met elkaar te delen.

Bespaar tijd

Werk efficiënter en bespaar medewerkers tijd door deze innovatieve software te gebruiken.

Een gezellige en leerzame kick-off. Snel nieuwe inzichten in jouw data

Gezellige en leerzame kick- off waar we bepalen welke dataobjecten belangrijk zijn.

Er is weinig inzet vanuit de organisatie nodig. De Q-Bot gaat zelfstandig aan de slag.

De Q-Bot is AVG proof en in lijn met de wet- en regelgeving.

Samen kijken naar de data om kwaliteitsregels te kwalificeren

2x één-op-één sessies om de uitkomsten van de analyse valideren. Zo ontdekken we de kwaliteitsregels.

Een lunch-and-learn om kennis en ervaringen te delen.

Risico gebaseerd data kwaliteit assessment op basis van DAMA Dmbok.

Automatiseren van processen & evalueren met elkaar

Phinion richt data kwaliteits- dashboards in op basis van de bevindingen.

Je hebt 6 maanden toegang tot de software om eventuele aanpassingen te doen.

Gezamenlijk evalueren we de pilot en bespreken we de learnings.

Er is geen ICT capaciteit nodig vanuit jouw organisatie om dit te automatiseren.

Dit is waarom Rioned Q- Bot inzet

Het machine learning algoritme vond patronen die ik direct herkende als logisch en relevant. Soms leken dit open deuren, maar dit is juist de kracht, vind ik. Ze zijn namelijk gevonden door het model en niet door de mens.
Ik zie potentie om de uitkomsten van verschillende gemeentelijke datasets met elkaar te vergelijken. We kunnen dat met elkaar in gesprek over de data. Bijvoorbeeld: waarom sla je bepaalde gegevens op en de andere gemeente niet? Dit biedt kansen om nieuwe, nog niet bekende verbeteringen door te voeren en van elkaar te leren

Thomas Staverman | Assetmanager afvalwater en drinkwater | Waternet

Met de analyse kunnen we snel data kwaliteit verbeteren, dit is fijn want de gemeente Maasgouw heeft minder capaciteit dan bijvoorbeeld Den Haag en Waternet. Tijdens het project heb ik dankzij de analyses al een hoop verbeteringen kunnen doorvoeren.

John Peeters | Applicatiebeheerder | Gemeente Maasgouw

Wat levert het jou op?

Risico gebaseerd datakwaliteit assessment gebaseerd op de DAMA DMBok.
Jouw organisatie leert een methode om vast te stellen aan welke criteria jouw data moet voldoen.
Ontdek relevante datakwaliteitsregels met behulp van machine learning.
Leren van andere gemeentes.
6 maanden toegang tot het datakwaliteit dashboard waarmee jouw organisatie de data kan verbeteren.