We worden omringd door netwerken, zoals bedrijven of teams, supply chains of andere processen, maar ook internet en sociale media. Recente ontwikkelingen op gebied van gegevensopslag en geavanceerde analysemethodes maken het mogelijk om deze vaak complexe en omvangrijke netwerken te vertalen naar essentiële inzichten. Meten-is-weten is een veel gehoorde kreet in vele managementlagen met de bijbehorende gedacht dat meer data ook leidt tot betere besluitvorming. Recente ontwikkelingen op gebied van Big Data, IoT en streaming data dragen bij aan een grotere behoefte aan een datatransitie binnen industrie en logistiek (Industrie 4.0). Veel aandacht gaat daarbij uit naar smart machines, digital twins, maar ook smart circulair manufacturing.

Tijdens deze minor wordt ingestoken op de toepassing en combinatie van nieuwe analysetechnieken afkomstig uit de domeinen van proces-, data- en textmining. Deze technieken laten juist zien dat niet  méér data, maar juist beter geselecteerde data bijdraagt om tot belangrijke bedrijfskundige inzichten te komen. Met slechts enkele, maar verstandig gekozen, gegevens die eenvoudig met een hoge datakwaliteit te verzamelen zijn, kunnen datagedreven operationele inzichten verkregen worden zodat snellere aanpassingen van processen, routes of samenwerkingsverbanden mogelijk worden.

De basis hiervoor zijn eventlogs, die vaak automatisch gegenereerd worden, maar ook eenvoudig handmatig te verzamelen zijn. Door middel van technieken die gericht zijn op het analyseren van netwerken wordt het fundament voor verdere analyse gelegd. Er zal aandacht zijn voor technieken die in zeer uiteenlopende omstandigheden bruikbaar zijn. Van zeer gedetailleerde grote gegevensverzamelingen tot situaties waarin nauwelijks waarnemingen (kunnen) zijn of niet heel duidelijk de status vastgesteld kan worden. Via (visueel) programmeren wordt stap voor stap een analysestraat opgebouwd. Voorkennis op gebied van programmeren is niet vereist maar een nieuwsgierige grondhouding wel.  

• De student kan ongestructureerde digitale tekst ontsluiten en verwerken naar een Knowledge Graph.
• De student kan gegevens van multidimensionale gebeurtenissen geautomatiseerd omzetten naar een processchema.
• De student kan een gegenereerd processchema geautomatiseerd vergelijken met een procesontwerp.
• De student kan knelpunten en verbeterpunten in processen geautomatiseerd analyseren en verwerken.
• De student kan netwerken in het algemeen analyseren en opslaan, in het bijzonder samenwerkingsstructuren van mensen en machines.

Doelgroep: domeinen Business en Recht, Hotel en Facility Management, International Business and Communication, Techniek.

Vereiste voorkennis: Inzicht in de werking van organisatie is een pre.

Student dient in bezit te zijn van laptop met windows 10 of 11.

Werkvormen: instructiecolleges, coaching (praktijk)opdracht

Onderwijscontacttijden: twee vaste lesdagen

Totaal aantal contacturen: 80

Kennistoets, 5 EC, weging 34 %, minimumcijfer 5,5: Theoretisch achtergrond en eigenschappen van knowledge graphs en Petrinet + randvoorwaarden analyse technieken en netwerkdata.

Praktijkopdracht, 10 EC, weging 66 %, minimumcijfer 5,5: Onderzoeksverslag.